Analise-Dados-IFPB_CG
Laryssa Milanez
2025-09-12
Sumário
1 - Bibliotecas Utilizadas
2 - Leitura e Separação dos dados para Análise
3 - Comparativo Amostra e População
Parte I da Análise - Perfil dos Participantes
4 - Perfil dos Participantes da Amostra
🔹 Faixa Etária
🔹 Raça-etnia
🔹 Corelação entre Idade e Raça-Etnia
🔹 Ano Escolar
🔹 Origem da formação (pública ou particular)
🔹 Desempenho escolar
🔹 Reprovação em disciplinas
5 - Uso de Tecnologia
🔹 Posse de dispositivos eletrônicos (celular, computador, tablet, console de jogos)
🔹 I - Computador/Notebook
🔹 II - Celular
🔹 III - Tablet
🔹 IV - Console de Jogos
🔹 Quantidade média de dispositivos por raça-etnia
🔹 Uso de dispositivos eletrônicos (computador, celular, tablet, console de jogos)
🔹 Acesso à internet (alta velocidade sem fio em casa, internet na escola, acesso móvel, internet em lan houses)
🔹 Uso de dispositivos eletrônicos (celular, computador, tablet, console de jogos) para diferentes finalidades (realizar trabalhos escolares, trocar mensagens, realizar pesquisas, produzir/consumir fotos e vídeos, jogar jogos eletrônicos)
🔹 Frequência de acesso à internet (diariamente, horas de acesso por dia)
🔹 Tempo gasto em jogos eletrônicos por dia
6 - Lazer e Passatempos
🔹 Fontes de informação utilizadas pelas estudantes (Atividades Escolares; Leitura de Jornais e Revistas; Leitura de Livros e Quadrinhos; Leitura de Notícias na Internet; Biblioteca; Cinema, Teatro, Shows; Atividades Físicas e Desportivas)
🔹 Exposição a atividades culturais (cinema, teatro, shows)
🔹 Prática de atividades físicas ou desportivas
7 - Família
🔹 Renda Familiar
🔹 Profissão da mãe, do pai e de outras pessoas responsáveis na família
🔹 Participação familiar nos estudos das estudantes
🔹 Diálogo da família com as estudantes sobre o que acontece na escola
🔹 Realização de tarefas domésticas pelas participantes
8 - Trabalho
🔹 Participação em trabalho ou estágio
🔹 Tipo de remuneração no estágio (remunerado ou não remunerado)
🔹 Cargo ocupado no trabalho (vendedora, secretária)
🔹 Motivos para trabalharem (adquirir experiência, ajudar a custear estudos futuros, motivos relacionados à família e sustento da casa)
Parte 2 da Análise - Autoeficácia
9 - Tomada de Decisões
🔹 Autoeficácia na tomada de decisões
🔹 Itens relacionados à tomada de decisões (itens 1 - Tomar decisões e fazer escolhas de acordo com o meu desejo e 4 - Tomar decisões e fazer escolhas com o apoio de minha família ou um familiar)
10 - Escolha de Curso Superior
🔹 Autoeficácia na escolha de curso superior
🔹 Tema de interesse (Escolha de Curso Superior, Tomada de Decisões)
🔹 Relação com familiares
🔹 Relação com amizades
🔹 Itens específicos relacionados à autoeficácia (itens de 2 a 5 e 8 a 11)
🔹 Itens específicos relacionados à autoeficácia (itens 1-8 (Desejo das estudantes)
🔹 Itens específicos relacionados à autoeficácia (itens 7 - curso de nível superior para fazer após o ensino médio e 8 - curso de nível superior de acordo com o meu desejo)
🔹 Itens específicos relacionados à autoeficácia (13 - Apoio da família, 15 - Perspectiva financeira do curso, 16 - Nota/classificação do ENEM/SISU)
🔹 Itens específicos relacionados à autoeficácia (itens 12 - Desejo de amigos(as), 20 - Expectativas da sociedade, 21 - Gênero das estudantes)
🔹 Autoeficácia na escolha de um Curso Superior relacionado ao curso de Informática
🔹 Percentual de estudantes com alta autoeficácia (autoeficácia ≥ 8) e Grupo de estudantes com alta autoeficácia (aproximadamente 25% das 78 estudantes)
🔹 Disciplinas específicas mencionadas (Português, História, Física, Química)
11 - Aprendizagem Escolar
🔹 Autoeficácia na aprendizagem escolar
🔹 Disciplinas específicas mencionadas (Português, História, Física, Química)
🔹 Autoeficácia na aprendizagem das disciplinas de Inglês e Matemática
🔹 Valores específicos de autoeficácia mencionados (confiança acima da média, segundo quartil)
🔹 Diferenças na aprendizagem por raça-etnia
🔹 Confiança em escolher um curso relacionado ao EMIEP em Informática (item 19)
12 - Uso de Tecnologias
🔹 Autoeficácia no uso de tecnologias, especificamente celulares e computadores
🔹 Valores específicos de autoeficácia mencionados para diferentes aspectos do uso de celulares e computadores (gerência de recursos, configurações, instalação de programas/aplicativos, etc.)
🔹 Autoeficácia no uso de computadores, especificamente para estudos e trabalhos escolares, gerenciamento de recursos e configurações
🔹 Diferenças na autoeficácia por raça-etnia (estudantes brancas em comparação com as demais)
🔹 Autoeficácia no uso de tecnologias, especificamente para cuidar do bom funcionamento de um computador e gerenciar recursos e configurações
🔹 Diferenças na autoeficácia por ano escolar (1º e 3º anos)
🔹 Autoeficácia no uso de tecnologias relacionadas ao curso Técnico de Informática
🔹 Escolha de um curso superior em Computação
🔹 Escolha de um curso superior em Computação
13 - Conhecimento em Computação
🔹 Autoeficácia no conhecimento em Computação
🔹 Complexidade dos itens relacionados ao conhecimento em Computação (ferramentas de escritório, linguagens de programação, redes, sistemas operacionais e banco de dados)
🔹 Autoeficácia em aprender novos conhecimentos sobre Computação
🔹 Comparação da autoeficácia em aprender novos conhecimentos sobre Computação com a autoeficácia em outras áreas (português, história, etc.)
🔹 Confiança em aprender novos conhecimentos de Computação
🔹 Confiança em executar atividades práticas da área de Computação
🔹 Escolha de um curso superior relacionado à Informática
🔹 Uso de linguagem de programação
🔹 Ano escolar (1º, 2º, 3º)
🔹 Raça-etnia
Parte 3 da Análise - Atividade Profissões
🔹 Opções de profissões escolhidas pelas estudantes
🔹
🔹
1 - Library
library(dplyr)##
## Anexando pacote: 'dplyr'## Os seguintes objetos são mascarados por 'package:stats':
##
## filter, lag## Os seguintes objetos são mascarados por 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readr)
library(purrr)##
## Anexando pacote: 'purrr'## O seguinte objeto é mascarado por 'package:base':
##
## %||%library(broom)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.4.4 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ purrr::%||%() masks base::%||%()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(modelr)##
## Anexando pacote: 'modelr'
##
## O seguinte objeto é mascarado por 'package:broom':
##
## bootstraplibrary(here)## here() starts at /home/laryssa/Laryssa/mestrado/Analise-Dados-IFPB_CGlibrary(skimr)
library(gcookbook)
library(lubridate)
library(rio)
library(tidyr)
library(gridExtra)##
## Anexando pacote: 'gridExtra'
##
## O seguinte objeto é mascarado por 'package:dplyr':
##
## combinelibrary(reshape2)##
## Anexando pacote: 'reshape2'
##
## O seguinte objeto é mascarado por 'package:tidyr':
##
## smithslibrary(vcd)## Carregando pacotes exigidos: gridlibrary(ca)
library(wordcloud)## Carregando pacotes exigidos: RColorBrewerlibrary(RColorBrewer)
library(corrr)##
## Anexando pacote: 'corrr'
##
## O seguinte objeto é mascarado por 'package:skimr':
##
## focuslibrary(psych)##
## Anexando pacote: 'psych'
##
## Os seguintes objetos são mascarados por 'package:ggplot2':
##
## %+%, alphalibrary(effectsize)##
## Anexando pacote: 'effectsize'
##
## O seguinte objeto é mascarado por 'package:psych':
##
## phi
##
## O seguinte objeto é mascarado por 'package:vcd':
##
## oddsratio2 - Leitura e Separação dos dados para Análise
Nesta etapa será realizada a leitura do Dataframe para a separação dos dados que deverão ser analisados inicialmente.
Realizamos a exclusão de algumas colunas que não deverão ser analisadas inicialmente.
# Dados da População em Geral do Médio Tpecnico em Informática do IFPB (!º, 2º e 3º anos)
dado_IFPB_Populacao_Original <- read.csv("dadoGeralIFPB.csv")
dado_IFPB_Populacao <- subset(dado_IFPB_Populacao_Original, select = -c(Carimbo))
dado_IFPBCG_Original <- read.csv2("estudodecasoIFPB.csv")
dado_IFPBCG_amostra <- subset(dado_IFPBCG_Original, select = -c(Carimbo, TCLE_maior, TCLE_menor, Prof1, Pros_Prof1, Contras_Prof1, Prof2, Pros_Prof2, Contras_Prof2, Prof3, Pros_Prof3, Contras_Prof3, Prof4, Pros_Prof4, Contras_Prof4, Prof5, Pros_Prof5, Contras_Prof5))
#print(dado_IFPB_Populacao)
#print(dado_IFPBCG_amostra)
# Separandos os dados da População e da Amostra por sexo
dado_IFPB_Mulheres_Populacao <- dado_IFPB_Populacao %>%
filter(`Sexo` == "Feminino")
#print(dado_IFPB_Mulheres_Populacao)
dado_IFPB_Mulheres_Amostra <- dado_IFPBCG_amostra %>%
filter(`Sexo` == "Feminino")
#print(dado_IFPB_Mulheres_Amostra)
dado_IFPB_Homens_Populacao <- dado_IFPB_Populacao %>%
filter(`Sexo` == "Masculino")
#print(dado_IFPB_Homens_Populacao)
dado_IFPB_Homens_Amostra <- dado_IFPBCG_amostra %>%
filter(`Sexo` == "Masculino")
#print(dado_IFPB_Homens_Amostra)3 - Comparativo Amostra e População
Comparação Geral
total_participantes_populacao <- nrow(dado_IFPB_Populacao)
#print(total_participantes_populacao)
total_participantes_amostra <- nrow(dado_IFPBCG_amostra)
#print(total_participantes_amostra)
percentual_AmostraEPopulacao <- round((total_participantes_amostra/total_participantes_populacao) * 100, 2)
#print(percentual_AmostraEPopulacao)
# Criar um dataframe com os dados
dados_comparativos_GeraleAmostra <- data.frame(
Tipo = c("População", "Amostra"),
Quantidade = c(total_participantes_populacao, total_participantes_amostra),
Percentual = c(100, percentual_AmostraEPopulacao)
)
# Criar o gráfico de pizza
grafico_comparativos_GeraleAmostra <- ggplot(dados_comparativos_GeraleAmostra, aes(x = "", y = Percentual, fill = Tipo)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y", start = 0) + # Transforma o gráfico em pizza
geom_text(aes(label = paste0(Quantidade, " (", Percentual, "%)")),
position = position_stack(vjust = 0.5), size = 4) + # Adiciona o número de participantes ao lado do percentual
labs(title = "Comparação entre População e Amostra") +
theme_void()
# Mostrar o gráfico
print(grafico_comparativos_GeraleAmostra)
ggsave("grafico_comparativos_GeraleAmostra.png", grafico_comparativos_GeraleAmostra)## Saving 7 x 5 in imageComparação por Sexo
Sexo Feminino
Total_mulheres_populacao <- nrow(dado_IFPB_Mulheres_Populacao)
# print(Total_mulheres_populacao)
Total_mulheres_amostra <- nrow(dado_IFPB_Mulheres_Amostra)
# print(Total_mulheres_Amostra)
percentual_mulheres_AmostraEPopulacao <- round((Total_mulheres_amostra/Total_mulheres_populacao) * 100, 2)
# print(percentual_mulheres_AmostraEPopulacao)
# Criar um dataframe com os dados
dados_comparativosMulheres_GeraleAmostra <- data.frame(
Tipo = c("População", "Amostra"),
Quantidade = c(Total_mulheres_populacao, Total_mulheres_amostra),
Percentual = c(100, percentual_mulheres_AmostraEPopulacao)
)
# Criar o gráfico de pizza para as mulheres
grafico_comparativosMulheres_GeraleAmostra <- ggplot(dados_comparativosMulheres_GeraleAmostra, aes(x = "", y = Percentual, fill = Tipo)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y", start = 0) + # Transforma o gráfico em pizza
geom_text(aes(label = paste0(Quantidade, " (", Percentual, "%)")),
position = position_stack(vjust = 0.5), size = 4) + # Adiciona o número de participantes ao lado do percentual
labs(title = "Comparação entre População e Amostra quanto as mulheres") +
theme_void()
# Mostrar o gráfico
print(grafico_comparativosMulheres_GeraleAmostra)
ggsave("grafico_comparativosMulheres_GeraleAmostra.png", grafico_comparativosMulheres_GeraleAmostra)## Saving 7 x 5 in imageSexo Masculino
Total_homens_populacao <- nrow(dado_IFPB_Homens_Populacao)
# print(Total_homens_populacao)
Total_homens_amostra <- nrow(dado_IFPB_Homens_Amostra)
# print(Total_homens_Amostra)
percentual_homens_AmostraEPopulacao <- round((Total_homens_amostra/Total_homens_populacao) * 100, 2)
# print(percentual_homens_AmostraEPopulacao)
# Criar um dataframe com os dados
dados_comparativosHomens_GeraleAmostra <- data.frame(
Tipo = c("População", "Amostra"),
Quantidade = c(Total_homens_populacao, Total_homens_amostra),
Percentual = c(100, percentual_homens_AmostraEPopulacao)
)
# Criar o gráfico de pizza para as mulheres
grafico_comparativosHomens_GeraleAmostra <- ggplot(dados_comparativosHomens_GeraleAmostra, aes(x = "", y = Percentual, fill = Tipo)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y", start = 0) + # Transforma o gráfico em pizza
geom_text(aes(label = paste0(Quantidade, " (", Percentual, "%)")),
position = position_stack(vjust = 0.5), size = 4) + # Adiciona o número de participantes ao lado do percentual
labs(title = "Comparação entre População e Amostra quanto aos Homens") +
theme_void()
# Mostrar o gráfico
print(grafico_comparativosHomens_GeraleAmostra)
ggsave("grafico_comparativosHomens_GeraleAmostra.png", grafico_comparativosHomens_GeraleAmostra)## Saving 7 x 5 in imageComparação por Idade
# Adicionar uma coluna 'Fonte' para distinguir os dados
dado_IFPB_Populacao$Fonte <- "População"
dado_IFPBCG_amostra$Fonte <- "Amostra"
dado_IFPB_Populacao_parte <- dado_IFPB_Populacao %>%
select(Idade, Fonte)
#print(dado_IFPB_Populacao_parte)
dado_IFPB_amostra_parte <- dado_IFPBCG_amostra %>%
select(Idade, Fonte) %>%
mutate(Idade = str_extract(Idade, "\\d+")) %>%
mutate(Idade = as.numeric(Idade))
#print(dado_IFPB_amostra_parte)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_populacao <- dado_IFPB_Populacao_parte %>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
#print(dados_combinados_hist_populacao)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_amostra <- dado_IFPB_amostra_parte %>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
print(dados_combinados_hist_amostra)## # A tibble: 6 × 3
## Idade Fonte Contagem
## <dbl> <chr> <int>
## 1 14 Amostra 7
## 2 15 Amostra 11
## 3 16 Amostra 26
## 4 17 Amostra 17
## 5 18 Amostra 4
## 6 48 Amostra 1# Criar histogramas separados
hist_populacao <- ggplot(dados_combinados_hist_populacao, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "blue", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - População",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_populacao$Idade))
hist_amostra <- ggplot(dados_combinados_hist_amostra, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "red", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - Amostra",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_amostra$Idade))
# Plotar os histogramas lado a lado
grafico_comparacaoIdade_PopulacaoAmostra <- grid.arrange(hist_populacao, hist_amostra, ncol = 2)
ggsave("grafico_comparativosIdade_PopulaçãoAmostra.png", grafico_comparacaoIdade_PopulacaoAmostra)## Saving 7 x 5 in imageOutra forma de visualização
# Adicionar coluna 'Fonte'
dado_IFPB_Populacao$Fonte <- "População"
dado_IFPBCG_amostra$Fonte <- "Amostra"
# Selecionar e tratar colunas
dado_IFPB_Populacao_parte <- dado_IFPB_Populacao %>%
select(Idade, Fonte) %>%
mutate(Idade = as.numeric(Idade))
dado_IFPB_amostra_parte <- dado_IFPBCG_amostra %>%
select(Idade, Fonte) %>%
mutate(Idade = str_extract(Idade, "\\d+")) %>%
mutate(Idade = as.numeric(Idade))
# Criar faixas etárias
breaks <- c(14, 18, 25, 35, 48) # limites das faixas
labels <- c("14-18", "19-25", "26-35", "36-48")
dado_IFPB_Populacao_parte <- dado_IFPB_Populacao_parte %>%
mutate(Faixa_Etaria = cut(Idade, breaks = breaks, labels = labels, include.lowest = TRUE))
dado_IFPB_amostra_parte <- dado_IFPB_amostra_parte %>%
mutate(Faixa_Etaria = cut(Idade, breaks = breaks, labels = labels, include.lowest = TRUE))
# Calcular contagem por faixa etária
dados_combinados_hist_populacao <- dado_IFPB_Populacao_parte %>%
group_by(Faixa_Etaria, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
dados_combinados_hist_amostra <- dado_IFPB_amostra_parte %>%
group_by(Faixa_Etaria, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
# Criar histogramas
hist_populacao <- ggplot(dados_combinados_hist_populacao, aes(x = Faixa_Etaria, y = Contagem)) +
geom_bar(stat = "identity", fill = "blue", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição por Faixa Etária - População",
x = "Faixa Etária",
y = "Contagem") +
theme_minimal()
hist_amostra <- ggplot(dados_combinados_hist_amostra, aes(x = Faixa_Etaria, y = Contagem)) +
geom_bar(stat = "identity", fill = "red", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição por Faixa Etária - Amostra",
x = "Faixa Etária",
y = "Contagem") +
theme_minimal()
# Exibir gráficos
hist_populacao
hist_amostra
# Calcular percentual por grupo (População ou Amostra)
dados_combinados_hist_populacao <- dados_combinados_hist_populacao %>%
group_by(Fonte) %>%
mutate(Percentual = (Contagem / sum(Contagem)) * 100)
dados_combinados_hist_amostra <- dados_combinados_hist_amostra %>%
group_by(Fonte) %>%
mutate(Percentual = (Contagem / sum(Contagem)) * 100)
# Juntar os dois para gráficos comparativos
dados_combinados <- bind_rows(dados_combinados_hist_populacao, dados_combinados_hist_amostra)
# Criar coluna de rótulo: "Contagem (XX%)"
dados_combinados <- dados_combinados %>%
mutate(Rotulo = paste0(Contagem, " (", round(Percentual, 1), "%)"))
# Dois gráficos separados (lado a lado)
library(gridExtra)
hist_populacao <- ggplot(dados_combinados_hist_populacao, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0(Contagem, " (", round(Percentual, 1), "%)")),
vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - População",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
hist_amostra <- ggplot(dados_combinados_hist_amostra, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0(Contagem, " (", round(Percentual, 1), "%)")),
vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - Amostra",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
grid.arrange(hist_populacao, hist_amostra, ncol = 2)
#Um gráfico sobreposto (População vs Amostra)
grafico_sobreposto <- ggplot(dados_combinados, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = "identity", alpha = 0.6) +
geom_text(aes(label = Rotulo),
position = position_identity(), vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - População vs Amostra (Sobreposto)",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
grafico_sobreposto
#Gráfico com barras agrupadas (lado a lado para cada faixa)
grafico_agrupado <- ggplot(dados_combinados, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = Rotulo),
position = position_dodge(width = 0.8), vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - Comparação População e Amostra",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
grafico_agrupado
Mulheres
# Adicionar uma coluna 'Fonte' para distinguir os dados
dado_IFPB_Mulheres_Populacao$Fonte <- "População"
dado_IFPB_Mulheres_Amostra$Fonte <- "Amostra"
dado_IFPB_Mulheres_Populacao_parte <- dado_IFPB_Mulheres_Populacao %>%
select(Idade, Fonte)
#print(dado_IFPB_Mulheres_Populacao_parte)
dado_IFPB_Mulheres_amostra_parte <- dado_IFPB_Mulheres_Amostra %>%
select(Idade, Fonte) %>%
mutate(Idade = str_extract(Idade, "\\d+")) %>%
mutate(Idade = as.numeric(Idade))
#print(dado_IFPB_Mulheres_amostra_parte)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_populacao_mulheres <- dado_IFPB_Mulheres_Populacao_parte %>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
#print(dados_combinados_hist_populacao_mulheres)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_amostra_mulheres <- dado_IFPB_Mulheres_amostra_parte%>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
print(dados_combinados_hist_amostra_mulheres)## # A tibble: 4 × 3
## Idade Fonte Contagem
## <dbl> <chr> <int>
## 1 14 Amostra 3
## 2 15 Amostra 5
## 3 16 Amostra 18
## 4 17 Amostra 8# Criar histogramas separados
hist_populacao_mulheres <- ggplot(dados_combinados_hist_populacao_mulheres, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "DeepPink", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - População \n para as Mulheres",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_populacao_mulheres$Idade))
hist_amostra_mulheres <- ggplot(dados_combinados_hist_amostra_mulheres, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "HotPink", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - Amostra \n para as Mulheres",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_amostra_mulheres$Idade))
# Plotar os histogramas lado a lado
grafico_comparacaoIdade_PopulacaoAmostra_mulheres <- grid.arrange(hist_populacao_mulheres, hist_amostra_mulheres, ncol = 2)
ggsave("grafico_comparativosIdade_PopulaçãoAmostra_mulheres.png", grafico_comparacaoIdade_PopulacaoAmostra_mulheres)## Saving 7 x 5 in imageOutra forma de visualização
library(dplyr)
library(ggplot2)
library(stringr)
library(gridExtra)
# Adicionar coluna 'Fonte'
dado_IFPB_Mulheres_Populacao$Fonte <- "População"
dado_IFPB_Mulheres_Amostra$Fonte <- "Amostra"
# Selecionar e tratar colunas
dado_IFPB_Mulheres_Populacao_parte <- dado_IFPB_Mulheres_Populacao %>%
select(Idade, Fonte) %>%
mutate(Idade = as.numeric(Idade))
dado_IFPB_Mulheres_amostra_parte <- dado_IFPB_Mulheres_Amostra %>%
select(Idade, Fonte) %>%
mutate(Idade = str_extract(Idade, "\\d+")) %>%
mutate(Idade = as.numeric(Idade))
# Criar faixas etárias (14-18, 19-25, 26-35)
breaks <- c(14, 18, 25, 35)
labels <- c("14-18", "19-25", "26-35")
dado_IFPB_Mulheres_Populacao_parte <- dado_IFPB_Mulheres_Populacao_parte %>%
mutate(Faixa_Etaria = cut(Idade, breaks = breaks, labels = labels, include.lowest = TRUE))
dado_IFPB_Mulheres_amostra_parte <- dado_IFPB_Mulheres_amostra_parte %>%
mutate(Faixa_Etaria = cut(Idade, breaks = breaks, labels = labels, include.lowest = TRUE))
# Calcular contagem por faixa etária
dados_combinados_hist_populacao_mulheres <- dado_IFPB_Mulheres_Populacao_parte %>%
group_by(Faixa_Etaria, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
dados_combinados_hist_amostra_mulheres <- dado_IFPB_Mulheres_amostra_parte %>%
group_by(Faixa_Etaria, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
# Calcular percentual por grupo (População / Amostra)
dados_combinados_hist_populacao_mulheres <- dados_combinados_hist_populacao_mulheres %>%
group_by(Fonte) %>%
mutate(Percentual = (Contagem / sum(Contagem)) * 100)
dados_combinados_hist_amostra_mulheres <- dados_combinados_hist_amostra_mulheres %>%
group_by(Fonte) %>%
mutate(Percentual = (Contagem / sum(Contagem)) * 100)
# Juntar para gráficos comparativos
dados_combinados_mulheres <- bind_rows(dados_combinados_hist_populacao_mulheres,
dados_combinados_hist_amostra_mulheres) %>%
mutate(Rotulo = paste0(Contagem, " (", round(Percentual, 1), "%)"))
# 1. Gráficos separados lado a lado
hist_populacao_mulheres <- ggplot(dados_combinados_hist_populacao_mulheres,
aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0(Contagem, " (", round(Percentual, 1), "%)")),
vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - População (Mulheres)",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
print(hist_populacao_mulheres)
hist_amostra_mulheres <- ggplot(dados_combinados_hist_amostra_mulheres,
aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0(Contagem, " (", round(Percentual, 1), "%)")),
vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Distribuição por Faixa Etária - Amostra (Mulheres)",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
print(hist_amostra_mulheres)
grafico_comparacao_mulheres <- grid.arrange(hist_populacao_mulheres, hist_amostra_mulheres, ncol = 2)
print(grafico_comparacao_mulheres)## TableGrob (1 x 2) "arrange": 2 grobs
## z cells name grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]# 2. Gráfico sobreposto
grafico_sobreposto_mulheres <- ggplot(dados_combinados_mulheres, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = "identity", alpha = 0.6) +
geom_text(aes(label = Rotulo),
position = position_identity(), vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "População vs Amostra (Mulheres) - Sobreposto",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
print(grafico_sobreposto_mulheres)
# 3. Gráfico agrupado (lado a lado)
grafico_agrupado_mulheres <- ggplot(dados_combinados_mulheres, aes(x = Faixa_Etaria, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = Rotulo),
position = position_dodge(width = 0.8), vjust = -0.3, size = 3) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "População vs Amostra (Mulheres) - Barras Agrupadas",
x = "Faixa Etária", y = "Contagem") +
theme_minimal()
print(grafico_agrupado_mulheres)
#Gráfico proporcional (eixo Y = %)
library(scales)##
## Anexando pacote: 'scales'## Os seguintes objetos são mascarados por 'package:psych':
##
## alpha, rescale## O seguinte objeto é mascarado por 'package:purrr':
##
## discard## O seguinte objeto é mascarado por 'package:readr':
##
## col_factorgrafico_proporcional_mulheres <- ggplot(dados_combinados_mulheres, aes(x = Fonte, y = Contagem, fill = Faixa_Etaria)) +
geom_bar(stat = "identity", position = "fill") +
scale_y_continuous(labels = percent_format(scale = 1)) +
scale_fill_brewer(palette = "Pastel1") +
labs(title = "Proporção por Faixa Etária - População vs Amostra (Mulheres)",
x = "Grupo", y = "Proporção (%)", fill = "Faixa Etária") +
theme_minimal()
print(grafico_proporcional_mulheres)
Homens
# Adicionar uma coluna 'Fonte' para distinguir os dados
dado_IFPB_Homens_Populacao$Fonte <- "População"
dado_IFPB_Homens_Amostra$Fonte <- "Amostra"
dado_IFPB_Homens_Populacao_parte <- dado_IFPB_Homens_Populacao %>%
select(Idade, Fonte)
#print(dado_IFPB_Homens_Populacao_parte)
dado_IFPB_Homens_amostra_parte <- dado_IFPB_Homens_Amostra %>%
select(Idade, Fonte) %>%
mutate(Idade = str_extract(Idade, "\\d+")) %>%
mutate(Idade = as.numeric(Idade))
#print(dado_IFPB_Homens_amostra_parte)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_populacao_homens <- dado_IFPB_Homens_Populacao_parte %>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
#print(dados_combinados_hist_populacao_homens)
# Calcular a contagem de cada faixa etária para adicionar os rótulos
dados_combinados_hist_amostra_homens <- dado_IFPB_Homens_amostra_parte%>%
group_by(Idade, Fonte) %>%
summarise(Contagem = n(), .groups = 'drop')
print(dados_combinados_hist_amostra_homens)## # A tibble: 6 × 3
## Idade Fonte Contagem
## <dbl> <chr> <int>
## 1 14 Amostra 4
## 2 15 Amostra 6
## 3 16 Amostra 8
## 4 17 Amostra 9
## 5 18 Amostra 4
## 6 48 Amostra 1# Criar histogramas separados
hist_populacao_homens <- ggplot(dados_combinados_hist_populacao_homens, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "Navy", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - População \n para os homens",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_populacao_homens$Idade))
hist_amostra_homens <- ggplot(dados_combinados_hist_amostra_homens, aes(x = factor(Idade), y = Contagem)) +
geom_bar(stat = "identity", fill = "MediumBlue", alpha = 0.7) +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Distribuição de Idade - Amostra \n para os homens",
x = "Idade",
y = "Contagem") +
theme_minimal() +
scale_x_discrete(labels = as.character(dados_combinados_hist_amostra_homens$Idade))
# Plotar os histogramas lado a lado
grafico_comparacaoIdade_PopulacaoAmostra_homens <- grid.arrange(hist_populacao_homens, hist_amostra_homens, ncol = 2)
ggsave("grafico_comparativosIdade_PopulaçãoAmostra_homens.png", grafico_comparacaoIdade_PopulacaoAmostra_homens)## Saving 7 x 5 in imageOutra forma de visualização
Comparação por Série
# Calcular a contagem de alunos em cada série para ambos os dataframes
contagem_populacao <- dado_IFPB_Populacao %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "População")
contagem_amostra <- dado_IFPBCG_amostra %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "Amostra")
# Combinar os dados de contagem em um único dataframe
dados_combinados <- bind_rows(contagem_populacao, contagem_amostra)
# Criar um histograma comparando as séries entre os dois dataframes
grafico_comparacaoSerie_PopulacaoAmostra <- ggplot(dados_combinados, aes(x = Serie, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = "dodge", alpha = 0.7) +
geom_text(aes(label = Contagem), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("População" = "ForestGreen", "Amostra" = "LimeGreen")) +
labs(title = "Comparação de Séries - População X Amostra",
x = "Série",
y = "Contagem") +
theme_minimal()
# Plotar o histograma
print(grafico_comparacaoSerie_PopulacaoAmostra)
ggsave("grafico_comparativosSerie_PopulaçãoAmostra.png", grafico_comparacaoSerie_PopulacaoAmostra)## Saving 7 x 5 in imageMulheres
# Calcular a contagem de alunos em cada série para ambos os dataframes
contagem_populacao_mulheres <- dado_IFPB_Mulheres_Populacao %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "População")
contagem_amostra_mulheres <- dado_IFPB_Mulheres_Amostra %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "Amostra")
# Combinar os dados de contagem em um único dataframe
dados_combinados <- bind_rows(contagem_populacao_mulheres, contagem_amostra_mulheres)
# Criar um histograma comparando as séries entre os dois dataframes
grafico_comparacaoSerie_PopulacaoAmostra_mulheres <- ggplot(dados_combinados, aes(x = Serie, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = "dodge", alpha = 0.7) +
geom_text(aes(label = Contagem), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("População" = "DeepPink", "Amostra" = "HotPink")) +
labs(title = "Comparação de Séries - População X Amostra para as mulheres",
x = "Série",
y = "Contagem") +
theme_minimal()
# Plotar o histograma
print(grafico_comparacaoSerie_PopulacaoAmostra_mulheres)
ggsave("grafico_comparativosSerie_PopulaçãoAmostra_mulheres.png", grafico_comparacaoSerie_PopulacaoAmostra_mulheres)## Saving 7 x 5 in imageHomens
# Calcular a contagem de alunos em cada série para ambos os dataframes
contagem_populacao_homens <- dado_IFPB_Homens_Populacao %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "População")
contagem_amostra_homens <- dado_IFPB_Homens_Amostra %>%
group_by(Serie) %>%
summarise(Contagem = n()) %>%
mutate(Fonte = "Amostra")
# Combinar os dados de contagem em um único dataframe
dados_combinados <- bind_rows(contagem_populacao_homens, contagem_amostra_homens)
# Criar um histograma comparando as séries entre os dois dataframes
grafico_comparacaoSerie_PopulacaoAmostra_homens <- ggplot(dados_combinados, aes(x = Serie, y = Contagem, fill = Fonte)) +
geom_bar(stat = "identity", position = "dodge", alpha = 0.7) +
geom_text(aes(label = Contagem), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("População" = "Navy", "Amostra" = "MediumBlue")) +
labs(title = "Comparação de Séries - População X Amostra para os homens",
x = "Série",
y = "Contagem") +
theme_minimal()
# Plotar o histograma
print(grafico_comparacaoSerie_PopulacaoAmostra_homens)
ggsave("grafico_comparativosSerie_PopulaçãoAmostra_homens.png", grafico_comparacaoSerie_PopulacaoAmostra_homens)## Saving 7 x 5 in imageParte I da Análise - Perfil dos Participantes
4 - Perfil dos Participantes da Amostra
Faixa Etária
Qual é a faixa etária dos estudantes participantes?
# Calcular a faixa etária dos participantes em geral
Faixa_Etaria <- dado_IFPBCG_amostra %>%
select(Idade)
#print(Faixa_Etaria)
Contagem_FaixaEtaria <- table(Faixa_Etaria$Idade)
#print(Contagem_FaixaEtaria)
# Criar um novo dataframe com as idades dos participantes
Faixa_etaria_participantes <- data.frame(Idade = names(Contagem_FaixaEtaria), Quantidade = as.vector(Contagem_FaixaEtaria))
#print(Faixa_etaria_participantes)
# Salvar o novo dataframe em um arquivo CSV
write.csv(Faixa_etaria_participantes, "Faixa_etaria_participantes.csv", row.names = FALSE)
# Converter a coluna Idade para fator
Faixa_etaria_participantes$Idade <- factor(Faixa_etaria_participantes$Idade)
# Gerar o histograma
histograma_idades_geral <- ggplot(Faixa_etaria_participantes, aes(x = Idade, y = Quantidade)) +
geom_bar(stat = "identity", fill = "#6A5ACD") +
geom_text(aes(label = Quantidade), vjust = -0.5, size = 3, color = "black") +
labs(title = "Histograma de Idades dos Participantes em geral", x = "Faixa Etária", y = "Quantidade") +
theme_minimal()
# Mostrar o histograma
print(histograma_idades_geral)
# Salvar o gráfico como um arquivo PNG
ggsave("histograma_idades_geral.png", plot = histograma_idades_geral, width = 10, height = 6, units = "in")Sexo Feminino
# Calcular a contagem das faixas etárias para as mulheres
Faixa_etaria_mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Idade)
Contagem_FaixaEtaria_mulheres <- table(Faixa_etaria_mulheres$Idade)
#print(Contagem_FaixaEtaria_mulheres)
# Criar um novo dataframe com as idades para as mulheres
Faixa_etaria_participantes_mulheres <- data.frame(Idade = names(Contagem_FaixaEtaria_mulheres), Quantidade = as.vector(Contagem_FaixaEtaria_mulheres))
#print(Faixa_etaria_participantes_mulheres)
# Salvar o novo dataframe das mulheres em um arquivo CSV
write.csv(Faixa_etaria_participantes_mulheres, "Faixa_etaria_participantes_mulheres.csv", row.names = FALSE)
# Converter a coluna Idade para fator
Faixa_etaria_participantes_mulheres$Idade <- factor(Faixa_etaria_participantes_mulheres$Idade)
# Gerar o histograma com as idades das mulheres
histograma_idades_mulheres <- ggplot(Faixa_etaria_participantes_mulheres, aes(x = Idade, y = Quantidade)) +
geom_bar(stat = "identity", fill = "#FF1493") +
geom_text(aes(label = Quantidade), vjust = -0.5, size = 3, color = "black") +
labs(title = "Histograma de Idades das \n Participantes Mulheres", x = "Faixa Etária", y = "Quantidade") +
theme_minimal()
# Mostrar o histograma
print(histograma_idades_mulheres)
# Salvar o gráfico como um arquivo PNG
ggsave("histograma_idades_mulheres.png", plot = histograma_idades_mulheres, width = 10, height = 6, units = "in")Sexo Masculino
# Calcular a contagem das faixas etárias para os homens
Faixa_etaria_homens <- dado_IFPB_Homens_Amostra %>%
select(Idade)
Contagem_FaixaEtaria_homens <- table(Faixa_etaria_homens$Idade)
#print(Contagem_FaixaEtaria_homens)
# Criar um novo dataframe com as informações da contagem para os homens
Faixa_etaria_participantes_homens <- data.frame(Idade = names(Contagem_FaixaEtaria_homens), Quantidade = as.vector(Contagem_FaixaEtaria_homens))
#print(Faixa_etaria_participantes_homens)
# Salvar o novo dataframe dos homens em um arquivo CSV
write.csv(Faixa_etaria_participantes_homens, "Faixa_etaria_participantes_homens.csv", row.names = FALSE)
# Converter a coluna Idade para fator
Faixa_etaria_participantes_homens$Idade <- factor(Faixa_etaria_participantes_homens$Idade)
# Gerar o histograma com as idades dos homens
histograma_idades_homens <- ggplot(Faixa_etaria_participantes_homens, aes(x = Idade, y = Quantidade)) +
geom_bar(stat = "identity", fill = "blue") +
geom_text(aes(label = Quantidade), vjust = -0.5, size = 3, color = "black") +
labs(title = "Histograma de Idades dos \n Participantes Homens", x = "Faixa Etária", y = "Quantidade") +
theme_minimal()
# Mostrar o histograma
print(histograma_idades_homens)
# Salvar o gráfico como um arquivo PNG
ggsave("histograma_idades_homens.png", plot = histograma_idades_homens, width = 10, height = 6, units = "in")# Combinar os gráficos de Homens e Mulheres lado a lado
histogramasIdades_lado_a_lado <- grid.arrange(histograma_idades_mulheres, histograma_idades_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("histogramasIdades_lado_a_lado.png", plot = histogramasIdades_lado_a_lado, width = 12, height = 6, units = "in")Raça-etnia
Como os estudantes se identificam em termos de raça-etnia?
# Calcular a Etnia dos participantes em geral
Etnia_participantes_geral <- dado_IFPBCG_amostra %>%
group_by(Etnia) %>%
summarize(Quantidade = n())
print(Etnia_participantes_geral)## # A tibble: 3 × 2
## Etnia Quantidade
## <chr> <int>
## 1 Branca 26
## 2 Parda 34
## 3 Preta 6# Salvar o dataframe com as Etnias em Geral em um arquivo CSV
write.csv(Etnia_participantes_geral, "Etnia_participantes_geral.csv", row.names = FALSE)
# Calcular a Etnia dos participantes em geral
Etnia_participantes_geral <- dado_IFPBCG_amostra %>%
group_by(Etnia) %>%
summarize(Quantidade = n())
# Criar o gráfico de pizza com padrões de cores
grafico_pizza_Etnias <- ggplot(Etnia_participantes_geral, aes(x = "", y = Quantidade, fill = Etnia)) +
geom_bar(width = 1, stat = "identity") +
geom_text(aes(label = Quantidade), position = position_stack(vjust = 0.5), size = 4, color = "black") +
coord_polar("y", start = 0) +
labs(title = "Distribuição da Etnia dos Participantes em Geral") +
theme_void() +
theme(legend.position = "right") +
scale_fill_manual(values = c(
"Branca" = "gray",
"Preta" = "yellow",
"Indígena" = "green",
"Amarela" = "red",
"Parda" = "lightblue"
))
# Mostrar o gráfico de pizza
print(grafico_pizza_Etnias)
Sexo Feminino
# Calcular a Etnia das mulheres
Etnia_participantes_mulheres <- dado_IFPB_Mulheres_Amostra %>%
group_by(Etnia) %>%
summarize(Quantidade = n())
print(Etnia_participantes_mulheres)## # A tibble: 3 × 2
## Etnia Quantidade
## <chr> <int>
## 1 Branca 10
## 2 Parda 21
## 3 Preta 3# Salvar o dataframe com as Etnias das participantes em um arquivo CSV
write.csv(Etnia_participantes_mulheres, "Etnia_participantes_mulheres.csv", row.names = FALSE)
# Criar o gráfico de pizza com padrões de cores
grafico_pizza_Etnia_mulheres <- ggplot(Etnia_participantes_mulheres, aes(x = "", y = Quantidade, fill = Etnia)) +
geom_bar(width = 1, stat = "identity") +
geom_text(aes(label = Quantidade), position = position_stack(vjust = 0.5), size = 4, color = "black") +
coord_polar("y", start = 0) +
labs(title = "Distribuição da Etnia das Mulheres") +
theme_void() +
theme(legend.position = "right") +
scale_fill_manual(values = c(
"Branca" = "gray",
"Preta" = "yellow",
"Indígena" = "green",
"Amarela" = "red",
"Parda" = "lightblue"
))
# Mostrar o gráfico de pizza
print(grafico_pizza_Etnia_mulheres)
Sexo Masculino
# Calcular a Etnia dos homens
Etnia_participantes_homens <- dado_IFPB_Homens_Amostra %>%
group_by(Etnia) %>%
summarize(Quantidade = n())
print(Etnia_participantes_homens)## # A tibble: 3 × 2
## Etnia Quantidade
## <chr> <int>
## 1 Branca 16
## 2 Parda 13
## 3 Preta 3# Salvar o dataframe com as Etnias dos participantes em um arquivo CSV
write.csv(Etnia_participantes_homens, "Etnia_participantes_homens.csv", row.names = FALSE)
# Criar o gráfico de pizza com padrões de cores
grafico_pizza_Etnia_homens <- ggplot(Etnia_participantes_homens, aes(x = "", y = Quantidade, fill = Etnia)) +
geom_bar(width = 1, stat = "identity") +
geom_text(aes(label = Quantidade), position = position_stack(vjust = 0.5), size = 4, color = "black") +
coord_polar("y", start = 0) +
labs(title = "Distribuição da Etnia dos Homens") +
theme_void() +
theme(legend.position = "right") +
scale_fill_manual(values = c(
"Branca" = "gray",
"Preta" = "yellow",
"Indígena" = "green",
"Amarela" = "red",
"Parda" = "lightblue"
))
# Mostrar o gráfico de pizza
print(grafico_pizza_Etnia_homens)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficoPizzaEtinias_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_pizza_Etnia_mulheres, grafico_pizza_Etnia_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficoPizzaEtinias_MulheresEHomens_lado_a_lado.png", plot = GraficoPizzaEtinias_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Corelação entre Idade e Raça-Etnia
Existe uma correlação entre idade e raça-etnia dos participantes?
Análise de Variância (ANOVA) para os dados
dado_correlacao <- dado_IFPBCG_amostra %>%
select(Sexo, Idade, Etnia)
# Extrair apenas o número da string de idade e converter para numérico
dado_correlacao$IdadeNumerica <- as.numeric(gsub("[^0-9.]", "", dado_correlacao$Idade))
#print(dado_correlacao)
# Realizar ANOVA
anova_resultado <- aov(IdadeNumerica ~ Etnia, data = dado_correlacao)
# Imprimir o resultado da ANOVA
print(summary(anova_resultado))## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 28.2 14.12 0.845 0.434
## Residuals 63 1052.2 16.70# Criar o boxplot
boxplot_idade_etnia <- ggplot(dado_correlacao, aes(x = Etnia, y = Idade, fill = Etnia)) +
geom_boxplot() +
labs(title = "Correlação de Idades por Etnia") +
theme_minimal()
# Mostrar o boxplot
print(boxplot_idade_etnia)
# Salvar a figura do boxplot como um arquivo PNG
ggsave("boxplot_idade_etnia.png", width = 12, height = 6, units = "in")Sexo Feminino
# Selecionar as variáveis de interesse (Idade, Etnia e Sexo)
dado_correlacao_mulheres <- dado_correlacao %>%
filter(Sexo == "Feminino")
# Extrair apenas o número da string de idade e converter para numérico
dado_correlacao_mulheres$IdadeNumerica <- as.numeric(gsub("[^0-9.]", "", dado_correlacao_mulheres$Idade))
# Realizar ANOVA por Etnia
anova_etnia <- aov(IdadeNumerica ~ Etnia, data = dado_correlacao_mulheres)
print(summary(anova_etnia))## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 5.897 2.9486 4.852 0.0147 *
## Residuals 31 18.838 0.6077
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Criar boxplot por Etnia e Sexo
boxplot_idade_etnia_mulheres <- ggplot(dado_correlacao_mulheres, aes(x = Etnia, y = IdadeNumerica, fill = Etnia)) +
geom_boxplot() +
labs(title = "Correlação de Idades por Etnia \n para as participantes") +
theme_minimal()
# Mostrar o boxplot
print(boxplot_idade_etnia_mulheres)
Sexo Masculino
dado_correlacao_homens <- dado_correlacao %>%
filter(Sexo == "Masculino")
# Extrair apenas o número da string de idade e converter para numérico
dado_correlacao_homens$IdadeNumerica <- as.numeric(gsub("[^0-9.]", "", dado_correlacao_homens$Idade))
# Realizar ANOVA por Etnia
anova_etnia <- aov(IdadeNumerica ~ Etnia, data = dado_correlacao_homens)
print(summary(anova_etnia))## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 57.5 28.77 0.855 0.436
## Residuals 29 975.2 33.63# Criar boxplot por Etnia e Sexo
boxplot_idade_etnia_homens <- ggplot(dado_correlacao_mulheres, aes(x = Etnia, y = IdadeNumerica, fill = Etnia)) +
geom_boxplot() +
labs(title = "Correlação de Idades por Etnia \n para os participantes") +
theme_minimal()
# Mostrar o boxplot
print(boxplot_idade_etnia_homens)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficosCorrelacao_IdadeEtnia_lado_a_lado <- grid.arrange(boxplot_idade_etnia_mulheres, boxplot_idade_etnia_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficosCorrelacao_IdadeEtnia_lado_a_lado.png", plot = GraficosCorrelacao_IdadeEtnia_lado_a_lado, width = 12, height = 6, units = "in")Ano Escolar
Em quais anos do Ensino Médio as estudantes estão matriculadas?
# Calcular o número total de participantes por série
Total_por_Serie <- dado_IFPBCG_amostra %>%
group_by(Serie) %>%
summarise(Total_Participantes = n())
# Exibir os resultados
print(Total_por_Serie)## # A tibble: 3 × 2
## Serie Total_Participantes
## <int> <int>
## 1 1 18
## 2 2 12
## 3 3 36# Criar o gráfico de barras agrupadas
alunos_por_serie <- ggplot(Total_por_Serie, aes(x = Serie, y = Total_Participantes, fill = Serie)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total_Participantes), position = position_dodge(width = 0.9), vjust = -0.5) +
labs(x = "Série", y = "Total de Participantes", title = "Total de Participantes por Série") +
theme_minimal()
print(alunos_por_serie)
Sexo Feminino
# Calcular o total de homens e mulheres por série
Total_por_sexo_Serie <- dado_IFPBCG_amostra %>%
group_by(Serie, Sexo) %>%
summarise(Count = n()) %>%
spread(key = Sexo, value = Count, fill = 0)## `summarise()` has grouped output by 'Serie'. You can override using the
## `.groups` argument.# Exibir os resultados
print(Total_por_sexo_Serie)## # A tibble: 3 × 3
## # Groups: Serie [3]
## Serie Feminino Masculino
## <int> <dbl> <dbl>
## 1 1 7 11
## 2 2 10 2
## 3 3 17 19Total_por_Serie_mulheres <- Total_por_sexo_Serie %>%
select(Feminino)## Adding missing grouping variables: `Serie`print(Total_por_Serie_mulheres)## # A tibble: 3 × 2
## # Groups: Serie [3]
## Serie Feminino
## <int> <dbl>
## 1 1 7
## 2 2 10
## 3 3 17# Criar o gráfico de barras
Mulheres_por_serie <- ggplot(Total_por_Serie_mulheres, aes(x = Serie, y = Feminino)) +
geom_bar(stat = "identity", fill = "#FF1493") +
geom_text(aes(label = Feminino), vjust = -0.5, color = "black", size = 3) +
labs(x = "Série", y = "Total de Mulheres", title = "Total de Mulheres por Série") +
theme_minimal()
print(Mulheres_por_serie)
Sexo Masculino
Total_por_Serie_homens <- Total_por_sexo_Serie %>%
select(Masculino)## Adding missing grouping variables: `Serie`print(Total_por_Serie_homens)## # A tibble: 3 × 2
## # Groups: Serie [3]
## Serie Masculino
## <int> <dbl>
## 1 1 11
## 2 2 2
## 3 3 19# Criar o gráfico de barras
Homens_por_serie <- ggplot(Total_por_Serie_homens, aes(x = Serie, y = Masculino)) +
geom_bar(stat = "identity", fill = "blue") +
geom_text(aes(label = Masculino), vjust = -0.5, color = "black", size = 3) +
labs(x = "Série", y = "Total de Homens", title = "Total de Homens por Série") +
theme_minimal()
print(Homens_por_serie)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficoSeries_MulheresEHomens_lado_a_lado <- grid.arrange(Mulheres_por_serie, Homens_por_serie, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficoSeries_MulheresEHomens_lado_a_lado.png", plot = GraficoSeries_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Origem da formação (pública ou particular)
Qual é a origem da formação das estudantes?
Total_participantes_tipoEscola <- dado_IFPBCG_amostra %>%
group_by(TipoEscola_Anterior) %>%
summarise(Total_Participantes = n())
#print(Total_participantes_tipoEscola)
# Criar o gráfico de pizza com os valores
Alunos_por_escolas <- ggplot(Total_participantes_tipoEscola, aes(x = "", y = Total_Participantes, fill = TipoEscola_Anterior, label = Total_Participantes)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar(theta = "y") +
labs(x = NULL, y = NULL, fill = "Tipo de Escola",
title = "Número Total de Participantes por Tipo de Escola") +
theme_minimal() +
theme(legend.position = "right") +
scale_fill_discrete(name = "Tipo de Escola") +
geom_text(aes(label = Total_Participantes), position = position_stack(vjust = 0.5), color = "black", size = 4) +
guides(fill = guide_legend(title = "Tipo de Escola"))
print(Alunos_por_escolas)
Sexo Feminino
total_mulheres_tipo_escola <- dado_IFPB_Mulheres_Amostra %>%
group_by(TipoEscola_Anterior) %>%
summarise(Total_Mulheres = n())
# Exibir o total de mulheres para cada tipo de escola
#print(total_mulheres_tipo_escola)
# Criar o gráfico de pizza com os valores
mulheres_por_escola <- ggplot(total_mulheres_tipo_escola, aes(x = "", y = Total_Mulheres, fill = TipoEscola_Anterior, label = Total_Mulheres)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar(theta = "y") +
labs(x = NULL, y = NULL, fill = "Tipo de Escola",
title = "Número Total de Mulheres por Tipo de Escola") +
theme_minimal() +
theme(legend.position = "right") +
scale_fill_discrete(name = "Tipo de Escola") +
geom_text(aes(label = Total_Mulheres), position = position_stack(vjust = 0.5), color = "black", size = 4) +
guides(fill = guide_legend(title = "Tipo de Escola"))
print(mulheres_por_escola)
Sexo Masculino
total_homens_tipo_escola <- dado_IFPB_Homens_Amostra %>%
group_by(TipoEscola_Anterior) %>%
summarise(Total_Homens = n())
# Exibir o total de homens para cada tipo de escola
print(total_homens_tipo_escola)## # A tibble: 3 × 2
## TipoEscola_Anterior Total_Homens
## <chr> <int>
## 1 Em escola pública e em escola particular 6
## 2 Somente escola particular 5
## 3 Somente escola pública 21# Criar o gráfico de pizza com os valores
homens_por_escola <- ggplot(total_homens_tipo_escola, aes(x = "", y = Total_Homens, fill = TipoEscola_Anterior, label = Total_Homens)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar(theta = "y") +
labs(x = NULL, y = NULL, fill = "Tipo de Escola",
title = "Número Total de Homens por Tipo de Escola") +
theme_minimal() +
theme(legend.position = "right") +
scale_fill_discrete(name = "Tipo de Escola") +
geom_text(aes(label = Total_Homens), position = position_stack(vjust = 0.5), color = "black", size = 4) +
guides(fill = guide_legend(title = "Tipo de Escola"))
print(homens_por_escola)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficoTipoEscola_MulheresEHomens_lado_a_lado <- grid.arrange(mulheres_por_escola, homens_por_escola, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficoTipoEscola_MulheresEHomens_lado_a_lado.png", plot = GraficoTipoEscola_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Desempenho escolar
Qual é o desempenho escolar das estudantes participantes?
Total_participantes_reprovacao <- dado_IFPBCG_amostra %>%
group_by(Reprovacao) %>%
summarise(Total_Participantes = n())
print(Total_participantes_reprovacao)## # A tibble: 2 × 2
## Reprovacao Total_Participantes
## <chr> <int>
## 1 Não 54
## 2 Sim 12# Gerar o gráfico de pizza
desempenho_Alunos <- pie(Total_participantes_reprovacao$Total_Participantes,
labels = paste0(Total_participantes_reprovacao$Reprovacao, "\n(", Total_participantes_reprovacao$Total_Participantes, ")"),
main = "Total de Participantes por Aprovação/Reprovação",
col = cm.colors(length(Total_participantes_reprovacao$Total_Participantes)),
cex = 0.8)
# Exibir o gráfico
#print(desempenho_Alunos)Sexo Feminino
Total_mulheres_reprovacao <- dado_IFPB_Mulheres_Amostra %>%
group_by(Reprovacao) %>%
summarise(Total_Mulheres = n())
print(Total_mulheres_reprovacao)## # A tibble: 2 × 2
## Reprovacao Total_Mulheres
## <chr> <int>
## 1 Não 27
## 2 Sim 7# Gerar o gráfico de pizza
desempenho_mulheres <- ggplot(Total_mulheres_reprovacao, aes(x = "", y = Total_Mulheres, fill = Reprovacao)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Total de Mulheres por Aprovação/Reprovação") +
theme_void() +
scale_fill_manual(values = rainbow(length(Total_mulheres_reprovacao$Total_Mulheres))) +
theme(legend.position = "right") +
guides(fill = guide_legend(title = "Reprovação")) +
geom_text(aes(label = Total_Mulheres), position = position_stack(vjust = 0.5))
print(desempenho_mulheres)
Sexo Masculino
Total_homens_reprovacao <- dado_IFPB_Homens_Amostra %>%
group_by(Reprovacao) %>%
summarise(Total_Homens = n())
print(Total_homens_reprovacao)## # A tibble: 2 × 2
## Reprovacao Total_Homens
## <chr> <int>
## 1 Não 27
## 2 Sim 5# Gerar o gráfico de pizza
desempenho_homens <- ggplot(Total_homens_reprovacao, aes(x = "", y = Total_Homens, fill = Reprovacao)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Total de Homens por Aprovação/Reprovação") +
theme_void() +
scale_fill_manual(values = terrain.colors(length(Total_homens_reprovacao$Total_Homens))) +
theme(legend.position = "right") +
guides(fill = guide_legend(title = "Reprovação")) +
geom_text(aes(label = Total_Homens), position = position_stack(vjust = 0.5))
print(desempenho_homens)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficoDesempenhoEscolar_MulheresEHomens_lado_a_lado <- grid.arrange(desempenho_mulheres, desempenho_homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficoDesempenhoEscolar_MulheresEHomens_lado_a_lado.png", plot = GraficoDesempenhoEscolar_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Reprovação em disciplinas
Qual é a incidência de reprovação entre as estudantes? Quantas vezes as estudantes que reprovaram o fizeram?
Total_participantes_progressaoParcial <- dado_IFPBCG_amostra %>%
group_by(Progressao_Parcial) %>%
summarise(Total_Participantes = n())
#print(Total_participantes_progressaoParcial)
# Definir as cores desejadas
cores <- c("yellow", "green", "dodgerblue")
# Gerar o gráfico de pizza com valores nas fatias
alunos_por_reprovacao <- ggplot(Total_participantes_progressaoParcial, aes(x = "", y = Total_Participantes, fill = Progressao_Parcial)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Total de Participantes por Quantidade de Reprovações") +
scale_fill_manual(values = cores) +
theme_void() +
geom_text(aes(label = paste0(Total_Participantes)), position = position_stack(vjust = 0.5), size = 4) +
theme(legend.position = "right")
print(alunos_por_reprovacao)
Sexo Feminino
Total_mulheres_progressaoParcial <- dado_IFPB_Mulheres_Amostra %>%
group_by(Progressao_Parcial) %>%
summarise(Total_Mulheres = n())
print(Total_mulheres_progressaoParcial)## # A tibble: 3 × 2
## Progressao_Parcial Total_Mulheres
## <chr> <int>
## 1 Não 28
## 2 Sim, duas vezes 1
## 3 Sim, uma vez 5# Definir as cores desejadas
cores <- c("#FFC0CB", "#F08080", "#FF69B4")
# Gerar o gráfico de pizza com valores nas fatias
mulheres_por_reprovacao <- ggplot(Total_mulheres_progressaoParcial, aes(x = "", y = Total_Mulheres, fill = Progressao_Parcial)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Total de mulheres por Quantidade de Reprovações") +
scale_fill_manual(values = cores) +
theme_void() +
geom_text(aes(label = paste0(Total_Mulheres)), position = position_stack(vjust = 0.5), size = 4) +
theme(legend.position = "right")
print(mulheres_por_reprovacao)
Sexo Masculino
Total_homens_progressaoParcial <- dado_IFPB_Homens_Amostra %>%
group_by(Progressao_Parcial) %>%
summarise(Total_Homens = n())
print(Total_homens_progressaoParcial)## # A tibble: 2 × 2
## Progressao_Parcial Total_Homens
## <chr> <int>
## 1 Não 29
## 2 Sim, uma vez 3# Definir as cores desejadas
cores <- c("#6495ED", "#0000FF", "#0000CD")
# Gerar o gráfico de pizza com valores nas fatias
homens_por_reprovacao <- ggplot(Total_homens_progressaoParcial, aes(x = "", y = Total_Homens, fill = Progressao_Parcial)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start = 0) +
labs(title = "Total de homens por Quantidade de Reprovações") +
scale_fill_manual(values = cores) +
theme_void() +
geom_text(aes(label = paste0(Total_Homens)), position = position_stack(vjust = 0.5), size = 4) +
theme(legend.position = "right")
print(homens_por_reprovacao)
# Combinar os gráficos de Homens e Mulheres lado a lado
GraficoReprovacao_MulheresEHomens_lado_a_lado <- grid.arrange(mulheres_por_reprovacao, homens_por_reprovacao, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("GraficoReprovacao_MulheresEHomens_lado_a_lado.png", plot = GraficoReprovacao_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")5 - Uso de Tecnologia
Posse de dispositivos eletrônicos (celular, computador, tablet, console de jogos)
Quais dispositivos eletrônicos as estudantes participantes possuem?
I - Computador / Notebook
# Combinação dos dados das três bases de dados
Total_computador_combinado <- rbind(
dado_IFPBCG_amostra %>% mutate(Grupo = "Total"),
dado_IFPB_Mulheres_Amostra %>% mutate(Grupo = "Mulheres"),
dado_IFPB_Homens_Amostra %>% mutate(Grupo = "Homens")
)
# Cálculo do total de celulares por quantidade e grupo
Total_computador_grupo <- Total_computador_combinado %>%
group_by(Quant_Computador_notebook, Grupo) %>%
summarise(Total_computador = n())## `summarise()` has grouped output by 'Quant_Computador_notebook'. You can
## override using the `.groups` argument.# Gráfico de barras com valores
total_computador_grupo_plot <- ggplot(Total_computador_grupo, aes(x = Quant_Computador_notebook, y = Total_computador, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total_computador), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Quantidade de Computadores", y = "Total", title = "Total de Computadores por Grupo") +
scale_fill_manual(values = c("Total" = "#808000", "Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal()
# Exibir o gráfico
print(total_computador_grupo_plot)
Geral
# Computador/Notebook
Total_compNot <- dado_IFPBCG_amostra %>%
group_by(Quant_Computador_notebook) %>%
summarise(total_CompyNot = n())
print(Total_compNot)## # A tibble: 5 × 2
## Quant_Computador_notebook total_CompyNot
## <chr> <int>
## 1 Não 12
## 2 Sim, dois 15
## 3 Sim, quatro ou mais 1
## 4 Sim, três 3
## 5 Sim, um 35# Gráfico de barras com valores
total_compNot <- ggplot(Total_compNot, aes(x = Quant_Computador_notebook, y = total_CompyNot, label = total_CompyNot)) +
geom_bar(stat = "identity", fill = "#808000") +
geom_text(vjust = -0.5) +
labs(x = "Quantidade de Computador/Notebook", y = "Total", title = "Total de Computador/Notebook dos Participantes") +
theme_minimal()
print(total_compNot)
Sexo Feminino
# Computador/Notebook
Total_compNot_Mulheres <- dado_IFPB_Mulheres_Amostra %>%
group_by(Quant_Computador_notebook) %>%
summarise(total_CompyNot = n())
print(Total_compNot_Mulheres)## # A tibble: 4 × 2
## Quant_Computador_notebook total_CompyNot
## <chr> <int>
## 1 Não 7
## 2 Sim, dois 9
## 3 Sim, três 2
## 4 Sim, um 16# Gráfico de barras com valores
total_compNot_Mulheres <- ggplot(Total_compNot_Mulheres, aes(x = Quant_Computador_notebook, y = total_CompyNot, label = total_CompyNot)) +
geom_bar(stat = "identity", fill = "#FFC0CB") +
geom_text(vjust = -0.5) +
labs(x = "Quantidade de Computador/Notebook", y = "Total", title = "Computador/Notebook das Mulheres") +
theme_minimal()
print(total_compNot_Mulheres)
Sexo Masculino
# Computador/Notebook
Total_compNot_Homens <- dado_IFPB_Homens_Amostra %>%
group_by(Quant_Computador_notebook) %>%
summarise(total_CompyNot = n())
print(Total_compNot_Homens)## # A tibble: 5 × 2
## Quant_Computador_notebook total_CompyNot
## <chr> <int>
## 1 Não 5
## 2 Sim, dois 6
## 3 Sim, quatro ou mais 1
## 4 Sim, três 1
## 5 Sim, um 19# Gráfico de barras com valores
Total_compNot_Homens <- ggplot(Total_compNot_Homens, aes(x = Quant_Computador_notebook, y = total_CompyNot, label = total_CompyNot)) +
geom_bar(stat = "identity", fill = "#0000FF") +
geom_text(vjust = -0.5) +
labs(x = "Quantidade de Computador/Notebook", y = "Total", title = "Computador/Notebook \n dos Homens") +
theme_minimal()
print(Total_compNot_Homens)
Colocando os gráficos sobre quantidades de computador/notebook por sexo lado a lado
# Ajustar as margens dos gráficos individualmente
total_compNot_Mulheres <- total_compNot_Mulheres +
theme(plot.margin = unit(c(1, 1, 1, 2), "cm"),
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo x se necessário
Total_compNot_Homens <- Total_compNot_Homens +
theme(plot.margin = unit(c(1, 1, 1, 2), "cm"),
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo x se necessário
# Combinar os gráficos lado a lado
Grafico_QuantNotComp_MulheresEHomens_lado_a_lado <- grid.arrange(total_compNot_Mulheres, Total_compNot_Homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_QuantNotComp_MulheresEHomens_lado_a_lado.png", plot = Grafico_QuantNotComp_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")II - Celular
# Combinação dos dados das três bases de dados
Total_celular_combinado <- rbind(
dado_IFPBCG_amostra %>% mutate(Grupo = "Total"),
dado_IFPB_Mulheres_Amostra %>% mutate(Grupo = "Mulheres"),
dado_IFPB_Homens_Amostra %>% mutate(Grupo = "Homens")
)
# Cálculo do total de celulares por quantidade e grupo
Total_celular_grupo <- Total_celular_combinado %>%
group_by(Quant_Celular, Grupo) %>%
summarise(Total_celular = n())## `summarise()` has grouped output by 'Quant_Celular'. You can override using the
## `.groups` argument.# Gráfico de barras com valores
total_celular_grupo_plot <- ggplot(Total_celular_grupo, aes(x = Quant_Celular, y = Total_celular, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total_celular), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Quantidade de Celulares", y = "Total", title = "Total de Celulares por Grupo") +
scale_fill_manual(values = c("Total" = "#556B2F", "Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal()
# Exibir o gráfico
print(total_celular_grupo_plot)
Geral
# Celular
Total_celular <- dado_IFPBCG_amostra %>%
group_by(Quant_Celular) %>%
summarise(Total_celular = n())
print(Total_celular)## # A tibble: 4 × 2
## Quant_Celular Total_celular
## <chr> <int>
## 1 Sim, dois 7
## 2 Sim, quatro ou mais 20
## 3 Sim, três 27
## 4 Sim, um 12# Gráfico de barras com valores
total_celular <- ggplot(Total_celular, aes(x = Quant_Celular, y = Total_celular)) +
geom_bar(stat = "identity", fill = "#556B2F") +
geom_text(aes(label = Total_celular), vjust = -0.5, size = 3) + # Ajuste o tamanho do texto conforme necessário
labs(x = "Quantidade de Celulares", y = "Total", title = "Total de Celulares dos Participantes") +
theme_minimal()
print(total_celular)
Sexo Feminino
# Celular
Total_celular_mulheres <- dado_IFPB_Mulheres_Amostra %>%
group_by(Quant_Celular) %>%
summarise(Total_celular = n())
print(Total_celular_mulheres)## # A tibble: 4 × 2
## Quant_Celular Total_celular
## <chr> <int>
## 1 Sim, dois 6
## 2 Sim, quatro ou mais 7
## 3 Sim, três 18
## 4 Sim, um 3# Gráfico de barras com valores
total_celular_mulheres <- ggplot(Total_celular_mulheres, aes(x = Quant_Celular, y = Total_celular)) +
geom_bar(stat = "identity", fill = "#FFC0CB") +
geom_text(aes(label = Total_celular), vjust = -0.5, size = 3) + # Ajuste o tamanho do texto conforme necessário
labs(x = "Quantidade de Celulares", y = "Total", title = "Total de Celulares das Mulheres") +
theme_minimal()
print(total_celular_mulheres)
Sexo Masculino
# Celular
Total_celular_homens <- dado_IFPB_Homens_Amostra %>%
group_by(Quant_Celular) %>%
summarise(Total_celular = n())
print(Total_celular_homens)## # A tibble: 4 × 2
## Quant_Celular Total_celular
## <chr> <int>
## 1 Sim, dois 1
## 2 Sim, quatro ou mais 13
## 3 Sim, três 9
## 4 Sim, um 9# Gráfico de barras com valores
total_celular_homens <- ggplot(Total_celular_homens, aes(x = Quant_Celular, y = Total_celular)) +
geom_bar(stat = "identity", fill = "#0000FF") +
geom_text(aes(label = Total_celular), vjust = -0.5, size = 3) + # Ajuste o tamanho do texto conforme necessário
labs(x = "Quantidade de Celulares", y = "Total", title = "Total de Celulares dos Homens") +
theme_minimal()
print(total_celular_homens)
Colocando os gráficos sobre quantidades de celular por sexo lado a lado
# Ajustar as margens dos gráficos individualmente
total_celular_mulheres <- total_celular_mulheres +
theme(plot.margin = unit(c(1, 1, 1, 2), "cm"),
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo x se necessário
total_celular_homens <- Total_compNot_Homens +
theme(plot.margin = unit(c(1, 1, 1, 2), "cm"),
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo x se necessário
# Combinar os gráficos lado a lado
Grafico_QuantCel_MulheresEHomens_lado_a_lado <- grid.arrange(total_celular_mulheres, total_celular_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_QuantCel_MulheresEHomens_lado_a_lado.png", plot = Grafico_QuantCel_MulheresEHomens_lado_a_lado,width = 12, height = 6, units = "in")III - Tablet
# Combinação dos dados das três bases de dados
Total_tablets_combinado <- rbind(
dado_IFPBCG_amostra %>% mutate(Grupo = "Total"),
dado_IFPB_Mulheres_Amostra %>% mutate(Grupo = "Mulheres"),
dado_IFPB_Homens_Amostra %>% mutate(Grupo = "Homens")
)
# Cálculo do total de tablets por quantidade e grupo
Total_tablets_grupo <- Total_tablets_combinado %>%
group_by(Quant_Tablet, Grupo) %>%
summarise(Total_tablet = n())## `summarise()` has grouped output by 'Quant_Tablet'. You can override using the
## `.groups` argument.# Filtrar para remover o grupo "Total"
Total_tablets_grupo_filtrado <- Total_tablets_grupo %>%
filter(Grupo != "Total")
# Gráfico de barras com valores
total_tablets_grupo_plot <- ggplot(Total_tablets_grupo_filtrado, aes(x = Quant_Tablet, y = Total_tablet, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total_tablet), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Quantidade de tablets", y = "Total", title = "Total de tablets por Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal()
# Exibir o gráfico
print(total_tablets_grupo_plot)
# Salvar o gráfico
ggsave("total_tablets_grupo_plot.png", plot = total_tablets_grupo_plot, width = 12, height = 6, units = "in")IV- Console de Jogos
# Combinação dos dados das três bases de dados
Total_console_combinado <- rbind(
dado_IFPBCG_amostra %>% mutate(Grupo = "Total"),
dado_IFPB_Mulheres_Amostra %>% mutate(Grupo = "Mulheres"),
dado_IFPB_Homens_Amostra %>% mutate(Grupo = "Homens")
)
# Cálculo do total de console de jogos por quantidade e grupo
Total_console_grupo <- Total_console_combinado %>%
group_by(Quant_Videogame, Grupo) %>%
summarise(Total_console = n())## `summarise()` has grouped output by 'Quant_Videogame'. You can override using
## the `.groups` argument.print(Total_console_grupo)## # A tibble: 8 × 3
## # Groups: Quant_Videogame [3]
## Quant_Videogame Grupo Total_console
## <chr> <chr> <int>
## 1 Não Homens 23
## 2 Não Mulheres 26
## 3 Não Total 49
## 4 Sim, quatro ou mais Mulheres 1
## 5 Sim, quatro ou mais Total 1
## 6 Sim, um Homens 9
## 7 Sim, um Mulheres 7
## 8 Sim, um Total 16Total_console_grupo_filtrado <- Total_console_grupo %>%
filter(Grupo != "Total")
# Gráfico de barras com valores
total_console_grupo_plot <- ggplot(Total_console_grupo_filtrado, aes(x = Quant_Videogame, y = Total_console, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total_console), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Quantidade de console de jogos", y = "Total", title = "Total de console de jogos por Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal()
# Exibir o gráfico
print(total_console_grupo_plot)
# Salvar o gráfico
ggsave("total_console_grupo_plot.png", plot = total_console_grupo_plot, width = 12, height = 6, units = "in")Quantidade média de dispositivos por raça-etnia
Qual é a quantidade média de dispositivos eletrônicos por estudante?
# Função para converter respostas categóricas para valores numéricos
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
dado_IFPBCG_Amostra <- dado_IFPBCG_amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
# Adicionar uma coluna com a soma dos dispositivos
dado_IFPBCG_Amostra <- dado_IFPBCG_Amostra %>%
mutate(Total_Dispositivos = Quant_Computador_notebook + Quant_Celular + Quant_Tablet + Quant_Videogame)
print(dado_IFPBCG_Amostra)## Sexo Etnia Quant_Computador_notebook Quant_Celular Quant_Tablet
## 1 Feminino Branca 1 3 0
## 2 Feminino Parda 0 2 0
## 3 Masculino Branca 1 3 1
## 4 Feminino Parda 1 2 0
## 5 Feminino Parda 1 3 0
## 6 Feminino Branca 2 2 0
## 7 Masculino Parda 1 2 0
## 8 Feminino Parda 1 1 0
## 9 Feminino Parda 1 4 0
## 10 Feminino Parda 2 4 1
## 11 Feminino Parda 1 3 0
## 12 Masculino Preta 1 4 0
## 13 Masculino Parda 1 3 0
## 14 Masculino Branca 1 1 0
## 15 Feminino Parda 0 3 0
## 16 Masculino Branca 1 1 0
## 17 Feminino Branca 2 4 0
## 18 Feminino Branca 1 3 0
## 19 Feminino Branca 1 3 1
## 20 Feminino Parda 0 3 0
## 21 Masculino Branca 2 4 0
## 22 Feminino Parda 1 2 0
## 23 Masculino Parda 2 3 0
## 24 Masculino Branca 2 4 0
## 25 Masculino Branca 2 4 0
## 26 Feminino Parda 1 3 0
## 27 Masculino Parda 1 1 0
## 28 Masculino Branca 1 4 0
## 29 Feminino Preta 2 4 0
## 30 Feminino Branca 2 4 1
## 31 Masculino Parda 1 1 0
## 32 Masculino Parda 1 4 0
## 33 Feminino Parda 1 2 0
## 34 Feminino Parda 2 1 0
## 35 Masculino Parda 0 4 0
## 36 Masculino Preta 1 3 0
## 37 Feminino Parda 1 3 0
## 38 Feminino Parda 2 3 2
## 39 Feminino Branca 0 3 0
## 40 Masculino Branca 1 3 0
## 41 Masculino Branca 1 1 0
## 42 Masculino Parda 2 4 0
## 43 Masculino Parda 1 1 0
## 44 Feminino Parda 2 3 1
## 45 Feminino Parda 1 3 0
## 46 Masculino Branca 1 1 0
## 47 Feminino Preta 0 3 0
## 48 Masculino Branca 0 4 2
## 49 Masculino Parda 1 3 0
## 50 Feminino Preta 3 2 1
## 51 Masculino Parda 0 3 0
## 52 Masculino Branca 2 3 0
## 53 Masculino Branca 1 1 1
## 54 Feminino Parda 1 3 0
## 55 Masculino Parda 3 3 2
## 56 Masculino Parda 4 4 0
## 57 Masculino Branca 0 4 0
## 58 Masculino Preta 0 4 0
## 59 Feminino Parda 2 3 0
## 60 Masculino Branca 1 4 0
## 61 Feminino Parda 0 3 0
## 62 Feminino Branca 1 3 0
## 63 Masculino Branca 1 1 0
## 64 Feminino Branca 1 4 0
## 65 Feminino Branca 3 4 0
## 66 Feminino Parda 0 1 0
## Quant_Videogame Total_Dispositivos
## 1 0 4
## 2 0 2
## 3 0 5
## 4 0 3
## 5 0 4
## 6 0 4
## 7 0 3
## 8 0 2
## 9 1 6
## 10 1 8
## 11 1 5
## 12 0 5
## 13 0 4
## 14 0 2
## 15 0 3
## 16 1 3
## 17 1 7
## 18 0 4
## 19 0 5
## 20 1 4
## 21 1 7
## 22 1 4
## 23 0 5
## 24 1 7
## 25 1 7
## 26 0 4
## 27 0 2
## 28 0 5
## 29 0 6
## 30 0 7
## 31 0 2
## 32 0 5
## 33 0 3
## 34 0 3
## 35 0 4
## 36 0 4
## 37 0 4
## 38 0 7
## 39 0 3
## 40 0 4
## 41 0 2
## 42 0 6
## 43 1 3
## 44 0 6
## 45 0 4
## 46 0 2
## 47 0 3
## 48 1 7
## 49 0 4
## 50 4 10
## 51 0 3
## 52 1 6
## 53 0 3
## 54 0 4
## 55 1 9
## 56 0 8
## 57 0 4
## 58 0 4
## 59 0 5
## 60 0 5
## 61 0 3
## 62 0 4
## 63 1 3
## 64 0 5
## 65 1 8
## 66 0 1# Calcular a média dos dispositivos por estudante
media_dispositivos_total <- dado_IFPBCG_Amostra %>%
summarise(Media_Dispositivos_original = mean(Total_Dispositivos, na.rm = TRUE), Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE), 2))
# Exibir o resultado
print(media_dispositivos_total)## Media_Dispositivos_original Media_Dispositivos
## 1 4.515152 4.52# Aplicar a função de conversão e calcular a média para mulheres
dado_IFPBCG_Mulheres_amostra <- dado_IFPB_Mulheres_Amostra %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame)) %>%
mutate(Total_Dispositivos = Quant_Computador_notebook + Quant_Celular + Quant_Tablet + Quant_Videogame) %>%
summarise(Media_Dispositivos_original = mean(Total_Dispositivos, na.rm = TRUE), Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE), 2))
print(dado_IFPBCG_Mulheres_amostra)## Media_Dispositivos_original Media_Dispositivos
## 1 4.558824 4.56# Aplicar a função de conversão e calcular a média para homens
dado_IFPBCG_Homens_amostra <- dado_IFPB_Homens_Amostra %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame)) %>%
mutate(Total_Dispositivos = Quant_Computador_notebook + Quant_Celular + Quant_Tablet + Quant_Videogame) %>%
summarise(Media_Dispositivos_original = mean(Total_Dispositivos, na.rm = TRUE), Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE),2))
print(dado_IFPBCG_Homens_amostra)## Media_Dispositivos_original Media_Dispositivos
## 1 4.46875 4.47# Adicionar coluna indicando o grupo para total
media_dispositivos_total <- media_dispositivos_total %>%
mutate(Grupo = "Total")
# Adicionar coluna indicando o grupo para mulheres
media_dispositivos_mulheres <- dado_IFPBCG_Mulheres_amostra %>%
mutate(Grupo = "Mulheres")
# Adicionar coluna indicando o grupo para homens
media_dispositivos_homens <- dado_IFPBCG_Homens_amostra %>%
mutate(Grupo = "Homens")
# Combinar os resultados
media_dispositivos_combinado <- bind_rows(media_dispositivos_mulheres, media_dispositivos_homens)
# Exibir o resultado combinado
print(media_dispositivos_combinado)## Media_Dispositivos_original Media_Dispositivos Grupo
## 1 4.558824 4.56 Mulheres
## 2 4.468750 4.47 Homens# Gráfico de barras com valores
media_dispositivos_Estudantes <- ggplot(media_dispositivos_combinado, aes(x = Grupo, y = Media_Dispositivos, fill = Grupo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = Media_Dispositivos), vjust = -0.5, size = 3) + # Adicionar os valores das barras
labs(x = "Grupo", y = "Média de Dispositivos", title = "Média de Dispositivos Eletrônicos por Estudante") +
theme_minimal() +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF"))
# Exibir o gráfico
print(media_dispositivos_Estudantes)
Diferenças na posse de dispositivos eletrônicos entre diferentes grupos (raça-etnia)?
# Definir a função para converter respostas categóricas para valores numéricos
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
dado_IFPBCG_Amostra <- dado_IFPBCG_amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(across(starts_with("Quant_"), converter_resposta))
# Adicionar uma coluna com a soma dos dispositivos
dado_IFPBCG_Amostra <- dado_IFPBCG_Amostra %>%
mutate(Total_Dispositivos = Quant_Computador_notebook + Quant_Celular + Quant_Tablet + Quant_Videogame)
# Calcular a média dos dispositivos por estudante (Total)
media_dispositivos_total <- dado_IFPBCG_Amostra %>%
group_by(Etnia) %>%
summarise(Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE), 2)) %>%
mutate(Categoria = "Total")
print(media_dispositivos_total)## # A tibble: 3 × 3
## Etnia Media_Dispositivos Categoria
## <chr> <dbl> <chr>
## 1 Branca 4.73 Total
## 2 Parda 4.21 Total
## 3 Preta 5.33 Total# Calcular a média dos dispositivos por estudante (Mulheres)
media_dispositivos_mulheres <- dado_IFPBCG_Amostra %>%
filter(Sexo == "Feminino") %>%
group_by(Etnia) %>%
summarise(Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE), 2)) %>%
mutate(Categoria = "Mulheres")
print(media_dispositivos_mulheres)## # A tibble: 3 × 3
## Etnia Media_Dispositivos Categoria
## <chr> <dbl> <chr>
## 1 Branca 5.1 Mulheres
## 2 Parda 4.05 Mulheres
## 3 Preta 6.33 Mulheres# Calcular a média dos dispositivos por estudante (Homens)
media_dispositivos_homens <- dado_IFPBCG_Amostra %>%
filter(Sexo == "Masculino") %>%
group_by(Etnia) %>%
summarise(Media_Dispositivos = round(mean(Total_Dispositivos, na.rm = TRUE), 2)) %>%
mutate(Categoria = "Homens")
print(media_dispositivos_homens)## # A tibble: 3 × 3
## Etnia Media_Dispositivos Categoria
## <chr> <dbl> <chr>
## 1 Branca 4.5 Homens
## 2 Parda 4.46 Homens
## 3 Preta 4.33 Homens# Combinar os resultados em um único dataframe
media_dispositivos_combinado <- bind_rows(media_dispositivos_mulheres, media_dispositivos_homens)
print(media_dispositivos_combinado)## # A tibble: 6 × 3
## Etnia Media_Dispositivos Categoria
## <chr> <dbl> <chr>
## 1 Branca 5.1 Mulheres
## 2 Parda 4.05 Mulheres
## 3 Preta 6.33 Mulheres
## 4 Branca 4.5 Homens
## 5 Parda 4.46 Homens
## 6 Preta 4.33 Homens# Gráfico de barras com valores
grafico_media_dispositivos_Etnia <- ggplot(media_dispositivos_combinado, aes(x = Etnia, y = Media_Dispositivos, fill = Categoria)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = Media_Dispositivos),
position = position_dodge(width = 0.9),
vjust = -0.5, size = 3) + # Adicionar os valores das barras
labs(x = "Etnia", y = "Média de Dispositivos", title = "Média de Dispositivos Eletrônicos por Etnia e Categoria") +
theme_minimal() +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF"))
# Exibir o gráfico
print(grafico_media_dispositivos_Etnia)
# Salvar o gráfico
ggsave("grafico_media_dispositivos_Etnia.png", plot = grafico_media_dispositivos_Etnia, width = 12, height = 6, units = "in")Existem diferenças na posse de dispositivos eletrônicos entre diferentes grupos de raça-etnia?
# Definir a função para converter respostas categóricas para valores numéricos
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
dado_IFPBCG_Amostra <- dado_IFPBCG_amostra %>%
select(Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(across(starts_with("Quant_"), converter_resposta))
# Adicionar uma coluna com a soma dos dispositivos
dado_IFPBCG_Amostra <- dado_IFPBCG_Amostra %>%
mutate(Total_Dispositivos = Quant_Computador_notebook + Quant_Celular + Quant_Tablet + Quant_Videogame)
# Codificar a variável "Etnia" usando variáveis dummy
dado_IFPBCG_Amostra_dummy <- dado_IFPBCG_Amostra %>%
mutate(Etnia = factor(Etnia)) %>%
pivot_wider(names_from = Etnia, values_from = Etnia, values_fn = list(Etnia = ~1), values_fill = list(Etnia = 0))
# Calcular a correlação entre as variáveis dummy de etnia e a soma dos dispositivos
correlacao_etnia_dispositivos <- cor(dado_IFPBCG_Amostra_dummy %>% select(-Quant_Computador_notebook, -Quant_Celular, -Quant_Tablet, -Quant_Videogame), use = "complete.obs")
# Exibir o resultado da correlação
print(correlacao_etnia_dispositivos)## Total_Dispositivos Branca Parda Preta
## Total_Dispositivos 1.00000000 -0.1311700 -0.3460149 0.03775333
## Branca -0.13117001 1.0000000 -0.5540513 0.20044593
## Parda -0.34601494 -0.5540513 1.0000000 0.14547859
## Preta 0.03775333 0.2004459 0.1454786 1.00000000# Para visualizar a correlação de forma mais clara, você pode usar uma heatmap
correlacao_melt <- melt(correlacao_etnia_dispositivos)
ggplot(data = correlacao_melt, aes(x = Var1, y = Var2, fill = value)) +
geom_tile() +
scale_fill_gradient2(low = "blue", high = "red", mid = "white", midpoint = 0, limit = c(-1, 1), space = "Lab", name = "Correlacao") +
theme_minimal() +
labs(x = "", y = "", title = "Heatmap da Correlação entre Etnia e Dispositivos Eletrônicos") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Uso de dispositivos eletrônicos (computador, celular, tablet, console de jogos)
# Geral
# Calcular a quantidade de cada resposta na coluna Dispositivos_usados
quantidade_dispositivosUsados <- dado_IFPBCG_amostra %>%
count(Dispositivos_usados) %>%
rename(Quantidade = n)
# Exibir as quantidades
print(quantidade_dispositivosUsados)## Dispositivos_usados Quantidade
## 1 Celular 5
## 2 Celular, Tablet 1
## 3 Computador_notebook 1
## 4 Computador_notebook, Celular 9
## 5 Computador_notebook, Celular, Tablet 8
## 6 Computador_notebook, Celular, Videogame 6
## 7 Computador_notebook, Celular, Videogame, Tablet 36# Salvar a tabela em um arquivo CSV
write.csv(quantidade_dispositivosUsados, file = "tabela_quantidade_dispositivos_Usados_Estudantes.csv", row.names = FALSE)
# Gerar o gráfico de barras
grafico_dispositivos_usados <- ggplot(quantidade_dispositivosUsados, aes(x = Quantidade, y = reorder(Dispositivos_usados, Quantidade))) +
geom_bar(stat = "identity", fill = "purple") +
geom_text(aes(label = Quantidade), hjust = -0.2, size = 3) + # Posiciona os valores dentro das barras
labs(title = "Quantidade de Dispositivos Usados", x = "Quantidade", y = "Dispositivos Usados") + # Inverte rótulos dos eixos
theme_minimal()
# Exibir o gráfico
print(grafico_dispositivos_usados)
# Salvar o gráfico
ggsave("grafico_dispositivos_usados.png", plot = grafico_dispositivos_usados, width = 10, height = 6)
# Mulheres
# Calcular a quantidade de cada resposta na coluna Dispositivos_usados
quantidade_dispositivosUsados_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Dispositivos_usados)%>%
rename(Quantidade = n)
# Exibir as quantidades
print(quantidade_dispositivosUsados_mulheres)## Dispositivos_usados Quantidade
## 1 Celular 3
## 2 Celular, Tablet 1
## 3 Computador_notebook, Celular 6
## 4 Computador_notebook, Celular, Tablet 5
## 5 Computador_notebook, Celular, Videogame 2
## 6 Computador_notebook, Celular, Videogame, Tablet 17# Salvar a tabela em um arquivo CSV
write.csv(quantidade_dispositivosUsados_mulheres, file = "tabela_quantidade_dispositivos_Usados_EstudantesMulheres.csv", row.names = FALSE)
# Gerar o gráfico de barras
grafico_dispositivos_usadosMulheres <- ggplot(quantidade_dispositivosUsados_mulheres, aes(x = Quantidade, y = reorder(Dispositivos_usados, Quantidade))) +
geom_bar(stat = "identity", fill = "#FFC0CB") +
geom_text(aes(label = Quantidade), hjust = -0.2, size = 3) + # Posiciona os valores dentro das barras
labs(title = "Quantidade de Dispositivos Usados", x = "Quantidade", y = "Dispositivos Usados") + # Inverte rótulos dos eixos
theme_minimal()
# Exibir o gráfico
print(grafico_dispositivos_usadosMulheres)
# Salvar o gráfico
ggsave("grafico_dispositivos_usadosMulheres.png", plot = grafico_dispositivos_usadosMulheres, width = 10, height = 6)
# Homens
# Calcular a quantidade de cada resposta na coluna Dispositivos_usados
quantidade_dispositivosUsados_homens <- dado_IFPB_Homens_Amostra %>%
count(Dispositivos_usados)%>%
rename(Quantidade = n)
# Exibir as quantidades
print(quantidade_dispositivosUsados_homens)## Dispositivos_usados Quantidade
## 1 Celular 2
## 2 Computador_notebook 1
## 3 Computador_notebook, Celular 3
## 4 Computador_notebook, Celular, Tablet 3
## 5 Computador_notebook, Celular, Videogame 4
## 6 Computador_notebook, Celular, Videogame, Tablet 19# Salvar a tabela em um arquivo CSV
write.csv(quantidade_dispositivosUsados_homens, file = "tabela_quantidade_dispositivos_Usados_EstudantesHomens.csv", row.names = FALSE)
# Gerar o gráfico de barras
grafico_dispositivos_usadosHomens <- ggplot(quantidade_dispositivosUsados_homens, aes(x = Quantidade, y = reorder(Dispositivos_usados, Quantidade))) +
geom_bar(stat = "identity", fill = "#0000FF") +
geom_text(aes(label = Quantidade), hjust = -0.2, size = 3) + # Posiciona os valores dentro das barras
labs(title = "Quantidade de Dispositivos Usados", x = "Quantidade", y = "Dispositivos Usados") + # Inverte rótulos dos eixos
theme_minimal()
# Exibir o gráfico
print(grafico_dispositivos_usadosHomens)
# Salvar o gráfico
ggsave("grafico_dispositivos_usadosHomens.png", plot = grafico_dispositivos_usadosHomens, width = 10, height = 6)
# Combinar os gráficos lado a lado
Grafico_dispositivosUsados_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_dispositivos_usadosMulheres, grafico_dispositivos_usadosHomens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_dispositivosUsados_MulheresEHomens_lado_a_lado.png", plot = Grafico_dispositivosUsados_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Relação Entre Posse e Uso dos dispositivos
# Função para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPBCG_amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse <- freq_posse %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_long <- freq_posse %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Total") %>%
mutate(Tipo = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPBCG_amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Total = n) %>%
mutate(Tipo = "Uso")
# Combinar os dados de posse e uso
dados_combinados <- bind_rows(total_dispositivos, freq_posse_long)
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 8 × 3
## Dispositivo Total Tipo
## <chr> <int> <chr>
## 1 Celular 65 Uso
## 2 Computador_notebook 60 Uso
## 3 Tablet 45 Uso
## 4 Videogame 42 Uso
## 5 Computador_notebook 54 Posse
## 6 Celular 66 Posse
## 7 Tablet 10 Posse
## 8 Videogame 17 Posse# Gerar o gráfico de barras combinando uso e posse
grafico_combinado <- ggplot(dados_combinados, aes(x = reorder(Dispositivo, Total), y = Total, fill = Tipo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Dispositivo", y = "Total") +
ggtitle("Uso e Posse de Dispositivos") +
scale_fill_manual(values = c("Posse" = "#8B008B", "Uso" = "#A020F0")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 25, hjust = 1))
# Exibir o gráfico
print(grafico_combinado)
Mulheres
# Função para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPB_Mulheres_Amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse <- freq_posse %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_long <- freq_posse %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Total") %>%
mutate(Tipo = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPB_Mulheres_Amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Total = n) %>%
mutate(Tipo = "Uso")
# Combinar os dados de posse e uso
dados_combinados <- bind_rows(total_dispositivos, freq_posse_long)
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 8 × 3
## Dispositivo Total Tipo
## <chr> <int> <chr>
## 1 Celular 34 Uso
## 2 Computador_notebook 30 Uso
## 3 Tablet 23 Uso
## 4 Videogame 19 Uso
## 5 Computador_notebook 27 Posse
## 6 Celular 34 Posse
## 7 Tablet 6 Posse
## 8 Videogame 8 Posse# Gerar o gráfico de barras combinando uso e posse
grafico_combinado_mulheres <- ggplot(dados_combinados, aes(x = reorder(Dispositivo, Total), y = Total, fill = Tipo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Dispositivo", y = "Total") +
ggtitle("Uso e Posse de Dispositivos \n das mulheres") +
scale_fill_manual(values = c("Posse" = "MediumVioletRed", "Uso" = "DeepPink")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 25, hjust = 1))
# Exibir o gráfico
print(grafico_combinado_mulheres)
Homens
# Função para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPB_Homens_Amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse <- freq_posse %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_long <- freq_posse %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Total") %>%
mutate(Tipo = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPB_Homens_Amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Total = n) %>%
mutate(Tipo = "Uso")
# Combinar os dados de posse e uso
dados_combinados <- bind_rows(total_dispositivos, freq_posse_long)
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 8 × 3
## Dispositivo Total Tipo
## <chr> <int> <chr>
## 1 Celular 31 Uso
## 2 Computador_notebook 30 Uso
## 3 Tablet 22 Uso
## 4 Videogame 23 Uso
## 5 Computador_notebook 27 Posse
## 6 Celular 32 Posse
## 7 Tablet 4 Posse
## 8 Videogame 9 Posse# Gerar o gráfico de barras combinando uso e posse
grafico_combinado_homens <- ggplot(dados_combinados, aes(x = reorder(Dispositivo, Total), y = Total, fill = Tipo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Dispositivo", y = "Total") +
ggtitle("Uso e Posse de Dispositivos \n dos Homens") +
scale_fill_manual(values = c("Posse" = "Navy", "Uso" = "MediumBlue")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 25, hjust = 1))
# Exibir o gráfico
print(grafico_combinado_homens)
# Combinar os gráficos lado a lado
Grafico_PosseXUso_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_combinado_mulheres, grafico_combinado_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_PosseXUso_MulheresEHomens_lado_a_lado.png", plot = Grafico_PosseXUso_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Correlação entre a Posse e o Uso dos dispositivos
Geral
# postures para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPBCG_amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse <- freq_posse %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_long <- freq_posse %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPBCG_amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Uso = n)
# Combinar os dados de posse e uso
dados_combinados <- inner_join(freq_posse_long, total_dispositivos, by = "Dispositivo")
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 4 × 3
## Dispositivo Posse Uso
## <chr> <int> <int>
## 1 Computador_notebook 54 60
## 2 Celular 66 65
## 3 Tablet 10 45
## 4 Videogame 17 42# Calcular a correlação
correlacao <- cor(dados_combinados$Posse, dados_combinados$Uso)
print(paste("Correlação entre Posse e Uso:", correlacao))## [1] "Correlação entre Posse e Uso: 0.977254699570436"# Gerar o gráfico de dispersão para visualizar a correlação
grafico_dispersao <- ggplot(dados_combinados, aes(x = Posse, y = Uso, label = Dispositivo)) +
geom_point(size = 3) +
geom_text(vjust = -1) +
labs(x = "Posse", y = "Uso") +
ggtitle("Correlação entre Posse e Uso de Dispositivos") +
theme_minimal()
# Exibir o gráfico
print(grafico_dispersao)
Feminino
# postures para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPB_Mulheres_Amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse_mulheres <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse_mulheres <- freq_posse_mulheres %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_mulheres_long <- freq_posse_mulheres %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPB_Mulheres_Amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Uso = n)
# Combinar os dados de posse e uso
dados_combinados <- inner_join(freq_posse_mulheres_long, total_dispositivos, by = "Dispositivo")
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 4 × 3
## Dispositivo Posse Uso
## <chr> <int> <int>
## 1 Computador_notebook 27 30
## 2 Celular 34 34
## 3 Tablet 6 23
## 4 Videogame 8 19# Calcular a correlação
correlacao <- cor(dados_combinados$Posse, dados_combinados$Uso)
print(paste("Correlação para as mulheres entre Posse e Uso:", correlacao))## [1] "Correlação para as mulheres entre Posse e Uso: 0.953539096471967"# Gerar o gráfico de dispersão para visualizar a correlação
grafico_dispersao_mulheres <- ggplot(dados_combinados, aes(x = Posse, y = Uso, label = Dispositivo)) +
geom_point(size = 3) +
geom_text(vjust = -1) +
labs(x = "Posse", y = "Uso") +
ggtitle("Correlação para as Mulheres entre Posse e Uso de Dispositivos") +
theme_minimal()
# Exibir o gráfico
print(grafico_dispersao_mulheres)
Masculino
# postures para converter respostas
converter_resposta <- function(resposta) {
ifelse(resposta == "Não", 0,
ifelse(resposta == "Sim, um", 1,
ifelse(resposta == "Sim, dois", 2,
ifelse(resposta == "Sim, três", 3,
ifelse(resposta == "Sim, quatro ou mais", 4, NA)))))
}
# Aplicar a função de conversão às colunas relevantes
freq_posse_total <- dado_IFPB_Homens_Amostra %>%
select(Sexo, Etnia, Quant_Computador_notebook, Quant_Celular, Quant_Tablet, Quant_Videogame) %>%
mutate(Quant_Computador_notebook = converter_resposta(Quant_Computador_notebook),
Quant_Celular = converter_resposta(Quant_Celular),
Quant_Tablet = converter_resposta(Quant_Tablet),
Quant_Videogame = converter_resposta(Quant_Videogame))
freq_posse_homens <- freq_posse_total %>%
summarise(Posse_Computador_notebook = sum(Quant_Computador_notebook > 0),
Posse_Celular = sum(Quant_Celular > 0),
Posse_Tablet = sum(Quant_Tablet > 0),
Posse_Videogame = sum(Quant_Videogame > 0))
# Renomear as colunas para combinar com as categorias de uso
freq_posse_homens <- freq_posse_homens %>%
rename(Computador_notebook = Posse_Computador_notebook,
Celular = Posse_Celular,
Tablet = Posse_Tablet,
Videogame = Posse_Videogame)
# Transformar a tabela de posse em formato longo
freq_posse_homens_long <- freq_posse_homens %>%
pivot_longer(cols = everything(), names_to = "Dispositivo", values_to = "Posse")
# Separar os dispositivos em strings individuais
dispositivos_separados <- dado_IFPB_Homens_Amostra %>%
select(Dispositivos_usados) %>%
mutate(dispositivos_separados = str_split(Dispositivos_usados, ", ")) %>%
unnest(dispositivos_separados)
# Contar a ocorrência de cada dispositivo
total_dispositivos <- dispositivos_separados %>%
count(dispositivos_separados) %>%
rename(Dispositivo = dispositivos_separados, Uso = n)
# Combinar os dados de posse e uso
dados_combinados <- inner_join(freq_posse_homens_long, total_dispositivos, by = "Dispositivo")
# Verificar os dados combinados
print(dados_combinados)## # A tibble: 4 × 3
## Dispositivo Posse Uso
## <chr> <int> <int>
## 1 Computador_notebook 27 30
## 2 Celular 32 31
## 3 Tablet 4 22
## 4 Videogame 9 23# Calcular a correlação
correlacao <- cor(dados_combinados$Posse, dados_combinados$Uso)
print(paste("Correlação para os homens entre Posse e Uso:", correlacao))## [1] "Correlação para os homens entre Posse e Uso: 0.99597914212158"# Gerar o gráfico de dispersão para visualizar a correlação
grafico_dispersao_homens <- ggplot(dados_combinados, aes(x = Posse, y = Uso, label = Dispositivo)) +
geom_point(size = 3) +
geom_text(vjust = -1) +
labs(x = "Posse", y = "Uso") +
ggtitle("Correlação para os Homens entre Posse e Uso de Dispositivos") +
theme_minimal()
# Exibir o gráfico
print(grafico_dispersao_homens)
Acesso à internet (alta velocidade sem fio em casa, internet na escola, acesso móvel, internet em lan houses)
Como é o acesso à internet das participantes da pesquisa?
# Total
Acesso_internet_Participantes <- dado_IFPBCG_amostra %>%
select(Acesso_internet) %>%
mutate(Acesso_internet = str_split(Acesso_internet, ", ")) %>%
unnest(Acesso_internet)
total_acesso_internet <- Acesso_internet_Participantes %>%
count(Acesso_internet) %>%
rename(Acesso = Acesso_internet, quantidade = n)
# Mulheres
Acesso_internet_Mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Acesso_internet) %>%
mutate(Acesso_internet = str_split(Acesso_internet, ", ")) %>%
unnest(Acesso_internet)
total_acesso_internet_mulheres <- Acesso_internet_Mulheres %>%
count(Acesso_internet) %>%
rename(Acesso = Acesso_internet, quantidade = n)
# Homens
Acesso_internet_Homens <- dado_IFPB_Homens_Amostra %>%
select(Acesso_internet) %>%
mutate(Acesso_internet = str_split(Acesso_internet, ", ")) %>%
unnest(Acesso_internet)
total_acesso_internet_homens <- Acesso_internet_Homens %>%
count(Acesso_internet) %>%
rename(Acesso = Acesso_internet, quantidade = n)
# Adicionar uma coluna para indicar o grupo
total_acesso_internet <- total_acesso_internet %>%
mutate(Grupo = "Total")
total_acesso_internet_mulheres <- total_acesso_internet_mulheres %>%
mutate(Grupo = "Mulheres")
total_acesso_internet_homens <- total_acesso_internet_homens %>%
mutate(Grupo = "Homens")
# Combinar os dados
dados_combinados_acesso <- bind_rows(total_acesso_internet_mulheres, total_acesso_internet_homens)
# Gráfico de barras comparativo
grafico_acesso <- ggplot(dados_combinados_acesso, aes(x = Acesso, y = quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Dispositivo de Acesso à Internet", y = "Quantidade", title = "Acesso à Internet por Dispositivo e Grupo") +
scale_fill_manual(values = c("Total" = "green", "Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_acesso)
ggsave("Grafico_acessoNet.png", plot = grafico_acesso, width = 12, height = 6, units = "in")Uso de dispositivos eletrônicos (celular, computador, tablet, console de jogos) para diferentes finalidades (realizar trabalhos escolares, trocar mensagens, realizar pesquisas, produzir/consumir fotos e vídeos, jogar jogos eletrônicos)
Para quais finalidades as estudantes utilizam os dispositivos eletrônicos?
# Total
finalidade_uso_dispositivos <- dado_IFPBCG_amostra %>%
select(Finalidade_dispositivos) %>%
mutate(Finalidade_dispositivos = str_split(Finalidade_dispositivos, ", ")) %>%
unnest(Finalidade_dispositivos) %>%
mutate(Grupo = "Total")
total_finalidade_dispositivos <- finalidade_uso_dispositivos %>%
count(Finalidade_dispositivos) %>%
rename(Finalidade = Finalidade_dispositivos, quantidade = n)
print(total_finalidade_dispositivos)## # A tibble: 5 × 2
## Finalidade quantidade
## <chr> <int>
## 1 Fotos e vídeos 57
## 2 Jogos e brincadeiras 48
## 3 Pesquisas em geral 58
## 4 Trabalhos e tarefas da escola 66
## 5 Troca de mensagens e conversa com a família e/ou amigos 63# Mulheres
finalidade_uso_dispositivos_Mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Finalidade_dispositivos) %>%
mutate(Finalidade_dispositivos = str_split(Finalidade_dispositivos, ", ")) %>%
unnest(Finalidade_dispositivos) %>%
mutate(Grupo = "Mulheres")
total_finalidade_dispositivos_Mulheres <- finalidade_uso_dispositivos_Mulheres %>%
count(Finalidade_dispositivos) %>%
rename(Finalidade = Finalidade_dispositivos, quantidade = n)
print(total_finalidade_dispositivos_Mulheres)## # A tibble: 5 × 2
## Finalidade quantidade
## <chr> <int>
## 1 Fotos e vídeos 31
## 2 Jogos e brincadeiras 22
## 3 Pesquisas em geral 34
## 4 Trabalhos e tarefas da escola 34
## 5 Troca de mensagens e conversa com a família e/ou amigos 33# Homens
finalidade_uso_dispositivos_Homens <- dado_IFPB_Homens_Amostra %>%
select(Finalidade_dispositivos) %>%
mutate(Finalidade_dispositivos = str_split(Finalidade_dispositivos, ", ")) %>%
unnest(Finalidade_dispositivos) %>%
mutate(Grupo = "Homens")
total_finalidade_dispositivos_Homens <- finalidade_uso_dispositivos_Homens %>%
count(Finalidade_dispositivos) %>%
rename(Finalidade = Finalidade_dispositivos, quantidade = n)
print(total_finalidade_dispositivos_Homens)## # A tibble: 5 × 2
## Finalidade quantidade
## <chr> <int>
## 1 Fotos e vídeos 26
## 2 Jogos e brincadeiras 26
## 3 Pesquisas em geral 24
## 4 Trabalhos e tarefas da escola 32
## 5 Troca de mensagens e conversa com a família e/ou amigos 30# Adicionar uma coluna para indicar o grupo (já adicionado acima)
# Combinar os dados de total, mulheres e homens
dados_combinados_finalidade <- bind_rows(finalidade_uso_dispositivos_Mulheres, finalidade_uso_dispositivos_Homens)
# Contar a ocorrência de cada finalidade por grupo
dados_combinados_finalidade_contagem <- dados_combinados_finalidade %>%
count(Finalidade_dispositivos, Grupo) %>%
rename(Finalidade = Finalidade_dispositivos, quantidade = n)
print(dados_combinados_finalidade_contagem)## # A tibble: 10 × 3
## Finalidade Grupo quantidade
## <chr> <chr> <int>
## 1 Fotos e vídeos Homens 26
## 2 Fotos e vídeos Mulheres 31
## 3 Jogos e brincadeiras Homens 26
## 4 Jogos e brincadeiras Mulheres 22
## 5 Pesquisas em geral Homens 24
## 6 Pesquisas em geral Mulheres 34
## 7 Trabalhos e tarefas da escola Homens 32
## 8 Trabalhos e tarefas da escola Mulheres 34
## 9 Troca de mensagens e conversa com a família e/ou amigos Homens 30
## 10 Troca de mensagens e conversa com a família e/ou amigos Mulheres 33# Gráfico de barras comparativo
grafico_finalidadeUsoDispositivos <- ggplot(dados_combinados_finalidade_contagem, aes(x = Finalidade, y = quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Finalidade do Uso", y = "Quantidade", title = "Finalidade do Uso de Dispositivos por Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_finalidadeUsoDispositivos)
# Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_finalidadeUsoDispositivos.png", grafico_finalidadeUsoDispositivos, width = 14, height = 8, units = "in")Frequência de acesso à internet (diariamente, horas de acesso por dia)
Com que frequência as estudantes acessam a internet? Por quantas horas as estudantes acessam a internet por dia?
# unique(dado_IFPBCG_amostra$Temp_internet)
# Total
freq_acesso_internet <- dado_IFPBCG_amostra %>%
count(Temp_internet) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Total")
print(freq_acesso_internet)## Temp_internet Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 21 Total
## 2 Entre 3 hora e 5 horas por dia 39 Total
## 3 Menos de 1 hora por dia 5 Total
## 4 Não faço 1 Total#Mulheres
freq_acesso_internet_Mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Temp_internet) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Mulheres")
print(freq_acesso_internet_Mulheres)## Temp_internet Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 9 Mulheres
## 2 Entre 3 hora e 5 horas por dia 23 Mulheres
## 3 Menos de 1 hora por dia 2 Mulheres#Homens
freq_acesso_internet_Homens <- dado_IFPB_Homens_Amostra %>%
count(Temp_internet) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Homens")
print(freq_acesso_internet_Homens)## Temp_internet Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 12 Homens
## 2 Entre 3 hora e 5 horas por dia 16 Homens
## 3 Menos de 1 hora por dia 3 Homens
## 4 Não faço 1 Homens# Combinar os dados de Total, Mulheres e Homens
dados_combinados_freq_acesso_internet <- bind_rows(freq_acesso_internet_Mulheres, freq_acesso_internet_Homens)
# Gerar o gráfico de barras comparativo
grafico_freq_acesso_internet <- ggplot(dados_combinados_freq_acesso_internet, aes(x = Temp_internet, y = Quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Tempo de Acesso à Internet", y = "Quantidade", title = "Frequência de Acesso à Internet por Tempo e Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_freq_acesso_internet)
# Opcional: Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_freq_acesso_internet.png", grafico_freq_acesso_internet, width = 14, height = 8, units = "in")Há diferenças significativas na frequência de acesso à internet entre diferentes grupos de estudantes (por exemplo, por rede de ensino ou raça-etnia)?
Geral
# Criação da tabela de contingência
tabela_contingencia <- table(dado_IFPBCG_amostra$Etnia, dado_IFPBCG_amostra$Temp_internet)
# Visualização com Gráfico de Barras Empilhadas
# Dados para o gráfico
dados_grafico <- dado_IFPBCG_amostra %>%
count(Etnia, Temp_internet)
# Gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dados_grafico, aes(x = Etnia, y = n, fill = Temp_internet)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Etnia", y = "Proporção", fill = "Tempo de Acesso à Internet",
title = "Proporção de Tempo de Acesso à Internet por Etnia") +
scale_fill_manual(values = c("#98FB98", "#00FA9A", "#00FF7F", "#3CB371"))
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## List of 97
## $ line :List of 6
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ lineend : chr "butt"
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ rect :List of 5
## ..$ fill : chr "white"
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_rect" "element"
## $ text :List of 11
## ..$ family : chr ""
## ..$ face : chr "plain"
## ..$ colour : chr "black"
## ..$ size : num 11
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : num 0
## ..$ lineheight : num 0.9
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ title : NULL
## $ aspect.ratio : NULL
## $ axis.title : NULL
## $ axis.title.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.75points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.75points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.bottom : NULL
## $ axis.title.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.75points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.y.left : NULL
## $ axis.title.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.75points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey30"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : num 45
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.2points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi FALSE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.2points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.bottom : NULL
## $ axis.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.2points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.y.left : NULL
## $ axis.text.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.2points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.ticks : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.ticks.x : NULL
## $ axis.ticks.x.top : NULL
## $ axis.ticks.x.bottom : NULL
## $ axis.ticks.y : NULL
## $ axis.ticks.y.left : NULL
## $ axis.ticks.y.right : NULL
## $ axis.ticks.length : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ axis.ticks.length.x : NULL
## $ axis.ticks.length.x.top : NULL
## $ axis.ticks.length.x.bottom: NULL
## $ axis.ticks.length.y : NULL
## $ axis.ticks.length.y.left : NULL
## $ axis.ticks.length.y.right : NULL
## $ axis.line : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.line.x : NULL
## $ axis.line.x.top : NULL
## $ axis.line.x.bottom : NULL
## $ axis.line.y : NULL
## $ axis.line.y.left : NULL
## $ axis.line.y.right : NULL
## $ legend.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ legend.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ legend.spacing.x : NULL
## $ legend.spacing.y : NULL
## $ legend.key : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.key.size : 'simpleUnit' num 1.2lines
## ..- attr(*, "unit")= int 3
## $ legend.key.height : NULL
## $ legend.key.width : NULL
## $ legend.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.text.align : NULL
## $ legend.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.title.align : NULL
## $ legend.position : chr "right"
## $ legend.direction : NULL
## $ legend.justification : chr "center"
## $ legend.box : NULL
## $ legend.box.just : NULL
## $ legend.box.margin : 'margin' num [1:4] 0cm 0cm 0cm 0cm
## ..- attr(*, "unit")= int 1
## $ legend.box.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.box.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ panel.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.border : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.spacing : 'simpleUnit' num 5.5points
## ..- attr(*, "unit")= int 8
## $ panel.spacing.x : NULL
## $ panel.spacing.y : NULL
## $ panel.grid :List of 6
## ..$ colour : chr "grey92"
## ..$ linewidth : NULL
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major : NULL
## $ panel.grid.minor :List of 6
## ..$ colour : NULL
## ..$ linewidth : 'rel' num 0.5
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major.x : NULL
## $ panel.grid.major.y : NULL
## $ panel.grid.minor.x : NULL
## $ panel.grid.minor.y : NULL
## $ panel.ontop : logi FALSE
## $ plot.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ plot.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.title.position : chr "panel"
## $ plot.subtitle :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 5.5points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption.position : chr "panel"
## $ plot.tag :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.tag.position : chr "topleft"
## $ plot.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ strip.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ strip.background.x : NULL
## $ strip.background.y : NULL
## $ strip.clip : chr "inherit"
## $ strip.placement : chr "inside"
## $ strip.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey10"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 4.4points 4.4points 4.4points 4.4points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.x : NULL
## $ strip.text.x.bottom : NULL
## $ strip.text.x.top : NULL
## $ strip.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.left :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.right : NULL
## $ strip.switch.pad.grid : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ strip.switch.pad.wrap : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## - attr(*, "class")= chr [1:2] "theme" "gg"
## - attr(*, "complete")= logi TRUE
## - attr(*, "validate")= logi TRUE# Exibir o gráfico
print(grafico_barras_empilhadas)
# Teste de Independência de Fisher
fisher_test <- fisher.test(tabela_contingencia)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia
## p-value = 0.4845
## alternative hypothesis: two.sidedMulheres
# Criação da tabela de contingência
tabela_contingencia <- table(dado_IFPB_Mulheres_Amostra$Etnia, dado_IFPB_Mulheres_Amostra$Temp_internet)
# Visualização com Gráfico de Barras Empilhadas
# Dados para o gráfico
dados_grafico <- dado_IFPB_Mulheres_Amostra %>%
count(Etnia, Temp_internet)
# Gráfico de barras empilhadas
grafico_barras_empilhadas_Mulheres <- ggplot(dados_grafico, aes(x = Etnia, y = n, fill = Temp_internet)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Etnia", y = "Proporção", fill = "Tempo de Acesso à Internet",
title = "Proporção de Tempo de Acesso à Internet por Etnia para Mulheres") +
scale_fill_manual(values = c("#C71585", "#FF1493", "#FF69B4", "#DB7093"))
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## List of 97
## $ line :List of 6
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ lineend : chr "butt"
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ rect :List of 5
## ..$ fill : chr "white"
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_rect" "element"
## $ text :List of 11
## ..$ family : chr ""
## ..$ face : chr "plain"
## ..$ colour : chr "black"
## ..$ size : num 11
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : num 0
## ..$ lineheight : num 0.9
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ title : NULL
## $ aspect.ratio : NULL
## $ axis.title : NULL
## $ axis.title.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.75points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.75points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.bottom : NULL
## $ axis.title.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.75points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.y.left : NULL
## $ axis.title.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.75points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey30"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : num 45
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.2points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi FALSE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.2points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.bottom : NULL
## $ axis.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.2points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.y.left : NULL
## $ axis.text.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.2points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.ticks : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.ticks.x : NULL
## $ axis.ticks.x.top : NULL
## $ axis.ticks.x.bottom : NULL
## $ axis.ticks.y : NULL
## $ axis.ticks.y.left : NULL
## $ axis.ticks.y.right : NULL
## $ axis.ticks.length : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ axis.ticks.length.x : NULL
## $ axis.ticks.length.x.top : NULL
## $ axis.ticks.length.x.bottom: NULL
## $ axis.ticks.length.y : NULL
## $ axis.ticks.length.y.left : NULL
## $ axis.ticks.length.y.right : NULL
## $ axis.line : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.line.x : NULL
## $ axis.line.x.top : NULL
## $ axis.line.x.bottom : NULL
## $ axis.line.y : NULL
## $ axis.line.y.left : NULL
## $ axis.line.y.right : NULL
## $ legend.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ legend.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ legend.spacing.x : NULL
## $ legend.spacing.y : NULL
## $ legend.key : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.key.size : 'simpleUnit' num 1.2lines
## ..- attr(*, "unit")= int 3
## $ legend.key.height : NULL
## $ legend.key.width : NULL
## $ legend.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.text.align : NULL
## $ legend.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.title.align : NULL
## $ legend.position : chr "right"
## $ legend.direction : NULL
## $ legend.justification : chr "center"
## $ legend.box : NULL
## $ legend.box.just : NULL
## $ legend.box.margin : 'margin' num [1:4] 0cm 0cm 0cm 0cm
## ..- attr(*, "unit")= int 1
## $ legend.box.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.box.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ panel.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.border : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.spacing : 'simpleUnit' num 5.5points
## ..- attr(*, "unit")= int 8
## $ panel.spacing.x : NULL
## $ panel.spacing.y : NULL
## $ panel.grid :List of 6
## ..$ colour : chr "grey92"
## ..$ linewidth : NULL
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major : NULL
## $ panel.grid.minor :List of 6
## ..$ colour : NULL
## ..$ linewidth : 'rel' num 0.5
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major.x : NULL
## $ panel.grid.major.y : NULL
## $ panel.grid.minor.x : NULL
## $ panel.grid.minor.y : NULL
## $ panel.ontop : logi FALSE
## $ plot.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ plot.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.title.position : chr "panel"
## $ plot.subtitle :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 5.5points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption.position : chr "panel"
## $ plot.tag :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.tag.position : chr "topleft"
## $ plot.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ strip.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ strip.background.x : NULL
## $ strip.background.y : NULL
## $ strip.clip : chr "inherit"
## $ strip.placement : chr "inside"
## $ strip.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey10"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 4.4points 4.4points 4.4points 4.4points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.x : NULL
## $ strip.text.x.bottom : NULL
## $ strip.text.x.top : NULL
## $ strip.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.left :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.right : NULL
## $ strip.switch.pad.grid : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ strip.switch.pad.wrap : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## - attr(*, "class")= chr [1:2] "theme" "gg"
## - attr(*, "complete")= logi TRUE
## - attr(*, "validate")= logi TRUE# Exibir o gráfico
print(grafico_barras_empilhadas_Mulheres)
# Teste de Independência de Fisher
fisher_test <- fisher.test(tabela_contingencia)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia
## p-value = 0.4669
## alternative hypothesis: two.sidedHomens
# Criação da tabela de contingência
tabela_contingencia <- table(dado_IFPB_Homens_Amostra$Etnia, dado_IFPB_Homens_Amostra$Temp_internet)
# Visualização com Gráfico de Barras Empilhadas
# Dados para o gráfico
dados_grafico <- dado_IFPB_Homens_Amostra %>%
count(Etnia, Temp_internet)
# Gráfico de barras empilhadas
grafico_barras_empilhadas_Homens <- ggplot(dados_grafico, aes(x = Etnia, y = n, fill = Temp_internet)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Etnia", y = "Proporção", fill = "Tempo de Acesso à Internet",
title = "Proporção de Tempo de Acesso à Internet por Etnia para Homens") +
scale_fill_manual(values = c("#6959CD", "#483D8B", "#191970", "#000080"))
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## List of 97
## $ line :List of 6
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ lineend : chr "butt"
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ rect :List of 5
## ..$ fill : chr "white"
## ..$ colour : chr "black"
## ..$ linewidth : num 0.5
## ..$ linetype : num 1
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_rect" "element"
## $ text :List of 11
## ..$ family : chr ""
## ..$ face : chr "plain"
## ..$ colour : chr "black"
## ..$ size : num 11
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : num 0
## ..$ lineheight : num 0.9
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ title : NULL
## $ aspect.ratio : NULL
## $ axis.title : NULL
## $ axis.title.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.75points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.75points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.x.bottom : NULL
## $ axis.title.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 1
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.75points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.title.y.left : NULL
## $ axis.title.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.75points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey30"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : num 45
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 2.2points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi FALSE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.top :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : num 0
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 2.2points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.x.bottom : NULL
## $ axis.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 1
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 2.2points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.text.y.left : NULL
## $ axis.text.y.right :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 0points 2.2points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ axis.ticks : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.ticks.x : NULL
## $ axis.ticks.x.top : NULL
## $ axis.ticks.x.bottom : NULL
## $ axis.ticks.y : NULL
## $ axis.ticks.y.left : NULL
## $ axis.ticks.y.right : NULL
## $ axis.ticks.length : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ axis.ticks.length.x : NULL
## $ axis.ticks.length.x.top : NULL
## $ axis.ticks.length.x.bottom: NULL
## $ axis.ticks.length.y : NULL
## $ axis.ticks.length.y.left : NULL
## $ axis.ticks.length.y.right : NULL
## $ axis.line : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ axis.line.x : NULL
## $ axis.line.x.top : NULL
## $ axis.line.x.bottom : NULL
## $ axis.line.y : NULL
## $ axis.line.y.left : NULL
## $ axis.line.y.right : NULL
## $ legend.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ legend.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ legend.spacing.x : NULL
## $ legend.spacing.y : NULL
## $ legend.key : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.key.size : 'simpleUnit' num 1.2lines
## ..- attr(*, "unit")= int 3
## $ legend.key.height : NULL
## $ legend.key.width : NULL
## $ legend.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.text.align : NULL
## $ legend.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ legend.title.align : NULL
## $ legend.position : chr "right"
## $ legend.direction : NULL
## $ legend.justification : chr "center"
## $ legend.box : NULL
## $ legend.box.just : NULL
## $ legend.box.margin : 'margin' num [1:4] 0cm 0cm 0cm 0cm
## ..- attr(*, "unit")= int 1
## $ legend.box.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ legend.box.spacing : 'simpleUnit' num 11points
## ..- attr(*, "unit")= int 8
## $ panel.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.border : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ panel.spacing : 'simpleUnit' num 5.5points
## ..- attr(*, "unit")= int 8
## $ panel.spacing.x : NULL
## $ panel.spacing.y : NULL
## $ panel.grid :List of 6
## ..$ colour : chr "grey92"
## ..$ linewidth : NULL
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major : NULL
## $ panel.grid.minor :List of 6
## ..$ colour : NULL
## ..$ linewidth : 'rel' num 0.5
## ..$ linetype : NULL
## ..$ lineend : NULL
## ..$ arrow : logi FALSE
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_line" "element"
## $ panel.grid.major.x : NULL
## $ panel.grid.major.y : NULL
## $ panel.grid.minor.x : NULL
## $ panel.grid.minor.y : NULL
## $ panel.ontop : logi FALSE
## $ plot.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ plot.title :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.title.position : chr "panel"
## $ plot.subtitle :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : num 0
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 0points 0points 5.5points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 0.8
## ..$ hjust : num 1
## ..$ vjust : num 1
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 5.5points 0points 0points 0points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.caption.position : chr "panel"
## $ plot.tag :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : 'rel' num 1.2
## ..$ hjust : num 0.5
## ..$ vjust : num 0.5
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ plot.tag.position : chr "topleft"
## $ plot.margin : 'margin' num [1:4] 5.5points 5.5points 5.5points 5.5points
## ..- attr(*, "unit")= int 8
## $ strip.background : list()
## ..- attr(*, "class")= chr [1:2] "element_blank" "element"
## $ strip.background.x : NULL
## $ strip.background.y : NULL
## $ strip.clip : chr "inherit"
## $ strip.placement : chr "inside"
## $ strip.text :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : chr "grey10"
## ..$ size : 'rel' num 0.8
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : NULL
## ..$ lineheight : NULL
## ..$ margin : 'margin' num [1:4] 4.4points 4.4points 4.4points 4.4points
## .. ..- attr(*, "unit")= int 8
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.x : NULL
## $ strip.text.x.bottom : NULL
## $ strip.text.x.top : NULL
## $ strip.text.y :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num -90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.left :List of 11
## ..$ family : NULL
## ..$ face : NULL
## ..$ colour : NULL
## ..$ size : NULL
## ..$ hjust : NULL
## ..$ vjust : NULL
## ..$ angle : num 90
## ..$ lineheight : NULL
## ..$ margin : NULL
## ..$ debug : NULL
## ..$ inherit.blank: logi TRUE
## ..- attr(*, "class")= chr [1:2] "element_text" "element"
## $ strip.text.y.right : NULL
## $ strip.switch.pad.grid : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## $ strip.switch.pad.wrap : 'simpleUnit' num 2.75points
## ..- attr(*, "unit")= int 8
## - attr(*, "class")= chr [1:2] "theme" "gg"
## - attr(*, "complete")= logi TRUE
## - attr(*, "validate")= logi TRUE# Exibir o gráfico
print(grafico_barras_empilhadas_Homens)
# Teste de Independência de Fisher
fisher_test <- fisher.test(tabela_contingencia)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia
## p-value = 0.1742
## alternative hypothesis: two.sidedTempo gasto em jogos eletrônicos por dia
Qual é a frequência de tempo gasto em jogos eletrônicos por dia?
freq_jogos_estudantes <- dado_IFPBCG_amostra %>%
count(Temp_jogoEletronico) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Total")
print(freq_jogos_estudantes)## Temp_jogoEletronico Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 23 Total
## 2 Entre 3 hora e 5 horas por dia 4 Total
## 3 Menos de 1 hora por dia 23 Total
## 4 Não faço 16 Total# Mulheres
freq_jogos_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Temp_jogoEletronico) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Mulheres")
print(freq_jogos_mulheres)## Temp_jogoEletronico Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 3 Mulheres
## 2 Entre 3 hora e 5 horas por dia 1 Mulheres
## 3 Menos de 1 hora por dia 17 Mulheres
## 4 Não faço 13 Mulheres# Homens
freq_jogos_homens <- dado_IFPB_Homens_Amostra %>%
count(Temp_jogoEletronico) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Homens")
print(freq_jogos_homens)## Temp_jogoEletronico Quantidade Grupo
## 1 Entre 1 hora e 3 horas por dia 20 Homens
## 2 Entre 3 hora e 5 horas por dia 3 Homens
## 3 Menos de 1 hora por dia 6 Homens
## 4 Não faço 3 Homens# Combinar os dados de Total, Mulheres e Homens
dados_combinados_freq_jogos <- bind_rows(freq_jogos_mulheres, freq_jogos_homens)
# Gerar o gráfico de barras comparativo
grafico_freq_jogos <- ggplot(dados_combinados_freq_jogos, aes(x = Temp_jogoEletronico, y = Quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Tempo de Jogos Eletrônicos", y = "Quantidade", title = "Frequência Jogos Eletrônicos por Tempo e Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_freq_jogos)
# Opcional: Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_freq_jogos.png", grafico_freq_jogos, width = 14, height = 8, units = "in")Existe uma correlação entre o tempo de acesso à internet por dia e o tempo gasto em jogos eletrônicos por dia?
Geral
# Criar tabela de contingência
tabela_contingencia_jogos <- table(dado_IFPBCG_amostra$Temp_internet, dado_IFPBCG_amostra$Temp_jogoEletronico)
print(tabela_contingencia_jogos)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 6
## Entre 3 hora e 5 horas por dia 13
## Menos de 1 hora por dia 4
## Não faço 0
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 2
## Entre 3 hora e 5 horas por dia 2
## Menos de 1 hora por dia 0
## Não faço 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 6 7
## Entre 3 hora e 5 horas por dia 15 9
## Menos de 1 hora por dia 1 0
## Não faço 1 0# Realizar o teste qui-quadrado
chi_sq_test <- chisq.test(tabela_contingencia_jogos)## Warning in chisq.test(tabela_contingencia_jogos): Aproximação do qui-quadrado
## pode estar incorretaprint(chi_sq_test)##
## Pearson's Chi-squared test
##
## data: tabela_contingencia_jogos
## X-squared = 8.482, df = 9, p-value = 0.4864# Calcular o V de Cramer
v_cramer <- sqrt(chi_sq_test$statistic / (sum(tabela_contingencia_jogos) * (min(dim(tabela_contingencia_jogos)) - 1)))
print(v_cramer)## X-squared
## 0.2069748#Teste Exato de Fisher
fisher_test <- fisher.test(tabela_contingencia_jogos)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia_jogos
## p-value = 0.5372
## alternative hypothesis: two.sided# Dados para o gráfico
dados_grafico <- dado_IFPBCG_amostra %>%
count(Temp_internet, Temp_jogoEletronico)
# Gráfico de barras empilhadas
grafico_barras_empilhadas_jogos <- ggplot(dados_grafico, aes(x = Temp_internet, y = n, fill = Temp_jogoEletronico)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Tempo de Internet", y = "Proporção", fill = "Tempo de Jogos Eletrônicos",
title = "Proporção de Tempo de Jogos Eletrônicos por Tempo de Internet") +
scale_fill_manual(values = c("#98FB98", "#00FA9A", "#00FF7F", "#3CB371")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_barras_empilhadas_jogos)
# Ajustar o tamanho da área de plotagem
options(repr.plot.width = 10, repr.plot.height = 6)
# Exibir o gráfico novamente
print(grafico_barras_empilhadas_jogos)
Mulheres
# Criar tabela de contingência
tabela_contingencia_jogos <- table(dado_IFPB_Mulheres_Amostra$Temp_internet, dado_IFPB_Mulheres_Amostra$Temp_jogoEletronico)
print(tabela_contingencia_jogos)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 0
## Entre 3 hora e 5 horas por dia 2
## Menos de 1 hora por dia 1
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 0
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 4 5
## Entre 3 hora e 5 horas por dia 12 8
## Menos de 1 hora por dia 1 0# Realizar o teste qui-quadrado
chi_sq_test <- chisq.test(tabela_contingencia_jogos)## Warning in chisq.test(tabela_contingencia_jogos): Aproximação do qui-quadrado
## pode estar incorretaprint(chi_sq_test)##
## Pearson's Chi-squared test
##
## data: tabela_contingencia_jogos
## X-squared = 6.7358, df = 6, p-value = 0.346# Calcular o V de Cramer
v_cramer <- sqrt(chi_sq_test$statistic / (sum(tabela_contingencia_jogos) * (min(dim(tabela_contingencia_jogos)) - 1)))
print(v_cramer)## X-squared
## 0.3147311#Teste Exato de Fisher
fisher_test <- fisher.test(tabela_contingencia_jogos)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia_jogos
## p-value = 0.4387
## alternative hypothesis: two.sided# Dados para o gráfico
dados_grafico <- dado_IFPB_Mulheres_Amostra %>%
count(Temp_internet, Temp_jogoEletronico)
# Gráfico de barras empilhadas
grafico_barras_empilhadas_jogos_mulheres <- ggplot(dados_grafico, aes(x = Temp_internet, y = n, fill = Temp_jogoEletronico)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Tempo de Internet", y = "Proporção", fill = "Tempo de Jogos Eletrônicos",
title = "Proporção de Tempo de Jogos Eletrônicos por Tempo de Internet para Mulheres") +
scale_fill_manual(values = c("#C71585", "#FF1493", "#FF69B4", "#DB7093")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_barras_empilhadas_jogos_mulheres)
# Ajustar o tamanho da área de plotagem
options(repr.plot.width = 10, repr.plot.height = 6)
# Exibir o gráfico novamente
print(grafico_barras_empilhadas_jogos_mulheres)
Homens
# Criar tabela de contingência
tabela_contingencia_jogos <- table(dado_IFPB_Homens_Amostra$Temp_internet, dado_IFPB_Homens_Amostra$Temp_jogoEletronico)
print(tabela_contingencia_jogos)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 6
## Entre 3 hora e 5 horas por dia 11
## Menos de 1 hora por dia 3
## Não faço 0
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 2
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 0
## Não faço 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 2 2
## Entre 3 hora e 5 horas por dia 3 1
## Menos de 1 hora por dia 0 0
## Não faço 1 0# Realizar o teste qui-quadrado
chi_sq_test <- chisq.test(tabela_contingencia_jogos)## Warning in chisq.test(tabela_contingencia_jogos): Aproximação do qui-quadrado
## pode estar incorretaprint(chi_sq_test)##
## Pearson's Chi-squared test
##
## data: tabela_contingencia_jogos
## X-squared = 8.2556, df = 9, p-value = 0.5086# Calcular o V de Cramer
v_cramer <- sqrt(chi_sq_test$statistic / (sum(tabela_contingencia_jogos) * (min(dim(tabela_contingencia_jogos)) - 1)))
print(v_cramer)## X-squared
## 0.2932497#Teste Exato de Fisher
fisher_test <- fisher.test(tabela_contingencia_jogos)
print(fisher_test)##
## Fisher's Exact Test for Count Data
##
## data: tabela_contingencia_jogos
## p-value = 0.6163
## alternative hypothesis: two.sided# Dados para o gráfico
dados_grafico <- dado_IFPB_Homens_Amostra %>%
count(Temp_internet, Temp_jogoEletronico)
# Gráfico de barras empilhadas
grafico_barras_empilhadas_jogos_homens <- ggplot(dados_grafico, aes(x = Temp_internet, y = n, fill = Temp_jogoEletronico)) +
geom_bar(stat = "identity", position = "fill") +
labs(x = "Tempo de Internet", y = "Proporção", fill = "Tempo de Jogos Eletrônicos",
title = "Proporção de Tempo de Jogos Eletrônicos por Tempo de Internet para Homens") +
scale_fill_manual(values = c("#6959CD", "#483D8B", "#191970", "#000080")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_barras_empilhadas_jogos_homens)
# Ajustar o tamanho da área de plotagem
options(repr.plot.width = 10, repr.plot.height = 6)
# Exibir o gráfico novamente
print(grafico_barras_empilhadas_jogos_homens)
6 - Lazer e Passatempos
Fontes de informação utilizadas pelas estudantes (internet para notícias, leitura de livros e quadrinhos, frequência à biblioteca da escola)
De onde as estudantes obtêm suas informações e notícias? Com que frequência as estudantes leem livros e quadrinhos? Com que frequência as estudantes frequentam a biblioteca da escola?
# Listar as colunas de interesse
colunas_interesse <- c("Dever_casa", "Le_jornais_revistas", "Le_livros_gibis",
"Le_noticias_internet", "Biblioteca_escola_sala_leitura",
"Vai_cinema_teatro_show_etc", "Pratica_esportes_atividades_físicas")
# Função para contar frequências para uma única coluna
contar_frequencias_atividades <- function(coluna) {
dado_IFPBCG_amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
frequencias_lazer <- map_dfr(colunas_interesse, contar_frequencias_atividades)
print(frequencias_lazer)## Resposta n Atividade
## 1 Sempre ou quase sempre 58 Dever_casa
## 2 Às vezes 8 Dever_casa
## 3 Nunca 44 Le_jornais_revistas
## 4 Sempre ou quase sempre 1 Le_jornais_revistas
## 5 Às vezes 21 Le_jornais_revistas
## 6 Nunca 12 Le_livros_gibis
## 7 Sempre ou quase sempre 22 Le_livros_gibis
## 8 Às vezes 32 Le_livros_gibis
## 9 Nunca 3 Le_noticias_internet
## 10 Sempre ou quase sempre 22 Le_noticias_internet
## 11 Às vezes 41 Le_noticias_internet
## 12 Nunca 12 Biblioteca_escola_sala_leitura
## 13 Sempre ou quase sempre 8 Biblioteca_escola_sala_leitura
## 14 Às vezes 46 Biblioteca_escola_sala_leitura
## 15 Nunca 16 Vai_cinema_teatro_show_etc
## 16 Sempre ou quase sempre 3 Vai_cinema_teatro_show_etc
## 17 Às vezes 47 Vai_cinema_teatro_show_etc
## 18 Nunca 6 Pratica_esportes_atividades_físicas
## 19 Sempre ou quase sempre 34 Pratica_esportes_atividades_físicas
## 20 Às vezes 26 Pratica_esportes_atividades_físicas# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Dever_casa" = "Atividades Escolares",
"Le_jornais_revistas" = "Leitura de Jornais e Revistas",
"Le_livros_gibis" = "Leitura de Livros e Gibis",
"Le_noticias_internet" = "Leitura de Notícias na Internet",
"Biblioteca_escola_sala_leitura" = "Biblioteca",
"Vai_cinema_teatro_show_etc" = "Cinema, Teatro, Show",
"Pratica_esportes_atividades_físicas" = "Atividades Físicas e Desportivas")
frequencias_lazer <- frequencias_lazer %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
frequencia_LazerETempo <- ggplot(frequencias_lazer, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Frequência das atividades realizadas pelos participantes no tempo livre",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(frequencia_LazerETempo)
Mulheres
# Listar as colunas de interesse
colunas_interesse <- c("Dever_casa", "Le_jornais_revistas", "Le_livros_gibis",
"Le_noticias_internet", "Biblioteca_escola_sala_leitura",
"Vai_cinema_teatro_show_etc", "Pratica_esportes_atividades_físicas")
# Função para contar frequências para uma única coluna
contar_frequencias_atividades <- function(coluna) {
dado_IFPB_Mulheres_Amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
frequencias_lazer <- map_dfr(colunas_interesse, contar_frequencias_atividades)
print(frequencias_lazer)## Resposta n Atividade
## 1 Sempre ou quase sempre 33 Dever_casa
## 2 Às vezes 1 Dever_casa
## 3 Nunca 19 Le_jornais_revistas
## 4 Às vezes 15 Le_jornais_revistas
## 5 Nunca 2 Le_livros_gibis
## 6 Sempre ou quase sempre 19 Le_livros_gibis
## 7 Às vezes 13 Le_livros_gibis
## 8 Nunca 1 Le_noticias_internet
## 9 Sempre ou quase sempre 16 Le_noticias_internet
## 10 Às vezes 17 Le_noticias_internet
## 11 Nunca 4 Biblioteca_escola_sala_leitura
## 12 Sempre ou quase sempre 6 Biblioteca_escola_sala_leitura
## 13 Às vezes 24 Biblioteca_escola_sala_leitura
## 14 Nunca 6 Vai_cinema_teatro_show_etc
## 15 Sempre ou quase sempre 2 Vai_cinema_teatro_show_etc
## 16 Às vezes 26 Vai_cinema_teatro_show_etc
## 17 Nunca 5 Pratica_esportes_atividades_físicas
## 18 Sempre ou quase sempre 13 Pratica_esportes_atividades_físicas
## 19 Às vezes 16 Pratica_esportes_atividades_físicas# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Dever_casa" = "Atividades Escolares",
"Le_jornais_revistas" = "Leitura de Jornais e Revistas",
"Le_livros_gibis" = "Leitura de Livros e Gibis",
"Le_noticias_internet" = "Leitura de Notícias na Internet",
"Biblioteca_escola_sala_leitura" = "Biblioteca",
"Vai_cinema_teatro_show_etc" = "Cinema, Teatro, Show",
"Pratica_esportes_atividades_físicas" = "Atividades Físicas e Desportivas")
frequencias_lazer <- frequencias_lazer %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
frequencia_LazerETempo_mulheres <- ggplot(frequencias_lazer, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Frequência das atividades realizadas pelas estudantes \n no tempo livre",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(frequencia_LazerETempo_mulheres)
# Salvar a figura combinada como um arquivo PNG
ggsave("frequencia_LazerETempo_mulheres.png", plot = frequencia_LazerETempo_mulheres, width = 12, height = 6, units = "in")Homens
# Listar as colunas de interesse
colunas_interesse <- c("Dever_casa", "Le_jornais_revistas", "Le_livros_gibis",
"Le_noticias_internet", "Biblioteca_escola_sala_leitura",
"Vai_cinema_teatro_show_etc", "Pratica_esportes_atividades_físicas")
# Função para contar frequências para uma única coluna
contar_frequencias_atividades <- function(coluna) {
dado_IFPB_Homens_Amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
frequencias_lazer <- map_dfr(colunas_interesse, contar_frequencias_atividades)
print(frequencias_lazer)## Resposta n Atividade
## 1 Sempre ou quase sempre 25 Dever_casa
## 2 Às vezes 7 Dever_casa
## 3 Nunca 25 Le_jornais_revistas
## 4 Sempre ou quase sempre 1 Le_jornais_revistas
## 5 Às vezes 6 Le_jornais_revistas
## 6 Nunca 10 Le_livros_gibis
## 7 Sempre ou quase sempre 3 Le_livros_gibis
## 8 Às vezes 19 Le_livros_gibis
## 9 Nunca 2 Le_noticias_internet
## 10 Sempre ou quase sempre 6 Le_noticias_internet
## 11 Às vezes 24 Le_noticias_internet
## 12 Nunca 8 Biblioteca_escola_sala_leitura
## 13 Sempre ou quase sempre 2 Biblioteca_escola_sala_leitura
## 14 Às vezes 22 Biblioteca_escola_sala_leitura
## 15 Nunca 10 Vai_cinema_teatro_show_etc
## 16 Sempre ou quase sempre 1 Vai_cinema_teatro_show_etc
## 17 Às vezes 21 Vai_cinema_teatro_show_etc
## 18 Nunca 1 Pratica_esportes_atividades_físicas
## 19 Sempre ou quase sempre 21 Pratica_esportes_atividades_físicas
## 20 Às vezes 10 Pratica_esportes_atividades_físicas# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Dever_casa" = "Atividades Escolares",
"Le_jornais_revistas" = "Leitura de Jornais e Revistas",
"Le_livros_gibis" = "Leitura de Livros e Gibis",
"Le_noticias_internet" = "Leitura de Notícias na Internet",
"Biblioteca_escola_sala_leitura" = "Biblioteca",
"Vai_cinema_teatro_show_etc" = "Cinema, Teatro, Show",
"Pratica_esportes_atividades_físicas" = "Atividades Físicas e Desportivas")
frequencias_lazer <- frequencias_lazer %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
frequencia_LazerETempo_homens <- ggplot(frequencias_lazer, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Frequência das atividades realizadas pelos estudantes \n no tempo livre",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(frequencia_LazerETempo_homens)
# Salvar a figura combinada como um arquivo PNG
ggsave("frequencia_LazerETempo_homens.png", plot = frequencia_LazerETempo_homens, width = 12, height = 6, units = "in")# Combinar os gráficos lado a lado
Grafico_frequencia_LazerETempo_MulheresEHomens_lado_a_lado <- grid.arrange(frequencia_LazerETempo_mulheres, frequencia_LazerETempo_homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_frequencia_LazerETempo_MulheresEHomens_lado_a_lado.png", plot = Grafico_frequencia_LazerETempo_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Exposição a atividades culturais (cinema, teatro, shows)
Com que frequência as estudantes se expõem a atividades culturais como cinema, teatro e shows?
atividades_culturais <- dado_IFPBCG_amostra %>%
count(Vai_cinema_teatro_show_etc) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Total")
print(atividades_culturais)## Vai_cinema_teatro_show_etc Quantidade Grupo
## 1 Nunca 16 Total
## 2 Sempre ou quase sempre 3 Total
## 3 Às vezes 47 Total# Mulheres
atividades_culturais_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Vai_cinema_teatro_show_etc) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Mulheres")
print(atividades_culturais_mulheres)## Vai_cinema_teatro_show_etc Quantidade Grupo
## 1 Nunca 6 Mulheres
## 2 Sempre ou quase sempre 2 Mulheres
## 3 Às vezes 26 Mulheres# Homens
atividades_culturais_homens <- dado_IFPB_Homens_Amostra %>%
count(Vai_cinema_teatro_show_etc) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Homens")
print(atividades_culturais_homens)## Vai_cinema_teatro_show_etc Quantidade Grupo
## 1 Nunca 10 Homens
## 2 Sempre ou quase sempre 1 Homens
## 3 Às vezes 21 Homens# Combinar os dados de Total, Mulheres e Homens
dados_combinados_atividades_Culturais <- bind_rows(atividades_culturais_mulheres, atividades_culturais_homens)
# Gerar o gráfico de barras comparativo
grafico_atividades_Culturais <- ggplot(dados_combinados_atividades_Culturais, aes(x = Vai_cinema_teatro_show_etc, y = Quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Atividades Culturais", y = "Quantidade", title = "Frequência de atividades culturais por grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_atividades_Culturais)
# Opcional: Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_atividades_Culturais.png", grafico_atividades_Culturais, width = 14, height = 8, units = "in")Prática de atividades físicas ou desportivas
Quantas estudantes afirmaram nunca realizar atividades físicas ou desportivas?
atividades_fisicas <- dado_IFPBCG_amostra %>%
count(Pratica_esportes_atividades_físicas) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Total")
print(atividades_fisicas)## Pratica_esportes_atividades_físicas Quantidade Grupo
## 1 Nunca 6 Total
## 2 Sempre ou quase sempre 34 Total
## 3 Às vezes 26 Total# Mulheres
atividades_fisicas_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Pratica_esportes_atividades_físicas) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Mulheres")
print(atividades_fisicas_mulheres)## Pratica_esportes_atividades_físicas Quantidade Grupo
## 1 Nunca 5 Mulheres
## 2 Sempre ou quase sempre 13 Mulheres
## 3 Às vezes 16 Mulheres# Homens
atividades_fisicas_homens <- dado_IFPB_Homens_Amostra %>%
count(Pratica_esportes_atividades_físicas) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Homens")
print(atividades_fisicas_homens)## Pratica_esportes_atividades_físicas Quantidade Grupo
## 1 Nunca 1 Homens
## 2 Sempre ou quase sempre 21 Homens
## 3 Às vezes 10 Homens# Combinar os dados de Total, Mulheres e Homens
dados_combinados_atividades_Fisicas <- bind_rows(atividades_fisicas_mulheres, atividades_fisicas_homens)
# Gerar o gráfico de barras comparativo
grafico_atividades_Fisicas <- ggplot(dados_combinados_atividades_Fisicas, aes(x = Pratica_esportes_atividades_físicas, y = Quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Atividades Fisicas", y = "Quantidade", title = "Frequência de atividades fisicas por grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_atividades_Fisicas)
# Opcional: Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_atividades_Fisicas.png", grafico_atividades_Fisicas, width = 14, height = 8, units = "in")Há correlação entre a prática de atividades físicas e o envolvimento em atividades culturais?
# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPBCG_amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Criar a tabela de contingência
tabela_contingencia <- table(dados_interesse$Vai_cinema_teatro_show_etc, dados_interesse$Pratica_esportes_atividades_físicas)
# Mostrar a tabela de contingência
print(tabela_contingencia)##
## Às vezes Nunca Sempre ou quase sempre
## Às vezes 21 5 21
## Nunca 4 1 11
## Sempre ou quase sempre 1 0 2# Calcular Cramér's V
cramers_v <- assocstats(tabela_contingencia)$cramer
# Mostrar o valor de Cramér's V
print(cramers_v)## [1] 0.1562804# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPBCG_amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Contar as frequências das combinações das respostas
frequencias_combinadas <- dados_interesse %>%
count(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas) %>%
rename(Vai_cinema = Vai_cinema_teatro_show_etc, Pratica_esportes = Pratica_esportes_atividades_físicas)
# Plotar os dados com barras empilhadas
grafico_barras_empilhadas <- ggplot(frequencias_combinadas, aes(x = Vai_cinema, y = n, fill = Pratica_esportes)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Relação entre Cinema/Teatro/Show e Atividades Físicas",
x = "Vai ao Cinema/Teatro/Show",
y = "Quantidade",
fill = "Prática de Esportes/Atividades Físicas") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(grafico_barras_empilhadas)
Mulheres
# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPB_Mulheres_Amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Criar a tabela de contingência
tabela_contingencia <- table(dados_interesse$Vai_cinema_teatro_show_etc, dados_interesse$Pratica_esportes_atividades_físicas)
# Mostrar a tabela de contingência
print(tabela_contingencia)##
## Às vezes Nunca Sempre ou quase sempre
## Às vezes 14 4 8
## Nunca 2 1 3
## Sempre ou quase sempre 0 0 2# Calcular Cramér's V
cramers_v <- assocstats(tabela_contingencia)$cramer
# Mostrar o valor de Cramér's V
print(cramers_v)## [1] 0.252795# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPB_Mulheres_Amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Contar as frequências das combinações das respostas
frequencias_combinadas <- dados_interesse %>%
count(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas) %>%
rename(Vai_cinema = Vai_cinema_teatro_show_etc, Pratica_esportes = Pratica_esportes_atividades_físicas)
# Plotar os dados com barras empilhadas
grafico_barras_empilhadas <- ggplot(frequencias_combinadas, aes(x = Vai_cinema, y = n, fill = Pratica_esportes)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Relação Mulheres entre Cinema/Teatro/Show e Atividades Físicas",
x = "Vai ao Cinema/Teatro/Show",
y = "Quantidade",
fill = "Prática de Esportes/Atividades Físicas") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(grafico_barras_empilhadas)
Homens
# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPB_Homens_Amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Criar a tabela de contingência
tabela_contingencia <- table(dados_interesse$Vai_cinema_teatro_show_etc, dados_interesse$Pratica_esportes_atividades_físicas)
# Mostrar a tabela de contingência
print(tabela_contingencia)##
## Às vezes Nunca Sempre ou quase sempre
## Às vezes 7 1 13
## Nunca 2 0 8
## Sempre ou quase sempre 1 0 0# Calcular Cramér's V
cramers_v <- assocstats(tabela_contingencia)$cramer
# Mostrar o valor de Cramér's V
print(cramers_v)## [1] 0.2333819# Filtrar apenas as colunas de interesse
dados_interesse <- dado_IFPB_Homens_Amostra %>%
select(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas)
# Contar as frequências das combinações das respostas
frequencias_combinadas <- dados_interesse %>%
count(Vai_cinema_teatro_show_etc, Pratica_esportes_atividades_físicas) %>%
rename(Vai_cinema = Vai_cinema_teatro_show_etc, Pratica_esportes = Pratica_esportes_atividades_físicas)
# Plotar os dados com barras empilhadas
grafico_barras_empilhadas <- ggplot(frequencias_combinadas, aes(x = Vai_cinema, y = n, fill = Pratica_esportes)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Relação Homens entre Cinema/Teatro/Show e Atividades Físicas",
x = "Vai ao Cinema/Teatro/Show",
y = "Quantidade",
fill = "Prática de Esportes/Atividades Físicas") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(grafico_barras_empilhadas)
7 - Família
Renda Familiar
Qual é a renda familiar aproximada das estudantes?
renda_familiar <- dado_IFPBCG_amostra %>%
count(Renda_familiar) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Total")
print(renda_familiar)## Renda_familiar Quantidade Grupo
## 1 Até 1 salário mínimo 18 Total
## 2 De 1 a 3 salários mínimos 25 Total
## 3 De 3 a 6 salários mínimos 7 Total
## 4 De 6 a 9 salários mínimos 1 Total
## 5 Não sei / prefiro não responder 15 Total# Mulheres
renda_familiar_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Renda_familiar) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Mulheres")
print(renda_familiar_mulheres)## Renda_familiar Quantidade Grupo
## 1 Até 1 salário mínimo 9 Mulheres
## 2 De 1 a 3 salários mínimos 13 Mulheres
## 3 De 3 a 6 salários mínimos 2 Mulheres
## 4 Não sei / prefiro não responder 10 Mulheres# Homens
renda_familiar_homens <- dado_IFPB_Homens_Amostra %>%
count(Renda_familiar) %>%
rename(Quantidade = n) %>%
mutate(Grupo = "Homens")
print(renda_familiar_homens)## Renda_familiar Quantidade Grupo
## 1 Até 1 salário mínimo 9 Homens
## 2 De 1 a 3 salários mínimos 12 Homens
## 3 De 3 a 6 salários mínimos 5 Homens
## 4 De 6 a 9 salários mínimos 1 Homens
## 5 Não sei / prefiro não responder 5 Homens# Combinar os dados de Total, Mulheres e Homens
dados_combinados_renda_familiar <- bind_rows(renda_familiar_mulheres, renda_familiar_homens)
# Gerar o gráfico de barras comparativo
grafico_renda_familiar <- ggplot(dados_combinados_renda_familiar, aes(x = Renda_familiar, y = Quantidade, fill = Grupo)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = Quantidade), position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(x = "Renda Familiar", y = "Quantidade", title = "Renda familiar dos participantes por Grupo") +
scale_fill_manual(values = c("Mulheres" = "#FFC0CB", "Homens" = "#0000FF")) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_renda_familiar)
# Opcional: Salvar o gráfico em um arquivo com dimensões especificadas
ggsave("grafico_renda_familiar.png", grafico_renda_familiar, width = 14, height = 8, units = "in")Profissão da mãe, do pai e de outras pessoas responsáveis na família
Qual é a profissão da mãe, do pai e de outras pessoas responsáveis na família? Como é a distribuição das profissões da mãe e do pai entre as estudantes?
profissao_responsaveis_mae <- dado_IFPBCG_amostra %>%
select(Prof_Mae)
profissao_responsaveis_pai <- dado_IFPBCG_amostra %>%
select(Prof_Pai)
profissao_responsaveis_outroresp <- dado_IFPBCG_amostra %>%
select(Prof_outroresp)
profissao_responsaveis <- bind_cols(profissao_responsaveis_mae, profissao_responsaveis_pai, profissao_responsaveis_outroresp)
# Imprimindo a tabela resultante
print(profissao_responsaveis)## Prof_Mae
## 1 Professora
## 2 Desempregada
## 3 Atua na higienização hospitalar.
## 4 Do Lar
## 5 Coordenadora do CAPS de Lagoa Seca
## 6 Professora
## 7 pensionista do INSS
## 8 interprete
## 9 Não sei
## 10 auxiliar de disciplina
## 11 Secretária
## 12 Cuidadora
## 13 Aposentada
## 14 Professora
## 15 Contadora
## 16 Empresária
## 17 Não sei
## 18 Desempregada
## 19 Cozinheira
## 20 cuidadora de crianças especiais
## 21 Desempregada
## 22 Auxiliar de escritório
## 23 Agricultora
## 24 Não sei
## 25 papiloscopista
## 26 Cabelereira
## 27 Desempregada
## 28 Não sei
## 29 técnica em enfermagem e assistente social
## 30 Não sei
## 31 Serviços gerais em posto de saude.
## 32 Vendedora.
## 33 Do Lar
## 34 Do Lar
## 35 Do Lar
## 36 Nunca trabalhou
## 37 Professora
## 38 Professora
## 39 Conselheira Tutelar
## 40 Do Lar
## 41 Do Lar
## 42 Do Lar
## 43 Professora
## 44 Doméstica
## 45 Agricultora
## 46 Do Lar
## 47 Não sei
## 48 Supervisora
## 49 Servidor público
## 50 Professora
## 51 Do Lar
## 52 Professora
## 53 Desempregada.
## 54 Secretaria do lar
## 55 Autônoma
## 56 Não sei
## 57 Professora de português na rede municipal
## 58 Não sei
## 59 Não sei
## 60 Agricultora
## 61 Do Lar
## 62 Professora
## 63 Gestante Escolar
## 64 Do Lar
## 65 Autônoma
## 66 Agricultora
## Prof_Pai
## 1 motorista
## 2 Vendedor
## 3 Não sei.
## 4 Falecido (antes era agricultor)
## 5 Policial e cirurgião dentista
## 6 Agricultor
## 7 Não sei
## 8 motorista de aplicativo
## 9 Não sei
## 10 mototaxi
## 11 Vigilante.
## 12 Autonomo
## 13 Não sei
## 14 engenheiro civil
## 15 Mecânico
## 16 Funcionário Publico
## 17 Vereador
## 18 Desempregado
## 19 Não sei
## 20 eletrisista de empresa de reciclagem
## 21 Operador de Estacionamento
## 22 Policial penal
## 23 agricultor
## 24 professor de Educação física
## 25 secretário de esportes (prefeitura)
## 26 Concursado na prefeitura
## 27 Desempregado
## 28 Vendedor
## 29 técnica em enfermagem, assistente social e jornalista
## 30 Não sei
## 31 agricultpr
## 32 Gerente rodoviário
## 33 autônomo
## 34 Moto táxi
## 35 Operador de maquina
## 36 5 Anos trabalho de carteira assinada na Conteminas. Porém saiu e fazia alguns bicos
## 37 Autônomo
## 38 Policial Militar
## 39 Auxiliar de produção
## 40 aluguel de terrenos
## 41 Autônomo
## 42 .
## 43 tenente
## 44 Eletricista
## 45 repositor de estoque
## 46 Gerente logístico
## 47 Não sei
## 48 Apontador de produção
## 49 Agricultor
## 50 Professor
## 51 Auxiliar de farmácia
## 52 Funcionario publico
## 53 Desempregado.
## 54 Segurança
## 55 Assistente administrativo
## 56 Não sei
## 57 Agricultor e pecuarista
## 58 Não sei
## 59 Desempregado
## 60 Operador de máquinas
## 61 Auxiliar de serviços gerais
## 62 TI ( trabalha com tecnologia da informação)
## 63 Fazendeiro
## 64 Não sei( trabalha na coca-cola)
## 65 Funcionário público
## 66 Não sei informar
## Prof_outroresp
## 1
## 2
## 3
## 4
## 5
## 6
## 7
## 8 Não sei
## 9
## 10 nn tenho
## 11
## 12 Autonomo
## 13
## 14
## 15
## 16
## 17
## 18 .
## 19
## 20 .
## 21
## 22
## 23
## 24
## 25
## 26
## 27 .
## 28
## 29
## 30
## 31 nao tem outro responsável
## 32
## 33
## 34
## 35 ...
## 36
## 37
## 38
## 39
## 40
## 41
## 42
## 43
## 44 .
## 45
## 46
## 47
## 48
## 49
## 50
## 51
## 52
## 53
## 54
## 55
## 56 Não sei
## 57
## 58 4 parentesco, minha avó agricultura, meu avô carpinteiro
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66# Salvando a tabela em um arquivo CSV
write.csv(profissao_responsaveis, "profissao_responsaveis.csv", row.names = FALSE)Mulheres
profissao_responsaveis_mae_mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Prof_Mae)
profissao_responsaveis_pai_mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Prof_Pai)
profissao_responsaveis_outroresp_mulheres <- dado_IFPB_Mulheres_Amostra %>%
select(Prof_outroresp)
profissao_responsaveis_mulheres <- bind_cols(profissao_responsaveis_mae_mulheres, profissao_responsaveis_pai_mulheres, profissao_responsaveis_outroresp_mulheres)
# Imprimindo a tabela resultante
print(profissao_responsaveis_mulheres)## Prof_Mae
## 1 Professora
## 2 Desempregada
## 3 Do Lar
## 4 Coordenadora do CAPS de Lagoa Seca
## 5 Professora
## 6 interprete
## 7 Não sei
## 8 auxiliar de disciplina
## 9 Secretária
## 10 Contadora
## 11 Não sei
## 12 Desempregada
## 13 Cozinheira
## 14 cuidadora de crianças especiais
## 15 Auxiliar de escritório
## 16 Cabelereira
## 17 técnica em enfermagem e assistente social
## 18 Não sei
## 19 Do Lar
## 20 Do Lar
## 21 Professora
## 22 Professora
## 23 Conselheira Tutelar
## 24 Doméstica
## 25 Agricultora
## 26 Não sei
## 27 Professora
## 28 Secretaria do lar
## 29 Não sei
## 30 Do Lar
## 31 Professora
## 32 Do Lar
## 33 Autônoma
## 34 Agricultora
## Prof_Pai Prof_outroresp
## 1 motorista
## 2 Vendedor
## 3 Falecido (antes era agricultor)
## 4 Policial e cirurgião dentista
## 5 Agricultor
## 6 motorista de aplicativo Não sei
## 7 Não sei
## 8 mototaxi nn tenho
## 9 Vigilante.
## 10 Mecânico
## 11 Vereador
## 12 Desempregado .
## 13 Não sei
## 14 eletrisista de empresa de reciclagem .
## 15 Policial penal
## 16 Concursado na prefeitura
## 17 técnica em enfermagem, assistente social e jornalista
## 18 Não sei
## 19 autônomo
## 20 Moto táxi
## 21 Autônomo
## 22 Policial Militar
## 23 Auxiliar de produção
## 24 Eletricista .
## 25 repositor de estoque
## 26 Não sei
## 27 Professor
## 28 Segurança
## 29 Desempregado
## 30 Auxiliar de serviços gerais
## 31 TI ( trabalha com tecnologia da informação)
## 32 Não sei( trabalha na coca-cola)
## 33 Funcionário público
## 34 Não sei informar# Salvando a tabela em um arquivo CSV
write.csv(profissao_responsaveis_mulheres, "profissao_responsaveis_mulheres.csv", row.names = FALSE)
write.csv(profissao_responsaveis_mae_mulheres, "profissao_responsaveis_mae_mulheres.csv", row.names = FALSE)
write.csv(profissao_responsaveis_pai_mulheres, "profissao_responsaveis_pai_mulheres.csv", row.names = FALSE)
# Selecionando a coluna Prof_Mae e removendo valores NA
profissoes_mae <- profissao_responsaveis_mae_mulheres %>%
filter(!is.na(Prof_Mae), Prof_Mae != "Não sei")
# Contando as ocorrências de "não sei" (ignorando maiúsculas/minúsculas e espaços extras)
contagem_nao_sei <- profissao_responsaveis_mae_mulheres %>%
mutate(Prof_Mae = str_trim(Prof_Mae), # Remove espaços extras
Prof_Mae = tolower(Prof_Mae)) %>% # Converte tudo para minúsculo
filter(Prof_Mae == "não sei") %>% # Filtra as linhas que contêm "não sei"
nrow() # Conta o número de linhas
# Imprimindo a quantidade de respostas
cat("Quantidade de respostas não sei para a profissão da mãe:", contagem_nao_sei, "\n")## Quantidade de respostas não sei para a profissão da mãe: 5# Contando as ocorrências de cada profissão
profissoes_contagem <- profissoes_mae %>%
count(Prof_Mae) %>%
rename(Quantidade = n)
print(profissoes_contagem)## Prof_Mae Quantidade
## 1 Agricultora 1
## 2 Agricultora 1
## 3 Autônoma 1
## 4 Auxiliar de escritório 1
## 5 Cabelereira 1
## 6 Conselheira Tutelar 1
## 7 Contadora 1
## 8 Coordenadora do CAPS de Lagoa Seca 1
## 9 Cozinheira 1
## 10 Desempregada 2
## 11 Do Lar 4
## 12 Do Lar 1
## 13 Doméstica 1
## 14 Não sei 1
## 15 Professora 5
## 16 Professora 1
## 17 Secretaria do lar 1
## 18 Secretária 1
## 19 auxiliar de disciplina 1
## 20 cuidadora de crianças especiais 1
## 21 interprete 1
## 22 técnica em enfermagem e assistente social 1# Criando a word cloud
wordcloud(words = profissoes_contagem$Prof_Mae,
freq = profissoes_contagem$Quantidade,
min.freq = 1,
max.words = 200,
random.order = FALSE,
rot.per = 0.35,
colors = brewer.pal(8, "Dark2"))## Warning in wordcloud(words = profissoes_contagem$Prof_Mae, freq =
## profissoes_contagem$Quantidade, : técnica em enfermagem e assistente social
## could not be fit on page. It will not be plotted.
# Selecionando a coluna Prof_Pai e removendo valores NA
profissoes_pai <- profissao_responsaveis_pai_mulheres %>%
filter(!is.na(Prof_Pai), Prof_Pai != "Não sei")
# Contando as ocorrências de "não sei" (ignorando maiúsculas/minúsculas e espaços extras)
contagem_nao_sei_pai <- profissao_responsaveis_pai_mulheres %>%
mutate(Prof_Pai = str_trim(Prof_Pai), # Remove espaços extras
Prof_Pai = tolower(Prof_Pai)) %>% # Converte tudo para minúsculo
filter(Prof_Pai == "não sei") %>% # Filtra as linhas que contêm "não sei"
nrow() # Conta o número de linhas
# Imprimindo a quantidade de respostas
cat("Quantidade de respostas não sei para a profissão do pai:", contagem_nao_sei, "\n")## Quantidade de respostas não sei para a profissão do pai: 5# Contando as ocorrências de cada profissão
profissoes_contagem <- profissoes_pai %>%
count(Prof_Pai) %>%
rename(Quantidade = n)
print(profissoes_contagem)## Prof_Pai Quantidade
## 1 Agricultor 1
## 2 Autônomo 1
## 3 Auxiliar de produção 1
## 4 Auxiliar de serviços gerais 1
## 5 Concursado na prefeitura 1
## 6 Desempregado 1
## 7 Desempregado 1
## 8 Eletricista 1
## 9 Falecido (antes era agricultor) 1
## 10 Funcionário público 1
## 11 Mecânico 1
## 12 Moto táxi 1
## 13 Não sei 1
## 14 Não sei informar 1
## 15 Não sei( trabalha na coca-cola) 1
## 16 Policial Militar 1
## 17 Policial e cirurgião dentista 1
## 18 Policial penal 1
## 19 Professor 1
## 20 Segurança 1
## 21 TI ( trabalha com tecnologia da informação) 1
## 22 Vendedor 1
## 23 Vereador 1
## 24 Vigilante. 1
## 25 autônomo 1
## 26 eletrisista de empresa de reciclagem 1
## 27 motorista 1
## 28 motorista de aplicativo 1
## 29 mototaxi 1
## 30 repositor de estoque 1
## 31 técnica em enfermagem, assistente social e jornalista 1# Criando a word cloud
wordcloud(words = profissoes_contagem$Prof_Pai,
freq = profissoes_contagem$Quantidade,
min.freq = 1,
max.words = 200,
random.order = FALSE,
rot.per = 0.35,
colors = brewer.pal(8, "Dark2"))## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Auxiliar de produção could not be fit on
## page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Auxiliar de serviços gerais could not be fit
## on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Concursado na prefeitura could not be fit on
## page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Desempregado could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Desempregado could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Falecido (antes era agricultor) could not be
## fit on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Funcionário público could not be fit on page.
## It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Não sei could not be fit on page. It will not
## be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Não sei informar could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Não sei( trabalha na coca-cola) could not be
## fit on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Policial Militar could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Policial e cirurgião dentista could not be
## fit on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Policial penal could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Segurança could not be fit on page. It will
## not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : TI ( trabalha com tecnologia da informação)
## could not be fit on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Vendedor could not be fit on page. It will
## not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : eletrisista de empresa de reciclagem could
## not be fit on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : motorista could not be fit on page. It will
## not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : motorista de aplicativo could not be fit on
## page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : mototaxi could not be fit on page. It will
## not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : repositor de estoque could not be fit on
## page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : técnica em enfermagem, assistente social e
## jornalista could not be fit on page. It will not be plotted.
Homens
profissao_responsaveis_mae_homens <- dado_IFPB_Homens_Amostra %>%
select(Prof_Mae)
profissao_responsaveis_pai_homens <- dado_IFPB_Homens_Amostra %>%
select(Prof_Pai)
profissao_responsaveis_outroresp_homens <- dado_IFPB_Homens_Amostra %>%
select(Prof_outroresp)
profissao_responsaveis_homens <- bind_cols(profissao_responsaveis_mae_homens, profissao_responsaveis_pai_homens, profissao_responsaveis_outroresp_homens)
# Imprimindo a tabela resultante
print(profissao_responsaveis_homens)## Prof_Mae
## 1 Atua na higienização hospitalar.
## 2 pensionista do INSS
## 3 Cuidadora
## 4 Aposentada
## 5 Professora
## 6 Empresária
## 7 Desempregada
## 8 Agricultora
## 9 Não sei
## 10 papiloscopista
## 11 Desempregada
## 12 Não sei
## 13 Serviços gerais em posto de saude.
## 14 Vendedora.
## 15 Do Lar
## 16 Nunca trabalhou
## 17 Do Lar
## 18 Do Lar
## 19 Do Lar
## 20 Professora
## 21 Do Lar
## 22 Supervisora
## 23 Servidor público
## 24 Do Lar
## 25 Professora
## 26 Desempregada.
## 27 Autônoma
## 28 Não sei
## 29 Professora de português na rede municipal
## 30 Não sei
## 31 Agricultora
## 32 Gestante Escolar
## Prof_Pai
## 1 Não sei.
## 2 Não sei
## 3 Autonomo
## 4 Não sei
## 5 engenheiro civil
## 6 Funcionário Publico
## 7 Operador de Estacionamento
## 8 agricultor
## 9 professor de Educação física
## 10 secretário de esportes (prefeitura)
## 11 Desempregado
## 12 Vendedor
## 13 agricultpr
## 14 Gerente rodoviário
## 15 Operador de maquina
## 16 5 Anos trabalho de carteira assinada na Conteminas. Porém saiu e fazia alguns bicos
## 17 aluguel de terrenos
## 18 Autônomo
## 19 .
## 20 tenente
## 21 Gerente logístico
## 22 Apontador de produção
## 23 Agricultor
## 24 Auxiliar de farmácia
## 25 Funcionario publico
## 26 Desempregado.
## 27 Assistente administrativo
## 28 Não sei
## 29 Agricultor e pecuarista
## 30 Não sei
## 31 Operador de máquinas
## 32 Fazendeiro
## Prof_outroresp
## 1
## 2
## 3 Autonomo
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11 .
## 12
## 13 nao tem outro responsável
## 14
## 15 ...
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28 Não sei
## 29
## 30 4 parentesco, minha avó agricultura, meu avô carpinteiro
## 31
## 32# Salvando a tabela em um arquivo CSV
write.csv(profissao_responsaveis_homens, "profissao_responsaveis_homens.csv", row.names = FALSE)
write.csv(profissao_responsaveis_mae_homens, "profissao_responsaveis_mae_homens.csv", row.names = FALSE)
write.csv(profissao_responsaveis_pai_homens, "profissao_responsaveis_pai_homens.csv", row.names = FALSE)
# Selecionando a coluna Prof_Mae e removendo valores NA
profissoes_mae <- profissao_responsaveis_mae_homens %>%
filter(!is.na(Prof_Mae), Prof_Mae != "Não sei")
# Contando as ocorrências de cada profissão
profissoes_contagem <- profissoes_mae %>%
count(Prof_Mae) %>%
rename(Quantidade = n)
print(profissoes_contagem)## Prof_Mae Quantidade
## 1 Agricultora 1
## 2 Agricultora 1
## 3 Aposentada 1
## 4 Atua na higienização hospitalar. 1
## 5 Autônoma 1
## 6 Cuidadora 1
## 7 Desempregada 2
## 8 Desempregada. 1
## 9 Do Lar 6
## 10 Empresária 1
## 11 Gestante Escolar 1
## 12 Nunca trabalhou 1
## 13 Não sei 3
## 14 Professora 1
## 15 Professora 2
## 16 Professora de português na rede municipal 1
## 17 Servidor público 1
## 18 Serviços gerais em posto de saude. 1
## 19 Supervisora 1
## 20 Vendedora. 1
## 21 papiloscopista 1
## 22 pensionista do INSS 1# Criando a word cloud
wordcloud(words = profissoes_contagem$Prof_Mae,
freq = profissoes_contagem$Quantidade,
min.freq = 1,
max.words = 200,
random.order = FALSE,
rot.per = 0.35,
colors = brewer.pal(8, "Dark2"))
# Selecionando a coluna Prof_Pai e removendo valores NA
profissoes_pai <- profissao_responsaveis_pai_homens %>%
filter(!is.na(Prof_Pai), Prof_Pai != "Não sei")
# Contando as ocorrências de cada profissão
profissoes_contagem <- profissoes_pai %>%
count(Prof_Pai) %>%
rename(Quantidade = n)
print(profissoes_contagem)## Prof_Pai
## 1 .
## 2 5 Anos trabalho de carteira assinada na Conteminas. Porém saiu e fazia alguns bicos
## 3 Agricultor
## 4 Agricultor e pecuarista
## 5 Apontador de produção
## 6 Assistente administrativo
## 7 Autonomo
## 8 Autônomo
## 9 Auxiliar de farmácia
## 10 Desempregado
## 11 Desempregado.
## 12 Fazendeiro
## 13 Funcionario publico
## 14 Funcionário Publico
## 15 Gerente logístico
## 16 Gerente rodoviário
## 17 Não sei
## 18 Não sei.
## 19 Operador de Estacionamento
## 20 Operador de maquina
## 21 Operador de máquinas
## 22 Vendedor
## 23 agricultor
## 24 agricultpr
## 25 aluguel de terrenos
## 26 engenheiro civil
## 27 professor de Educação física
## 28 secretário de esportes (prefeitura)
## 29 tenente
## Quantidade
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## 7 1
## 8 1
## 9 1
## 10 1
## 11 1
## 12 1
## 13 1
## 14 1
## 15 1
## 16 1
## 17 2
## 18 1
## 19 1
## 20 1
## 21 1
## 22 1
## 23 1
## 24 1
## 25 1
## 26 1
## 27 1
## 28 1
## 29 1# Criando a word cloud
wordcloud(words = profissoes_contagem$Prof_Pai,
freq = profissoes_contagem$Quantidade,
min.freq = 1,
max.words = 200,
random.order = FALSE,
rot.per = 0.35,
colors = brewer.pal(8, "Dark2"))## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : 5 Anos trabalho de carteira assinada na
## Conteminas. Porém saiu e fazia alguns bicos could not be fit on page. It will
## not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Funcionário Publico could not be fit on page.
## It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Gerente logístico could not be fit on page.
## It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Gerente rodoviário could not be fit on page.
## It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Operador de Estacionamento could not be fit
## on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : Operador de máquinas could not be fit on
## page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : aluguel de terrenos could not be fit on page.
## It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : engenheiro civil could not be fit on page. It
## will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : professor de Educação física could not be fit
## on page. It will not be plotted.## Warning in wordcloud(words = profissoes_contagem$Prof_Pai, freq =
## profissoes_contagem$Quantidade, : secretário de esportes (prefeitura) could not
## be fit on page. It will not be plotted.
Participação familiar nos estudos das estudantes
Qual é o nível de participação familiar nos estudos das estudantes? Quais são as formas de participação familiar mais comuns?
# Listar as colunas de interesse
colunas_interesse <- c("Comport_pais_PlantaoPed", "Comport_pais_incentestudar", "Comport_pais_incentDeverCasa", "Comport_pais_incentLer", "Comport_pais_IncentAtvFisica", "Comport_pais_incentAtvextracur", "Comport_pais_converEscola")
# Função para contar frequências para uma única coluna
contar_comportamento_Pais <- function(coluna) {
dado_IFPBCG_amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
Comportamento_Pais <- map_dfr(colunas_interesse, contar_comportamento_Pais)
print(Comportamento_Pais)## Resposta n Atividade
## 1 Nunca 13 Comport_pais_PlantaoPed
## 2 Sempre ou quase sempre 37 Comport_pais_PlantaoPed
## 3 Às vezes 16 Comport_pais_PlantaoPed
## 4 Nunca 1 Comport_pais_incentestudar
## 5 Sempre ou quase sempre 60 Comport_pais_incentestudar
## 6 Às vezes 5 Comport_pais_incentestudar
## 7 Nunca 8 Comport_pais_incentDeverCasa
## 8 Sempre ou quase sempre 52 Comport_pais_incentDeverCasa
## 9 Às vezes 6 Comport_pais_incentDeverCasa
## 10 Nunca 10 Comport_pais_incentLer
## 11 Sempre ou quase sempre 33 Comport_pais_incentLer
## 12 Às vezes 23 Comport_pais_incentLer
## 13 Nunca 8 Comport_pais_IncentAtvFisica
## 14 Sempre ou quase sempre 34 Comport_pais_IncentAtvFisica
## 15 Às vezes 24 Comport_pais_IncentAtvFisica
## 16 Nunca 17 Comport_pais_incentAtvextracur
## 17 Sempre ou quase sempre 20 Comport_pais_incentAtvextracur
## 18 Às vezes 29 Comport_pais_incentAtvextracur
## 19 Nunca 7 Comport_pais_converEscola
## 20 Sempre ou quase sempre 39 Comport_pais_converEscola
## 21 Às vezes 20 Comport_pais_converEscola# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Comport_pais_PlantaoPed" = "Presença nas reuniões escolares",
"Comport_pais_incentestudar" = "Incentivo aos estudos",
"Comport_pais_incentDeverCasa" = "Incentivo e auxílio nos trabalhos e
tarefas escolares",
"Comport_pais_incentLer" = "Incentivo a leitura",
"Comport_pais_IncentAtvFisica" = "Incentivo a atividades físicas",
"Comport_pais_incentAtvextracur" = "Incentivo a atividades extracurriculares",
"Comport_pais_converEscola" = "Conversar sobre o que acontece na
escola")
Comportamento_Pais <- Comportamento_Pais %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
grafico_comportamento_Pais <- ggplot(Comportamento_Pais, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "white") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Participação familiar na escola dos participantes",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
coord_flip()
# Mostrar o gráfico
print(grafico_comportamento_Pais)
Mulheres
# Listar as colunas de interesse
colunas_interesse <- c("Comport_pais_PlantaoPed", "Comport_pais_incentestudar", "Comport_pais_incentDeverCasa", "Comport_pais_incentLer", "Comport_pais_IncentAtvFisica", "Comport_pais_incentAtvextracur", "Comport_pais_converEscola")
# Função para contar frequências para uma única coluna
contar_comportamento_Pais <- function(coluna) {
dado_IFPB_Mulheres_Amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
Comportamento_Pais <- map_dfr(colunas_interesse, contar_comportamento_Pais)
print(Comportamento_Pais)## Resposta n Atividade
## 1 Nunca 5 Comport_pais_PlantaoPed
## 2 Sempre ou quase sempre 24 Comport_pais_PlantaoPed
## 3 Às vezes 5 Comport_pais_PlantaoPed
## 4 Sempre ou quase sempre 33 Comport_pais_incentestudar
## 5 Às vezes 1 Comport_pais_incentestudar
## 6 Nunca 2 Comport_pais_incentDeverCasa
## 7 Sempre ou quase sempre 29 Comport_pais_incentDeverCasa
## 8 Às vezes 3 Comport_pais_incentDeverCasa
## 9 Nunca 4 Comport_pais_incentLer
## 10 Sempre ou quase sempre 23 Comport_pais_incentLer
## 11 Às vezes 7 Comport_pais_incentLer
## 12 Nunca 3 Comport_pais_IncentAtvFisica
## 13 Sempre ou quase sempre 21 Comport_pais_IncentAtvFisica
## 14 Às vezes 10 Comport_pais_IncentAtvFisica
## 15 Nunca 2 Comport_pais_incentAtvextracur
## 16 Sempre ou quase sempre 15 Comport_pais_incentAtvextracur
## 17 Às vezes 17 Comport_pais_incentAtvextracur
## 18 Nunca 2 Comport_pais_converEscola
## 19 Sempre ou quase sempre 25 Comport_pais_converEscola
## 20 Às vezes 7 Comport_pais_converEscola# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Comport_pais_PlantaoPed" = "Presença nas reuniões escolares",
"Comport_pais_incentestudar" = "Incentivo aos estudos",
"Comport_pais_incentDeverCasa" = "Incentivo e auxílio nos trabalhos e
tarefas escolares",
"Comport_pais_incentLer" = "Incentivo a leitura",
"Comport_pais_IncentAtvFisica" = "Incentivo a atividades físicas",
"Comport_pais_incentAtvextracur" = "Incentivo a atividades extracurriculares",
"Comport_pais_converEscola" = "Conversar sobre o que acontece na
escola")
Comportamento_Pais <- Comportamento_Pais %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
grafico_comportamento_Pais_mulheres <- ggplot(Comportamento_Pais, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Participação familiar na escola das estudantes",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
coord_flip()
# Mostrar o gráfico
print(grafico_comportamento_Pais_mulheres)
Homens
# Listar as colunas de interesse
colunas_interesse <- c("Comport_pais_PlantaoPed", "Comport_pais_incentestudar", "Comport_pais_incentDeverCasa", "Comport_pais_incentLer", "Comport_pais_IncentAtvFisica", "Comport_pais_incentAtvextracur", "Comport_pais_converEscola")
# Função para contar frequências para uma única coluna
contar_comportamento_Pais <- function(coluna) {
dado_IFPB_Homens_Amostra %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
Comportamento_Pais <- map_dfr(colunas_interesse, contar_comportamento_Pais)
print(Comportamento_Pais)## Resposta n Atividade
## 1 Nunca 8 Comport_pais_PlantaoPed
## 2 Sempre ou quase sempre 13 Comport_pais_PlantaoPed
## 3 Às vezes 11 Comport_pais_PlantaoPed
## 4 Nunca 1 Comport_pais_incentestudar
## 5 Sempre ou quase sempre 27 Comport_pais_incentestudar
## 6 Às vezes 4 Comport_pais_incentestudar
## 7 Nunca 6 Comport_pais_incentDeverCasa
## 8 Sempre ou quase sempre 23 Comport_pais_incentDeverCasa
## 9 Às vezes 3 Comport_pais_incentDeverCasa
## 10 Nunca 6 Comport_pais_incentLer
## 11 Sempre ou quase sempre 10 Comport_pais_incentLer
## 12 Às vezes 16 Comport_pais_incentLer
## 13 Nunca 5 Comport_pais_IncentAtvFisica
## 14 Sempre ou quase sempre 13 Comport_pais_IncentAtvFisica
## 15 Às vezes 14 Comport_pais_IncentAtvFisica
## 16 Nunca 15 Comport_pais_incentAtvextracur
## 17 Sempre ou quase sempre 5 Comport_pais_incentAtvextracur
## 18 Às vezes 12 Comport_pais_incentAtvextracur
## 19 Nunca 5 Comport_pais_converEscola
## 20 Sempre ou quase sempre 14 Comport_pais_converEscola
## 21 Às vezes 13 Comport_pais_converEscola# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- c("Comport_pais_PlantaoPed" = "Presença nas reuniões escolares",
"Comport_pais_incentestudar" = "Incentivo aos estudos",
"Comport_pais_incentDeverCasa" = "Incentivo e auxílio nos trabalhos e
tarefas escolares",
"Comport_pais_incentLer" = "Incentivo a leitura",
"Comport_pais_IncentAtvFisica" = "Incentivo a atividades físicas",
"Comport_pais_incentAtvextracur" = "Incentivo a atividades extracurriculares",
"Comport_pais_converEscola" = "Conversar sobre o que acontece na
escola")
Comportamento_Pais <- Comportamento_Pais %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades))
# Plotar os dados com as novas cores e nomes
grafico_comportamento_Pais_homens <- ggplot(Comportamento_Pais, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red")) +
labs(title = "Participação familiar na escola dos estudantes",
x = "Atividade",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
coord_flip()
# Mostrar o gráfico
print(grafico_comportamento_Pais_homens)
# Combinar os gráficos lado a lado
Grafico_comportamento_Pais_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_comportamento_Pais_mulheres, grafico_comportamento_Pais_homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_comportamento_Pais_MulheresEHomens_lado_a_lado.png", plot = Grafico_comportamento_Pais_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Diálogo da família com as estudantes sobre o que acontece na escola
Qual é a frequência do diálogo da família com as estudantes sobre o que acontece na escola em comparação com outras formas de participação?
frequencia_Dialogo <- dado_IFPBCG_amostra %>%
count(Comport_pais_converEscola)
print(frequencia_Dialogo)## Comport_pais_converEscola n
## 1 Nunca 7
## 2 Sempre ou quase sempre 39
## 3 Às vezes 20# Criar o gráfico de barras
grafico_frequencia_Dialogo <- ggplot(frequencia_Dialogo, aes(x = Comport_pais_converEscola, y = n, fill = Comport_pais_converEscola)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona rótulos de valor nas barras
scale_fill_manual(values = c(
"Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red"
)) +
labs(
title = "Frequência de Diálogo dos Pais com a Escola",
x = "Comportamento dos Pais em Conversar com a Escola",
y = "Frequência"
) +
theme_minimal()
print(grafico_frequencia_Dialogo)
Mulheres
frequencia_Dialogo <- dado_IFPB_Mulheres_Amostra %>%
count(Comport_pais_converEscola)
print(frequencia_Dialogo)## Comport_pais_converEscola n
## 1 Nunca 2
## 2 Sempre ou quase sempre 25
## 3 Às vezes 7# Criar o gráfico de barras
grafico_Mulheres_frequencia_Dialogo <- ggplot(frequencia_Dialogo, aes(x = Comport_pais_converEscola, y = n, fill = Comport_pais_converEscola)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona rótulos de valor nas barras
scale_fill_manual(values = c(
"Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red"
)) +
labs(
title = "Frequência de Diálogo dos Pais \n das alunas com a Escola",
x = "Comportamento dos Pais \n em Conversar com a Escola",
y = "Frequência"
) +
theme_minimal() +
coord_flip()
print(grafico_Mulheres_frequencia_Dialogo)
Homens
frequencia_Dialogo <- dado_IFPB_Homens_Amostra %>%
count(Comport_pais_converEscola)
print(frequencia_Dialogo)## Comport_pais_converEscola n
## 1 Nunca 5
## 2 Sempre ou quase sempre 14
## 3 Às vezes 13# Criar o gráfico de barras
grafico_frequencia_Homens_Dialogo <- ggplot(frequencia_Dialogo, aes(x = Comport_pais_converEscola, y = n, fill = Comport_pais_converEscola)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona rótulos de valor nas barras
scale_fill_manual(values = c(
"Sempre ou quase sempre" = "green",
"Às vezes" = "yellow",
"Nunca" = "red"
)) +
labs(
title = "Frequência de Diálogo dos Pais \n dos alunos com a Escola",
x = "Comportamento dos Pais \n em Conversar com a Escola",
y = "Frequência"
) +
theme_minimal() +
coord_flip()
print(grafico_frequencia_Homens_Dialogo)
# Combinar os gráficos lado a lado
Grafico_frequenciaDialogo_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_Mulheres_frequencia_Dialogo, grafico_frequencia_Homens_Dialogo, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_frequenciaDialogo_MulheresEHomens_lado_a_lado.png", plot = Grafico_frequenciaDialogo_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")O nível de diálogo da família com as estudantes sobre o que acontece na escola está relacionado com a participação ativa da família nos estudos?
# Crie uma tabela de contingência para as duas variáveis
tabela_contingencia <- table(dado_IFPBCG_amostra$Comport_pais_converEscola, dado_IFPBCG_amostra$Comport_pais_incentDeverCasa)
# Mostrar a tabela de contingência
print(tabela_contingencia)##
## Às vezes Nunca Sempre ou quase sempre
## Às vezes 4 3 13
## Nunca 0 5 2
## Sempre ou quase sempre 2 0 37# Calcule o Cramér's V
cramers_v <- assocstats(tabela_contingencia)$cramer
# Imprima o resultado
print(paste("Cramér's V:", cramers_v))## [1] "Cramér's V: 0.500821446480493"# Criar o gráfico de barras empilhadas
grafico_empilhado <- ggplot(dado_IFPBCG_amostra, aes(x = Comport_pais_converEscola, fill = Comport_pais_incentDeverCasa)) +
geom_bar(position = "fill") + # 'fill' normaliza as barras para a proporção
labs(title = "Relação entre Conversa com a Escola e Incentivo aos Deveres de Casa",
x = "Comportamento dos Pais em Conversar com a Escola",
y = "Proporção") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green", "Às vezes" = "yellow", "Nunca" = "red")) +
theme_minimal()
# Exibir o gráfico
print(grafico_empilhado)
# Criar o gráfico de barras agrupadas
grafico_agrupado <- ggplot(dado_IFPBCG_amostra, aes(x = Comport_pais_converEscola, fill = Comport_pais_incentDeverCasa)) +
geom_bar(position = "dodge") + # 'dodge' posiciona as barras lado a lado
labs(title = "Relação entre Conversa com a Escola e Incentivo aos Deveres de Casa",
x = "Comportamento dos Pais em Conversar com a Escola",
y = "Frequência") +
scale_fill_manual(values = c("Sempre ou quase sempre" = "green", "Às vezes" = "yellow", "Nunca" = "red")) +
theme_minimal()
# Exibir o gráfico
print(grafico_agrupado)
Realização de tarefas domésticas pelas participantes
Com que frequência as participantes realizam tarefas domésticas? Qual é a distribuição da realização de tarefas domésticas entre as participantes?
atividades_domesticas <- dado_IFPBCG_amostra %>%
count(Temp_TrabDome)
print(atividades_domesticas)## Temp_TrabDome n
## 1 Entre 1 hora e 3 horas por dia 25
## 2 Entre 3 hora e 5 horas por dia 5
## 3 Menos de 1 hora por dia 32
## 4 Não faço 4# Calcular as porcentagens
atividades_domesticas <- atividades_domesticas %>%
mutate(label = paste0(n))
# Criar o gráfico de pizza
grafico_atividades_domesticas <- ggplot(atividades_domesticas, aes(x = "", y = n, fill = Temp_TrabDome)) +
geom_bar(width = 1, stat = "identity") +
coord_polar(theta = "y") +
scale_fill_manual(values = c(
"Entre 1 hora e 3 horas por dia" = "blue",
"Entre 3 hora e 5 horas por dia" = "green",
"Menos de 1 hora por dia" = "yellow",
"Não faço" = "red"
)) +
labs(title = "Distribuição do Tempo de Trabalho Doméstico") +
theme_void() + # Remove os eixos
theme(legend.title = element_blank()) + # Remove o título da legenda
geom_text(aes(label = label), position = position_stack(vjust = 0.5), color = "black", size = 4) # Adiciona rótulos às fatias
# Exibir o gráfico
print(grafico_atividades_domesticas)
# Salvar o gráfico em um arquivo PNG
ggsave("grafico_atividades_domesticas.png", plot = grafico_atividades_domesticas, width = 8, height = 6)Mulheres
atividades_domesticas_mulheres <- dado_IFPB_Mulheres_Amostra %>%
count(Temp_TrabDome)
print(atividades_domesticas_mulheres)## Temp_TrabDome n
## 1 Entre 1 hora e 3 horas por dia 18
## 2 Entre 3 hora e 5 horas por dia 3
## 3 Menos de 1 hora por dia 12
## 4 Não faço 1# Calcular as porcentagens
atividades_domesticas_mulheres <- atividades_domesticas_mulheres %>%
mutate(label = paste0(n))
# Criar o gráfico de pizza
grafico_atividades_domesticas_mulheres <- ggplot(atividades_domesticas_mulheres, aes(x = "", y = n, fill = Temp_TrabDome)) +
geom_bar(width = 1, stat = "identity") +
coord_polar(theta = "y") +
scale_fill_manual(values = c(
"Entre 1 hora e 3 horas por dia" = "blue",
"Entre 3 hora e 5 horas por dia" = "green",
"Menos de 1 hora por dia" = "yellow",
"Não faço" = "red"
)) +
labs(title = "Distribuição do Tempo de Trabalho Doméstico das mulheres") +
theme_void() + # Remove os eixos
theme(legend.title = element_blank()) + # Remove o título da legenda
geom_text(aes(label = label), position = position_stack(vjust = 0.5), color = "black", size = 4) # Adiciona rótulos às fatias
# Exibir o gráfico
print(grafico_atividades_domesticas_mulheres)
# Salvar o gráfico em um arquivo PNG
ggsave("grafico_atividades_domesticas_mulheres.png", plot = grafico_atividades_domesticas_mulheres, width = 8, height = 6)Homens
atividades_domesticas_homens <- dado_IFPB_Homens_Amostra %>%
count(Temp_TrabDome)
print(atividades_domesticas_homens)## Temp_TrabDome n
## 1 Entre 1 hora e 3 horas por dia 7
## 2 Entre 3 hora e 5 horas por dia 2
## 3 Menos de 1 hora por dia 20
## 4 Não faço 3# Calcular as porcentagens
atividades_domesticas_homens <- atividades_domesticas_homens %>%
mutate(label = paste0(n))
# Criar o gráfico de pizza
grafico_atividades_domesticas_homens <- ggplot(atividades_domesticas_homens, aes(x = "", y = n, fill = Temp_TrabDome)) +
geom_bar(width = 1, stat = "identity") +
coord_polar(theta = "y") +
scale_fill_manual(values = c(
"Entre 1 hora e 3 horas por dia" = "blue",
"Entre 3 hora e 5 horas por dia" = "green",
"Menos de 1 hora por dia" = "yellow",
"Não faço" = "red"
)) +
labs(title = "Distribuição do Tempo de Trabalho Doméstico dos homens") +
theme_void() + # Remove os eixos
theme(legend.title = element_blank()) + # Remove o título da legenda
geom_text(aes(label = label), position = position_stack(vjust = 0.5), color = "black", size = 4) # Adiciona rótulos às fatias
# Exibir o gráfico
print(grafico_atividades_domesticas_homens)
# Salvar o gráfico em um arquivo PNG
ggsave("grafico_atividades_domesticas_homens.png", plot = grafico_atividades_domesticas_homens, width = 8, height = 6)# Combinar os gráficos lado a lado
Grafico_atividadesDomesticas_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_atividades_domesticas_mulheres, grafico_atividades_domesticas_homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_atividadesDomesticas_MulheresEHomens_lado_a_lado.png", plot = Grafico_atividadesDomesticas_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Existe uma correlação entre a frequência de realização de tarefas domésticas e outros aspectos, como desempenho acadêmico ou nível de participação familiar nos estudos?
Atividades Domésticas e Desempenho Acadêmico (Aprovação e Reprovação)
# Criar uma tabela de contingência entre as duas variáveis
tabela_contingencia <- table(dado_IFPBCG_amostra$Reprovacao, dado_IFPBCG_amostra$Temp_TrabDome)
# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.2384363# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPBCG_amostra, aes(x = Temp_TrabDome, fill = Reprovacao)) +
geom_bar(position = "fill") +
labs(title = "Distribuição Reprovação e Tempo Trabalho Doméstico",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Atividades Domésticas e Participação Familiar nos estudos
# Criar uma tabela de contingência entre as duas variáveis
tabela_contingencia <- table(dado_IFPBCG_amostra$Comport_pais_incentDeverCasa, dado_IFPBCG_amostra$Temp_TrabDome)
# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.1700596# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPBCG_amostra, aes(x = Temp_TrabDome, fill = Comport_pais_incentDeverCasa)) +
geom_bar(position = "fill") +
labs(title = "Distribuição Reprovação e Tempo Trabalho Doméstico",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Atividades Domésticas e Idade dos participantes
# Criar uma tabela de contingência entre as duas variáveis
tabela_contingencia <- table(dado_IFPBCG_amostra$Idade, dado_IFPBCG_amostra$Temp_TrabDome)
# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.2141082# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPBCG_amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Distribuição Idade e Tempo Trabalho Doméstico",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Mulheres
# Criar uma tabela de contingência entre as duas variáveis
tabela_contingencia <- table(dado_IFPB_Mulheres_Amostra$Idade, dado_IFPB_Mulheres_Amostra$Temp_TrabDome)
# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.2603318# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPB_Mulheres_Amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Distribuição Idade e Tempo Trabalho Doméstico das Mulheres",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Homens
# Criar uma tabela de contingência entre as duas variáveis
tabela_contingencia <- table(dado_IFPB_Homens_Amostra$Idade, dado_IFPB_Homens_Amostra$Temp_TrabDome)
# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.4006581# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPB_Homens_Amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Distribuição Idade e Tempo Trabalho Doméstico dos Homens",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
O tempo dedicado às tarefas domésticas está relacionado com outros aspectos da vida das participantes, como atividades extracurriculares ou lazer?
tabela_contingencia <- table(dado_IFPBCG_amostra$Temp_Atvfisica, dado_IFPBCG_amostra$Temp_TrabDome)
print(tabela_contingencia)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 10
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 11
## Não faço 3
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 4
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 0
## Não faço 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 10 2
## Entre 3 hora e 5 horas por dia 1 0
## Menos de 1 hora por dia 11 1
## Não faço 10 1# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.2439165# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPBCG_amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Dist. Tempo Atv. Fisicas/lazer e Trabalho Doméstico",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Mulheres
tabela_contingencia <- table(dado_IFPB_Mulheres_Amostra$Temp_Atvfisica, dado_IFPB_Mulheres_Amostra$Temp_TrabDome)
print(tabela_contingencia)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 7
## Menos de 1 hora por dia 9
## Não faço 2
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 3
## Menos de 1 hora por dia 0
## Não faço 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 3 0
## Menos de 1 hora por dia 2 0
## Não faço 7 1# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.4836387# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPB_Mulheres_Amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Cor. Temp. Atv.Fisicas/lazer e Trab. Doméstico(Mulher)",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
#Homens
tabela_contingencia <- table(dado_IFPB_Homens_Amostra$Temp_Atvfisica, dado_IFPB_Homens_Amostra$Temp_TrabDome)
print(tabela_contingencia)##
## Entre 1 hora e 3 horas por dia
## Entre 1 hora e 3 horas por dia 3
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 2
## Não faço 1
##
## Entre 3 hora e 5 horas por dia
## Entre 1 hora e 3 horas por dia 1
## Entre 3 hora e 5 horas por dia 1
## Menos de 1 hora por dia 0
## Não faço 0
##
## Menos de 1 hora por dia Não faço
## Entre 1 hora e 3 horas por dia 7 2
## Entre 3 hora e 5 horas por dia 1 0
## Menos de 1 hora por dia 9 1
## Não faço 3 0# Calcular Cramér's V
cramer_v <- assocstats(tabela_contingencia)$cramer
print(cramer_v)## [1] 0.2710792# Criar um gráfico de barras empilhadas
grafico_barras_empilhadas <- ggplot(dado_IFPB_Homens_Amostra, aes(x = Temp_TrabDome, fill = Idade)) +
geom_bar(position = "fill") +
labs(title = "Cor. Temp. Atv.Fisicas/lazer e Trab. Doméstico(Homem)",
x = "Tempo de Trabalho Doméstico",
y = "Proporção") +
scale_y_continuous(labels = scales::percent_format()) +
theme_minimal() +
coord_flip()
# Exibir o gráfico
print(grafico_barras_empilhadas)
Trabalho
Participação em trabalho ou estágio
Quantas participantes trabalham ou estagiam?
# Calcular a contagem de Trabalho_estagio
Quant_trabalhoEstagio <- dado_IFPBCG_amostra %>%
count(Trabalho_estagio)
# Calcular as porcentagens
Quant_trabalhoEstagio <- Quant_trabalhoEstagio %>%
mutate(porcentagem = n / sum(n) * 100)
# Definição de cores manuais
cores <- c("Sim" = "#00FF00", "Não" = "#FF0000")
# Criar o gráfico de pizza com valores nas fatias (valor absoluto e porcentagem) e cores definidas manualmente
grafico_quantTrabalhoEstagio <- ggplot(Quant_trabalhoEstagio, aes(x = "", y = n, fill = Trabalho_estagio)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, "\n (", round(porcentagem), "%)")), position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = cores) +
labs(title = "Quantidade de Participantes que trabalham ou estageiam") +
theme_void()
print(grafico_quantTrabalhoEstagio)
Mulheres
Quant_trabalhoEstagio <- dado_IFPB_Mulheres_Amostra %>%
count(Trabalho_estagio)
print(Quant_trabalhoEstagio)## Trabalho_estagio n
## 1 Não 34# Calcular as porcentagens
Quant_trabalhoEstagio <- Quant_trabalhoEstagio %>%
mutate(porcentagem = n / sum(n) * 100)
# Definição de cores manuais
cores <- c("Sim" = "#00FF00", "Não" = "#FF0000")
# Criar o gráfico de pizza com valores nas fatias (valor absoluto e porcentagem) e cores definidas manualmente
grafico_quantTrabalhoEstagio_mulheres <- ggplot(Quant_trabalhoEstagio, aes(x = "", y = n, fill = Trabalho_estagio)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, "\n (", round(porcentagem), "%)")), position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = cores) +
labs(title = "Quantidade de Mulheres que \n trabalham ou estageiam") +
theme_void()
print(grafico_quantTrabalhoEstagio_mulheres)
Homens
Quant_trabalhoEstagio <- dado_IFPB_Homens_Amostra %>%
count(Trabalho_estagio)
print(Quant_trabalhoEstagio)## Trabalho_estagio n
## 1 Não 27
## 2 Sim 5# Calcular as porcentagens
Quant_trabalhoEstagio <- Quant_trabalhoEstagio %>%
mutate(porcentagem = n / sum(n) * 100)
# Definição de cores manuais
cores <- c("Sim" = "#00FF00", "Não" = "#FF0000")
# Criar o gráfico de pizza com valores nas fatias (valor absoluto e porcentagem) e cores definidas manualmente
grafico_quantTrabalhoEstagio_homens <- ggplot(Quant_trabalhoEstagio, aes(x = "", y = n, fill = Trabalho_estagio)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, "\n (", round(porcentagem), "%)")), position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = cores) +
labs(title = "Quantidade de Homens que \n trabalham ou estageiam") +
theme_void()
print(grafico_quantTrabalhoEstagio_homens)
# Combinar os gráficos lado a lado
Grafico_QantidadeTrabalho_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_quantTrabalhoEstagio_mulheres, grafico_quantTrabalhoEstagio_homens, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_QantidadeTrabalho_MulheresEHomens_lado_a_lado.png", plot = Grafico_QantidadeTrabalho_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Tipo de remuneração no estágio (remunerado ou não remunerado)
Quantas estudantes recebem remuneração pelo estágio?
TrabalhoRemunerado <- dado_IFPBCG_amostra %>%
filter(Trabalho_estagio == "Sim") %>%
count(Trabalho_remunerado)
print(TrabalhoRemunerado)## Trabalho_remunerado n
## 1 Não 2
## 2 Sim 3# Calcular as porcentagens
Quant_trabalhoEstagioRemunerado <- TrabalhoRemunerado %>%
mutate(porcentagem = n / sum(n) * 100)
# Definição de cores manuais
cores <- c("Sim" = "#00FF00", "Não" = "#FF0000")
# Criar o gráfico de pizza com valores nas fatias (valor absoluto e porcentagem) e cores definidas manualmente
grafico_quantTrabalhoEstagioRemunerado <- ggplot(Quant_trabalhoEstagioRemunerado, aes(x = "", y = n, fill = Trabalho_remunerado)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(n, "\n (", round(porcentagem), "%)")), position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(values = cores) +
labs(title = "Quantidade de trabalho ou estageio remunerado") +
theme_void()
print(grafico_quantTrabalhoEstagioRemunerado)
# Salvar a figura combinada como um arquivo PNG
ggsave("grafico_quantTrabalhoEstagioRemunerado.png", plot = grafico_quantTrabalhoEstagioRemunerado, width = 12, height = 6, units = "in")Cargo ocupado no trabalho (vendedora, secretária).
Quais são os cargos ocupados pelas estudantes que trabalham?
# Filtrar dados onde Trabalho_estagio é igual a "Sim"
dado_TrabalhoEstagio_filtrado <- dado_IFPBCG_amostra %>%
filter(Trabalho_estagio == "Sim")
print(dado_TrabalhoEstagio_filtrado)## Maior_idade Sexo Etnia Idade Serie TipoEscola_Anterior Reprovacao
## 1 Sim. Masculino Parda 48 anos 3 Somente escola pública Não
## 2 Não Masculino Parda 17 anos 3 Somente escola pública Sim
## 3 Não Masculino Parda 17 anos 3 Somente escola pública Não
## 4 Não Masculino Parda 16 anos 3 Somente escola pública Não
## 5 Não Masculino Branca 15 anos 1 Somente escola pública Não
## Progressao_Parcial Dever_casa Le_jornais_revistas
## 1 Não Sempre ou quase sempre Sempre ou quase sempre
## 2 Sim, uma vez Sempre ou quase sempre Nunca
## 3 Não Sempre ou quase sempre Nunca
## 4 Não Sempre ou quase sempre Nunca
## 5 Não Sempre ou quase sempre Às vezes
## Le_livros_gibis Le_noticias_internet Biblioteca_escola_sala_leitura
## 1 Nunca Sempre ou quase sempre Nunca
## 2 Nunca Às vezes Às vezes
## 3 Nunca Às vezes Às vezes
## 4 Sempre ou quase sempre Às vezes Nunca
## 5 Sempre ou quase sempre Às vezes Às vezes
## Vai_cinema_teatro_show_etc Pratica_esportes_atividades_físicas
## 1 Às vezes Às vezes
## 2 Nunca Sempre ou quase sempre
## 3 Nunca Sempre ou quase sempre
## 4 Às vezes Sempre ou quase sempre
## 5 Às vezes Às vezes
## Quant_Computador_notebook Quant_Celular Quant_Tablet Quant_Videogame
## 1 Sim, dois Sim, três Não Não
## 2 Sim, um Sim, um Não Não
## 3 Não Sim, quatro ou mais Não Não
## 4 Sim, dois Sim, quatro ou mais Não Não
## 5 Não Sim, quatro ou mais Não Não
## Dispositivos_usados
## 1 Computador_notebook, Celular, Tablet
## 2 Computador_notebook, Celular, Videogame, Tablet
## 3 Celular
## 4 Computador_notebook, Celular
## 5 Computador_notebook, Celular, Videogame, Tablet
## Acesso_internet
## 1 Em casa, Na escola, 3G/4G no meu celular/tablet onde eu estiver
## 2 Em casa, Na escola
## 3 Em casa, Na escola
## 4 Em casa, 3G/4G no meu celular/tablet onde eu estiver
## 5 Em casa, Na escola, 3G/4G no meu celular/tablet onde eu estiver, 3G/4G no celular/tablet de familiares
## Finalidade_dispositivos
## 1 Trabalhos e tarefas da escola, Troca de mensagens e conversa com a família e/ou amigos, Fotos e vídeos
## 2 Trabalhos e tarefas da escola, Troca de mensagens e conversa com a família e/ou amigos, Jogos e brincadeiras, Fotos e vídeos
## 3 Trabalhos e tarefas da escola, Troca de mensagens e conversa com a família e/ou amigos, Jogos e brincadeiras, Fotos e vídeos, Pesquisas em geral
## 4 Trabalhos e tarefas da escola, Troca de mensagens e conversa com a família e/ou amigos, Jogos e brincadeiras, Fotos e vídeos, Pesquisas em geral
## 5 Trabalhos e tarefas da escola, Troca de mensagens e conversa com a família e/ou amigos, Jogos e brincadeiras, Fotos e vídeos, Pesquisas em geral
## Prof_Mae Prof_Pai
## 1 Agricultora agricultor
## 2 Serviços gerais em posto de saude. agricultpr
## 3 Do Lar Operador de maquina
## 4 Do Lar .
## 5 Professora de português na rede municipal Agricultor e pecuarista
## Prof_outroresp Comport_pais_PlantaoPed Comport_pais_incentestudar
## 1 Nunca Às vezes
## 2 nao tem outro responsável Às vezes Sempre ou quase sempre
## 3 ... Sempre ou quase sempre Às vezes
## 4 Nunca Sempre ou quase sempre
## 5 Às vezes Sempre ou quase sempre
## Comport_pais_incentDeverCasa Comport_pais_incentLer
## 1 Nunca Às vezes
## 2 Sempre ou quase sempre Às vezes
## 3 Às vezes Nunca
## 4 Sempre ou quase sempre Sempre ou quase sempre
## 5 Sempre ou quase sempre Às vezes
## Comport_pais_IncentAtvFisica Comport_pais_incentAtvextracur
## 1 Nunca Nunca
## 2 Sempre ou quase sempre Nunca
## 3 Sempre ou quase sempre Às vezes
## 4 Sempre ou quase sempre Nunca
## 5 Às vezes Nunca
## Comport_pais_converEscola Temp_internet
## 1 Nunca Entre 1 hora e 3 horas por dia
## 2 Nunca Menos de 1 hora por dia
## 3 Às vezes Entre 3 hora e 5 horas por dia
## 4 Sempre ou quase sempre Entre 1 hora e 3 horas por dia
## 5 Sempre ou quase sempre Entre 3 hora e 5 horas por dia
## Temp_jogoEletronico Temp_Atvfisica
## 1 Não faço Menos de 1 hora por dia
## 2 Entre 1 hora e 3 horas por dia Entre 3 hora e 5 horas por dia
## 3 Entre 3 hora e 5 horas por dia Entre 1 hora e 3 horas por dia
## 4 Entre 1 hora e 3 horas por dia Menos de 1 hora por dia
## 5 Entre 1 hora e 3 horas por dia Entre 1 hora e 3 horas por dia
## Temp_TrabDome Renda_familiar
## 1 Entre 1 hora e 3 horas por dia De 1 a 3 salários mínimos
## 2 Entre 3 hora e 5 horas por dia Não sei / prefiro não responder
## 3 Menos de 1 hora por dia Até 1 salário mínimo
## 4 Entre 1 hora e 3 horas por dia Não sei / prefiro não responder
## 5 Entre 3 hora e 5 horas por dia De 1 a 3 salários mínimos
## Trabalho_estagio
## 1 Sim
## 2 Sim
## 3 Sim
## 4 Sim
## 5 Sim
## Funcao
## 1 funcionário publico
## 2 servente de pedreiro ou trabalhador aulugado
## 3 Trabalho como entregador de delivery
## 4 Operador de máquina copiadora.
## 5 Ajudo meu pai nos serviço ligados a pecuária, agricultura e relacionados a construções simples e obras.
## Trabalho_remunerado Import_despesasCasa Import_SustFamilia
## 1 Sim 5 - Muito importante 5 - Muito importante
## 2 Não 2 3
## 3 Sim 2 1 - Pouco importante
## 4 Sim 5 - Muito importante 5 - Muito importante
## 5 Não 3 3
## Import_Independencia Import_Experiencia Import_PagEstudos Idade_Trabalho
## 1 5 - Muito importante 1 - Pouco importante 4 16 anos
## 2 5 - Muito importante 1 - Pouco importante 3 12
## 3 3 5 - Muito importante 1 - Pouco importante 15 anos
## 4 5 - Muito importante 5 - Muito importante 1 - Pouco importante 13
## 5 1 - Pouco importante 5 - Muito importante 1 - Pouco importante 7
## Escolha_desejo Escolha_desejoFami Escolha_desejoAmigo Escolha_apoioFami
## 1 5 8 3 8
## 2 8 5 6 8
## 3 9 0 0 6
## 4 8 8 4 9
## 5 6 9 3 9
## Escolha_apoioAmigo Escolha_CursoSup Escolha_CursoSup_desejo
## 1 2 5 5
## 2 8 3 3
## 3 0 0 0
## 4 7 9 9
## 5 7 8 5
## Escolha_CursoSup_desejoFami Escolha_CursoSup_desejoAmigo
## 1 0 0
## 2 3 1
## 3 0 0
## 4 8 2
## 5 8 5
## Escolha_CursoSup_apoioFami Escolha_CursoSup_apoioAmigo
## 1 5 0
## 2 5 3
## 3 0 0
## 4 4 2
## 5 10 8
## Escolha_CursoSup_perspecFina Escolha_CursoSup_notaExame
## 1 5 5
## 2 5 5
## 3 0 0
## 4 7 9
## 5 3 0
## Escolha_CursoSup_possibPesEFami Escolha_CursoSup_possibLocomocao
## 1 0 10
## 2 2 5
## 3 0 0
## 4 9 9
## 5 5 5
## Escolha_CursoSup_expecSociedade Escolha_CursoSup_sexo
## 1 5 5
## 2 2 8
## 3 0 0
## 4 5 0
## 5 0 0
## Escolha_CursoSup_relaCursoTecnico Aprender_mat Aprender_port Aprender_hist
## 1 5 7 7 7
## 2 8 2 5 7
## 3 0 6 6 6
## 4 6 9 9 6
## 5 6 8 10 10
## Aprender_geo Aprender_quimica Aprender_fisica Aprender_Ingles
## 1 7 7 7 7
## 2 8 3 5 0
## 3 6 6 3 8
## 4 6 9 8 9
## 5 10 7 6 10
## Aprender_outLingua Praticar_atvFisica Utilizar_celComunicar
## 1 0 5 10
## 2 0 10 7
## 3 8 10 9
## 4 0 9 9
## 5 5 7 9
## Utilizar_celBuscasPesquisas Utilizar_celNoticiasNovidades Utilizar_celEstudos
## 1 7 8 8
## 2 7 5 8
## 3 9 9 8
## 4 9 9 9
## 5 9 7 10
## InstEdesinst_appCel Cuidar_FuncionamentoCel Gerenciar_recursosCel
## 1 9 5 5
## 2 8 10 10
## 3 0 10 10
## 4 9 9 9
## 5 10 10 10
## Utilizar_PCbuscas_pesquisas Utilizar_PCnoticias_novidades Utilizar_PCestudos
## 1 6 6 8
## 2 10 5 8
## 3 10 10 10
## 4 9 9 9
## 5 7 7 3
## InstallEdesintal_progPC Cuidar_FuncionamentoPC Gerenciar_recursosPC
## 1 8 7 5
## 2 3 3 3
## 3 10 10 10
## 4 9 9 9
## 5 0 0 0
## Utilizar_ferEscritorio Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 9 4 3
## 2 2 10 7
## 3 2 5 5
## 4 8 6 2
## 5 0 8 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 0 0
## 2 5 5 3
## 3 3 3 4
## 4 0 1 0
## 5 1 5 7
## Manipular_BD Aprender_nvConhComputacao Fonte
## 1 1 3 Amostra
## 2 7 8 Amostra
## 3 6 9 Amostra
## 4 5 7 Amostra
## 5 5 10 AmostraFuncao_exercida <- dado_TrabalhoEstagio_filtrado %>%
select(Funcao)
print(Funcao_exercida)## Funcao
## 1 funcionário publico
## 2 servente de pedreiro ou trabalhador aulugado
## 3 Trabalho como entregador de delivery
## 4 Operador de máquina copiadora.
## 5 Ajudo meu pai nos serviço ligados a pecuária, agricultura e relacionados a construções simples e obras.Motivos para trabalharem (adquirir experiência, ajudar a custear estudos futuros, motivos relacionados à família e sustento da casa)
Quais são os principais motivos das estudantes para trabalharem? Qual é a importância atribuída pelos estudantes a diferentes motivos para trabalharem? Há diferenças na importância atribuída a motivos relacionados à família e sustento da casa em comparação com outros motivos?
# Listar as colunas de interesse
colunas_interesse <- c("Import_despesasCasa", "Import_SustFamilia", "Import_Independencia", "Import_Experiencia", "Import_PagEstudos")
# Filtrar dados onde Trabalho_estagio é igual a "Sim"
dado_TrabalhoEstagio_filtrado <- dado_IFPBCG_amostra %>%
filter(Trabalho_estagio == "Sim")
# Função para contar frequências para uma única coluna
contar_importancia_motivos <- function(coluna) {
dado_TrabalhoEstagio_filtrado %>%
count(!!sym(coluna)) %>%
rename(Resposta = !!sym(coluna)) %>%
mutate(Atividade = coluna)
}
# Aplicar a função a cada coluna e combinar os resultados
Importancia_motivos <- map_dfr(colunas_interesse, contar_importancia_motivos)
# Renomear as atividades para nomes mais amigáveis
renomear_atividades <- function() {
c("Import_despesasCasa" = "Ajudar nas despesas de casa",
"Import_SustFamilia" = "Sustentar minha Família",
"Import_Independencia" = "Ser Independente",
"Import_Experiencia" = "Adquirir Experiência",
"Import_PagEstudos" = "Custear/Pagar meus Estudos")
}
Importancia_motivos <- Importancia_motivos %>%
mutate(Atividade = recode(Atividade, !!!renomear_atividades()))
# Plotar os dados com as novas cores e nomes
grafico_importancia_motivos <- ggplot(Importancia_motivos, aes(x = Atividade, y = n, fill = Resposta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = n), position = position_stack(vjust = 0.5), size = 3, color = "black") +
scale_fill_manual(values = c("1 - Pouco importante" = "#0000FF",
"2" = "#FF0000",
"3" = "#FFD700",
"4" = "#008000",
"5 - Muito importante" = "#8B008B")) +
labs(title = "Importância dos motivos para trabalhar pelas estudantes que trabalham/estagiam",
x = "Motivo",
y = "Quantidade",
fill = "Resposta") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Mostrar o gráfico
print(grafico_importancia_motivos)
# Salvar a figura combinada como um arquivo PNG
ggsave("grafico_importancia_motivos.png", plot = grafico_importancia_motivos, width = 12, height = 6, units = "in")Há diferenças na importância atribuída a diferentes motivos para trabalharem entre grupos de estudantes (por exemplo, idade, tipo de escola)?
# Função para extrair apenas os números de uma coluna
extrair_numeros <- function(coluna) {
as.numeric(gsub("[^0-9]", "", coluna))
}
# Aplicar a função a cada coluna relevante
dado_TrabalhoEstagio_filtrado$Idade <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Idade)
dado_TrabalhoEstagio_filtrado$Import_despesasCasa <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Import_despesasCasa)
dado_TrabalhoEstagio_filtrado$Import_SustFamilia <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Import_SustFamilia)
dado_TrabalhoEstagio_filtrado$Import_Independencia <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Import_Independencia)
dado_TrabalhoEstagio_filtrado$Import_Experiencia <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Import_Experiencia)
dado_TrabalhoEstagio_filtrado$Import_PagEstudos <- extrair_numeros(dado_TrabalhoEstagio_filtrado$Import_PagEstudos)
# Selecionar as colunas relevantes para a correlação
dados_correlacao <- dado_TrabalhoEstagio_filtrado %>%
select(Idade, Import_despesasCasa, Import_SustFamilia, Import_Independencia, Import_Experiencia, Import_PagEstudos)
# Calcular as correlações
correlacoes <- correlate(dados_correlacao)## Correlation computed with
## • Method: 'pearson'
## • Missing treated using: 'pairwise.complete.obs'# Visualizar as correlações
correlacoes# Transformar os dados de correlação para um formato longo
correlacoes_long <- correlacoes %>%
stretch() %>%
filter(x == "Idade")
# Criar o gráfico de barras para visualizar as correlações
ggplot(correlacoes_long, aes(x = reorder(y, -r), y = r)) +
geom_bar(stat = "identity", fill = "skyblue") +
labs(title = "Correlação entre Idade e Importância das Variáveis",
x = "Variáveis de Importância",
y = "Correlação com a Idade") +
theme_minimal() +
coord_flip()## Warning: Removed 1 rows containing missing values (`position_stack()`).
Os motivos relacionados à família e sustento da casa estão correlacionados com outras variáveis, como renda familiar ou localização das estudantes?
# Executar a ANOVA para Import_despesasCasa
anova_despesasCasa <- aov(dado_TrabalhoEstagio_filtrado$Import_despesasCasa ~ dado_TrabalhoEstagio_filtrado$Renda_familiar, data = dado_TrabalhoEstagio_filtrado)
summary(anova_despesasCasa)## Df Sum Sq Mean Sq F value Pr(>F)
## dado_TrabalhoEstagio_filtrado$Renda_familiar 2 2.7 1.35 0.415 0.707
## Residuals 2 6.5 3.25# Executar a ANOVA para Import_SustFamilia
anova_SustFamilia <- aov(dado_TrabalhoEstagio_filtrado$Import_SustFamilia ~ dado_TrabalhoEstagio_filtrado$Renda_familiar, data = dado_TrabalhoEstagio_filtrado)
summary(anova_SustFamilia)## Df Sum Sq Mean Sq F value Pr(>F)
## dado_TrabalhoEstagio_filtrado$Renda_familiar 2 7.2 3.6 1.8 0.357
## Residuals 2 4.0 2.0# Verificar as diferenças significativas
TukeyHSD(anova_despesasCasa)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = dado_TrabalhoEstagio_filtrado$Import_despesasCasa ~ dado_TrabalhoEstagio_filtrado$Renda_familiar, data = dado_TrabalhoEstagio_filtrado)
##
## $`dado_TrabalhoEstagio_filtrado$Renda_familiar`
## diff lwr
## De 1 a 3 salários mínimos-Até 1 salário mínimo 2.0 -11.00643
## Não sei / prefiro não responder-Até 1 salário mínimo 1.5 -11.50643
## Não sei / prefiro não responder-De 1 a 3 salários mínimos -0.5 -11.11971
## upr p adj
## De 1 a 3 salários mínimos-Até 1 salário mínimo 15.00643 0.6890309
## Não sei / prefiro não responder-Até 1 salário mínimo 14.50643 0.7974043
## Não sei / prefiro não responder-De 1 a 3 salários mínimos 10.11971 0.9593277TukeyHSD(anova_SustFamilia)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = dado_TrabalhoEstagio_filtrado$Import_SustFamilia ~ dado_TrabalhoEstagio_filtrado$Renda_familiar, data = dado_TrabalhoEstagio_filtrado)
##
## $`dado_TrabalhoEstagio_filtrado$Renda_familiar`
## diff lwr
## De 1 a 3 salários mínimos-Até 1 salário mínimo 3 -7.203083
## Não sei / prefiro não responder-Até 1 salário mínimo 3 -7.203083
## Não sei / prefiro não responder-De 1 a 3 salários mínimos 0 -8.330783
## upr p adj
## De 1 a 3 salários mínimos-Até 1 salário mínimo 13.203083 0.3778738
## Não sei / prefiro não responder-Até 1 salário mínimo 13.203083 0.3778738
## Não sei / prefiro não responder-De 1 a 3 salários mínimos 8.330783 1.0000000# Visualização dos resultados
# Gráfico de densidade para Import_despesasCasa
grafico_densidade_Despesas <- ggplot(dado_TrabalhoEstagio_filtrado, aes(x = Import_despesasCasa, fill = Renda_familiar)) +
geom_density(alpha = 0.6) +
labs(title = "Distribuição da Importância das Despesas da Casa por Faixa de Renda",
x = "Importância das Despesas da Casa",
y = "Densidade",
fill = "Faixa de Renda Familiar") +
theme_minimal()
print(grafico_densidade_Despesas)## Warning: Groups with fewer than two data points have been dropped.## Warning in max(ids, na.rm = TRUE): nenhum argumento não faltante para max;
## retornando -Inf
# Gráfico de densidade para Import_SustFamilia
grafico_densidade_Sustento <-ggplot(dado_TrabalhoEstagio_filtrado, aes(x = Import_SustFamilia, fill = Renda_familiar)) +
geom_density(alpha = 0.6) +
labs(title = "Distribuição da Importância da Sustentar a Família por Faixa de Renda",
x = "Importância da Sustentabilidade da Família",
y = "Densidade",
fill = "Faixa de Renda Familiar") +
theme_minimal()
print(grafico_densidade_Sustento)## Warning: Groups with fewer than two data points have been dropped.
## nenhum argumento não faltante para max; retornando -Inf
# Gráfico de barras empilhadas para Import_despesasCasa
grafico_barrasEmpilhadas_Despesas <-ggplot(dado_TrabalhoEstagio_filtrado, aes(x = Renda_familiar, fill = factor(Import_despesasCasa))) +
geom_bar(position = "fill") +
labs(title = "Importância das Despesas da Casa por Faixa de Renda",
x = "Faixa de Renda Familiar",
y = "Proporção",
fill = "Importância") +
theme_minimal() +
coord_flip()
print(grafico_barrasEmpilhadas_Despesas)
# Gráfico de barras empilhadas para Import_SustFamilia
grafico_barrasEmpilhadas_Sustento <-ggplot(dado_TrabalhoEstagio_filtrado, aes(x = Renda_familiar, fill = factor(Import_SustFamilia))) +
geom_bar(position = "fill") +
labs(title = "Importância da Sustentar a Família por Faixa de Renda",
x = "Faixa de Renda Familiar",
y = "Proporção",
fill = "Importância") +
theme_minimal() +
coord_flip()
print(grafico_barrasEmpilhadas_Sustento)
Com que idade dos participantes começaram a trabalhar?
idade_trabalho <- dado_TrabalhoEstagio_filtrado %>%
select(Idade_Trabalho)
print(idade_trabalho)## Idade_Trabalho
## 1 16 anos
## 2 12
## 3 15 anos
## 4 13
## 5 7# Limpar os dados e converter para formato numérico
dado_TrabalhoEstagio_filtrado$Idade_Num <- as.numeric(str_extract(dado_TrabalhoEstagio_filtrado$Idade_Trabalho, "\\d+"))
# Gráfico de barras para a distribuição da idade
Idade_comecoTrabalho<- ggplot(dado_TrabalhoEstagio_filtrado, aes(x = factor(Idade_Num))) +
geom_bar(fill = "skyblue") +
labs(title = "Distribuição da Idade dos Participantes \n que Trabalham",
x = "Idade",
y = "Contagem") +
theme_minimal()
print(Idade_comecoTrabalho)
# Criar categorias de idade
dado_TrabalhoEstagio_filtrado$Faixa_Idade <- cut(dado_TrabalhoEstagio_filtrado$Idade_Num,
breaks = c(0, 10, 20, 30, 40, Inf),
labels = c("0-10", "11-20", "21-30", "31-40", "41+"))
# Definir cores para cada faixa de idade
cores <- c("#FF0000", "#FFA500", "#FFFF00", "#00FF00", "#0000FF")
# Gráfico de barras com cores por faixa de idade e valores nas barras
FaixaEtaria_comecoTrabalho <- ggplot(dado_TrabalhoEstagio_filtrado, aes(x = Faixa_Idade, fill = Faixa_Idade)) +
geom_bar() +
geom_text(aes(label = ..count..), stat = "count", vjust = -0.5) + # Adicionar os valores das contagens nas barras
scale_fill_manual(values = cores) +
labs(title = "Distribuição por Faixa Etária dos \n Participantes que Trabalham",
x = "Faixa de Idade",
y = "Contagem") +
theme_minimal()
print(FaixaEtaria_comecoTrabalho)## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Combinar os gráficos lado a lado
Grafico_Idade_FaixaEtaria_comecoTrabalho_lado_a_lado <- grid.arrange(Idade_comecoTrabalho, FaixaEtaria_comecoTrabalho, ncol = 2)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_Idade_FaixaEtaria_comecoTrabalho_lado_a_lado.png", plot = Grafico_Idade_FaixaEtaria_comecoTrabalho_lado_a_lado, width = 12, height = 6, units = "in")Parte II da Análise - Autoeficácia
Preparando os dados para a análise
library(dplyr)
library(stringr)
# library(psych) # opcional; chamaremos via psych::alpha() para evitar conflito
# 1) Filtrar colunas e salvar CSV como você já faz
dado_autoeficacia <- subset(
dado_IFPBCG_amostra,
select = -c(Maior_idade, Sexo, Idade, TipoEscola_Anterior, Reprovacao,
Progressao_Parcial, Dever_casa, Le_jornais_revistas, Le_livros_gibis,
Le_noticias_internet, Biblioteca_escola_sala_leitura, Vai_cinema_teatro_show_etc,
Pratica_esportes_atividades_físicas, Quant_Computador_notebook, Quant_Celular,
Quant_Tablet, Quant_Videogame, Dispositivos_usados, Acesso_internet,
Finalidade_dispositivos, Prof_Mae, Prof_Pai, Prof_outroresp, Comport_pais_PlantaoPed,
Comport_pais_incentestudar, Comport_pais_incentDeverCasa, Comport_pais_incentLer,
Comport_pais_IncentAtvFisica, Comport_pais_incentAtvextracur, Comport_pais_converEscola,
Temp_internet, Temp_jogoEletronico, Temp_Atvfisica, Temp_TrabDome, Renda_familiar,
Trabalho_estagio, Funcao, Trabalho_remunerado, Import_despesasCasa, Import_SustFamilia,
Import_Independencia, Import_Experiencia, Import_PagEstudos, Idade_Trabalho, Fonte)
)
print(dado_autoeficacia)## Etnia Serie Escolha_desejo Escolha_desejoFami Escolha_desejoAmigo
## 1 Branca 2 8 3 0
## 2 Parda 2 6 3 8
## 3 Branca 2 8 7 7
## 4 Parda 2 6 4 2
## 5 Parda 2 7 8 6
## 6 Branca 2 3 7 5
## 7 Parda 2 9 8 6
## 8 Parda 2 0 5 0
## 9 Parda 2 5 5 5
## 10 Parda 2 7 3 3
## 11 Parda 2 7 7 4
## 12 Preta 3 10 10 10
## 13 Parda 3 5 7 5
## 14 Branca 3 9 7 9
## 15 Parda 3 7 6 8
## 16 Branca 3 9 7 6
## 17 Branca 3 7 8 5
## 18 Branca 3 4 9 7
## 19 Branca 3 5 0 5
## 20 Parda 3 7 4 4
## 21 Branca 3 9 5 5
## 22 Parda 3 6 10 1
## 23 Parda 3 5 8 3
## 24 Branca 3 5 7 4
## 25 Branca 3 7 9 4
## 26 Parda 3 7 8 5
## 27 Parda 3 9 5 7
## 28 Branca 3 9 6 6
## 29 Preta 3 8 8 10
## 30 Branca 3 4 9 6
## 31 Parda 3 8 5 6
## 32 Parda 3 5 2 2
## 33 Parda 3 8 8 5
## 34 Parda 3 8 8 6
## 35 Parda 3 9 0 0
## 36 Preta 3 7 6 3
## 37 Parda 3 5 10 3
## 38 Parda 3 6 4 8
## 39 Branca 3 10 5 5
## 40 Branca 3 5 7 6
## 41 Branca 3 5 5 5
## 42 Parda 3 8 8 4
## 43 Parda 3 8 5 2
## 44 Parda 3 9 7 5
## 45 Parda 3 8 4 3
## 46 Branca 3 3 6 3
## 47 Preta 1 10 8 3
## 48 Branca 1 8 4 1
## 49 Parda 1 9 10 7
## 50 Preta 1 10 10 0
## 51 Parda 1 7 5 3
## 52 Branca 1 5 5 2
## 53 Branca 1 8 8 9
## 54 Parda 3 10 5 5
## 55 Parda 1 5 7 3
## 56 Parda 1 7 7 5
## 57 Branca 1 6 9 3
## 58 Preta 1 10 9 5
## 59 Parda 1 3 4 4
## 60 Branca 1 5 1 0
## 61 Parda 1 10 5 0
## 62 Branca 1 0 10 0
## 63 Branca 1 7 5 4
## 64 Branca 1 7 8 8
## 65 Branca 2 8 7 7
## 66 Parda 1 4 10 0
## Escolha_apoioFami Escolha_apoioAmigo Escolha_CursoSup
## 1 8 7 10
## 2 5 7 8
## 3 7 7 9
## 4 7 7 8
## 5 8 9 8
## 6 5 5 5
## 7 8 7 9
## 8 10 5 5
## 9 5 5 10
## 10 10 8 10
## 11 8 7 10
## 12 10 10 10
## 13 9 7 8
## 14 7 9 10
## 15 9 9 8
## 16 10 9 10
## 17 7 5 9
## 18 9 7 8
## 19 5 5 10
## 20 8 8 6
## 21 6 5 9
## 22 10 6 10
## 23 8 2 5
## 24 6 4 9
## 25 8 6 9
## 26 8 8 4
## 27 7 7 10
## 28 8 8 8
## 29 10 7 4
## 30 9 7 3
## 31 8 8 3
## 32 6 4 5
## 33 9 9 7
## 34 9 7 5
## 35 6 0 0
## 36 8 8 6
## 37 10 5 5
## 38 10 8 1
## 39 10 10 5
## 40 8 7 8
## 41 5 5 8
## 42 9 7 9
## 43 0 10 5
## 44 10 7 8
## 45 9 9 7
## 46 7 6 10
## 47 10 5 10
## 48 7 7 10
## 49 10 9 10
## 50 10 0 10
## 51 7 5 9
## 52 10 2 10
## 53 7 10 6
## 54 10 3 10
## 55 10 7 10
## 56 7 5 9
## 57 9 7 8
## 58 10 5 5
## 59 5 5 5
## 60 8 3 7
## 61 10 10 5
## 62 10 5 10
## 63 5 4 10
## 64 8 9 8
## 65 10 9 9
## 66 10 0 5
## Escolha_CursoSup_desejo Escolha_CursoSup_desejoFami
## 1 10 0
## 2 8 2
## 3 10 5
## 4 9 1
## 5 8 9
## 6 3 2
## 7 8 9
## 8 5 3
## 9 10 0
## 10 8 7
## 11 10 5
## 12 10 10
## 13 8 6
## 14 10 9
## 15 8 8
## 16 10 0
## 17 10 9
## 18 8 6
## 19 8 0
## 20 8 6
## 21 9 0
## 22 3 10
## 23 5 0
## 24 9 7
## 25 9 5
## 26 4 4
## 27 10 10
## 28 8 7
## 29 6 6
## 30 4 3
## 31 3 3
## 32 7 2
## 33 6 5
## 34 9 7
## 35 0 0
## 36 8 6
## 37 5 5
## 38 4 5
## 39 9 5
## 40 3 6
## 41 9 5
## 42 9 8
## 43 5 0
## 44 8 3
## 45 7 3
## 46 10 10
## 47 10 5
## 48 10 0
## 49 10 10
## 50 10 10
## 51 9 5
## 52 10 0
## 53 8 0
## 54 10 5
## 55 10 5
## 56 9 8
## 57 5 8
## 58 4 3
## 59 4 3
## 60 9 0
## 61 5 5
## 62 5 5
## 63 10 5
## 64 8 7
## 65 10 10
## 66 5 5
## Escolha_CursoSup_desejoAmigo Escolha_CursoSup_apoioFami
## 1 0 8
## 2 4 2
## 3 5 5
## 4 1 10
## 5 4 8
## 6 4 4
## 7 8 10
## 8 0 10
## 9 0 9
## 10 5 10
## 11 4 6
## 12 10 10
## 13 9 6
## 14 8 10
## 15 8 10
## 16 0 10
## 17 4 9
## 18 6 8
## 19 0 0
## 20 6 7
## 21 0 0
## 22 0 10
## 23 0 5
## 24 4 9
## 25 4 7
## 26 0 9
## 27 6 6
## 28 5 9
## 29 4 10
## 30 3 7
## 31 1 5
## 32 2 5
## 33 5 7
## 34 3 9
## 35 0 0
## 36 7 8
## 37 4 7
## 38 2 10
## 39 5 10
## 40 5 7
## 41 5 10
## 42 2 4
## 43 0 5
## 44 3 10
## 45 3 8
## 46 4 10
## 47 0 10
## 48 0 2
## 49 0 10
## 50 0 10
## 51 5 5
## 52 0 10
## 53 7 6
## 54 2 10
## 55 0 6
## 56 5 5
## 57 5 10
## 58 2 6
## 59 2 5
## 60 0 9
## 61 0 5
## 62 0 10
## 63 5 5
## 64 5 7
## 65 8 10
## 66 0 10
## Escolha_CursoSup_apoioAmigo Escolha_CursoSup_perspecFina
## 1 8 10
## 2 6 3
## 3 5 9
## 4 10 10
## 5 7 7
## 6 4 5
## 7 8 10
## 8 5 7
## 9 9 10
## 10 9 9
## 11 6 10
## 12 10 10
## 13 9 9
## 14 7 10
## 15 10 9
## 16 10 10
## 17 5 10
## 18 8 8
## 19 0 10
## 20 7 8
## 21 0 8
## 22 6 10
## 23 0 5
## 24 6 8
## 25 7 8
## 26 8 10
## 27 10 10
## 28 9 9
## 29 7 10
## 30 7 9
## 31 3 5
## 32 4 7
## 33 7 9
## 34 5 8
## 35 0 0
## 36 8 8
## 37 5 8
## 38 9 10
## 39 10 10
## 40 6 8
## 41 5 10
## 42 2 7
## 43 6 8
## 44 5 9
## 45 8 9
## 46 8 10
## 47 3 7
## 48 2 10
## 49 0 10
## 50 0 10
## 51 5 7
## 52 0 8
## 53 7 8
## 54 2 10
## 55 6 7
## 56 5 8
## 57 8 3
## 58 3 7
## 59 5 4
## 60 2 3
## 61 5 8
## 62 5 8
## 63 5 10
## 64 7 7
## 65 9 9
## 66 0 10
## Escolha_CursoSup_notaExame Escolha_CursoSup_possibPesEFami
## 1 10 8
## 2 8 3
## 3 8 7
## 4 6 9
## 5 9 9
## 6 8 6
## 7 8 6
## 8 4 4
## 9 10 0
## 10 10 10
## 11 10 6
## 12 10 10
## 13 10 8
## 14 10 8
## 15 9 9
## 16 8 10
## 17 9 10
## 18 8 8
## 19 5 5
## 20 8 8
## 21 8 8
## 22 9 10
## 23 5 0
## 24 8 8
## 25 10 7
## 26 6 0
## 27 10 7
## 28 8 7
## 29 10 9
## 30 8 5
## 31 5 2
## 32 6 6
## 33 6 7
## 34 7 7
## 35 0 0
## 36 6 6
## 37 4 5
## 38 9 3
## 39 8 5
## 40 7 5
## 41 10 5
## 42 9 9
## 43 7 0
## 44 8 8
## 45 8 3
## 46 6 6
## 47 10 5
## 48 10 0
## 49 8 5
## 50 10 10
## 51 9 2
## 52 8 0
## 53 5 9
## 54 10 10
## 55 8 7
## 56 8 8
## 57 0 5
## 58 4 7
## 59 6 4
## 60 9 5
## 61 10 5
## 62 7 5
## 63 5 10
## 64 7 8
## 65 7 8
## 66 5 7
## Escolha_CursoSup_possibLocomocao Escolha_CursoSup_expecSociedade
## 1 8 8
## 2 8 7
## 3 5 9
## 4 8 5
## 5 5 7
## 6 7 3
## 7 4 5
## 8 3 2
## 9 4 0
## 10 10 10
## 11 7 9
## 12 10 10
## 13 10 6
## 14 9 9
## 15 9 7
## 16 10 10
## 17 8 7
## 18 9 7
## 19 5 5
## 20 7 4
## 21 10 0
## 22 10 10
## 23 10 5
## 24 8 7
## 25 5 6
## 26 5 0
## 27 7 7
## 28 7 5
## 29 5 5
## 30 4 6
## 31 5 2
## 32 6 4
## 33 7 6
## 34 7 2
## 35 0 0
## 36 5 5
## 37 7 5
## 38 8 2
## 39 10 10
## 40 7 4
## 41 7 5
## 42 9 5
## 43 0 0
## 44 9 9
## 45 8 10
## 46 5 0
## 47 4 5
## 48 0 0
## 49 8 9
## 50 10 5
## 51 7 7
## 52 0 0
## 53 10 7
## 54 10 2
## 55 8 7
## 56 8 8
## 57 5 0
## 58 5 4
## 59 4 2
## 60 5 0
## 61 8 0
## 62 8 0
## 63 5 9
## 64 10 8
## 65 8 9
## 66 5 5
## Escolha_CursoSup_sexo Escolha_CursoSup_relaCursoTecnico Aprender_mat
## 1 5 10 8
## 2 2 10 8
## 3 5 10 8
## 4 1 10 8
## 5 3 0 6
## 6 5 1 0
## 7 9 10 10
## 8 3 2 10
## 9 0 3 0
## 10 0 6 10
## 11 10 7 8
## 12 10 10 10
## 13 6 10 8
## 14 9 10 8
## 15 9 9 5
## 16 10 10 10
## 17 2 10 9
## 18 0 3 8
## 19 5 10 8
## 20 0 7 3
## 21 0 6 8
## 22 10 10 5
## 23 5 5 7
## 24 10 9 9
## 25 8 1 7
## 26 8 0 8
## 27 10 10 9
## 28 10 9 9
## 29 0 5 9
## 30 5 7 9
## 31 8 8 2
## 32 5 8 7
## 33 9 7 4
## 34 5 7 8
## 35 0 0 6
## 36 5 8 9
## 37 10 0 2
## 38 1 3 9
## 39 10 4 8
## 40 5 9 9
## 41 0 10 7
## 42 0 6 9
## 43 0 7 6
## 44 10 4 6
## 45 10 3 5
## 46 5 10 6
## 47 7 10 10
## 48 0 10 10
## 49 10 10 8
## 50 10 10 10
## 51 9 9 5
## 52 0 10 10
## 53 10 7 8
## 54 10 5 2
## 55 8 6 7
## 56 8 8 10
## 57 0 6 8
## 58 8 5 2
## 59 2 5 4
## 60 0 9 8
## 61 0 5 8
## 62 10 5 9
## 63 5 10 6
## 64 10 8 8
## 65 7 10 7
## 66 5 5 10
## Aprender_port Aprender_hist Aprender_geo Aprender_quimica Aprender_fisica
## 1 7 9 9 7 5
## 2 5 7 7 7 7
## 3 8 3 7 3 5
## 4 7 7 8 6 6
## 5 9 10 7 2 1
## 6 9 9 9 2 1
## 7 7 8 9 6 9
## 8 5 8 4 5 2
## 9 8 0 0 0 0
## 10 10 10 10 4 4
## 11 10 10 10 8 6
## 12 10 10 10 10 10
## 13 6 10 10 7 7
## 14 5 3 3 3 6
## 15 8 8 7 5 5
## 16 10 9 9 9 10
## 17 9 6 5 6 5
## 18 8 8 8 8 7
## 19 7 8 8 7 4
## 20 5 5 5 4 3
## 21 8 8 8 10 6
## 22 10 9 7 7 6
## 23 7 7 7 7 7
## 24 6 5 8 6 6
## 25 9 8 7 6 3
## 26 9 7 6 7 5
## 27 8 8 8 7 7
## 28 7 3 5 8 7
## 29 9 8 7 5 4
## 30 9 8 7 5 4
## 31 5 7 8 3 5
## 32 6 8 8 4 4
## 33 7 7 5 2 2
## 34 8 9 6 6 5
## 35 6 6 6 6 3
## 36 7 8 8 6 8
## 37 5 5 5 2 2
## 38 6 9 8 6 5
## 39 10 8 8 9 5
## 40 3 5 5 8 8
## 41 8 8 8 6 7
## 42 9 6 6 9 8
## 43 7 10 10 6 6
## 44 7 7 7 7 3
## 45 7 9 8 4 4
## 46 7 6 7 8 8
## 47 8 10 7 8 9
## 48 5 3 9 9 9
## 49 8 7 10 8 6
## 50 10 10 10 10 10
## 51 4 3 7 3 6
## 52 5 5 5 10 9
## 53 9 10 10 9 8
## 54 7 9 7 0 0
## 55 8 10 10 8 8
## 56 9 8 7 9 10
## 57 10 10 10 7 6
## 58 3 2 2 1 0
## 59 5 5 4 4 4
## 60 5 5 8 8 8
## 61 9 10 8 7 6
## 62 9 8 8 8 8
## 63 5 10 10 4 4
## 64 8 8 9 6 8
## 65 9 10 10 8 5
## 66 10 10 10 10 10
## Aprender_Ingles Aprender_outLingua Praticar_atvFisica Utilizar_celComunicar
## 1 8 7 10 10
## 2 8 5 8 10
## 3 9 8 10 10
## 4 7 7 6 8
## 5 10 5 9 10
## 6 5 10 7 9
## 7 8 7 6 9
## 8 10 5 2 10
## 9 4 4 4 10
## 10 9 9 10 10
## 11 8 10 10 5
## 12 10 10 10 10
## 13 10 10 10 10
## 14 2 1 10 10
## 15 9 7 5 10
## 16 10 8 10 10
## 17 7 7 7 10
## 18 7 6 8 10
## 19 8 10 6 10
## 20 6 8 9 8
## 21 10 5 10 10
## 22 9 0 10 10
## 23 7 0 5 10
## 24 4 0 10 10
## 25 10 4 10 10
## 26 7 7 7 10
## 27 6 5 10 10
## 28 8 5 7 10
## 29 8 7 7 10
## 30 9 9 3 9
## 31 0 0 10 7
## 32 8 3 9 6
## 33 5 3 10 10
## 34 9 9 7 8
## 35 8 8 10 9
## 36 9 8 9 6
## 37 2 0 5 10
## 38 8 9 5 8
## 39 8 5 10 10
## 40 9 6 8 9
## 41 6 4 10 10
## 42 9 0 9 9
## 43 5 10 10 10
## 44 3 7 10 10
## 45 5 8 10 10
## 46 3 0 0 10
## 47 7 5 10 10
## 48 7 1 10 10
## 49 7 7 10 10
## 50 10 10 10 0
## 51 7 2 9 10
## 52 9 10 10 10
## 53 10 10 7 10
## 54 6 3 7 10
## 55 8 7 9 10
## 56 10 10 9 8
## 57 10 5 7 9
## 58 5 6 7 10
## 59 5 5 4 7
## 60 6 2 4 5
## 61 9 9 10 9
## 62 10 10 8 9
## 63 2 1 8 10
## 64 9 6 8 10
## 65 10 9 8 10
## 66 10 10 10 5
## Utilizar_celBuscasPesquisas Utilizar_celNoticiasNovidades
## 1 10 7
## 2 10 8
## 3 10 10
## 4 10 10
## 5 10 10
## 6 10 10
## 7 9 9
## 8 10 5
## 9 10 10
## 10 10 10
## 11 8 4
## 12 10 10
## 13 10 10
## 14 7 7
## 15 10 10
## 16 10 10
## 17 10 10
## 18 10 10
## 19 10 10
## 20 8 8
## 21 10 10
## 22 10 10
## 23 7 8
## 24 10 10
## 25 10 5
## 26 10 9
## 27 10 10
## 28 9 7
## 29 10 10
## 30 9 7
## 31 7 5
## 32 7 6
## 33 10 6
## 34 8 7
## 35 9 9
## 36 8 8
## 37 10 10
## 38 9 9
## 39 10 10
## 40 10 6
## 41 10 6
## 42 9 9
## 43 10 10
## 44 10 10
## 45 10 10
## 46 10 7
## 47 10 10
## 48 10 10
## 49 10 10
## 50 10 10
## 51 10 10
## 52 10 5
## 53 7 6
## 54 10 10
## 55 8 4
## 56 9 8
## 57 9 7
## 58 9 9
## 59 7 6
## 60 5 3
## 61 9 9
## 62 9 9
## 63 10 10
## 64 9 7
## 65 10 9
## 66 7 7
## Utilizar_celEstudos InstEdesinst_appCel Cuidar_FuncionamentoCel
## 1 7 10 10
## 2 10 10 10
## 3 10 10 10
## 4 10 8 10
## 5 10 10 6
## 6 10 10 9
## 7 10 9 9
## 8 10 10 5
## 9 10 10 8
## 10 10 10 9
## 11 10 10 10
## 12 10 10 10
## 13 8 8 8
## 14 7 9 9
## 15 10 10 9
## 16 10 10 10
## 17 10 10 10
## 18 10 10 10
## 19 10 10 9
## 20 8 3 8
## 21 10 10 10
## 22 7 10 10
## 23 8 9 5
## 24 10 10 9
## 25 10 10 9
## 26 10 10 10
## 27 10 7 8
## 28 8 10 10
## 29 10 10 10
## 30 10 10 8
## 31 8 8 10
## 32 4 8 8
## 33 9 5 6
## 34 9 9 9
## 35 8 0 10
## 36 7 6 8
## 37 10 10 10
## 38 10 10 9
## 39 10 10 8
## 40 8 10 7
## 41 10 10 9
## 42 9 9 9
## 43 8 10 10
## 44 10 10 10
## 45 9 10 9
## 46 10 10 8
## 47 10 10 7
## 48 10 10 10
## 49 10 9 10
## 50 10 0 10
## 51 10 10 10
## 52 8 5 5
## 53 2 10 7
## 54 10 10 8
## 55 6 10 8
## 56 9 10 9
## 57 10 10 10
## 58 10 6 10
## 59 7 8 4
## 60 7 4 9
## 61 10 10 10
## 62 9 8 5
## 63 10 10 10
## 64 8 10 8
## 65 10 9 9
## 66 10 7 7
## Gerenciar_recursosCel Utilizar_PCbuscas_pesquisas
## 1 8 8
## 2 8 8
## 3 10 10
## 4 10 10
## 5 7 9
## 6 9 10
## 7 9 9
## 8 5 10
## 9 5 10
## 10 10 10
## 11 10 10
## 12 10 10
## 13 9 10
## 14 9 7
## 15 9 9
## 16 9 10
## 17 10 10
## 18 8 10
## 19 9 10
## 20 6 8
## 21 10 10
## 22 10 10
## 23 5 6
## 24 8 10
## 25 8 10
## 26 8 7
## 27 9 9
## 28 10 9
## 29 8 10
## 30 8 7
## 31 10 10
## 32 5 10
## 33 7 9
## 34 7 8
## 35 10 10
## 36 8 8
## 37 8 10
## 38 7 8
## 39 5 10
## 40 8 10
## 41 10 10
## 42 9 9
## 43 10 10
## 44 10 10
## 45 10 10
## 46 8 10
## 47 8 9
## 48 10 10
## 49 10 10
## 50 0 10
## 51 10 2
## 52 10 9
## 53 10 10
## 54 10 10
## 55 7 10
## 56 9 9
## 57 10 7
## 58 7 2
## 59 4 6
## 60 8 7
## 61 9 9
## 62 5 9
## 63 10 5
## 64 7 8
## 65 7 10
## 66 7 5
## Utilizar_PCnoticias_novidades Utilizar_PCestudos InstallEdesintal_progPC
## 1 8 10 8
## 2 8 10 8
## 3 10 10 10
## 4 10 10 9
## 5 6 10 6
## 6 10 10 9
## 7 9 10 9
## 8 5 10 5
## 9 10 10 10
## 10 10 10 9
## 11 6 10 10
## 12 10 10 10
## 13 9 10 10
## 14 7 7 9
## 15 8 10 10
## 16 10 10 10
## 17 10 10 10
## 18 10 10 10
## 19 10 10 10
## 20 9 8 3
## 21 10 10 10
## 22 7 10 9
## 23 6 8 8
## 24 10 10 7
## 25 8 10 7
## 26 5 9 5
## 27 9 8 7
## 28 9 9 9
## 29 10 10 9
## 30 6 7 6
## 31 5 8 3
## 32 8 9 9
## 33 5 9 6
## 34 8 9 9
## 35 10 10 10
## 36 8 9 8
## 37 5 10 8
## 38 6 10 7
## 39 5 10 5
## 40 6 10 10
## 41 6 10 10
## 42 9 9 9
## 43 7 10 5
## 44 10 10 10
## 45 10 10 8
## 46 6 10 10
## 47 7 10 5
## 48 10 10 10
## 49 10 10 7
## 50 10 10 0
## 51 2 1 1
## 52 10 10 10
## 53 5 10 10
## 54 10 10 1
## 55 4 10 10
## 56 9 10 9
## 57 7 3 0
## 58 2 2 2
## 59 5 7 5
## 60 1 9 9
## 61 5 10 3
## 62 8 9 5
## 63 4 10 2
## 64 9 8 5
## 65 8 10 7
## 66 5 10 5
## Cuidar_FuncionamentoPC Gerenciar_recursosPC Utilizar_ferEscritorio
## 1 8 7 8
## 2 9 7 8
## 3 10 10 8
## 4 10 9 9
## 5 3 2 5
## 6 9 9 9
## 7 9 8 10
## 8 5 5 5
## 9 7 7 5
## 10 9 7 8
## 11 10 8 9
## 12 10 10 10
## 13 9 9 10
## 14 9 8 9
## 15 8 8 8
## 16 10 10 10
## 17 10 8 10
## 18 10 8 7
## 19 10 10 8
## 20 9 9 8
## 21 9 10 6
## 22 10 10 3
## 23 7 5 9
## 24 8 7 6
## 25 7 6 7
## 26 5 5 5
## 27 7 7 9
## 28 9 8 8
## 29 10 9 5
## 30 6 6 6
## 31 3 3 2
## 32 9 7 7
## 33 9 9 7
## 34 8 7 9
## 35 10 10 2
## 36 8 6 8
## 37 10 5 3
## 38 7 5 8
## 39 5 5 10
## 40 8 7 9
## 41 9 9 7
## 42 9 9 8
## 43 6 10 2
## 44 9 9 10
## 45 9 9 8
## 46 10 10 8
## 47 10 8 10
## 48 10 5 6
## 49 9 10 5
## 50 10 0 0
## 51 1 1 1
## 52 10 10 9
## 53 3 7 5
## 54 6 3 7
## 55 7 6 9
## 56 10 9 9
## 57 0 0 0
## 58 3 3 4
## 59 4 4 2
## 60 8 8 5
## 61 10 4 4
## 62 5 5 10
## 63 2 10 3
## 64 8 7 8
## 65 7 6 8
## 66 7 7 7
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 9
## 4 9 8
## 5 7 2
## 6 1 0
## 7 10 9
## 8 5 5
## 9 5 2
## 10 9 7
## 11 8 9
## 12 10 10
## 13 10 8
## 14 6 4
## 15 9 7
## 16 10 10
## 17 10 10
## 18 7 7
## 19 8 8
## 20 8 9
## 21 9 8
## 22 10 7
## 23 4 3
## 24 8 6
## 25 5 5
## 26 4 3
## 27 9 8
## 28 10 8
## 29 10 10
## 30 10 10
## 31 10 7
## 32 5 3
## 33 7 7
## 34 8 8
## 35 5 5
## 36 9 9
## 37 0 0
## 38 7 6
## 39 5 0
## 40 10 8
## 41 8 7
## 42 6 2
## 43 5 3
## 44 5 2
## 45 6 5
## 46 8 8
## 47 10 7
## 48 0 0
## 49 4 0
## 50 0 0
## 51 3 1
## 52 8 0
## 53 8 7
## 54 5 2
## 55 0 0
## 56 9 9
## 57 8 7
## 58 4 3
## 59 2 1
## 60 8 6
## 61 4 3
## 62 5 5
## 63 0 0
## 64 5 5
## 65 8 7
## 66 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 0 2 4
## 4 5 8 5
## 5 1 4 0
## 6 1 5 2
## 7 9 7 8
## 8 2 5 3
## 9 0 0 0
## 10 0 6 5
## 11 0 8 8
## 12 10 10 10
## 13 5 6 7
## 14 2 2 2
## 15 4 4 4
## 16 10 6 6
## 17 4 5 7
## 18 6 2 2
## 19 0 3 4
## 20 5 7 7
## 21 0 6 0
## 22 0 2 2
## 23 0 0 0
## 24 1 1 6
## 25 3 3 3
## 26 0 0 0
## 27 5 5 7
## 28 2 2 4
## 29 4 7 7
## 30 6 5 7
## 31 5 5 3
## 32 6 3 2
## 33 4 5 5
## 34 4 6 5
## 35 3 3 4
## 36 8 7 5
## 37 0 0 0
## 38 5 4 1
## 39 0 0 0
## 40 8 4 7
## 41 7 8 6
## 42 0 1 0
## 43 0 0 0
## 44 0 3 0
## 45 1 3 0
## 46 8 5 6
## 47 7 10 8
## 48 3 3 0
## 49 0 0 0
## 50 0 0 0
## 51 2 3 3
## 52 5 0 0
## 53 0 0 0
## 54 0 0 0
## 55 0 0 0
## 56 10 9 9
## 57 1 5 7
## 58 3 3 3
## 59 0 1 1
## 60 7 4 3
## 61 3 4 2
## 62 1 5 5
## 63 0 0 0
## 64 5 5 6
## 65 1 6 3
## 66 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 2 10
## 4 3 10
## 5 1 8
## 6 0 1
## 7 9 10
## 8 2 5
## 9 0 1
## 10 0 8
## 11 0 10
## 12 10 10
## 13 7 9
## 14 4 5
## 15 4 8
## 16 9 10
## 17 7 10
## 18 2 2
## 19 5 7
## 20 6 8
## 21 7 8
## 22 5 6
## 23 1 3
## 24 1 9
## 25 3 5
## 26 4 4
## 27 5 5
## 28 2 10
## 29 5 8
## 30 5 9
## 31 7 8
## 32 5 7
## 33 5 7
## 34 6 8
## 35 6 9
## 36 3 8
## 37 0 0
## 38 1 5
## 39 0 10
## 40 5 8
## 41 7 7
## 42 5 7
## 43 3 10
## 44 0 5
## 45 1 7
## 46 4 10
## 47 10 10
## 48 0 10
## 49 0 0
## 50 0 10
## 51 3 8
## 52 0 10
## 53 0 9
## 54 0 6
## 55 0 8
## 56 9 8
## 57 5 10
## 58 2 4
## 59 1 5
## 60 2 10
## 61 0 9
## 62 0 10
## 63 0 5
## 64 5 8
## 65 3 7
## 66 5 10write.csv(dado_autoeficacia, "dado_autoeficacia.csv", row.names = FALSE)
# 2) Remover colunas não desejadas e GARANTIR que tudo vire numérico
dado_autoeficacia_parte <- subset(dado_autoeficacia, select = -c(Serie, Etnia)) %>%
mutate(across(everything(), ~ suppressWarnings(as.numeric(as.character(.)))))
# Se alguma coluna virou toda NA após a coerção (ex.: texto puro), removemos
dado_autoeficacia_parte <- dado_autoeficacia_parte %>% select(where(~ !all(is.na(.))))
# 3) Médias e variâncias por item (3 casas)
medias <- round(colMeans(dado_autoeficacia_parte, na.rm = TRUE), 3)
variancias <- round(apply(dado_autoeficacia_parte, 2, var, na.rm = TRUE), 3)
# 4) Estatísticas globais (3 casas)
media_total <- round(mean(unlist(dado_autoeficacia_parte), na.rm = TRUE), 3)
variancia_total <- round(var(unlist(dado_autoeficacia_parte), na.rm = TRUE), 3)
# 5) Alfa de Cronbach (usando explicitamente psych::alpha para evitar o conflito)
alfa_res <- psych::alpha(dado_autoeficacia_parte)## Number of categories should be increased in order to count frequencies.coef_alfa_total_bruto <- round(alfa_res$total$raw_alpha, 3) # Alfa bruto
coef_alfa_total_pad <- round(alfa_res$total$std.alpha, 3) # Alfa padronizado
# 6) Data frame com resultados por item
resultados_autoeficacia <- data.frame(
Numero_do_Item = seq_len(ncol(dado_autoeficacia_parte)),
Itens_da_Escala = names(medias),
Media = medias,
Variancia = variancias,
row.names = NULL
)
print(resultados_autoeficacia)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 1 Escolha_desejo 6.803 5.145
## 2 2 Escolha_desejoFami 6.364 5.927
## 3 3 Escolha_desejoAmigo 4.409 6.738
## 4 4 Escolha_apoioFami 8.061 3.781
## 5 5 Escolha_apoioAmigo 6.409 5.845
## 6 6 Escolha_CursoSup 7.576 6.094
## 7 7 Escolha_CursoSup_desejo 7.561 6.158
## 8 8 Escolha_CursoSup_desejoFami 4.864 10.335
## 9 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 10 10 Escolha_CursoSup_apoioFami 7.424 7.663
## 11 11 Escolha_CursoSup_apoioAmigo 5.652 8.969
## 12 12 Escolha_CursoSup_perspecFina 8.197 4.530
## 13 13 Escolha_CursoSup_notaExame 7.606 5.012
## 14 14 Escolha_CursoSup_possibPesEFami 6.091 8.699
## 15 15 Escolha_CursoSup_possibLocomocao 6.742 6.933
## 16 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 17 17 Escolha_CursoSup_sexo 5.485 15.300
## 18 18 Escolha_CursoSup_relaCursoTecnico 6.924 9.825
## 19 19 Aprender_mat 7.242 6.340
## 20 20 Aprender_port 7.409 3.445
## 21 21 Aprender_hist 7.424 5.510
## 22 22 Aprender_geo 7.409 4.399
## 23 23 Aprender_quimica 6.152 6.346
## 24 24 Aprender_fisica 5.682 6.713
## 25 25 Aprender_Ingles 7.379 5.839
## 26 26 Aprender_outLingua 5.970 10.584
## 27 27 Praticar_atvFisica 8.076 5.394
## 28 28 Utilizar_celComunicar 9.121 3.124
## 29 29 Utilizar_celBuscasPesquisas 9.273 1.309
## 30 30 Utilizar_celNoticiasNovidades 8.348 3.800
## 31 31 Utilizar_celEstudos 9.061 2.427
## 32 32 InstEdesinst_appCel 8.848 5.054
## 33 33 Cuidar_FuncionamentoCel 8.697 2.399
## 34 34 Gerenciar_recursosCel 8.242 3.786
## 35 35 Utilizar_PCbuscas_pesquisas 8.864 3.227
## 36 36 Utilizar_PCnoticias_novidades 7.576 5.540
## 37 37 Utilizar_PCestudos 9.212 3.216
## 38 38 InstallEdesintal_progPC 7.348 8.261
## 39 39 Cuidar_FuncionamentoPC 7.742 6.286
## 40 40 Gerenciar_recursosPC 7.045 6.506
## 41 41 Utilizar_ferEscritorio 6.788 7.277
## 42 42 Utilizar_lingProgramacao 6.667 8.749
## 43 43 Utilizar_2ou.lingProgramacao 5.409 10.492
## 44 44 Aplicar_concBasicEletronica 3.121 9.400
## 45 45 Gerenciar_redes 3.864 7.627
## 46 46 Administrar_PClinhaComando 3.485 8.438
## 47 47 Manipular_BD 3.348 8.446
## 48 48 Aprender_nvConhComputacao 7.424 7.233write.csv(resultados_autoeficacia, "resultados_autoeficacia.csv", row.names = FALSE)
# 7) Linha com totais + alfa
total_info_autoeficacia <- data.frame(
Itens_da_Escala = "Total",
Media = media_total,
Variancia = variancia_total,
alpha_bruto = coef_alfa_total_bruto,
alpha_padronizado = coef_alfa_total_pad
)
print(total_info_autoeficacia)## Itens_da_Escala Media Variancia alpha_bruto alpha_padronizado
## 1 Total 6.806 9.105 0.904 0.903write.csv(total_info_autoeficacia, "total_info_autoeficacia.csv", row.names = FALSE)Mulheres
library(dplyr)
# library(psych) # chamaremos explicitamente como psych::alpha()
# 1) Seleção das colunas
dado_autoeficacia_Mulheres <- subset(
dado_IFPB_Mulheres_Amostra,
select = -c(Maior_idade, Sexo, Idade, TipoEscola_Anterior, Reprovacao,
Progressao_Parcial, Dever_casa, Le_jornais_revistas, Le_livros_gibis,
Le_noticias_internet, Biblioteca_escola_sala_leitura, Vai_cinema_teatro_show_etc,
Pratica_esportes_atividades_físicas, Quant_Computador_notebook, Quant_Celular,
Quant_Tablet, Quant_Videogame, Dispositivos_usados, Acesso_internet,
Finalidade_dispositivos, Prof_Mae, Prof_Pai, Prof_outroresp, Comport_pais_PlantaoPed,
Comport_pais_incentestudar, Comport_pais_incentDeverCasa, Comport_pais_incentLer,
Comport_pais_IncentAtvFisica, Comport_pais_incentAtvextracur, Comport_pais_converEscola,
Temp_internet, Temp_jogoEletronico, Temp_Atvfisica, Temp_TrabDome, Renda_familiar,
Trabalho_estagio, Funcao, Trabalho_remunerado, Import_despesasCasa, Import_SustFamilia,
Import_Independencia, Import_Experiencia, Import_PagEstudos, Idade_Trabalho, Fonte)
)
print(dado_autoeficacia_Mulheres)## Etnia Serie Escolha_desejo Escolha_desejoFami Escolha_desejoAmigo
## 1 Branca 2 8 3 0
## 2 Parda 2 6 3 8
## 3 Parda 2 6 4 2
## 4 Parda 2 7 8 6
## 5 Branca 2 3 7 5
## 6 Parda 2 0 5 0
## 7 Parda 2 5 5 5
## 8 Parda 2 7 3 3
## 9 Parda 2 7 7 4
## 10 Parda 3 7 6 8
## 11 Branca 3 7 8 5
## 12 Branca 3 4 9 7
## 13 Branca 3 5 0 5
## 14 Parda 3 7 4 4
## 15 Parda 3 6 10 1
## 16 Parda 3 7 8 5
## 17 Preta 3 8 8 10
## 18 Branca 3 4 9 6
## 19 Parda 3 8 8 5
## 20 Parda 3 8 8 6
## 21 Parda 3 5 10 3
## 22 Parda 3 6 4 8
## 23 Branca 3 10 5 5
## 24 Parda 3 9 7 5
## 25 Parda 3 8 4 3
## 26 Preta 1 10 8 3
## 27 Preta 1 10 10 0
## 28 Parda 3 10 5 5
## 29 Parda 1 3 4 4
## 30 Parda 1 10 5 0
## 31 Branca 1 0 10 0
## 32 Branca 1 7 8 8
## 33 Branca 2 8 7 7
## 34 Parda 1 4 10 0
## Escolha_apoioFami Escolha_apoioAmigo Escolha_CursoSup
## 1 8 7 10
## 2 5 7 8
## 3 7 7 8
## 4 8 9 8
## 5 5 5 5
## 6 10 5 5
## 7 5 5 10
## 8 10 8 10
## 9 8 7 10
## 10 9 9 8
## 11 7 5 9
## 12 9 7 8
## 13 5 5 10
## 14 8 8 6
## 15 10 6 10
## 16 8 8 4
## 17 10 7 4
## 18 9 7 3
## 19 9 9 7
## 20 9 7 5
## 21 10 5 5
## 22 10 8 1
## 23 10 10 5
## 24 10 7 8
## 25 9 9 7
## 26 10 5 10
## 27 10 0 10
## 28 10 3 10
## 29 5 5 5
## 30 10 10 5
## 31 10 5 10
## 32 8 9 8
## 33 10 9 9
## 34 10 0 5
## Escolha_CursoSup_desejo Escolha_CursoSup_desejoFami
## 1 10 0
## 2 8 2
## 3 9 1
## 4 8 9
## 5 3 2
## 6 5 3
## 7 10 0
## 8 8 7
## 9 10 5
## 10 8 8
## 11 10 9
## 12 8 6
## 13 8 0
## 14 8 6
## 15 3 10
## 16 4 4
## 17 6 6
## 18 4 3
## 19 6 5
## 20 9 7
## 21 5 5
## 22 4 5
## 23 9 5
## 24 8 3
## 25 7 3
## 26 10 5
## 27 10 10
## 28 10 5
## 29 4 3
## 30 5 5
## 31 5 5
## 32 8 7
## 33 10 10
## 34 5 5
## Escolha_CursoSup_desejoAmigo Escolha_CursoSup_apoioFami
## 1 0 8
## 2 4 2
## 3 1 10
## 4 4 8
## 5 4 4
## 6 0 10
## 7 0 9
## 8 5 10
## 9 4 6
## 10 8 10
## 11 4 9
## 12 6 8
## 13 0 0
## 14 6 7
## 15 0 10
## 16 0 9
## 17 4 10
## 18 3 7
## 19 5 7
## 20 3 9
## 21 4 7
## 22 2 10
## 23 5 10
## 24 3 10
## 25 3 8
## 26 0 10
## 27 0 10
## 28 2 10
## 29 2 5
## 30 0 5
## 31 0 10
## 32 5 7
## 33 8 10
## 34 0 10
## Escolha_CursoSup_apoioAmigo Escolha_CursoSup_perspecFina
## 1 8 10
## 2 6 3
## 3 10 10
## 4 7 7
## 5 4 5
## 6 5 7
## 7 9 10
## 8 9 9
## 9 6 10
## 10 10 9
## 11 5 10
## 12 8 8
## 13 0 10
## 14 7 8
## 15 6 10
## 16 8 10
## 17 7 10
## 18 7 9
## 19 7 9
## 20 5 8
## 21 5 8
## 22 9 10
## 23 10 10
## 24 5 9
## 25 8 9
## 26 3 7
## 27 0 10
## 28 2 10
## 29 5 4
## 30 5 8
## 31 5 8
## 32 7 7
## 33 9 9
## 34 0 10
## Escolha_CursoSup_notaExame Escolha_CursoSup_possibPesEFami
## 1 10 8
## 2 8 3
## 3 6 9
## 4 9 9
## 5 8 6
## 6 4 4
## 7 10 0
## 8 10 10
## 9 10 6
## 10 9 9
## 11 9 10
## 12 8 8
## 13 5 5
## 14 8 8
## 15 9 10
## 16 6 0
## 17 10 9
## 18 8 5
## 19 6 7
## 20 7 7
## 21 4 5
## 22 9 3
## 23 8 5
## 24 8 8
## 25 8 3
## 26 10 5
## 27 10 10
## 28 10 10
## 29 6 4
## 30 10 5
## 31 7 5
## 32 7 8
## 33 7 8
## 34 5 7
## Escolha_CursoSup_possibLocomocao Escolha_CursoSup_expecSociedade
## 1 8 8
## 2 8 7
## 3 8 5
## 4 5 7
## 5 7 3
## 6 3 2
## 7 4 0
## 8 10 10
## 9 7 9
## 10 9 7
## 11 8 7
## 12 9 7
## 13 5 5
## 14 7 4
## 15 10 10
## 16 5 0
## 17 5 5
## 18 4 6
## 19 7 6
## 20 7 2
## 21 7 5
## 22 8 2
## 23 10 10
## 24 9 9
## 25 8 10
## 26 4 5
## 27 10 5
## 28 10 2
## 29 4 2
## 30 8 0
## 31 8 0
## 32 10 8
## 33 8 9
## 34 5 5
## Escolha_CursoSup_sexo Escolha_CursoSup_relaCursoTecnico Aprender_mat
## 1 5 10 8
## 2 2 10 8
## 3 1 10 8
## 4 3 0 6
## 5 5 1 0
## 6 3 2 10
## 7 0 3 0
## 8 0 6 10
## 9 10 7 8
## 10 9 9 5
## 11 2 10 9
## 12 0 3 8
## 13 5 10 8
## 14 0 7 3
## 15 10 10 5
## 16 8 0 8
## 17 0 5 9
## 18 5 7 9
## 19 9 7 4
## 20 5 7 8
## 21 10 0 2
## 22 1 3 9
## 23 10 4 8
## 24 10 4 6
## 25 10 3 5
## 26 7 10 10
## 27 10 10 10
## 28 10 5 2
## 29 2 5 4
## 30 0 5 8
## 31 10 5 9
## 32 10 8 8
## 33 7 10 7
## 34 5 5 10
## Aprender_port Aprender_hist Aprender_geo Aprender_quimica Aprender_fisica
## 1 7 9 9 7 5
## 2 5 7 7 7 7
## 3 7 7 8 6 6
## 4 9 10 7 2 1
## 5 9 9 9 2 1
## 6 5 8 4 5 2
## 7 8 0 0 0 0
## 8 10 10 10 4 4
## 9 10 10 10 8 6
## 10 8 8 7 5 5
## 11 9 6 5 6 5
## 12 8 8 8 8 7
## 13 7 8 8 7 4
## 14 5 5 5 4 3
## 15 10 9 7 7 6
## 16 9 7 6 7 5
## 17 9 8 7 5 4
## 18 9 8 7 5 4
## 19 7 7 5 2 2
## 20 8 9 6 6 5
## 21 5 5 5 2 2
## 22 6 9 8 6 5
## 23 10 8 8 9 5
## 24 7 7 7 7 3
## 25 7 9 8 4 4
## 26 8 10 7 8 9
## 27 10 10 10 10 10
## 28 7 9 7 0 0
## 29 5 5 4 4 4
## 30 9 10 8 7 6
## 31 9 8 8 8 8
## 32 8 8 9 6 8
## 33 9 10 10 8 5
## 34 10 10 10 10 10
## Aprender_Ingles Aprender_outLingua Praticar_atvFisica Utilizar_celComunicar
## 1 8 7 10 10
## 2 8 5 8 10
## 3 7 7 6 8
## 4 10 5 9 10
## 5 5 10 7 9
## 6 10 5 2 10
## 7 4 4 4 10
## 8 9 9 10 10
## 9 8 10 10 5
## 10 9 7 5 10
## 11 7 7 7 10
## 12 7 6 8 10
## 13 8 10 6 10
## 14 6 8 9 8
## 15 9 0 10 10
## 16 7 7 7 10
## 17 8 7 7 10
## 18 9 9 3 9
## 19 5 3 10 10
## 20 9 9 7 8
## 21 2 0 5 10
## 22 8 9 5 8
## 23 8 5 10 10
## 24 3 7 10 10
## 25 5 8 10 10
## 26 7 5 10 10
## 27 10 10 10 0
## 28 6 3 7 10
## 29 5 5 4 7
## 30 9 9 10 9
## 31 10 10 8 9
## 32 9 6 8 10
## 33 10 9 8 10
## 34 10 10 10 5
## Utilizar_celBuscasPesquisas Utilizar_celNoticiasNovidades
## 1 10 7
## 2 10 8
## 3 10 10
## 4 10 10
## 5 10 10
## 6 10 5
## 7 10 10
## 8 10 10
## 9 8 4
## 10 10 10
## 11 10 10
## 12 10 10
## 13 10 10
## 14 8 8
## 15 10 10
## 16 10 9
## 17 10 10
## 18 9 7
## 19 10 6
## 20 8 7
## 21 10 10
## 22 9 9
## 23 10 10
## 24 10 10
## 25 10 10
## 26 10 10
## 27 10 10
## 28 10 10
## 29 7 6
## 30 9 9
## 31 9 9
## 32 9 7
## 33 10 9
## 34 7 7
## Utilizar_celEstudos InstEdesinst_appCel Cuidar_FuncionamentoCel
## 1 7 10 10
## 2 10 10 10
## 3 10 8 10
## 4 10 10 6
## 5 10 10 9
## 6 10 10 5
## 7 10 10 8
## 8 10 10 9
## 9 10 10 10
## 10 10 10 9
## 11 10 10 10
## 12 10 10 10
## 13 10 10 9
## 14 8 3 8
## 15 7 10 10
## 16 10 10 10
## 17 10 10 10
## 18 10 10 8
## 19 9 5 6
## 20 9 9 9
## 21 10 10 10
## 22 10 10 9
## 23 10 10 8
## 24 10 10 10
## 25 9 10 9
## 26 10 10 7
## 27 10 0 10
## 28 10 10 8
## 29 7 8 4
## 30 10 10 10
## 31 9 8 5
## 32 8 10 8
## 33 10 9 9
## 34 10 7 7
## Gerenciar_recursosCel Utilizar_PCbuscas_pesquisas
## 1 8 8
## 2 8 8
## 3 10 10
## 4 7 9
## 5 9 10
## 6 5 10
## 7 5 10
## 8 10 10
## 9 10 10
## 10 9 9
## 11 10 10
## 12 8 10
## 13 9 10
## 14 6 8
## 15 10 10
## 16 8 7
## 17 8 10
## 18 8 7
## 19 7 9
## 20 7 8
## 21 8 10
## 22 7 8
## 23 5 10
## 24 10 10
## 25 10 10
## 26 8 9
## 27 0 10
## 28 10 10
## 29 4 6
## 30 9 9
## 31 5 9
## 32 7 8
## 33 7 10
## 34 7 5
## Utilizar_PCnoticias_novidades Utilizar_PCestudos InstallEdesintal_progPC
## 1 8 10 8
## 2 8 10 8
## 3 10 10 9
## 4 6 10 6
## 5 10 10 9
## 6 5 10 5
## 7 10 10 10
## 8 10 10 9
## 9 6 10 10
## 10 8 10 10
## 11 10 10 10
## 12 10 10 10
## 13 10 10 10
## 14 9 8 3
## 15 7 10 9
## 16 5 9 5
## 17 10 10 9
## 18 6 7 6
## 19 5 9 6
## 20 8 9 9
## 21 5 10 8
## 22 6 10 7
## 23 5 10 5
## 24 10 10 10
## 25 10 10 8
## 26 7 10 5
## 27 10 10 0
## 28 10 10 1
## 29 5 7 5
## 30 5 10 3
## 31 8 9 5
## 32 9 8 5
## 33 8 10 7
## 34 5 10 5
## Cuidar_FuncionamentoPC Gerenciar_recursosPC Utilizar_ferEscritorio
## 1 8 7 8
## 2 9 7 8
## 3 10 9 9
## 4 3 2 5
## 5 9 9 9
## 6 5 5 5
## 7 7 7 5
## 8 9 7 8
## 9 10 8 9
## 10 8 8 8
## 11 10 8 10
## 12 10 8 7
## 13 10 10 8
## 14 9 9 8
## 15 10 10 3
## 16 5 5 5
## 17 10 9 5
## 18 6 6 6
## 19 9 9 7
## 20 8 7 9
## 21 10 5 3
## 22 7 5 8
## 23 5 5 10
## 24 9 9 10
## 25 9 9 8
## 26 10 8 10
## 27 10 0 0
## 28 6 3 7
## 29 4 4 2
## 30 10 4 4
## 31 5 5 10
## 32 8 7 8
## 33 7 6 8
## 34 7 7 7
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 8
## 4 7 2
## 5 1 0
## 6 5 5
## 7 5 2
## 8 9 7
## 9 8 9
## 10 9 7
## 11 10 10
## 12 7 7
## 13 8 8
## 14 8 9
## 15 10 7
## 16 4 3
## 17 10 10
## 18 10 10
## 19 7 7
## 20 8 8
## 21 0 0
## 22 7 6
## 23 5 0
## 24 5 2
## 25 6 5
## 26 10 7
## 27 0 0
## 28 5 2
## 29 2 1
## 30 4 3
## 31 5 5
## 32 5 5
## 33 8 7
## 34 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 5 8 5
## 4 1 4 0
## 5 1 5 2
## 6 2 5 3
## 7 0 0 0
## 8 0 6 5
## 9 0 8 8
## 10 4 4 4
## 11 4 5 7
## 12 6 2 2
## 13 0 3 4
## 14 5 7 7
## 15 0 2 2
## 16 0 0 0
## 17 4 7 7
## 18 6 5 7
## 19 4 5 5
## 20 4 6 5
## 21 0 0 0
## 22 5 4 1
## 23 0 0 0
## 24 0 3 0
## 25 1 3 0
## 26 7 10 8
## 27 0 0 0
## 28 0 0 0
## 29 0 1 1
## 30 3 4 2
## 31 1 5 5
## 32 5 5 6
## 33 1 6 3
## 34 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 3 10
## 4 1 8
## 5 0 1
## 6 2 5
## 7 0 1
## 8 0 8
## 9 0 10
## 10 4 8
## 11 7 10
## 12 2 2
## 13 5 7
## 14 6 8
## 15 5 6
## 16 4 4
## 17 5 8
## 18 5 9
## 19 5 7
## 20 6 8
## 21 0 0
## 22 1 5
## 23 0 10
## 24 0 5
## 25 1 7
## 26 10 10
## 27 0 10
## 28 0 6
## 29 1 5
## 30 0 9
## 31 0 10
## 32 5 8
## 33 3 7
## 34 5 10write.csv(dado_autoeficacia_Mulheres, "dado_autoeficacia_Mulheres.csv", row.names = FALSE)
# 2) Preparar apenas as colunas numéricas (remover Serie e Etnia, converter para numeric)
dado_autoeficacia_Mulheres_parte <- subset(dado_autoeficacia_Mulheres, select = -c(Serie, Etnia)) %>%
mutate(across(everything(), ~ suppressWarnings(as.numeric(as.character(.)))))
# Remover colunas que ficaram totalmente NA
dado_autoeficacia_Mulheres_parte <- dado_autoeficacia_Mulheres_parte %>% select(where(~ !all(is.na(.))))
# 3) Médias e variâncias (3 casas)
medias <- round(colMeans(dado_autoeficacia_Mulheres_parte, na.rm = TRUE), 3)
variancias <- round(apply(dado_autoeficacia_Mulheres_parte, 2, var, na.rm = TRUE), 3)
# 4) Estatísticas globais
media_total <- round(mean(unlist(dado_autoeficacia_Mulheres_parte), na.rm = TRUE), 3)
variancia_total <- round(var(unlist(dado_autoeficacia_Mulheres_parte), na.rm = TRUE), 3)
# 5) Alfa de Cronbach (com psych::alpha)
alfa_mulheres <- psych::alpha(dado_autoeficacia_Mulheres_parte)## Number of categories should be increased in order to count frequencies.## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done## Warning in psych::alpha(dado_autoeficacia_Mulheres_parte): Some items were negatively correlated with the first principal component and probably
## should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option## Some items ( Escolha_CursoSup_apoioAmigo Utilizar_celComunicar InstEdesinst_appCel ) were negatively correlated with the first principal component and
## probably should be reversed.
## To do this, run the function again with the 'check.keys=TRUE' option## In smc, smcs < 0 were set to .0## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0coef_alfa_bruto <- round(alfa_mulheres$total$raw_alpha, 3)
coef_alfa_pad <- round(alfa_mulheres$total$std.alpha, 3)
# 6) Dataframe com resultados por item
resultados_autoeficacia_mulheres <- data.frame(
Numero_do_Item = seq_len(ncol(dado_autoeficacia_Mulheres_parte)),
Itens_da_Escala = names(medias),
Media = medias,
Variancia = variancias
)
print(resultados_autoeficacia_mulheres)## Numero_do_Item
## Escolha_desejo 1
## Escolha_desejoFami 2
## Escolha_desejoAmigo 3
## Escolha_apoioFami 4
## Escolha_apoioAmigo 5
## Escolha_CursoSup 6
## Escolha_CursoSup_desejo 7
## Escolha_CursoSup_desejoFami 8
## Escolha_CursoSup_desejoAmigo 9
## Escolha_CursoSup_apoioFami 10
## Escolha_CursoSup_apoioAmigo 11
## Escolha_CursoSup_perspecFina 12
## Escolha_CursoSup_notaExame 13
## Escolha_CursoSup_possibPesEFami 14
## Escolha_CursoSup_possibLocomocao 15
## Escolha_CursoSup_expecSociedade 16
## Escolha_CursoSup_sexo 17
## Escolha_CursoSup_relaCursoTecnico 18
## Aprender_mat 19
## Aprender_port 20
## Aprender_hist 21
## Aprender_geo 22
## Aprender_quimica 23
## Aprender_fisica 24
## Aprender_Ingles 25
## Aprender_outLingua 26
## Praticar_atvFisica 27
## Utilizar_celComunicar 28
## Utilizar_celBuscasPesquisas 29
## Utilizar_celNoticiasNovidades 30
## Utilizar_celEstudos 31
## InstEdesinst_appCel 32
## Cuidar_FuncionamentoCel 33
## Gerenciar_recursosCel 34
## Utilizar_PCbuscas_pesquisas 35
## Utilizar_PCnoticias_novidades 36
## Utilizar_PCestudos 37
## InstallEdesintal_progPC 38
## Cuidar_FuncionamentoPC 39
## Gerenciar_recursosPC 40
## Utilizar_ferEscritorio 41
## Utilizar_lingProgramacao 42
## Utilizar_2ou.lingProgramacao 43
## Aplicar_concBasicEletronica 44
## Gerenciar_redes 45
## Administrar_PClinhaComando 46
## Manipular_BD 47
## Aprender_nvConhComputacao 48
## Itens_da_Escala Media
## Escolha_desejo Escolha_desejo 6.471
## Escolha_desejoFami Escolha_desejoFami 6.471
## Escolha_desejoAmigo Escolha_desejoAmigo 4.294
## Escolha_apoioFami Escolha_apoioFami 8.559
## Escolha_apoioAmigo Escolha_apoioAmigo 6.559
## Escolha_CursoSup Escolha_CursoSup 7.235
## Escolha_CursoSup_desejo Escolha_CursoSup_desejo 7.206
## Escolha_CursoSup_desejoFami Escolha_CursoSup_desejoFami 4.971
## Escolha_CursoSup_desejoAmigo Escolha_CursoSup_desejoAmigo 2.794
## Escolha_CursoSup_apoioFami Escolha_CursoSup_apoioFami 8.088
## Escolha_CursoSup_apoioAmigo Escolha_CursoSup_apoioAmigo 6.088
## Escolha_CursoSup_perspecFina Escolha_CursoSup_perspecFina 8.559
## Escolha_CursoSup_notaExame Escolha_CursoSup_notaExame 7.912
## Escolha_CursoSup_possibPesEFami Escolha_CursoSup_possibPesEFami 6.441
## Escolha_CursoSup_possibLocomocao Escolha_CursoSup_possibLocomocao 7.206
## Escolha_CursoSup_expecSociedade Escolha_CursoSup_expecSociedade 5.353
## Escolha_CursoSup_sexo Escolha_CursoSup_sexo 5.412
## Escolha_CursoSup_relaCursoTecnico Escolha_CursoSup_relaCursoTecnico 5.912
## Aprender_mat Aprender_mat 6.824
## Aprender_port Aprender_port 7.912
## Aprender_hist Aprender_hist 7.971
## Aprender_geo Aprender_geo 7.176
## Aprender_quimica Aprender_quimica 5.647
## Aprender_fisica Aprender_fisica 4.735
## Aprender_Ingles Aprender_Ingles 7.500
## Aprender_outLingua Aprender_outLingua 6.794
## Praticar_atvFisica Praticar_atvFisica 7.647
## Utilizar_celComunicar Utilizar_celComunicar 8.971
## Utilizar_celBuscasPesquisas Utilizar_celBuscasPesquisas 9.500
## Utilizar_celNoticiasNovidades Utilizar_celNoticiasNovidades 8.735
## Utilizar_celEstudos Utilizar_celEstudos 9.500
## InstEdesinst_appCel InstEdesinst_appCel 9.029
## Cuidar_FuncionamentoCel Cuidar_FuncionamentoCel 8.529
## Gerenciar_recursosCel Gerenciar_recursosCel 7.618
## Utilizar_PCbuscas_pesquisas Utilizar_PCbuscas_pesquisas 9.029
## Utilizar_PCnoticias_novidades Utilizar_PCnoticias_novidades 7.765
## Utilizar_PCestudos Utilizar_PCestudos 9.588
## InstallEdesintal_progPC InstallEdesintal_progPC 6.912
## Cuidar_FuncionamentoPC Cuidar_FuncionamentoPC 8.000
## Gerenciar_recursosPC Gerenciar_recursosPC 6.676
## Utilizar_ferEscritorio Utilizar_ferEscritorio 6.971
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.529
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 5.412
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 2.441
## Gerenciar_redes Gerenciar_redes 4.176
## Administrar_PClinhaComando Administrar_PClinhaComando 3.382
## Manipular_BD Manipular_BD 2.794
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7.059
## Variancia
## Escolha_desejo 6.620
## Escolha_desejoFami 6.499
## Escolha_desejoAmigo 7.547
## Escolha_apoioFami 3.102
## Escolha_apoioAmigo 5.769
## Escolha_CursoSup 6.246
## Escolha_CursoSup_desejo 5.502
## Escolha_CursoSup_desejoFami 7.908
## Escolha_CursoSup_desejoAmigo 5.926
## Escolha_CursoSup_apoioFami 6.265
## Escolha_CursoSup_apoioAmigo 7.598
## Escolha_CursoSup_perspecFina 3.224
## Escolha_CursoSup_notaExame 3.356
## Escolha_CursoSup_possibPesEFami 7.587
## Escolha_CursoSup_possibLocomocao 4.411
## Escolha_CursoSup_expecSociedade 10.114
## Escolha_CursoSup_sexo 15.462
## Escolha_CursoSup_relaCursoTecnico 10.931
## Aprender_mat 8.210
## Aprender_port 2.689
## Aprender_hist 4.211
## Aprender_geo 4.513
## Aprender_quimica 6.660
## Aprender_fisica 6.564
## Aprender_Ingles 4.500
## Aprender_outLingua 7.381
## Praticar_atvFisica 5.447
## Utilizar_celComunicar 4.332
## Utilizar_celBuscasPesquisas 0.803
## Utilizar_celNoticiasNovidades 2.928
## Utilizar_celEstudos 0.924
## InstEdesinst_appCel 4.999
## Cuidar_FuncionamentoCel 2.863
## Gerenciar_recursosCel 4.789
## Utilizar_PCbuscas_pesquisas 1.726
## Utilizar_PCnoticias_novidades 4.185
## Utilizar_PCestudos 0.734
## InstallEdesintal_progPC 7.356
## Cuidar_FuncionamentoPC 4.242
## Gerenciar_recursosPC 5.498
## Utilizar_ferEscritorio 6.272
## Utilizar_lingProgramacao 8.196
## Utilizar_2ou.lingProgramacao 10.128
## Aplicar_concBasicEletronica 5.890
## Gerenciar_redes 7.180
## Administrar_PClinhaComando 7.577
## Manipular_BD 7.199
## Aprender_nvConhComputacao 8.178write.csv(resultados_autoeficacia_mulheres, "resultados_autoeficacia_mulheres.csv", row.names = FALSE)
# 7) Totais
total_info_autoeficacia_mulheres <- data.frame(
Itens_da_Escala = "Total Mulheres",
Media = media_total,
Variancia = variancia_total,
alpha_bruto = coef_alfa_bruto,
alpha_padronizado = coef_alfa_pad
)
print(total_info_autoeficacia_mulheres)## Itens_da_Escala Media Variancia alpha_bruto alpha_padronizado
## 1 Total Mulheres 6.799 8.861 0.882 0.885write.csv(total_info_autoeficacia_mulheres, "total_info_autoeficacia_mulheres.csv", row.names = FALSE)Homens
library(dplyr)
# library(psych) # opcional; chamaremos explicitamente como psych::alpha()
# 1) Seleção das colunas
dado_autoeficacia_Homens <- subset(
dado_IFPB_Homens_Amostra,
select = -c(Maior_idade, Sexo, Idade, TipoEscola_Anterior, Reprovacao,
Progressao_Parcial, Dever_casa, Le_jornais_revistas, Le_livros_gibis,
Le_noticias_internet, Biblioteca_escola_sala_leitura, Vai_cinema_teatro_show_etc,
Pratica_esportes_atividades_físicas, Quant_Computador_notebook, Quant_Celular,
Quant_Tablet, Quant_Videogame, Dispositivos_usados, Acesso_internet,
Finalidade_dispositivos, Prof_Mae, Prof_Pai, Prof_outroresp, Comport_pais_PlantaoPed,
Comport_pais_incentestudar, Comport_pais_incentDeverCasa, Comport_pais_incentLer,
Comport_pais_IncentAtvFisica, Comport_pais_incentAtvextracur, Comport_pais_converEscola,
Temp_internet, Temp_jogoEletronico, Temp_Atvfisica, Temp_TrabDome, Renda_familiar,
Trabalho_estagio, Funcao, Trabalho_remunerado, Import_despesasCasa, Import_SustFamilia,
Import_Independencia, Import_Experiencia, Import_PagEstudos, Idade_Trabalho, Fonte)
)
print(dado_autoeficacia_Homens)## Etnia Serie Escolha_desejo Escolha_desejoFami Escolha_desejoAmigo
## 1 Branca 2 8 7 7
## 2 Parda 2 9 8 6
## 3 Preta 3 10 10 10
## 4 Parda 3 5 7 5
## 5 Branca 3 9 7 9
## 6 Branca 3 9 7 6
## 7 Branca 3 9 5 5
## 8 Parda 3 5 8 3
## 9 Branca 3 5 7 4
## 10 Branca 3 7 9 4
## 11 Parda 3 9 5 7
## 12 Branca 3 9 6 6
## 13 Parda 3 8 5 6
## 14 Parda 3 5 2 2
## 15 Parda 3 9 0 0
## 16 Preta 3 7 6 3
## 17 Branca 3 5 7 6
## 18 Branca 3 5 5 5
## 19 Parda 3 8 8 4
## 20 Parda 3 8 5 2
## 21 Branca 3 3 6 3
## 22 Branca 1 8 4 1
## 23 Parda 1 9 10 7
## 24 Parda 1 7 5 3
## 25 Branca 1 5 5 2
## 26 Branca 1 8 8 9
## 27 Parda 1 5 7 3
## 28 Parda 1 7 7 5
## 29 Branca 1 6 9 3
## 30 Preta 1 10 9 5
## 31 Branca 1 5 1 0
## 32 Branca 1 7 5 4
## Escolha_apoioFami Escolha_apoioAmigo Escolha_CursoSup
## 1 7 7 9
## 2 8 7 9
## 3 10 10 10
## 4 9 7 8
## 5 7 9 10
## 6 10 9 10
## 7 6 5 9
## 8 8 2 5
## 9 6 4 9
## 10 8 6 9
## 11 7 7 10
## 12 8 8 8
## 13 8 8 3
## 14 6 4 5
## 15 6 0 0
## 16 8 8 6
## 17 8 7 8
## 18 5 5 8
## 19 9 7 9
## 20 0 10 5
## 21 7 6 10
## 22 7 7 10
## 23 10 9 10
## 24 7 5 9
## 25 10 2 10
## 26 7 10 6
## 27 10 7 10
## 28 7 5 9
## 29 9 7 8
## 30 10 5 5
## 31 8 3 7
## 32 5 4 10
## Escolha_CursoSup_desejo Escolha_CursoSup_desejoFami
## 1 10 5
## 2 8 9
## 3 10 10
## 4 8 6
## 5 10 9
## 6 10 0
## 7 9 0
## 8 5 0
## 9 9 7
## 10 9 5
## 11 10 10
## 12 8 7
## 13 3 3
## 14 7 2
## 15 0 0
## 16 8 6
## 17 3 6
## 18 9 5
## 19 9 8
## 20 5 0
## 21 10 10
## 22 10 0
## 23 10 10
## 24 9 5
## 25 10 0
## 26 8 0
## 27 10 5
## 28 9 8
## 29 5 8
## 30 4 3
## 31 9 0
## 32 10 5
## Escolha_CursoSup_desejoAmigo Escolha_CursoSup_apoioFami
## 1 5 5
## 2 8 10
## 3 10 10
## 4 9 6
## 5 8 10
## 6 0 10
## 7 0 0
## 8 0 5
## 9 4 9
## 10 4 7
## 11 6 6
## 12 5 9
## 13 1 5
## 14 2 5
## 15 0 0
## 16 7 8
## 17 5 7
## 18 5 10
## 19 2 4
## 20 0 5
## 21 4 10
## 22 0 2
## 23 0 10
## 24 5 5
## 25 0 10
## 26 7 6
## 27 0 6
## 28 5 5
## 29 5 10
## 30 2 6
## 31 0 9
## 32 5 5
## Escolha_CursoSup_apoioAmigo Escolha_CursoSup_perspecFina
## 1 5 9
## 2 8 10
## 3 10 10
## 4 9 9
## 5 7 10
## 6 10 10
## 7 0 8
## 8 0 5
## 9 6 8
## 10 7 8
## 11 10 10
## 12 9 9
## 13 3 5
## 14 4 7
## 15 0 0
## 16 8 8
## 17 6 8
## 18 5 10
## 19 2 7
## 20 6 8
## 21 8 10
## 22 2 10
## 23 0 10
## 24 5 7
## 25 0 8
## 26 7 8
## 27 6 7
## 28 5 8
## 29 8 3
## 30 3 7
## 31 2 3
## 32 5 10
## Escolha_CursoSup_notaExame Escolha_CursoSup_possibPesEFami
## 1 8 7
## 2 8 6
## 3 10 10
## 4 10 8
## 5 10 8
## 6 8 10
## 7 8 8
## 8 5 0
## 9 8 8
## 10 10 7
## 11 10 7
## 12 8 7
## 13 5 2
## 14 6 6
## 15 0 0
## 16 6 6
## 17 7 5
## 18 10 5
## 19 9 9
## 20 7 0
## 21 6 6
## 22 10 0
## 23 8 5
## 24 9 2
## 25 8 0
## 26 5 9
## 27 8 7
## 28 8 8
## 29 0 5
## 30 4 7
## 31 9 5
## 32 5 10
## Escolha_CursoSup_possibLocomocao Escolha_CursoSup_expecSociedade
## 1 5 9
## 2 4 5
## 3 10 10
## 4 10 6
## 5 9 9
## 6 10 10
## 7 10 0
## 8 10 5
## 9 8 7
## 10 5 6
## 11 7 7
## 12 7 5
## 13 5 2
## 14 6 4
## 15 0 0
## 16 5 5
## 17 7 4
## 18 7 5
## 19 9 5
## 20 0 0
## 21 5 0
## 22 0 0
## 23 8 9
## 24 7 7
## 25 0 0
## 26 10 7
## 27 8 7
## 28 8 8
## 29 5 0
## 30 5 4
## 31 5 0
## 32 5 9
## Escolha_CursoSup_sexo Escolha_CursoSup_relaCursoTecnico Aprender_mat
## 1 5 10 8
## 2 9 10 10
## 3 10 10 10
## 4 6 10 8
## 5 9 10 8
## 6 10 10 10
## 7 0 6 8
## 8 5 5 7
## 9 10 9 9
## 10 8 1 7
## 11 10 10 9
## 12 10 9 9
## 13 8 8 2
## 14 5 8 7
## 15 0 0 6
## 16 5 8 9
## 17 5 9 9
## 18 0 10 7
## 19 0 6 9
## 20 0 7 6
## 21 5 10 6
## 22 0 10 10
## 23 10 10 8
## 24 9 9 5
## 25 0 10 10
## 26 10 7 8
## 27 8 6 7
## 28 8 8 10
## 29 0 6 8
## 30 8 5 2
## 31 0 9 8
## 32 5 10 6
## Aprender_port Aprender_hist Aprender_geo Aprender_quimica Aprender_fisica
## 1 8 3 7 3 5
## 2 7 8 9 6 9
## 3 10 10 10 10 10
## 4 6 10 10 7 7
## 5 5 3 3 3 6
## 6 10 9 9 9 10
## 7 8 8 8 10 6
## 8 7 7 7 7 7
## 9 6 5 8 6 6
## 10 9 8 7 6 3
## 11 8 8 8 7 7
## 12 7 3 5 8 7
## 13 5 7 8 3 5
## 14 6 8 8 4 4
## 15 6 6 6 6 3
## 16 7 8 8 6 8
## 17 3 5 5 8 8
## 18 8 8 8 6 7
## 19 9 6 6 9 8
## 20 7 10 10 6 6
## 21 7 6 7 8 8
## 22 5 3 9 9 9
## 23 8 7 10 8 6
## 24 4 3 7 3 6
## 25 5 5 5 10 9
## 26 9 10 10 9 8
## 27 8 10 10 8 8
## 28 9 8 7 9 10
## 29 10 10 10 7 6
## 30 3 2 2 1 0
## 31 5 5 8 8 8
## 32 5 10 10 4 4
## Aprender_Ingles Aprender_outLingua Praticar_atvFisica Utilizar_celComunicar
## 1 9 8 10 10
## 2 8 7 6 9
## 3 10 10 10 10
## 4 10 10 10 10
## 5 2 1 10 10
## 6 10 8 10 10
## 7 10 5 10 10
## 8 7 0 5 10
## 9 4 0 10 10
## 10 10 4 10 10
## 11 6 5 10 10
## 12 8 5 7 10
## 13 0 0 10 7
## 14 8 3 9 6
## 15 8 8 10 9
## 16 9 8 9 6
## 17 9 6 8 9
## 18 6 4 10 10
## 19 9 0 9 9
## 20 5 10 10 10
## 21 3 0 0 10
## 22 7 1 10 10
## 23 7 7 10 10
## 24 7 2 9 10
## 25 9 10 10 10
## 26 10 10 7 10
## 27 8 7 9 10
## 28 10 10 9 8
## 29 10 5 7 9
## 30 5 6 7 10
## 31 6 2 4 5
## 32 2 1 8 10
## Utilizar_celBuscasPesquisas Utilizar_celNoticiasNovidades
## 1 10 10
## 2 9 9
## 3 10 10
## 4 10 10
## 5 7 7
## 6 10 10
## 7 10 10
## 8 7 8
## 9 10 10
## 10 10 5
## 11 10 10
## 12 9 7
## 13 7 5
## 14 7 6
## 15 9 9
## 16 8 8
## 17 10 6
## 18 10 6
## 19 9 9
## 20 10 10
## 21 10 7
## 22 10 10
## 23 10 10
## 24 10 10
## 25 10 5
## 26 7 6
## 27 8 4
## 28 9 8
## 29 9 7
## 30 9 9
## 31 5 3
## 32 10 10
## Utilizar_celEstudos InstEdesinst_appCel Cuidar_FuncionamentoCel
## 1 10 10 10
## 2 10 9 9
## 3 10 10 10
## 4 8 8 8
## 5 7 9 9
## 6 10 10 10
## 7 10 10 10
## 8 8 9 5
## 9 10 10 9
## 10 10 10 9
## 11 10 7 8
## 12 8 10 10
## 13 8 8 10
## 14 4 8 8
## 15 8 0 10
## 16 7 6 8
## 17 8 10 7
## 18 10 10 9
## 19 9 9 9
## 20 8 10 10
## 21 10 10 8
## 22 10 10 10
## 23 10 9 10
## 24 10 10 10
## 25 8 5 5
## 26 2 10 7
## 27 6 10 8
## 28 9 10 9
## 29 10 10 10
## 30 10 6 10
## 31 7 4 9
## 32 10 10 10
## Gerenciar_recursosCel Utilizar_PCbuscas_pesquisas
## 1 10 10
## 2 9 9
## 3 10 10
## 4 9 10
## 5 9 7
## 6 9 10
## 7 10 10
## 8 5 6
## 9 8 10
## 10 8 10
## 11 9 9
## 12 10 9
## 13 10 10
## 14 5 10
## 15 10 10
## 16 8 8
## 17 8 10
## 18 10 10
## 19 9 9
## 20 10 10
## 21 8 10
## 22 10 10
## 23 10 10
## 24 10 2
## 25 10 9
## 26 10 10
## 27 7 10
## 28 9 9
## 29 10 7
## 30 7 2
## 31 8 7
## 32 10 5
## Utilizar_PCnoticias_novidades Utilizar_PCestudos InstallEdesintal_progPC
## 1 10 10 10
## 2 9 10 9
## 3 10 10 10
## 4 9 10 10
## 5 7 7 9
## 6 10 10 10
## 7 10 10 10
## 8 6 8 8
## 9 10 10 7
## 10 8 10 7
## 11 9 8 7
## 12 9 9 9
## 13 5 8 3
## 14 8 9 9
## 15 10 10 10
## 16 8 9 8
## 17 6 10 10
## 18 6 10 10
## 19 9 9 9
## 20 7 10 5
## 21 6 10 10
## 22 10 10 10
## 23 10 10 7
## 24 2 1 1
## 25 10 10 10
## 26 5 10 10
## 27 4 10 10
## 28 9 10 9
## 29 7 3 0
## 30 2 2 2
## 31 1 9 9
## 32 4 10 2
## Cuidar_FuncionamentoPC Gerenciar_recursosPC Utilizar_ferEscritorio
## 1 10 10 8
## 2 9 8 10
## 3 10 10 10
## 4 9 9 10
## 5 9 8 9
## 6 10 10 10
## 7 9 10 6
## 8 7 5 9
## 9 8 7 6
## 10 7 6 7
## 11 7 7 9
## 12 9 8 8
## 13 3 3 2
## 14 9 7 7
## 15 10 10 2
## 16 8 6 8
## 17 8 7 9
## 18 9 9 7
## 19 9 9 8
## 20 6 10 2
## 21 10 10 8
## 22 10 5 6
## 23 9 10 5
## 24 1 1 1
## 25 10 10 9
## 26 3 7 5
## 27 7 6 9
## 28 10 9 9
## 29 0 0 0
## 30 3 3 4
## 31 8 8 5
## 32 2 10 3
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 9 9
## 2 10 9
## 3 10 10
## 4 10 8
## 5 6 4
## 6 10 10
## 7 9 8
## 8 4 3
## 9 8 6
## 10 5 5
## 11 9 8
## 12 10 8
## 13 10 7
## 14 5 3
## 15 5 5
## 16 9 9
## 17 10 8
## 18 8 7
## 19 6 2
## 20 5 3
## 21 8 8
## 22 0 0
## 23 4 0
## 24 3 1
## 25 8 0
## 26 8 7
## 27 0 0
## 28 9 9
## 29 8 7
## 30 4 3
## 31 8 6
## 32 0 0
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 2 4
## 2 9 7 8
## 3 10 10 10
## 4 5 6 7
## 5 2 2 2
## 6 10 6 6
## 7 0 6 0
## 8 0 0 0
## 9 1 1 6
## 10 3 3 3
## 11 5 5 7
## 12 2 2 4
## 13 5 5 3
## 14 6 3 2
## 15 3 3 4
## 16 8 7 5
## 17 8 4 7
## 18 7 8 6
## 19 0 1 0
## 20 0 0 0
## 21 8 5 6
## 22 3 3 0
## 23 0 0 0
## 24 2 3 3
## 25 5 0 0
## 26 0 0 0
## 27 0 0 0
## 28 10 9 9
## 29 1 5 7
## 30 3 3 3
## 31 7 4 3
## 32 0 0 0
## Manipular_BD Aprender_nvConhComputacao
## 1 2 10
## 2 9 10
## 3 10 10
## 4 7 9
## 5 4 5
## 6 9 10
## 7 7 8
## 8 1 3
## 9 1 9
## 10 3 5
## 11 5 5
## 12 2 10
## 13 7 8
## 14 5 7
## 15 6 9
## 16 3 8
## 17 5 8
## 18 7 7
## 19 5 7
## 20 3 10
## 21 4 10
## 22 0 10
## 23 0 0
## 24 3 8
## 25 0 10
## 26 0 9
## 27 0 8
## 28 9 8
## 29 5 10
## 30 2 4
## 31 2 10
## 32 0 5write.csv(dado_autoeficacia_Homens, "dado_autoeficacia_Homens.csv", row.names = FALSE)
# 2) Preparar apenas as colunas numéricas (remover Serie e Etnia)
dado_autoeficacia_Homens_parte <- subset(dado_autoeficacia_Homens, select = -c(Serie, Etnia)) %>%
mutate(across(everything(), ~ suppressWarnings(as.numeric(as.character(.)))))
# Remover colunas que ficaram totalmente NA
dado_autoeficacia_Homens_parte <- dado_autoeficacia_Homens_parte %>% select(where(~ !all(is.na(.))))
# 3) Médias e variâncias (3 casas decimais)
medias <- round(colMeans(dado_autoeficacia_Homens_parte, na.rm = TRUE), 3)
variancias <- round(apply(dado_autoeficacia_Homens_parte, 2, var, na.rm = TRUE), 3)
# 4) Estatísticas globais
media_total <- round(mean(unlist(dado_autoeficacia_Homens_parte), na.rm = TRUE), 3)
variancia_total <- round(var(unlist(dado_autoeficacia_Homens_parte), na.rm = TRUE), 3)
# 5) Alfa de Cronbach (usando psych::alpha)
alfa_homens <- psych::alpha(dado_autoeficacia_Homens_parte)## Number of categories should be increased in order to count frequencies.## Warning in cor.smooth(r): Matrix was not positive definite, smoothing was done## In smc, smcs < 0 were set to .0## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0
## In smc, smcs < 0 were set to .0coef_alfa_bruto <- round(alfa_homens$total$raw_alpha, 3)
coef_alfa_pad <- round(alfa_homens$total$std.alpha, 3)
# 6) Dataframe com resultados por item
resultados_autoeficacia_homens <- data.frame(
Numero_do_Item = seq_len(ncol(dado_autoeficacia_Homens_parte)),
Itens_da_Escala = names(medias),
Media = medias,
Variancia = variancias
)
print(resultados_autoeficacia_homens)## Numero_do_Item
## Escolha_desejo 1
## Escolha_desejoFami 2
## Escolha_desejoAmigo 3
## Escolha_apoioFami 4
## Escolha_apoioAmigo 5
## Escolha_CursoSup 6
## Escolha_CursoSup_desejo 7
## Escolha_CursoSup_desejoFami 8
## Escolha_CursoSup_desejoAmigo 9
## Escolha_CursoSup_apoioFami 10
## Escolha_CursoSup_apoioAmigo 11
## Escolha_CursoSup_perspecFina 12
## Escolha_CursoSup_notaExame 13
## Escolha_CursoSup_possibPesEFami 14
## Escolha_CursoSup_possibLocomocao 15
## Escolha_CursoSup_expecSociedade 16
## Escolha_CursoSup_sexo 17
## Escolha_CursoSup_relaCursoTecnico 18
## Aprender_mat 19
## Aprender_port 20
## Aprender_hist 21
## Aprender_geo 22
## Aprender_quimica 23
## Aprender_fisica 24
## Aprender_Ingles 25
## Aprender_outLingua 26
## Praticar_atvFisica 27
## Utilizar_celComunicar 28
## Utilizar_celBuscasPesquisas 29
## Utilizar_celNoticiasNovidades 30
## Utilizar_celEstudos 31
## InstEdesinst_appCel 32
## Cuidar_FuncionamentoCel 33
## Gerenciar_recursosCel 34
## Utilizar_PCbuscas_pesquisas 35
## Utilizar_PCnoticias_novidades 36
## Utilizar_PCestudos 37
## InstallEdesintal_progPC 38
## Cuidar_FuncionamentoPC 39
## Gerenciar_recursosPC 40
## Utilizar_ferEscritorio 41
## Utilizar_lingProgramacao 42
## Utilizar_2ou.lingProgramacao 43
## Aplicar_concBasicEletronica 44
## Gerenciar_redes 45
## Administrar_PClinhaComando 46
## Manipular_BD 47
## Aprender_nvConhComputacao 48
## Itens_da_Escala Media
## Escolha_desejo Escolha_desejo 7.156
## Escolha_desejoFami Escolha_desejoFami 6.250
## Escolha_desejoAmigo Escolha_desejoAmigo 4.531
## Escolha_apoioFami Escolha_apoioFami 7.531
## Escolha_apoioAmigo Escolha_apoioAmigo 6.250
## Escolha_CursoSup Escolha_CursoSup 7.938
## Escolha_CursoSup_desejo Escolha_CursoSup_desejo 7.938
## Escolha_CursoSup_desejoFami Escolha_CursoSup_desejoFami 4.750
## Escolha_CursoSup_desejoAmigo Escolha_CursoSup_desejoAmigo 3.562
## Escolha_CursoSup_apoioFami Escolha_CursoSup_apoioFami 6.719
## Escolha_CursoSup_apoioAmigo Escolha_CursoSup_apoioAmigo 5.188
## Escolha_CursoSup_perspecFina Escolha_CursoSup_perspecFina 7.812
## Escolha_CursoSup_notaExame Escolha_CursoSup_notaExame 7.281
## Escolha_CursoSup_possibPesEFami Escolha_CursoSup_possibPesEFami 5.719
## Escolha_CursoSup_possibLocomocao Escolha_CursoSup_possibLocomocao 6.250
## Escolha_CursoSup_expecSociedade Escolha_CursoSup_expecSociedade 4.844
## Escolha_CursoSup_sexo Escolha_CursoSup_sexo 5.562
## Escolha_CursoSup_relaCursoTecnico Escolha_CursoSup_relaCursoTecnico 8.000
## Aprender_mat Aprender_mat 7.688
## Aprender_port Aprender_port 6.875
## Aprender_hist Aprender_hist 6.844
## Aprender_geo Aprender_geo 7.656
## Aprender_quimica Aprender_quimica 6.688
## Aprender_fisica Aprender_fisica 6.688
## Aprender_Ingles Aprender_Ingles 7.250
## Aprender_outLingua Aprender_outLingua 5.094
## Praticar_atvFisica Praticar_atvFisica 8.531
## Utilizar_celComunicar Utilizar_celComunicar 9.281
## Utilizar_celBuscasPesquisas Utilizar_celBuscasPesquisas 9.031
## Utilizar_celNoticiasNovidades Utilizar_celNoticiasNovidades 7.938
## Utilizar_celEstudos Utilizar_celEstudos 8.594
## InstEdesinst_appCel InstEdesinst_appCel 8.656
## Cuidar_FuncionamentoCel Cuidar_FuncionamentoCel 8.875
## Gerenciar_recursosCel Gerenciar_recursosCel 8.906
## Utilizar_PCbuscas_pesquisas Utilizar_PCbuscas_pesquisas 8.688
## Utilizar_PCnoticias_novidades Utilizar_PCnoticias_novidades 7.375
## Utilizar_PCestudos Utilizar_PCestudos 8.812
## InstallEdesintal_progPC InstallEdesintal_progPC 7.812
## Cuidar_FuncionamentoPC Cuidar_FuncionamentoPC 7.469
## Gerenciar_recursosPC Gerenciar_recursosPC 7.438
## Utilizar_ferEscritorio Utilizar_ferEscritorio 6.594
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.812
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 5.406
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 3.844
## Gerenciar_redes Gerenciar_redes 3.531
## Administrar_PClinhaComando Administrar_PClinhaComando 3.594
## Manipular_BD Manipular_BD 3.938
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7.812
## Variancia
## Escolha_desejo 3.491
## Escolha_desejoFami 5.484
## Escolha_desejoAmigo 6.064
## Escolha_apoioFami 4.064
## Escolha_apoioAmigo 6.065
## Escolha_CursoSup 5.867
## Escolha_CursoSup_desejo 6.770
## Escolha_CursoSup_desejoFami 13.226
## Escolha_CursoSup_desejoAmigo 9.609
## Escolha_CursoSup_apoioFami 8.402
## Escolha_CursoSup_apoioAmigo 10.286
## Escolha_CursoSup_perspecFina 5.770
## Escolha_CursoSup_notaExame 6.725
## Escolha_CursoSup_possibPesEFami 9.886
## Escolha_CursoSup_possibLocomocao 9.355
## Escolha_CursoSup_expecSociedade 11.491
## Escolha_CursoSup_sexo 15.609
## Escolha_CursoSup_relaCursoTecnico 6.645
## Aprender_mat 4.157
## Aprender_port 3.790
## Aprender_hist 6.394
## Aprender_geo 4.297
## Aprender_quimica 5.641
## Aprender_fisica 5.060
## Aprender_Ingles 7.419
## Aprender_outLingua 12.797
## Praticar_atvFisica 5.096
## Utilizar_celComunicar 1.886
## Utilizar_celBuscasPesquisas 1.773
## Utilizar_celNoticiasNovidades 4.512
## Utilizar_celEstudos 3.668
## InstEdesinst_appCel 5.201
## Cuidar_FuncionamentoCel 1.919
## Gerenciar_recursosCel 1.959
## Utilizar_PCbuscas_pesquisas 4.867
## Utilizar_PCnoticias_novidades 7.081
## Utilizar_PCestudos 5.641
## InstallEdesintal_progPC 9.060
## Cuidar_FuncionamentoPC 8.515
## Gerenciar_recursosPC 7.480
## Utilizar_ferEscritorio 8.507
## Utilizar_lingProgramacao 9.577
## Utilizar_2ou.lingProgramacao 11.217
## Aplicar_concBasicEletronica 12.394
## Gerenciar_redes 8.128
## Administrar_PClinhaComando 9.604
## Manipular_BD 9.351
## Aprender_nvConhComputacao 6.157write.csv(resultados_autoeficacia_homens, "resultados_autoeficacia_homens.csv", row.names = FALSE)
# 7) Totais
total_info_autoeficacia_homens <- data.frame(
Itens_da_Escala = "Total Homens",
Media = media_total,
Variancia = variancia_total,
alpha_bruto = coef_alfa_bruto,
alpha_padronizado = coef_alfa_pad
)
print(total_info_autoeficacia_homens)## Itens_da_Escala Media Variancia alpha_bruto alpha_padronizado
## 1 Total Homens 6.812 9.369 0.923 0.922write.csv(total_info_autoeficacia_homens, "total_info_autoeficacia_homens.csv", row.names = FALSE)9 - Tomada de Decisões
Autoeficácia na tomada de decisões
Qual é o nível de autoeficácia das estudantes na tomada de decisões?
Tomada_decisao <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
print(Tomada_decisao)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 1 Escolha_desejo 6.803 5.145
## 2 2 Escolha_desejoFami 6.364 5.927
## 3 3 Escolha_desejoAmigo 4.409 6.738
## 4 4 Escolha_apoioFami 8.061 3.781
## 5 5 Escolha_apoioAmigo 6.409 5.845# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.409"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 5.487"# Criar o gráfico de barras para as médias com valores nas barras
grafico_media_TomadaDecisao <- ggplot(Tomada_decisao, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias dos Itens de Autoeficácia",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_media_TomadaDecisao)
ggsave("grafico_media_TomadaDecisao.png" , plot = grafico_media_TomadaDecisao)## Saving 7 x 5 in image# Criar o gráfico de barras para as variâncias com valores nas barras
grafico_variancia_TomadaDecisao <- ggplot(Tomada_decisao, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias dos Itens de Autoeficácia",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_variancia_TomadaDecisao)
ggsave("grafico_variancia_TomadaDecisao.png" , plot = grafico_variancia_TomadaDecisao)## Saving 7 x 5 in imageMulheres
Tomada_decisao_mulheres <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
print(Tomada_decisao_mulheres)## Numero_do_Item Itens_da_Escala Media Variancia
## Escolha_desejo 1 Escolha_desejo 6.471 6.620
## Escolha_desejoFami 2 Escolha_desejoFami 6.471 6.499
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.294 7.547
## Escolha_apoioFami 4 Escolha_apoioFami 8.559 3.102
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.559 5.769# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao_mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.471"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 5.907"# Criar o gráfico de barras para as médias com valores nas barras
grafico_TomadaDecisao_media_Mulheres <- ggplot(Tomada_decisao_mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Médias dos Itens \n de Autoeficácia - Mulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_TomadaDecisao_media_Mulheres)
ggsave("grafico_media_TomadaDecisao_Mulheres.png" , plot = grafico_TomadaDecisao_media_Mulheres)## Saving 7 x 5 in image# Criar o gráfico de barras para as variâncias com valores nas barras
grafico_TomadaDecisao_variancia_Mulheres <- ggplot(Tomada_decisao_mulheres, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Variancias dos Itens \n de Autoeficácia - Mulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_TomadaDecisao_variancia_Mulheres)
ggsave("grafico_variancia_TomadaDecisao_Mulheres.png" , plot = grafico_TomadaDecisao_variancia_Mulheres)## Saving 7 x 5 in imageTomada_decisao_comEtnia_mulheres <- subset(dado_autoeficacia_Mulheres, select = c(Etnia, Escolha_desejo, Escolha_desejoFami, Escolha_desejoAmigo, Escolha_apoioFami, Escolha_apoioAmigo)) %>%
group_by(Etnia) %>%
summarise(
Media_Escolha_desejo = round(mean(Escolha_desejo, na.rm = TRUE), 3),
Media_Escolha_desejoFami = round(mean(Escolha_desejoFami, na.rm = TRUE), 3),
Media_Escolha_desejoAmigo = round(mean(Escolha_desejoAmigo, na.rm = TRUE), 3),
Media_Escolha_apoioFami = round(mean(Escolha_apoioFami, na.rm = TRUE), 3),
Media_Escolha_apoioAmigo = round(mean(Escolha_apoioAmigo, na.rm = TRUE), 3)
) %>%
pivot_longer(cols = starts_with("Media"), names_to = "Itens_da_Escala", values_to = "Media") %>%
arrange(Etnia)
print(Tomada_decisao_comEtnia_mulheres)## # A tibble: 15 × 3
## Etnia Itens_da_Escala Media
## <chr> <chr> <dbl>
## 1 Branca Media_Escolha_desejo 5.6
## 2 Branca Media_Escolha_desejoFami 6.6
## 3 Branca Media_Escolha_desejoAmigo 4.8
## 4 Branca Media_Escolha_apoioFami 8.1
## 5 Branca Media_Escolha_apoioAmigo 6.9
## 6 Parda Media_Escolha_desejo 6.48
## 7 Parda Media_Escolha_desejoFami 6.10
## 8 Parda Media_Escolha_desejoAmigo 4.05
## 9 Parda Media_Escolha_apoioFami 8.57
## 10 Parda Media_Escolha_apoioAmigo 6.76
## 11 Preta Media_Escolha_desejo 9.33
## 12 Preta Media_Escolha_desejoFami 8.67
## 13 Preta Media_Escolha_desejoAmigo 4.33
## 14 Preta Media_Escolha_apoioFami 10
## 15 Preta Media_Escolha_apoioAmigo 4# Definir as cores específicas para cada etnia
cores_etnia <- c("Branca" = "gray", "Preta" = "yellow", "Parda" = "lightblue") # Exemplo de cores
# Criar o gráfico de barras com valores nas barras
grafico_tomadaDecisaoComEtnia_mulheres <- ggplot(Tomada_decisao_comEtnia_mulheres, aes(x = Itens_da_Escala, y = Media, fill = Etnia)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) + # Ajustando o espaçamento
geom_text(aes(label = round(Media, 2)), # Adicionar os valores nas barras
position = position_dodge(width = 0.8), vjust = 0.3, size = 4) + # Ajustar a posição e o tamanho
scale_fill_manual(values = cores_etnia) + # Definir cores manualmente
labs(
title = "Confiança para a Tomada de decisões em geral das mulheres por Etnias",
x = "Tipo de Escolha",
y = "Média das Escolhas",
fill = "Etnia"
) +
theme_minimal() + # Tema minimalista
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo X
# Exibir o gráfico
print(grafico_tomadaDecisaoComEtnia_mulheres)
ggsave("grafico_tomadaDecisaoComEtnia_mulheres.png" , plot = grafico_tomadaDecisaoComEtnia_mulheres)## Saving 7 x 5 in imageHomens
Tomada_decisao_homens <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
print(Tomada_decisao_homens)## Numero_do_Item Itens_da_Escala Media Variancia
## Escolha_desejo 1 Escolha_desejo 7.156 3.491
## Escolha_desejoFami 2 Escolha_desejoFami 6.250 5.484
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.531 6.064
## Escolha_apoioFami 4 Escolha_apoioFami 7.531 4.064
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.250 6.065# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao_homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.344"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 5.034"# Criar o gráfico de barras para as médias com valores nas barras
grafico_TomadaDecisao_media_Homens <- ggplot(Tomada_decisao_homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Médias dos Itens \n de Autoeficácia - Homens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_TomadaDecisao_media_Homens)
ggsave("grafico_media_TomadaDecisao_Homens.png" , plot = grafico_TomadaDecisao_media_Homens)## Saving 7 x 5 in image# Criar o gráfico de barras para as variâncias com valores nas barras
grafico_TomadaDecisao_variancia_Homens <- ggplot(Tomada_decisao_homens, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Variancias dos Itens \n de Autoeficácia - Homens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(grafico_TomadaDecisao_variancia_Homens)
ggsave("grafico_variancia_TomadaDecisao_Homens.png" , plot = grafico_TomadaDecisao_variancia_Homens)## Saving 7 x 5 in imageTomada_decisao_comEtnia_homens <- subset(dado_autoeficacia_Homens, select = c(Etnia, Escolha_desejo, Escolha_desejoFami, Escolha_desejoAmigo, Escolha_apoioFami, Escolha_apoioAmigo)) %>%
group_by(Etnia) %>%
summarise(
Media_Escolha_desejo = round(mean(Escolha_desejo, na.rm = TRUE), 3),
Media_Escolha_desejoFami = round(mean(Escolha_desejoFami, na.rm = TRUE), 3),
Media_Escolha_desejoAmigo = round(mean(Escolha_desejoAmigo, na.rm = TRUE), 3),
Media_Escolha_apoioFami = round(mean(Escolha_apoioFami, na.rm = TRUE), 3),
Media_Escolha_apoioAmigo = round(mean(Escolha_apoioAmigo, na.rm = TRUE), 3)
) %>%
pivot_longer(cols = starts_with("Media"), names_to = "Itens_da_Escala", values_to = "Media") %>%
arrange(Etnia)
print(Tomada_decisao_comEtnia_homens)## # A tibble: 15 × 3
## Etnia Itens_da_Escala Media
## <chr> <chr> <dbl>
## 1 Branca Media_Escolha_desejo 6.75
## 2 Branca Media_Escolha_desejoFami 6.12
## 3 Branca Media_Escolha_desejoAmigo 4.62
## 4 Branca Media_Escolha_apoioFami 7.38
## 5 Branca Media_Escolha_apoioAmigo 6.19
## 6 Parda Media_Escolha_desejo 7.23
## 7 Parda Media_Escolha_desejoFami 5.92
## 8 Parda Media_Escolha_desejoAmigo 4.08
## 9 Parda Media_Escolha_apoioFami 7.31
## 10 Parda Media_Escolha_apoioAmigo 6
## 11 Preta Media_Escolha_desejo 9
## 12 Preta Media_Escolha_desejoFami 8.33
## 13 Preta Media_Escolha_desejoAmigo 6
## 14 Preta Media_Escolha_apoioFami 9.33
## 15 Preta Media_Escolha_apoioAmigo 7.67# Definir as cores específicas para cada etnia
cores_etnia <- c("Branca" = "gray", "Preta" = "yellow", "Parda" = "lightblue") # Exemplo de cores
# Criar o gráfico de barras com valores nas barras
grafico_tomadaDecisaoComEtnia_homens <- ggplot(Tomada_decisao_comEtnia_homens, aes(x = Itens_da_Escala, y = Media, fill = Etnia)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) + # Ajustando o espaçamento
geom_text(aes(label = round(Media, 2)), # Adicionar os valores nas barras
position = position_dodge(width = 0.8), vjust = 0.3, size = 4) + # Ajustar a posição e o tamanho
scale_fill_manual(values = cores_etnia) + # Definir cores manualmente
labs(
title = "Confiança para a Tomada de decisões em geral dos homens por Etnias",
x = "Tipo de Escolha",
y = "Média das Escolhas",
fill = "Etnia"
) +
theme_minimal() + # Tema minimalista
theme(axis.text.x = element_text(angle = 45, hjust = 1)) # Rotacionar os rótulos do eixo X
# Exibir o gráfico
print(grafico_tomadaDecisaoComEtnia_homens)
ggsave("grafico_tomadaDecisaoComEtnia_homens.png" , plot = grafico_tomadaDecisaoComEtnia_homens)## Saving 7 x 5 in image# Combinar os gráficos lado a lado
Grafico_TomadaDecisao_Media_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_TomadaDecisao_media_Mulheres, grafico_TomadaDecisao_media_Homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_TomadaDecisao_Media_MulheresEHomens_lado_a_lado.png", plot = Grafico_TomadaDecisao_Media_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")
# Combinar os gráficos lado a lado
Grafico_TomadaDecisao_Variancia_MulheresEHomens_lado_a_lado <- grid.arrange(grafico_TomadaDecisao_variancia_Mulheres, grafico_TomadaDecisao_variancia_Homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_TomadaDecisao_Variancia_MulheresEHomens_lado_a_lado.png", plot = Grafico_TomadaDecisao_Variancia_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Itens relacionados à tomada de decisões (itens 1 - Tomar decisões e fazer escolhas de acordo com o meu desejo; 4 - Tomar decisões e fazer escolhas com o apoio de minha família ou um familiar e 5 - Tomar decisões e fazer escolhas de acordo com o apoio de meus(minhas) amigos(as))
Quais são os itens relacionados à tomada de decisões em que as estudantes demonstram maior confiança?
# Filtrar os itens relevantes
tomada_decisao_maisConfianca <- Tomada_decisao %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
# Criar o gráfico de barras para as médias com valores nas barras
Grafico_TomadaDecisao_EntreItens <- ggplot(tomada_decisao_maisConfianca, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Médias das Médias dos itens de maior confiança",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
print(Grafico_TomadaDecisao_EntreItens)
ggsave("Grafico_TomadaDecisao_EntreItens.png", plot = Grafico_TomadaDecisao_EntreItens)## Saving 7 x 5 in image# Criar o gráfico de pontos para as médias
GraficoPontos_TomadaDecisao_EntreItens <- ggplot(tomada_decisao_maisConfianca, aes(x = Itens_da_Escala, y = Media)) +
geom_point(size = 3) +
geom_errorbar(aes(ymin = Media - sqrt(Variancia), ymax = Media + sqrt(Variancia)), width = 0.2) +
labs(title = "Gráfico das Médias das Médias dos itens de maior confiança",
x = "Item",
y = "Média") +
theme_minimal()
print(GraficoPontos_TomadaDecisao_EntreItens)
ggsave("GraficoPontos_TomadaDecisao_EntreItens.png", plot = GraficoPontos_TomadaDecisao_EntreItens)## Saving 7 x 5 in imageMulheres
# Filtrar os itens relevantes
tomada_decisao_maisConfianca_mulheres <- Tomada_decisao_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
# Criar o gráfico de barras para as médias com valores nas barras
Grafico_TomadaDecisao_EntreItens_Mulheres <- ggplot(tomada_decisao_maisConfianca_mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Médias das Médias dos itens de maior confiança - \nMulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
print(Grafico_TomadaDecisao_EntreItens_Mulheres)
ggsave("Grafico_TomadaDecisao_EntreItens_Mulheres.png", plot = Grafico_TomadaDecisao_EntreItens_Mulheres)## Saving 7 x 5 in image# Criar o gráfico de pontos para as médias
GraficoPontos_TomadaDecisao_EntreItens_Mulheres <- ggplot(tomada_decisao_maisConfianca_mulheres, aes(x = Itens_da_Escala, y = Media)) +
geom_point(size = 3) +
geom_errorbar(aes(ymin = Media - sqrt(Variancia), ymax = Media + sqrt(Variancia)), width = 0.2) +
labs(title = "Gráfico das Médias dos itens de maior confiança - Mulheres",
x = "Item",
y = "Média") +
theme_minimal()
print(GraficoPontos_TomadaDecisao_EntreItens_Mulheres)
ggsave("GraficoPontos_TomadaDecisao_EntreItens_Mulheres.png", plot = GraficoPontos_TomadaDecisao_EntreItens_Mulheres)## Saving 7 x 5 in imageHomens
# Filtrar os itens relevantes
tomada_decisao_maisConfianca_homens <- Tomada_decisao_homens %>%
filter(Itens_da_Escala %in% c("Escolha_desejo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
# Criar o gráfico de barras para as médias com valores nas barras
Grafico_TomadaDecisao_EntreItens_Homens <- ggplot(tomada_decisao_maisConfianca_homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico das Médias dos itens de maior confiança - \nHomens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
print(Grafico_TomadaDecisao_EntreItens_Homens)
ggsave("Grafico_TomadaDecisao_EntreItens_Homens.png", plot = Grafico_TomadaDecisao_EntreItens_Homens)## Saving 7 x 5 in image# Criar o gráfico de pontos para as médias
GraficoPontos_TomadaDecisao_EntreItens_Homens <- ggplot(tomada_decisao_maisConfianca_homens, aes(x = Itens_da_Escala, y = Media)) +
geom_point(size = 3) +
geom_errorbar(aes(ymin = Media - sqrt(Variancia), ymax = Media + sqrt(Variancia)), width = 0.2) +
labs(title = "Gráfico das Médias dos itens de maior confiança - Homens",
x = "Item",
y = "Média") +
theme_minimal()
print(GraficoPontos_TomadaDecisao_EntreItens_Homens)
ggsave("GraficoPontos_TomadaDecisao_EntreItens_Homens.png", plot = GraficoPontos_TomadaDecisao_EntreItens_Homens)## Saving 7 x 5 in image10 - Escolha de Curso Superior
Autoeficácia na escolha de curso superior
Qual é o nível de autoeficácia das estudantes na escolha de curso superior?
curso_superior <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame", "Escolha_CursoSup_possibPesEFami", "Escolha_CursoSup_possibLocomocao", "Escolha_CursoSup_relaCursoTecnico", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(curso_superior)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 6 Escolha_CursoSup 7.576 6.094
## 2 7 Escolha_CursoSup_desejo 7.561 6.158
## 3 8 Escolha_CursoSup_desejoFami 4.864 10.335
## 4 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 5 10 Escolha_CursoSup_apoioFami 7.424 7.663
## 6 11 Escolha_CursoSup_apoioAmigo 5.652 8.969
## 7 12 Escolha_CursoSup_perspecFina 8.197 4.530
## 8 13 Escolha_CursoSup_notaExame 7.606 5.012
## 9 14 Escolha_CursoSup_possibPesEFami 6.091 8.699
## 10 15 Escolha_CursoSup_possibLocomocao 6.742 6.933
## 11 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 12 17 Escolha_CursoSup_sexo 5.485 15.300
## 13 18 Escolha_CursoSup_relaCursoTecnico 6.924 9.825# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(curso_superior$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(curso_superior$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.338"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 8.303"# Criar o gráfico de barras para as médias com valores nas barras
Grafico_Media_cursoSuperior <- ggplot(curso_superior, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias dos \nItens de Autoeficácia",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Media_cursoSuperior)
ggsave("Grafico_Media_cursoSuperior.png", plot = Grafico_Media_cursoSuperior)## Saving 7 x 5 in image# Criar o gráfico de barras para as variâncias com valores nas barras
Grafico_Variancia_cursoSuperior <- ggplot(curso_superior, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias dos \nItens de Autoeficácia",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Variancia_cursoSuperior)
ggsave("Grafico_Variancia_cursoSuperior.png", plot = Grafico_Variancia_cursoSuperior)## Saving 7 x 5 in image{}
Mulheres
curso_superior_Mulheres <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame", "Escolha_CursoSup_possibPesEFami", "Escolha_CursoSup_possibLocomocao", "Escolha_CursoSup_relaCursoTecnico", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(curso_superior)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 6 Escolha_CursoSup 7.576 6.094
## 2 7 Escolha_CursoSup_desejo 7.561 6.158
## 3 8 Escolha_CursoSup_desejoFami 4.864 10.335
## 4 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 5 10 Escolha_CursoSup_apoioFami 7.424 7.663
## 6 11 Escolha_CursoSup_apoioAmigo 5.652 8.969
## 7 12 Escolha_CursoSup_perspecFina 8.197 4.530
## 8 13 Escolha_CursoSup_notaExame 7.606 5.012
## 9 14 Escolha_CursoSup_possibPesEFami 6.091 8.699
## 10 15 Escolha_CursoSup_possibLocomocao 6.742 6.933
## 11 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 12 17 Escolha_CursoSup_sexo 5.485 15.300
## 13 18 Escolha_CursoSup_relaCursoTecnico 6.924 9.825# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(curso_superior_Mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(curso_superior_Mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.398"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 7.272"# Criar o gráfico de barras para as médias com valores nas barras
Grafico_Media_cursoSuperior_Mulheres <- ggplot(curso_superior_Mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias dos Itens de \nAutoeficácia - Mulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Media_cursoSuperior_Mulheres)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_Media_cursoSuperior_Mulheres.png", plot = Grafico_Media_cursoSuperior_Mulheres, width = 12, height = 6, units = "in")
# Criar o gráfico de barras para as variâncias com valores nas barras
Grafico_Variancia_cursoSuperior_Mulheres <- ggplot(curso_superior_Mulheres, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias dos Itens \nde Autoeficácia - Mulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Variancia_cursoSuperior_Mulheres)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_Variancia_cursoSuperior_Mulheres.png", plot = Grafico_Variancia_cursoSuperior_Mulheres, width = 12, height = 6, units = "in")Homens
curso_superior_Homens <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame", "Escolha_CursoSup_possibPesEFami", "Escolha_CursoSup_possibLocomocao", "Escolha_CursoSup_relaCursoTecnico", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(curso_superior)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 6 Escolha_CursoSup 7.576 6.094
## 2 7 Escolha_CursoSup_desejo 7.561 6.158
## 3 8 Escolha_CursoSup_desejoFami 4.864 10.335
## 4 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 5 10 Escolha_CursoSup_apoioFami 7.424 7.663
## 6 11 Escolha_CursoSup_apoioAmigo 5.652 8.969
## 7 12 Escolha_CursoSup_perspecFina 8.197 4.530
## 8 13 Escolha_CursoSup_notaExame 7.606 5.012
## 9 14 Escolha_CursoSup_possibPesEFami 6.091 8.699
## 10 15 Escolha_CursoSup_possibLocomocao 6.742 6.933
## 11 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 12 17 Escolha_CursoSup_sexo 5.485 15.300
## 13 18 Escolha_CursoSup_relaCursoTecnico 6.924 9.825# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(curso_superior_Homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(curso_superior_Homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.274"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 9.203"# Criar o gráfico de barras para as médias com valores nas barras
Grafico_Media_cursoSuperior_Homens <- ggplot(curso_superior_Homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias dos Itens de \nAutoeficácia - Homens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Media_cursoSuperior_Homens)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_Media_cursoSuperior_Homens.png", plot = Grafico_Media_cursoSuperior_Homens, width = 12, height = 6, units = "in")
# Criar o gráfico de barras para as variâncias com valores nas barras
Grafico_Variancia_cursoSuperior_Homens <- ggplot(curso_superior_Homens, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias dos Itens \nde Autoeficácia - Homens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
print(Grafico_Variancia_cursoSuperior_Homens)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_Variancia_cursoSuperior_Homens.png", plot = Grafico_Variancia_cursoSuperior_Homens, width = 12, height = 6, units = "in")Unindo as informações
# Combinar os gráficos lado a lado
Grafico_cursoSuperior_Media_MulheresEHomens_lado_a_lado <- grid.arrange(Grafico_Media_cursoSuperior_Mulheres, Grafico_Media_cursoSuperior_Homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_cursoSuperior_Media_MulheresEHomens_lado_a_lado.png", plot = Grafico_cursoSuperior_Media_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")
# Combinar os gráficos lado a lado
Grafico_cursoSuperior_Variancia_MulheresEHomens_lado_a_lado <- grid.arrange(Grafico_Variancia_cursoSuperior_Mulheres, Grafico_Variancia_cursoSuperior_Homens, ncol = 1)
# Salvar a figura combinada como um arquivo PNG
ggsave("Grafico_cursoSuperior_Variancia_MulheresEHomens_lado_a_lado.png", plot = Grafico_cursoSuperior_Variancia_MulheresEHomens_lado_a_lado, width = 12, height = 6, units = "in")Tema de interesse (Escolha de Curso Superior, Tomada de Decisões)
Há diferenças significativas entre a autoeficácia na escolha de curso superior e a autoeficácia na tomada de decisões em geral?
Tomada de Decisão Geral X Escolha curso Superior Geral
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Tomada de decisão:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Tomada de decisão: 6.409"print(paste("Média das Variâncias dos Itens relacionados a Tomada de decisão:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Tomada de decisão: 5.487"# Calcular a média dos itens filtrados
media_dos_itens_cs <- round(mean(curso_superior$Media, na.rm = TRUE), 3)
variancia_dos_itens_cs <- round(mean(curso_superior$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Escolha do curso Superior:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Escolha do curso Superior: 6.409"print(paste("Média das Variâncias dos Itens relacionados a Escolha do curso Superior:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Escolha do curso Superior: 5.487"# Criar uma tabela com os resultados
resultados_tabela <- data.frame(
Categoria = c("Tomada de Decisão", "Escolha do Curso Superior"),
Media_Grupo = c(media_dos_itens, media_dos_itens_cs),
Variancia_Grupo = c(variancia_dos_itens, variancia_dos_itens_cs)
)
# Exibir a tabela
print(resultados_tabela)## Categoria Media_Grupo Variancia_Grupo
## 1 Tomada de Decisão 6.409 5.487
## 2 Escolha do Curso Superior 6.338 8.303# Salvar a tabela em um arquivo CSV
write.csv(resultados_tabela, "resultados_tabela.csv", row.names = FALSE)Tomada de Decisão Mulheres X Escolha curso Superior Mulheres
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao_mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Tomada de decisão para as mulheres:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Tomada de decisão para as mulheres: 6.471"print(paste("Média das Variâncias dos Itens relacionados a Tomada de decisão para as mulheres:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Tomada de decisão para as mulheres: 5.907"# Calcular a média dos itens filtrados
media_dos_itens_cs <- round(mean(curso_superior_Mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens_cs <- round(mean(curso_superior_Mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Escolha do curso Superior para as mulheres:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Escolha do curso Superior para as mulheres: 6.471"print(paste("Média das Variâncias dos Itens relacionados a Escolha do curso Superior para as mulheres:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Escolha do curso Superior para as mulheres: 5.907"# Criar uma tabela com os resultados
resultados_tabela_mulheres <- data.frame(
Categoria = c("Tomada de Decisão - Mulheres", "Escolha do Curso Superior - Mulheres"),
Media_Grupo = c(media_dos_itens, media_dos_itens_cs),
Variancia_Grupo = c(variancia_dos_itens, variancia_dos_itens_cs)
)
# Exibir a tabela
print(resultados_tabela_mulheres)## Categoria Media_Grupo Variancia_Grupo
## 1 Tomada de Decisão - Mulheres 6.471 5.907
## 2 Escolha do Curso Superior - Mulheres 6.398 7.272# Salvar a tabela em um arquivo CSV
write.csv(resultados_tabela_mulheres, "resultados_tabela_mulheres.csv", row.names = FALSE)Tomada de Decisão Homens X Escolha curso Superior Homens
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Tomada_decisao_homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Tomada de decisão para os homens:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Tomada de decisão para os homens: 6.344"print(paste("Média das Variâncias dos Itens relacionados a Tomada de decisão para os homens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Tomada de decisão para os homens: 5.034"# Calcular a média dos itens filtrados
media_dos_itens_cs <- round(mean(curso_superior_Homens$Media, na.rm = TRUE), 3)
variancia_dos_itens_cs <- round(mean(curso_superior_Homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens relacionados a Escolha do curso Superior para os homens:", media_dos_itens))## [1] "Média das Médias dos Itens relacionados a Escolha do curso Superior para os homens: 6.344"print(paste("Média das Variâncias dos Itens relacionados a Escolha do curso Superior para os homens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens relacionados a Escolha do curso Superior para os homens: 5.034"# Criar uma tabela com os resultados
resultados_tabela_homens <- data.frame(
Categoria = c("Tomada de Decisão - Homens", "Escolha do Curso Superior - Homens"),
Media_Grupo = c(media_dos_itens, media_dos_itens_cs),
Variancia_Grupo = c(variancia_dos_itens, variancia_dos_itens_cs)
)
# Exibir a tabela
print(resultados_tabela_homens)## Categoria Media_Grupo Variancia_Grupo
## 1 Tomada de Decisão - Homens 6.344 5.034
## 2 Escolha do Curso Superior - Homens 6.274 9.203# Salvar a tabela em um arquivo CSV
write.csv(resultados_tabela_homens, "resultados_tabela_homens.csv", row.names = FALSE)Relação com familiares
# Remover a coluna Variancia do dataframe Tomada_decisao
Tomada_decisao_recorte <- Tomada_decisao %>%
select(-Variancia)
# Imprimir o dataframe atualizado
print(Tomada_decisao_recorte)## Numero_do_Item Itens_da_Escala Media
## 1 1 Escolha_desejo 6.803
## 2 2 Escolha_desejoFami 6.364
## 3 3 Escolha_desejoAmigo 4.409
## 4 4 Escolha_apoioFami 8.061
## 5 5 Escolha_apoioAmigo 6.409# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão:", media_dos_itens))
# Filtrar os itens desejados para o recorte referente ao curso Superior
curso_superior_recorte <- curso_superior %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
# Remover a coluna Variancia do dataframe curso_superior_recorte
curso_superior_recorte <- curso_superior_recorte %>%
select(-Variancia)
# Imprimir o dataframe curso_superior_recorte
print(curso_superior_recorte)## Numero_do_Item Itens_da_Escala Media
## 1 7 Escolha_CursoSup_desejo 7.561
## 2 8 Escolha_CursoSup_desejoFami 4.864
## 3 9 Escolha_CursoSup_desejoAmigo 3.167
## 4 10 Escolha_CursoSup_apoioFami 7.424
## 5 11 Escolha_CursoSup_apoioAmigo 5.652# Calcular a média dos itens filtrados
media_dos_itens_cursoSuperior <- round(mean(curso_superior_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão por curso Superior:", media_dos_itens_cursoSuperior))
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_recorte <- rbind(Tomada_decisao_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_recorte <- rbind(curso_superior_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_Total <- cbind(Tomada_decisao_recorte, curso_superior_recorte)
# Imprimir o dataframe final
print(relacao_Total)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## 1 1 Escolha_desejo 6.803 7
## 2 2 Escolha_desejoFami 6.364 8
## 3 3 Escolha_desejoAmigo 4.409 9
## 4 4 Escolha_apoioFami 8.061 10
## 5 5 Escolha_apoioAmigo 6.409 11
## 6 Média Geral 6.409
## Media_Curso_Superior Media
## 1 Escolha_CursoSup_desejo 7.561
## 2 Escolha_CursoSup_desejoFami 4.864
## 3 Escolha_CursoSup_desejoAmigo 3.167
## 4 Escolha_CursoSup_apoioFami 7.424
## 5 Escolha_CursoSup_apoioAmigo 5.652
## 6 Média Geral 5.734# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_Total, "relacao_Total.csv", row.names = FALSE)Mulheres
# Remover a coluna Variancia do dataframe Tomada_decisao
Tomada_decisao_Mulheres_recorte <- Tomada_decisao_mulheres %>%
select(-Variancia)
# Imprimir o dataframe atualizado
print(Tomada_decisao_Mulheres_recorte)## Numero_do_Item Itens_da_Escala Media
## Escolha_desejo 1 Escolha_desejo 6.471
## Escolha_desejoFami 2 Escolha_desejoFami 6.471
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.294
## Escolha_apoioFami 4 Escolha_apoioFami 8.559
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.559# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_Mulheres_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão:", media_dos_itens))
# Filtrar os itens desejados para o recorte referente ao curso Superior
curso_superior_Mulheres_recorte <- curso_superior_Mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
# Remover a coluna Variancia do dataframe curso_superior_recorte
curso_superior_Mulheres_recorte <- curso_superior_Mulheres_recorte %>%
select(-Variancia)
# Imprimir o dataframe curso_superior_recorte
print(curso_superior_Mulheres_recorte)## Numero_do_Item Itens_da_Escala Media
## Escolha_CursoSup_desejo 7 Escolha_CursoSup_desejo 7.206
## Escolha_CursoSup_desejoFami 8 Escolha_CursoSup_desejoFami 4.971
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo 2.794
## Escolha_CursoSup_apoioFami 10 Escolha_CursoSup_apoioFami 8.088
## Escolha_CursoSup_apoioAmigo 11 Escolha_CursoSup_apoioAmigo 6.088# Calcular a média dos itens filtrados
media_dos_itens_cursoSuperior <- round(mean(curso_superior_Mulheres_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão por curso Superior:", media_dos_itens_cursoSuperior))
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_Mulheres_recorte <- rbind(Tomada_decisao_Mulheres_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_Mulheres_recorte <- rbind(curso_superior_Mulheres_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_Mulheres_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_Mulheres_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_Total_Mulheres <- cbind(Tomada_decisao_Mulheres_recorte, curso_superior_Mulheres_recorte)
# Imprimir o dataframe final
print(relacao_Total_Mulheres)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejo 1 Escolha_desejo 6.471 7
## Escolha_desejoFami 2 Escolha_desejoFami 6.471 8
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.294 9
## Escolha_apoioFami 4 Escolha_apoioFami 8.559 10
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.559 11
## 1 Média Geral 6.471
## Media_Curso_Superior Media
## Escolha_desejo Escolha_CursoSup_desejo 7.206
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.971
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 2.794
## Escolha_apoioFami Escolha_CursoSup_apoioFami 8.088
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 6.088
## 1 Média Geral 5.829# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_Total_Mulheres, "relacao_Total_Mulheres.csv", row.names = FALSE)Homens
# Remover a coluna Variancia do dataframe Tomada_decisao
Tomada_decisao_Homens_recorte <- Tomada_decisao_homens %>%
select(-Variancia)
# Imprimir o dataframe atualizado
print(Tomada_decisao_Homens_recorte)## Numero_do_Item Itens_da_Escala Media
## Escolha_desejo 1 Escolha_desejo 7.156
## Escolha_desejoFami 2 Escolha_desejoFami 6.250
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.531
## Escolha_apoioFami 4 Escolha_apoioFami 7.531
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.250# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Tomada_decisao_Homens_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão:", media_dos_itens))
# Filtrar os itens desejados para o recorte referente ao curso Superior
curso_superior_Homens_recorte <- curso_superior_Homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo", "Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
# Remover a coluna Variancia do dataframe curso_superior_recorte
curso_superior_Homens_recorte <- curso_superior_Homens_recorte %>%
select(-Variancia)
# Imprimir o dataframe curso_superior_recorte
print(curso_superior_Homens_recorte)## Numero_do_Item Itens_da_Escala Media
## Escolha_CursoSup_desejo 7 Escolha_CursoSup_desejo 7.938
## Escolha_CursoSup_desejoFami 8 Escolha_CursoSup_desejoFami 4.750
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo 3.562
## Escolha_CursoSup_apoioFami 10 Escolha_CursoSup_apoioFami 6.719
## Escolha_CursoSup_apoioAmigo 11 Escolha_CursoSup_apoioAmigo 5.188# Calcular a média dos itens filtrados
media_dos_itens_cursoSuperior <- round(mean(curso_superior_Homens_recorte$Media, na.rm = TRUE), 3)
# Imprimir as médias calculadas
#print(paste("Média das Médias dos Itens relacionados a Tomada de decisão por curso Superior:", media_dos_itens_cursoSuperior))
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_Homens_recorte <- rbind(Tomada_decisao_Homens_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_Homens_recorte <- rbind(curso_superior_Homens_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_Homens_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_Homens_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_Total_Homens <- cbind(Tomada_decisao_Homens_recorte, curso_superior_Homens_recorte)
# Imprimir o dataframe final
print(relacao_Total_Homens)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejo 1 Escolha_desejo 7.156 7
## Escolha_desejoFami 2 Escolha_desejoFami 6.250 8
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.531 9
## Escolha_apoioFami 4 Escolha_apoioFami 7.531 10
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.250 11
## 1 Média Geral 6.344
## Media_Curso_Superior Media
## Escolha_desejo Escolha_CursoSup_desejo 7.938
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.750
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 3.562
## Escolha_apoioFami Escolha_CursoSup_apoioFami 6.719
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 5.188
## 1 Média Geral 5.631# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_Total_Homens, "relacao_Total_Homens.csv", row.names = FALSE)Qual é o impacto da relação com familiares na autoeficácia das estudantes na tomada de decisão por um curso superior?
tomada_decisao_familia_recorte <- Tomada_decisao %>%
select(-Variancia)
tomada_decisao_familia_recorte <- tomada_decisao_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_apoioFami"))
media_dos_itens <- round(mean(tomada_decisao_familia_recorte$Media, na.rm = TRUE), 3)
curso_superior_familia_recorte <- curso_superior %>%
select(-Variancia)
curso_superior_familia_recorte <- curso_superior_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_apoioFami"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_familia_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_familia_recorte <- rbind(tomada_decisao_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_familia_recorte <- rbind(curso_superior_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_familia_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_familia_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_familia <- cbind(Tomada_decisao_familia_recorte, curso_superior_familia_recorte)
# Imprimir o dataframe final
print(relacao_familia)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## 1 2 Escolha_desejoFami 6.364 8
## 2 4 Escolha_apoioFami 8.061 10
## 3 Média Geral 7.213
## Media_Curso_Superior Media
## 1 Escolha_CursoSup_desejoFami 4.864
## 2 Escolha_CursoSup_apoioFami 7.424
## 3 Média Geral 6.144# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_familia, "relacao_familia.csv", row.names = FALSE)Mulheres
tomada_decisao_familia_recorte <- Tomada_decisao_mulheres %>%
select(-Variancia)
tomada_decisao_familia_recorte <- tomada_decisao_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_apoioFami"))
media_dos_itens <- round(mean(tomada_decisao_familia_recorte$Media, na.rm = TRUE), 3)
curso_superior_familia_recorte <- curso_superior_Mulheres %>%
select(-Variancia)
curso_superior_familia_recorte <- curso_superior_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_apoioFami"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_familia_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_familia_recorte <- rbind(tomada_decisao_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_familia_recorte <- rbind(curso_superior_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_familia_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_familia_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_familia_Mulheres <- cbind(Tomada_decisao_familia_recorte, curso_superior_familia_recorte)
# Imprimir o dataframe final
print(relacao_familia_Mulheres)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoFami 2 Escolha_desejoFami 6.471 8
## Escolha_apoioFami 4 Escolha_apoioFami 8.559 10
## 1 Média Geral 7.515
## Media_Curso_Superior Media
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.971
## Escolha_apoioFami Escolha_CursoSup_apoioFami 8.088
## 1 Média Geral 6.529# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_familia_Mulheres, "relacao_familia_Mulheres.csv", row.names = FALSE)Hoemns
tomada_decisao_familia_recorte <- Tomada_decisao_homens %>%
select(-Variancia)
tomada_decisao_familia_recorte <- tomada_decisao_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_apoioFami"))
media_dos_itens <- round(mean(tomada_decisao_familia_recorte$Media, na.rm = TRUE), 3)
curso_superior_familia_recorte <- curso_superior_Homens %>%
select(-Variancia)
curso_superior_familia_recorte <- curso_superior_familia_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_apoioFami"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_familia_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_familia_recorte <- rbind(tomada_decisao_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_familia_recorte <- rbind(curso_superior_familia_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_familia_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_familia_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_familia_Homens <- cbind(Tomada_decisao_familia_recorte, curso_superior_familia_recorte)
# Imprimir o dataframe final
print(relacao_familia_Homens)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoFami 2 Escolha_desejoFami 6.250 8
## Escolha_apoioFami 4 Escolha_apoioFami 7.531 10
## 1 Média Geral 6.890
## Media_Curso_Superior Media
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.750
## Escolha_apoioFami Escolha_CursoSup_apoioFami 6.719
## 1 Média Geral 5.735# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_familia_Homens, "relacao_familia_Homens.csv", row.names = FALSE)Relação com amizades
Qual é o impacto da relação com amizades na autoeficácia das estudantes na tomada de decisão por um curso superior?
tomada_decisao_amigos_recorte <- Tomada_decisao %>%
select(-Variancia)
tomada_decisao_amigos_recorte <- tomada_decisao_amigos_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoAmigo", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(tomada_decisao_amigos_recorte$Media, na.rm = TRUE), 3)
curso_superior_amigo_recorte <- curso_superior %>%
select(-Variancia)
curso_superior_amigo_recorte <- curso_superior_amigo_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_amigo_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_amigo_recorte <- rbind(tomada_decisao_amigos_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_amigo_recorte <- rbind(curso_superior_amigo_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_amigo_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_amigo_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_amigos <- cbind(Tomada_decisao_amigo_recorte, curso_superior_amigo_recorte)
# Imprimir o dataframe final
print(relacao_amigos)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## 1 3 Escolha_desejoAmigo 4.409 9
## 2 5 Escolha_apoioAmigo 6.409 11
## 3 Média Geral 5.409
## Media_Curso_Superior Media
## 1 Escolha_CursoSup_desejoAmigo 3.167
## 2 Escolha_CursoSup_apoioAmigo 5.652
## 3 Média Geral 4.409# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_amigos, "relacao_amigos.csv", row.names = FALSE)Mulheres
tomada_decisao_amigos_recorte <- Tomada_decisao_mulheres %>%
select(-Variancia)
tomada_decisao_amigos_recorte <- tomada_decisao_amigos_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoAmigo", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(tomada_decisao_amigos_recorte$Media, na.rm = TRUE), 3)
curso_superior_amigo_recorte <- curso_superior_Mulheres %>%
select(-Variancia)
curso_superior_amigo_recorte <- curso_superior_amigo_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_amigo_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_amigo_recorte <- rbind(tomada_decisao_amigos_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_amigo_recorte <- rbind(curso_superior_amigo_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_amigo_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_amigo_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_amigos_mulheres <- cbind(Tomada_decisao_amigo_recorte, curso_superior_amigo_recorte)
# Imprimir o dataframe final
print(relacao_amigos_mulheres)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.294 9
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.559 11
## 1 Média Geral 5.426
## Media_Curso_Superior Media
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 2.794
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 6.088
## 1 Média Geral 4.441# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_amigos_mulheres, "relacao_amigos_mulheres.csv", row.names = FALSE)Homens
tomada_decisao_amigos_recorte <- Tomada_decisao_homens %>%
select(-Variancia)
tomada_decisao_amigos_recorte <- tomada_decisao_amigos_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoAmigo", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(tomada_decisao_amigos_recorte$Media, na.rm = TRUE), 3)
curso_superior_amigo_recorte <- curso_superior_Homens %>%
select(-Variancia)
curso_superior_amigo_recorte <- curso_superior_amigo_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(curso_superior_amigo_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_amigo_recorte <- rbind(tomada_decisao_amigos_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
curso_superior_amigo_recorte <- rbind(curso_superior_amigo_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_amigo_recorte)[2] <- "Media_Tomada_Decisao"
names(curso_superior_amigo_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_amigos_homens <- cbind(Tomada_decisao_amigo_recorte, curso_superior_amigo_recorte)
# Imprimir o dataframe final
print(relacao_amigos_homens)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.531 9
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.250 11
## 1 Média Geral 5.390
## Media_Curso_Superior Media
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 3.562
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 5.188
## 1 Média Geral 4.375# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_amigos_homens, "relacao_amigos_homens.csv", row.names = FALSE)Itens específicos relacionados à autoeficácia (itens de 2 a 5 e 8 a 11)
Como a autoeficácia na tomada de decisão por um curso superior se compara com a autoeficácia na tomada de decisões em geral?
Tomada_decisao_Geral_recorte <- Tomada_decisao %>%
select(-Variancia)
Tomada_decisao_Geral_recorte <- Tomada_decisao_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(Tomada_decisao_Geral_recorte$Media, na.rm = TRUE), 3)
Curso_superior_Geral_recorte <- curso_superior %>%
select(-Variancia)
Curso_superior_Geral_recorte <- Curso_superior_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(Curso_superior_Geral_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_Geral_recorte <- rbind(Tomada_decisao_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
Curso_superior_Geral_recorte <- rbind(Curso_superior_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_Geral_recorte)[2] <- "Media_Tomada_Decisao"
names(Curso_superior_Geral_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_geral <- cbind(Tomada_decisao_Geral_recorte, Curso_superior_Geral_recorte)
# Imprimir o dataframe final
print(relacao_geral)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## 1 2 Escolha_desejoFami 6.364 8
## 2 3 Escolha_desejoAmigo 4.409 9
## 3 4 Escolha_apoioFami 8.061 10
## 4 5 Escolha_apoioAmigo 6.409 11
## 5 Média Geral 6.311
## Media_Curso_Superior Media
## 1 Escolha_CursoSup_desejoFami 4.864
## 2 Escolha_CursoSup_desejoAmigo 3.167
## 3 Escolha_CursoSup_apoioFami 7.424
## 4 Escolha_CursoSup_apoioAmigo 5.652
## 5 Média Geral 5.277# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_geral, "relacao_geral.csv", row.names = FALSE)Mulheres
Tomada_decisao_Geral_recorte <- Tomada_decisao_mulheres %>%
select(-Variancia)
Tomada_decisao_Geral_recorte <- Tomada_decisao_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(Tomada_decisao_Geral_recorte$Media, na.rm = TRUE), 3)
Curso_superior_Geral_recorte <- curso_superior_Mulheres %>%
select(-Variancia)
Curso_superior_Geral_recorte <- Curso_superior_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(Curso_superior_Geral_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_Geral_recorte <- rbind(Tomada_decisao_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
Curso_superior_Geral_recorte <- rbind(Curso_superior_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_Geral_recorte)[2] <- "Media_Tomada_Decisao"
names(Curso_superior_Geral_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_geral_Mulheres <- cbind(Tomada_decisao_Geral_recorte, Curso_superior_Geral_recorte)
# Imprimir o dataframe final
print(relacao_geral_Mulheres)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoFami 2 Escolha_desejoFami 6.471 8
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.294 9
## Escolha_apoioFami 4 Escolha_apoioFami 8.559 10
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.559 11
## 1 Média Geral 6.471
## Media_Curso_Superior Media
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.971
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 2.794
## Escolha_apoioFami Escolha_CursoSup_apoioFami 8.088
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 6.088
## 1 Média Geral 5.485# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_geral_Mulheres, "relacao_geral_Mulheres.csv", row.names = FALSE)Homens
Tomada_decisao_Geral_recorte <- Tomada_decisao_homens %>%
select(-Variancia)
Tomada_decisao_Geral_recorte <- Tomada_decisao_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_desejoFami", "Escolha_desejoAmigo", "Escolha_apoioFami", "Escolha_apoioAmigo"))
media_dos_itens <- round(mean(Tomada_decisao_Geral_recorte$Media, na.rm = TRUE), 3)
Curso_superior_Geral_recorte <- curso_superior_Homens %>%
select(-Variancia)
Curso_superior_Geral_recorte <- Curso_superior_Geral_recorte %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoFami", "Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_apoioFami", "Escolha_CursoSup_apoioAmigo"))
media_dos_itens_cursoSuperior <- round(mean(Curso_superior_Geral_recorte$Media, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Tomada_decisao_Geral_recorte <- rbind(Tomada_decisao_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens))
Curso_superior_Geral_recorte <- rbind(Curso_superior_Geral_recorte, data.frame(Numero_do_Item = "", Itens_da_Escala = "Média Geral", Media = media_dos_itens_cursoSuperior))
# Ajustar os nomes das colunas para evitar duplicações
names(Tomada_decisao_Geral_recorte)[2] <- "Media_Tomada_Decisao"
names(Curso_superior_Geral_recorte)[2] <- "Media_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_geral_Homens <- cbind(Tomada_decisao_Geral_recorte, Curso_superior_Geral_recorte)
# Imprimir o dataframe final
print(relacao_geral_Homens)## Numero_do_Item Media_Tomada_Decisao Media Numero_do_Item
## Escolha_desejoFami 2 Escolha_desejoFami 6.250 8
## Escolha_desejoAmigo 3 Escolha_desejoAmigo 4.531 9
## Escolha_apoioFami 4 Escolha_apoioFami 7.531 10
## Escolha_apoioAmigo 5 Escolha_apoioAmigo 6.250 11
## 1 Média Geral 6.140
## Media_Curso_Superior Media
## Escolha_desejoFami Escolha_CursoSup_desejoFami 4.750
## Escolha_desejoAmigo Escolha_CursoSup_desejoAmigo 3.562
## Escolha_apoioFami Escolha_CursoSup_apoioFami 6.719
## Escolha_apoioAmigo Escolha_CursoSup_apoioAmigo 5.188
## 1 Média Geral 5.055# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_geral_Homens, "relacao_geral_Homens.csv", row.names = FALSE)Itens específicos relacionados à autoeficácia (itens 1-8 (Desejo das estudantes)
Como o desejo das estudantes influencia sua autoeficácia na tomada de decisões?
Desejo_TomadaDecisao <- Tomada_decisao %>%
select(-Variancia)
Desejo_TomadaDecisao <- Desejo_TomadaDecisao %>%
filter(Itens_da_Escala %in% c("Escolha_desejo"))
DesejoCursoSuperior <- curso_superior %>%
select(-Variancia)
DesejoCursoSuperior <- DesejoCursoSuperior %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo"))
# Ajustar os nomes das colunas para evitar duplicações
names(Desejo_TomadaDecisao)[2] <- "Media_Desejo_Tomada_Decisao"
names(DesejoCursoSuperior)[2] <- "Media_Desejo_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_desejo <- cbind(Desejo_TomadaDecisao, DesejoCursoSuperior)
# Imprimir o dataframe final
print(relacao_desejo)## Numero_do_Item Media_Desejo_Tomada_Decisao Media Numero_do_Item
## 1 1 Escolha_desejo 6.803 7
## Media_Desejo_Curso_Superior Media
## 1 Escolha_CursoSup_desejo 7.561# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_desejo, "relacao_desejo.csv", row.names = FALSE)Mulheres
Desejo_TomadaDecisao <- Tomada_decisao_mulheres %>%
select(-Variancia)
Desejo_TomadaDecisao <- Desejo_TomadaDecisao %>%
filter(Itens_da_Escala %in% c("Escolha_desejo"))
DesejoCursoSuperior <- curso_superior_Mulheres %>%
select(-Variancia)
DesejoCursoSuperior <- DesejoCursoSuperior %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo"))
# Ajustar os nomes das colunas para evitar duplicações
names(Desejo_TomadaDecisao)[2] <- "Media_Desejo_Mulheres_Tomada_Decisao"
names(DesejoCursoSuperior)[2] <- "Media_Desejo_Mulheres_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_desejo_Mulheres <- cbind(Desejo_TomadaDecisao, DesejoCursoSuperior)
# Imprimir o dataframe final
print(relacao_desejo_Mulheres)## Numero_do_Item Media_Desejo_Mulheres_Tomada_Decisao Media
## Escolha_desejo 1 Escolha_desejo 6.471
## Numero_do_Item Media_Desejo_Mulheres_Curso_Superior Media
## Escolha_desejo 7 Escolha_CursoSup_desejo 7.206# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_desejo_Mulheres, "relacao_desejo_Mulheres.csv", row.names = FALSE)Homens
Desejo_TomadaDecisao <- Tomada_decisao_homens %>%
select(-Variancia)
Desejo_TomadaDecisao <- Desejo_TomadaDecisao %>%
filter(Itens_da_Escala %in% c("Escolha_desejo"))
DesejoCursoSuperior <- curso_superior_Homens %>%
select(-Variancia)
DesejoCursoSuperior <- DesejoCursoSuperior %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejo"))
# Ajustar os nomes das colunas para evitar duplicações
names(Desejo_TomadaDecisao)[2] <- "Media_Desejo_Homens_Tomada_Decisao"
names(DesejoCursoSuperior)[2] <- "Media_Desejo_Homens_Curso_Superior"
# Combinar os dataframes lado a lado
relacao_desejo_Homens <- cbind(Desejo_TomadaDecisao, DesejoCursoSuperior)
# Imprimir o dataframe final
print(relacao_desejo_Homens)## Numero_do_Item Media_Desejo_Homens_Tomada_Decisao Media
## Escolha_desejo 1 Escolha_desejo 7.156
## Numero_do_Item Media_Desejo_Homens_Curso_Superior Media
## Escolha_desejo 7 Escolha_CursoSup_desejo 7.938# Salvar o dataframe final em um arquivo CSV
write.csv(relacao_desejo_Homens, "relacao_desejo_Homens.csv", row.names = FALSE)Itens específicos relacionados à autoeficácia (itens 7 - curso de nível superior para fazer após o ensino médio e 8 - curso de nível superior de acordo com o meu desejo)
Existe diferença na autoeficácia das estudantes entre a escolha do curso durante e após o Ensino Médio? Como a autoeficácia na escolha de curso superior se relaciona com a confiança das estudantes em realizar o curso após o Ensino Médio?
Autoeficacia_cursoSuperior <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo"))
print(Autoeficacia_cursoSuperior)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 6 Escolha_CursoSup 7.576 6.094
## 2 7 Escolha_CursoSup_desejo 7.561 6.158Mulheres
Autoeficacia_cursoSuperior_mulheres <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo"))
print(Autoeficacia_cursoSuperior_mulheres)## Numero_do_Item Itens_da_Escala Media Variancia
## Escolha_CursoSup 6 Escolha_CursoSup 7.235 6.246
## Escolha_CursoSup_desejo 7 Escolha_CursoSup_desejo 7.206 5.502Homens
Autoeficacia_cursoSuperior_homens <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup", "Escolha_CursoSup_desejo"))
print(Autoeficacia_cursoSuperior_homens)## Numero_do_Item Itens_da_Escala Media Variancia
## Escolha_CursoSup 6 Escolha_CursoSup 7.938 5.867
## Escolha_CursoSup_desejo 7 Escolha_CursoSup_desejo 7.938 6.770Itens específicos relacionados à autoeficácia (13 - Apoio da família, 15 - Perspectiva financeira do curso, 16 - Nota/classificação do ENEM/SISU)
Quais são os principais fatores que influenciam positivamente a autoeficácia das estudantes na tomada de decisão sobre o curso? Como a pesquisa sobre o curso, as habilidades das estudantes, a perspectiva financeira, o apoio da família e a nota/classificação do ENEM/SISU contribuem para a autoeficácia na tomada de decisão?
Autoeficacia_CursoSuperior_motivosPositivos <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_apoioFami", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame"))
media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosPositivos <- rbind(Autoeficacia_CursoSuperior_motivosPositivos, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosPositivos)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 10 Escolha_CursoSup_apoioFami 7.424 7.663
## 2 12 Escolha_CursoSup_perspecFina 8.197 4.530
## 3 13 Escolha_CursoSup_notaExame 7.606 5.012
## 4 Dados Gerais 7.742 5.735# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosPositivos, "Autoeficacia_CursoSuperior_motivosPositivos.csv", row.names = FALSE)Mulheres
Autoeficacia_CursoSuperior_motivosPositivos <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_apoioFami", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame"))
media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosPositivos_mulheres <- rbind(Autoeficacia_CursoSuperior_motivosPositivos, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosPositivos_mulheres)## Numero_do_Item Itens_da_Escala Media
## Escolha_CursoSup_apoioFami 10 Escolha_CursoSup_apoioFami 8.088
## Escolha_CursoSup_perspecFina 12 Escolha_CursoSup_perspecFina 8.559
## Escolha_CursoSup_notaExame 13 Escolha_CursoSup_notaExame 7.912
## 1 Dados Gerais 8.186
## Variancia
## Escolha_CursoSup_apoioFami 6.265
## Escolha_CursoSup_perspecFina 3.224
## Escolha_CursoSup_notaExame 3.356
## 1 4.282# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosPositivos_mulheres, "Autoeficacia_CursoSuperior_motivosPositivos_mulheres.csv", row.names = FALSE)# Remover a linha "Dados Gerais" para os gráficos
Autoeficacia_CursoSuperior_motivosPositivos_plot <- Autoeficacia_CursoSuperior_motivosPositivos_mulheres %>%
filter(Itens_da_Escala != "Dados Gerais")
# Definir cores para os itens
cores_positivos <- c(
"Escolha_CursoSup_apoioFami" = "#1b9e77",
"Escolha_CursoSup_perspecFina" = "#d95f02",
"Escolha_CursoSup_notaExame" = "#7570b3"
)
# Gráfico de barras para as médias com valores
ggplot(Autoeficacia_CursoSuperior_motivosPositivos_plot, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Media, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_positivos) +
labs(title = "Médias dos Itens (Motivos Positivos)",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_medias_motivosMaisInfluentes.png")## Saving 7 x 5 in image# Gráfico de barras para as variâncias com valores
ggplot(Autoeficacia_CursoSuperior_motivosPositivos_plot, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Variancia, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_positivos) +
labs(title = "Variâncias dos Itens (Motivos Positivos)",
x = "Itens da Escala",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_variancias_motivosMaisInfluentes.png")## Saving 7 x 5 in imageHomens
Autoeficacia_CursoSuperior_motivosPositivos <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_apoioFami", "Escolha_CursoSup_perspecFina", "Escolha_CursoSup_notaExame"))
media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosPositivos$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosPositivos_homens <- rbind(Autoeficacia_CursoSuperior_motivosPositivos, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosPositivos_homens)## Numero_do_Item Itens_da_Escala Media
## Escolha_CursoSup_apoioFami 10 Escolha_CursoSup_apoioFami 6.719
## Escolha_CursoSup_perspecFina 12 Escolha_CursoSup_perspecFina 7.812
## Escolha_CursoSup_notaExame 13 Escolha_CursoSup_notaExame 7.281
## 1 Dados Gerais 7.271
## Variancia
## Escolha_CursoSup_apoioFami 8.402
## Escolha_CursoSup_perspecFina 5.770
## Escolha_CursoSup_notaExame 6.725
## 1 6.966# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosPositivos_homens, "Autoeficacia_CursoSuperior_motivosPositivos_homens.csv", row.names = FALSE)Itens específicos relacionados à autoeficácia (itens 12 - Desejo de amigos(as), 20 - Expectativas da sociedade, 21 - Gênero das estudantes)
Quais são os fatores que menos influenciam a autoeficácia das estudantes na tomada de decisão sobre o curso? Como o desejo de amigos(as), as expectativas da sociedade e o gênero das estudantes afetam a autoeficácia na tomada de decisão sobre o curso?
Autoeficacia_CursoSuperior_motivosMenosInfluentes <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 2 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 3 17 Escolha_CursoSup_sexo 5.485 15.300media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosMenosInfluentes <- rbind(Autoeficacia_CursoSuperior_motivosMenosInfluentes, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 9 Escolha_CursoSup_desejoAmigo 3.167 7.741
## 2 16 Escolha_CursoSup_expecSociedade 5.106 10.681
## 3 17 Escolha_CursoSup_sexo 5.485 15.300
## 4 Dados Gerais 4.586 11.241# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosMenosInfluentes, "Autoeficacia_CursoSuperior_motivosMenosInfluentes.csv", row.names = FALSE)
# Remover a linha "Dados Gerais" para o boxplot, pois é uma agregação
Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot <- Autoeficacia_CursoSuperior_motivosMenosInfluentes %>%
filter(Itens_da_Escala != "Dados Gerais")
# Definir cores para as barras
cores <- c("Escolha_CursoSup_desejoAmigo" = "#1b9e77", "Escolha_CursoSup_expecSociedade" = "#d95f02", "Escolha_CursoSup_sexo" = "#7570b3")
# Gráfico de barras para as médias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Media, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Médias dos Itens",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_medias_motivosMenosInfluentes.png")## Saving 7 x 5 in image# Gráfico de barras para as variâncias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Variancia, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Variâncias dos Itens",
x = "Itens da Escala",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_variancias_motivosMenosInfluentes.png")## Saving 7 x 5 in imageMulheres
Autoeficacia_CursoSuperior_motivosMenosInfluentes <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes)## Numero_do_Item Itens_da_Escala
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo
## Escolha_CursoSup_expecSociedade 16 Escolha_CursoSup_expecSociedade
## Escolha_CursoSup_sexo 17 Escolha_CursoSup_sexo
## Media Variancia
## Escolha_CursoSup_desejoAmigo 2.794 5.926
## Escolha_CursoSup_expecSociedade 5.353 10.114
## Escolha_CursoSup_sexo 5.412 15.462media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosMenosInfluentes_mulheres <- rbind(Autoeficacia_CursoSuperior_motivosMenosInfluentes, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes_mulheres)## Numero_do_Item Itens_da_Escala
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo
## Escolha_CursoSup_expecSociedade 16 Escolha_CursoSup_expecSociedade
## Escolha_CursoSup_sexo 17 Escolha_CursoSup_sexo
## 1 Dados Gerais
## Media Variancia
## Escolha_CursoSup_desejoAmigo 2.794 5.926
## Escolha_CursoSup_expecSociedade 5.353 10.114
## Escolha_CursoSup_sexo 5.412 15.462
## 1 4.520 10.501# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosMenosInfluentes_mulheres, "Autoeficacia_CursoSuperior_motivosMenosInfluentes_mulheres.csv", row.names = FALSE)
# Remover a linha "Dados Gerais" para o boxplot, pois é uma agregação
Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot <- Autoeficacia_CursoSuperior_motivosMenosInfluentes_mulheres %>%
filter(Itens_da_Escala != "Dados Gerais")
# Definir cores para as barras
cores <- c("Escolha_CursoSup_desejoAmigo" = "#1b9e77", "Escolha_CursoSup_expecSociedade" = "#d95f02", "Escolha_CursoSup_sexo" = "#7570b3")
# Gráfico de barras para as médias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Media, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Médias dos Itens para as Mulheres",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_medias_motivosMenosInfluentes_mulheres.png")## Saving 7 x 5 in image# Gráfico de barras para as variâncias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Variancia, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Variâncias dos Itens para as Mulheres",
x = "Itens da Escala",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_variancias_motivosMenosInfluentes_mulheres.png")## Saving 7 x 5 in imageHomens
Autoeficacia_CursoSuperior_motivosMenosInfluentes <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_desejoAmigo", "Escolha_CursoSup_expecSociedade", "Escolha_CursoSup_sexo"))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes)## Numero_do_Item Itens_da_Escala
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo
## Escolha_CursoSup_expecSociedade 16 Escolha_CursoSup_expecSociedade
## Escolha_CursoSup_sexo 17 Escolha_CursoSup_sexo
## Media Variancia
## Escolha_CursoSup_desejoAmigo 3.562 9.609
## Escolha_CursoSup_expecSociedade 4.844 11.491
## Escolha_CursoSup_sexo 5.562 15.609media_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_CursoSuperior_motivosMenosInfluentes$Variancia, na.rm = TRUE), 3)
# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_CursoSuperior_motivosMenosInfluentes_homens <- rbind(Autoeficacia_CursoSuperior_motivosMenosInfluentes, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_CursoSuperior_motivosMenosInfluentes_homens)## Numero_do_Item Itens_da_Escala
## Escolha_CursoSup_desejoAmigo 9 Escolha_CursoSup_desejoAmigo
## Escolha_CursoSup_expecSociedade 16 Escolha_CursoSup_expecSociedade
## Escolha_CursoSup_sexo 17 Escolha_CursoSup_sexo
## 1 Dados Gerais
## Media Variancia
## Escolha_CursoSup_desejoAmigo 3.562 9.609
## Escolha_CursoSup_expecSociedade 4.844 11.491
## Escolha_CursoSup_sexo 5.562 15.609
## 1 4.656 12.236# Salvar o dataframe final em um arquivo CSV
write.csv(Autoeficacia_CursoSuperior_motivosMenosInfluentes_homens, "Autoeficacia_CursoSuperior_motivosMenosInfluentes_homens.csv", row.names = FALSE)
# Remover a linha "Dados Gerais" para o boxplot, pois é uma agregação
Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot <- Autoeficacia_CursoSuperior_motivosMenosInfluentes_homens %>%
filter(Itens_da_Escala != "Dados Gerais")
# Definir cores para as barras
cores <- c("Escolha_CursoSup_desejoAmigo" = "#1b9e77", "Escolha_CursoSup_expecSociedade" = "#d95f02", "Escolha_CursoSup_sexo" = "#7570b3")
# Gráfico de barras para as médias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Media, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Médias dos Itens para os Homens",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_medias_motivosMenosInfluentes_homens.png")## Saving 7 x 5 in image# Gráfico de barras para as variâncias com valores
ggplot(Autoeficacia_CursoSuperior_motivosMenosInfluentes_plot, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9)) +
geom_text(aes(label = round(Variancia, 3)), vjust = 0.5, hjust = 0.3, position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores) +
labs(title = "Gráfico de Barras das Variâncias dos Itens para os Homens",
x = "Itens da Escala",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none")
# Salvar o gráfico
ggsave("barplot_variancias_motivosMenosInfluentes_homens.png")## Saving 7 x 5 in imageAutoeficácia na escolha de um Curso Superior relacionado ao curso de Informática
Qual é o percentual de estudantes que apresentam alta autoeficácia na escolha de um Curso Superior relacionado ao curso de Informática?
Autoeficacia_cursoSuperior_cursoTecnico <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_relaCursoTecnico"))
print(Autoeficacia_cursoSuperior_cursoTecnico)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 18 Escolha_CursoSup_relaCursoTecnico 6.924 9.825# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPBCG_amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Escolha_CursoSup_relaCursoTecnico,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 11 16.7
## 2 3-5 10 15.2
## 3 5-8 17 25.8
## 4 8-10 28 42.4# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para escolher um curso superior relacionado ao EMIEP \nem Informática",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Mulheres
Autoeficacia_cursoSuperior_cursoTecnico_mulher <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_relaCursoTecnico"))
#print(Autoeficacia_cursoSuperior_cursoTecnico_mulher)
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Mulheres_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Escolha_CursoSup_relaCursoTecnico,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"),
include.lowest = TRUE)
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
count(faixa_autoeficacia)
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## faixa_autoeficacia n percentual
## 1 0-3 9 26.471
## 2 3-5 8 23.529
## 3 5-8 7 20.588
## 4 8-10 10 29.412# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para escolher um curso superior relacionado ao EMIEP \nem Informática para as mulheres",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Homens
Autoeficacia_cursoSuperior_cursoTecnico_homem <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Escolha_CursoSup_relaCursoTecnico"))
print(Autoeficacia_cursoSuperior_cursoTecnico_homem)## Numero_do_Item
## Escolha_CursoSup_relaCursoTecnico 18
## Itens_da_Escala Media
## Escolha_CursoSup_relaCursoTecnico Escolha_CursoSup_relaCursoTecnico 8
## Variancia
## Escolha_CursoSup_relaCursoTecnico 6.645# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Homens_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Escolha_CursoSup_relaCursoTecnico,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 2 6.25
## 2 3-5 2 6.25
## 3 5-8 10 31.2
## 4 8-10 18 56.2# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para escolher um curso superior relacionado ao EMIEP \nem Informática para os homens",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Percentual de estudantes com alta autoeficácia (autoeficácia ≥ 8) e Grupo de estudantes com alta autoeficácia (aproximadamente 25% das 78 estudantes)
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPBCG_amostra
# Definir o limiar para alta autoeficácia
limiar_alta_autoeficacia <- 8 # Ajuste esse valor conforme necessário
# Filtrar os alunos com alta autoeficácia no item Escolha_CursoSup_relaCursoTecnico
alunos_alta_autoeficacia <- df %>%
filter(Escolha_CursoSup_relaCursoTecnico >= limiar_alta_autoeficacia)
# Contar o número de alunos com alta autoeficácia
num_alunos_alta_autoeficacia <- nrow(alunos_alta_autoeficacia)
# Calcular o percentual de alunos com alta autoeficácia
percentual_alta_autoeficacia <- (nrow(alunos_alta_autoeficacia) / nrow(df)) * 100
# Formatar a resposta conforme solicitado
resposta_autoeficacia <- sprintf("%d (aproximadamente %.2f%%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ %d)",
num_alunos_alta_autoeficacia, percentual_alta_autoeficacia, limiar_alta_autoeficacia)
# Imprimir a resposta
print(resposta_autoeficacia)## [1] "33 (aproximadamente 50.00%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ 8)"Mulheres
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Mulheres_Amostra
# Definir o limiar para alta autoeficácia
limiar_alta_autoeficacia <- 8 # Ajuste esse valor conforme necessário
# Filtrar os alunos com alta autoeficácia no item Escolha_CursoSup_relaCursoTecnico
alunos_alta_autoeficacia <- df %>%
filter(Escolha_CursoSup_relaCursoTecnico >= limiar_alta_autoeficacia)
# Contar o número de alunos com alta autoeficácia
num_alunos_alta_autoeficacia <- nrow(alunos_alta_autoeficacia)
# Verificar os alunos com autoeficácia >= 8
alunos_alta_autoeficacia# Calcular o percentual de alunos com alta autoeficácia
percentual_alta_autoeficacia <- (nrow(alunos_alta_autoeficacia) / nrow(df)) * 100
# Formatar a resposta conforme solicitado
resposta_autoeficacia_mulheres <- sprintf("%d (aproximadamente %.2f%%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ %d)",
num_alunos_alta_autoeficacia, percentual_alta_autoeficacia, limiar_alta_autoeficacia)
# Imprimir a resposta
print(resposta_autoeficacia_mulheres)## [1] "11 (aproximadamente 32.35%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ 8)"Homens
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Homens_Amostra
# Definir o limiar para alta autoeficácia
limiar_alta_autoeficacia <- 8 # Ajuste esse valor conforme necessário
# Filtrar os alunos com alta autoeficácia no item Escolha_CursoSup_relaCursoTecnico
alunos_alta_autoeficacia <- df %>%
filter(Escolha_CursoSup_relaCursoTecnico >= limiar_alta_autoeficacia)
# Contar o número de alunos com alta autoeficácia
num_alunos_alta_autoeficacia <- nrow(alunos_alta_autoeficacia)
# Calcular o percentual de alunos com alta autoeficácia
percentual_alta_autoeficacia <- (nrow(alunos_alta_autoeficacia) / nrow(df)) * 100
# Formatar a resposta conforme solicitado
resposta_autoeficacia <- sprintf("%d (aproximadamente %.2f%%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ %d)",
num_alunos_alta_autoeficacia, percentual_alta_autoeficacia, limiar_alta_autoeficacia)
# Imprimir a resposta
print(resposta_autoeficacia)## [1] "22 (aproximadamente 68.75%) afirmaram sentir uma confiança considerada alta (autoeficácia ≥ 8)"11 - Aprendizagem Escolar
Autoeficácia na aprendizagem escolar
Autoeficacia_aprendizadoGeral <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Aprender_mat", "Aprender_port", "Aprender_hist", "Aprender_geo", "Aprender_quimica", "Aprender_fisica", "Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica"))
Autoeficacia_aprendizadoGeral_Mulheres <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Aprender_mat", "Aprender_port", "Aprender_hist", "Aprender_geo", "Aprender_quimica", "Aprender_fisica", "Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica"))
Autoeficacia_aprendizadoGeral_Homens <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Aprender_mat", "Aprender_port", "Aprender_hist", "Aprender_geo", "Aprender_quimica", "Aprender_fisica", "Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica"))Qual é o nível de autoeficácia das estudantes na aprendizagem escolar em geral?
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.971"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 6.063"# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_aprendizadoGeral_total <- rbind(Autoeficacia_aprendizadoGeral, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoGeral_total)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 19 Aprender_mat 7.242 6.340
## 2 20 Aprender_port 7.409 3.445
## 3 21 Aprender_hist 7.424 5.510
## 4 22 Aprender_geo 7.409 4.399
## 5 23 Aprender_quimica 6.152 6.346
## 6 24 Aprender_fisica 5.682 6.713
## 7 25 Aprender_Ingles 7.379 5.839
## 8 26 Aprender_outLingua 5.970 10.584
## 9 27 Praticar_atvFisica 8.076 5.394
## 10 Dados Gerais 6.971 6.063# Criar o gráfico de barras para as médias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias da aprendizagem escolar",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias da aprendizagem escolar",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
Mulheres
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral_Mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral_Mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.912"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 5.575"# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_aprendizadoGeral_totalMulheres <- rbind(Autoeficacia_aprendizadoGeral_Mulheres, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoGeral_totalMulheres)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_mat 19 Aprender_mat 6.824 8.210
## Aprender_port 20 Aprender_port 7.912 2.689
## Aprender_hist 21 Aprender_hist 7.971 4.211
## Aprender_geo 22 Aprender_geo 7.176 4.513
## Aprender_quimica 23 Aprender_quimica 5.647 6.660
## Aprender_fisica 24 Aprender_fisica 4.735 6.564
## Aprender_Ingles 25 Aprender_Ingles 7.500 4.500
## Aprender_outLingua 26 Aprender_outLingua 6.794 7.381
## Praticar_atvFisica 27 Praticar_atvFisica 7.647 5.447
## 1 Dados Gerais 6.912 5.575# Criar o gráfico de barras para as médias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral_Mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias da aprendizagem escolar \n para as mulheres",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral_Mulheres, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias da aprendizagem escolar \n para as mulheres",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
Cálculando Média e Médiana
library(dplyr)
library(tidyr)
library(ggplot2)
# Selecionar apenas os itens de interesse
dados_long <- dado_autoeficacia_Mulheres %>%
select(Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo,
Aprender_quimica, Aprender_fisica, Aprender_Ingles,
Aprender_outLingua, Praticar_atvFisica) %>%
pivot_longer(cols = everything(),
names_to = "Itens_da_Escala",
values_to = "Valor")
# Calcular média e mediana
estatisticas <- dados_long %>%
group_by(Itens_da_Escala) %>%
summarise(
Media = mean(Valor, na.rm = TRUE),
Mediana = median(Valor, na.rm = TRUE),
Variancia = var(Valor, na.rm = TRUE)
)
ggplot(estatisticas, aes(x = reorder(Itens_da_Escala, Media), y = Media, fill = Itens_da_Escala)) +
geom_col() +
geom_point(aes(y = Mediana), color = "red", size = 3) + # ponto vermelho = mediana
geom_text(aes(label = round(Media, 2)),
vjust = -0.5, color = "black") +
geom_text(aes(y = Mediana, label = paste("Med:", round(Mediana,2))),
vjust = 1.5, color = "red", size = 3) +
labs(title = "Média e Mediana da Aprendizagem Escolar - Mulheres",
x = "Item",
y = "Valor") +
coord_flip() +
theme_minimal() +
theme(legend.position = "none")
Homens
# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral_Homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoGeral_Homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens:", media_dos_itens))## [1] "Média das Médias dos Itens: 6.971"print(paste("Média das Variâncias dos Itens:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens: 6.063"# Adicionar uma linha com a média das médias no final de cada dataframe
Autoeficacia_aprendizadoGeral_totalHomens <- rbind(Autoeficacia_aprendizadoGeral_Homens, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoGeral_totalHomens)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 19 Aprender_mat 7.242 6.340
## 2 20 Aprender_port 7.409 3.445
## 3 21 Aprender_hist 7.424 5.510
## 4 22 Aprender_geo 7.409 4.399
## 5 23 Aprender_quimica 6.152 6.346
## 6 24 Aprender_fisica 5.682 6.713
## 7 25 Aprender_Ingles 7.379 5.839
## 8 26 Aprender_outLingua 5.970 10.584
## 9 27 Praticar_atvFisica 8.076 5.394
## 10 Dados Gerais 6.971 6.063# Criar o gráfico de barras para as médias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral_Homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias da aprendizagem escolar \n para os homens",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(Autoeficacia_aprendizadoGeral_Homens, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias da aprendizagem escolar \n para os homens",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
Cálculando Média e Médiana
library(dplyr)
library(tidyr)
library(ggplot2)
# Selecionar apenas os itens de interesse
dados_long <- dado_autoeficacia_Homens %>%
select(Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo,
Aprender_quimica, Aprender_fisica, Aprender_Ingles,
Aprender_outLingua, Praticar_atvFisica) %>%
pivot_longer(cols = everything(),
names_to = "Itens_da_Escala",
values_to = "Valor")
# Calcular média e mediana
estatisticas <- dados_long %>%
group_by(Itens_da_Escala) %>%
summarise(
Media = mean(Valor, na.rm = TRUE),
Mediana = median(Valor, na.rm = TRUE),
Variancia = var(Valor, na.rm = TRUE)
)
ggplot(estatisticas, aes(x = reorder(Itens_da_Escala, Media), y = Media, fill = Itens_da_Escala)) +
geom_col() +
geom_point(aes(y = Mediana), color = "red", size = 3) + # ponto vermelho = mediana
geom_text(aes(label = round(Media, 2)),
vjust = -0.5, color = "black") +
geom_text(aes(y = Mediana, label = paste("Med:", round(Mediana,2))),
vjust = 1.5, color = "red", size = 3) +
labs(title = "Média e Mediana da Aprendizagem Escolar - Homens",
x = "Item",
y = "Valor") +
coord_flip() +
theme_minimal() +
theme(legend.position = "none")
Disciplinas específicas mencionadas (Português, História, Física, Química)
Quais são as disciplinas em que as estudantes apresentam maior confiança de aprendizado? Quais são as disciplinas em que as estudantes apresentam menor confiança de aprendizado?
Autoeficacia_aprendizadoDisEspecifica <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Aprender_port", "Aprender_hist", "Aprender_fisica", "Aprender_quimica"))
print(Autoeficacia_aprendizadoDisEspecifica)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 20 Aprender_port 7.409 3.445
## 2 21 Aprender_hist 7.424 5.510
## 3 23 Aprender_quimica 6.152 6.346
## 4 24 Aprender_fisica 5.682 6.713# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizadoDisEspecifica, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 20 Aprender_port 7.409 3.445
## 2 21 Aprender_hist 7.424 5.510
## 3 23 Aprender_quimica 6.152 6.346
## 4 24 Aprender_fisica 5.682 6.713
## 5 Dados Gerais 6.667 5.504# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
Mulheres
Autoeficacia_aprendizadoDisEspecifica <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Aprender_port", "Aprender_hist", "Aprender_fisica", "Aprender_quimica"))
print(Autoeficacia_aprendizadoDisEspecifica)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_port 20 Aprender_port 7.912 2.689
## Aprender_hist 21 Aprender_hist 7.971 4.211
## Aprender_quimica 23 Aprender_quimica 5.647 6.660
## Aprender_fisica 24 Aprender_fisica 4.735 6.564# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizadoDisEspecifica, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_port 20 Aprender_port 7.912 2.689
## Aprender_hist 21 Aprender_hist 7.971 4.211
## Aprender_quimica 23 Aprender_quimica 5.647 6.660
## Aprender_fisica 24 Aprender_fisica 4.735 6.564
## 1 Dados Gerais 6.566 5.031# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
Homens
Autoeficacia_aprendizadoDisEspecifica <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Aprender_port", "Aprender_hist", "Aprender_fisica", "Aprender_quimica"))
print(Autoeficacia_aprendizadoDisEspecifica)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_port 20 Aprender_port 6.875 3.790
## Aprender_hist 21 Aprender_hist 6.844 6.394
## Aprender_quimica 23 Aprender_quimica 6.688 5.641
## Aprender_fisica 24 Aprender_fisica 6.688 5.060# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizadoDisEspecifica$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizadoDisEspecifica, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizadoDisEspecifica_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_port 20 Aprender_port 6.875 3.790
## Aprender_hist 21 Aprender_hist 6.844 6.394
## Aprender_quimica 23 Aprender_quimica 6.688 5.641
## Aprender_fisica 24 Aprender_fisica 6.688 5.060
## 1 Dados Gerais 6.774 5.221# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizadoDisEspecifica, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
Autoeficácia na aprendizagem das disciplinas de Inglês e Matemática
Qual é o nível de autoeficácia das estudantes na aprendizagem das disciplinas de Inglês e Matemática? Como a autoeficácia na aprendizagem dessas disciplinas se relaciona com o curso de Informática?
Autoeficacia_aprendizado_InEMat <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% c("Aprender_Ingles", "Aprender_mat"))
print(Autoeficacia_aprendizado_InEMat)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 19 Aprender_mat 7.242 6.340
## 2 25 Aprender_Ingles 7.379 5.839# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizado_InEMat, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 19 Aprender_mat 7.242 6.340
## 2 25 Aprender_Ingles 7.379 5.839
## 3 Dados Gerais 7.310 6.090# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Avaliando Inglês
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPBCG_amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_Ingles,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 6 9.09
## 2 3-5 8 12.1
## 3 5-8 26 39.4
## 4 8-10 26 39.4# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em Inglês",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
# Avaliando Matemática
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPBCG_amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_mat,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 7 10.6
## 2 3-5 6 9.09
## 3 5-8 31 47.0
## 4 8-10 22 33.3# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em matemática",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Mulheres
Autoeficacia_aprendizado_InEMat <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% c("Aprender_Ingles", "Aprender_mat"))
print(Autoeficacia_aprendizado_InEMat)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_mat 19 Aprender_mat 6.824 8.21
## Aprender_Ingles 25 Aprender_Ingles 7.500 4.50# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizado_InEMat, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_mat 19 Aprender_mat 6.824 8.210
## Aprender_Ingles 25 Aprender_Ingles 7.500 4.500
## 1 Dados Gerais 7.162 6.355# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Avaliando Inglês
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Mulheres_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_Ingles,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 2 5.88
## 2 3-5 5 14.7
## 3 5-8 14 41.2
## 4 8-10 13 38.2# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em Inglês para as mulheres",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
# Avaliando Matemática
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Mulheres_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_mat,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 5 14.7
## 2 3-5 5 14.7
## 3 5-8 14 41.2
## 4 8-10 10 29.4# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em matemática para as mulheres",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Homens
Autoeficacia_aprendizado_InEMat <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% c("Aprender_Ingles", "Aprender_mat"))
print(Autoeficacia_aprendizado_InEMat)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_mat 19 Aprender_mat 7.688 4.157
## Aprender_Ingles 25 Aprender_Ingles 7.250 7.419# Calcular a média dos itens filtrados
media_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(Autoeficacia_aprendizado_InEMat$Variancia, na.rm = TRUE), 3)
Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais <- rbind(Autoeficacia_aprendizado_InEMat, data.frame(Numero_do_Item = "", Itens_da_Escala = "Dados Gerais", Media = media_dos_itens, Variancia = variancia_dos_itens))
print(Autoeficacia_aprendizado_InEMat_MediaVarianciaGerais)## Numero_do_Item Itens_da_Escala Media Variancia
## Aprender_mat 19 Aprender_mat 7.688 4.157
## Aprender_Ingles 25 Aprender_Ingles 7.250 7.419
## 1 Dados Gerais 7.469 5.788# Gráfico de pontos para as médias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Media, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das médias
labs(title = "Gráfico de Pontos para as Médias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Média") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Gráfico de pontos para as variancias dos itens de interesse ajustado para escala de 1 a 10
ggplot(Autoeficacia_aprendizado_InEMat, aes(x = Itens_da_Escala, y = Variancia, color = Itens_da_Escala)) +
geom_point(size = 3) +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, size = 3, color = "black") + # Adiciona os valores das variâncias
labs(title = "Gráfico de Pontos para as Variâncias dos Itens de Autoeficácia",
x = "Itens de Autoeficácia",
y = "Variância") +
scale_y_continuous(limits = c(1, 10), breaks = seq(1, 10, by = 1)) +
theme_minimal() +
theme(legend.position = "none")
# Avaliando Inglês
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Homens_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_Ingles,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 4 12.5
## 2 3-5 3 9.38
## 3 5-8 12 37.5
## 4 8-10 13 40.6# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em Inglês para os homens",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
# Avaliando Matemática
# Supondo que 'df' é o nome do seu dataframe
df <- dado_IFPB_Homens_Amostra
# Definir as faixas de autoeficácia
df$faixa_autoeficacia <- cut(df$Aprender_mat,
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))
# Contar o número de alunos em cada faixa
contagem_faixas <- df %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n())
# Calcular o percentual de alunos em cada faixa
contagem_faixas <- contagem_faixas %>%
mutate(percentual = round((n / sum(n)) * 100, 3))
# Imprimir a contagem e os percentuais
print(contagem_faixas)## # A tibble: 4 × 3
## faixa_autoeficacia n percentual
## <fct> <int> <dbl>
## 1 0-3 2 6.25
## 2 3-5 1 3.12
## 3 5-8 17 53.1
## 4 8-10 12 37.5# Gerar o gráfico de barras com contagem de estudantes em cada barra
ggplot(contagem_faixas, aes(x = faixa_autoeficacia, y = percentual, fill = faixa_autoeficacia)) +
geom_bar(stat = "identity") +
geom_text(aes(label = n), vjust = -0.5) + # Adiciona a quantidade de estudantes em cada barra
labs(title = "Autoeficacia para aprendizagem em matemática para os homens",
x = "Faixas de Autoeficácia",
y = "Percentual de Alunos (%)") +
scale_fill_brewer(palette = "Set3") +
theme_minimal()
Valores específicos de autoeficácia mencionados (confiança acima da média, segundo quartil)
Quais são as disciplinas que as estudantes associam mais fortemente com a Informática?
Aprendizagem <- subset(dado_IFPBCG_amostra, select = c(Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Supondo que 'df' é o nome do seu dataframe
df <- Aprendizagem
# Definir uma função para calcular contagens e percentuais
calcula_faixas <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n()) %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados <- bind_rows(lapply(colunas, function(col) calcula_faixas(df, col)))
# Gerar um gráfico com as informações
ggplot(resultados, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Percentual de Alunos em Cada Faixa de Autoeficácia",
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Mulheres
Aprendizagem <- subset(dado_IFPB_Mulheres_Amostra, select = c(Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Supondo que 'df' é o nome do seu dataframe
df <- Aprendizagem
# Definir uma função para calcular contagens e percentuais
calcula_faixas <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n()) %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados <- bind_rows(lapply(colunas, function(col) calcula_faixas(df, col)))
# Gerar um gráfico com as informações
ggplot(resultados, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Percentual de Estudantes do sexo Feminino em Cada Faixa de Autoeficácia",
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Homens
Aprendizagem <- subset(dado_IFPB_Homens_Amostra, select = c(Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Supondo que 'df' é o nome do seu dataframe
df <- Aprendizagem
# Definir uma função para calcular contagens e percentuais
calcula_faixas <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(faixa_autoeficacia) %>%
summarise(n = n()) %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados <- bind_rows(lapply(colunas, function(col) calcula_faixas(df, col)))
# Gerar um gráfico com as informações
ggplot(resultados, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Percentual de Estudantes do sexo Masculino em Cada Faixa de Autoeficácia",
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Diferenças na aprendizagem por raça-etnia
# Supondo que 'dado_IFPB_Homens_Amostra' é o nome do seu dataframe original
Aprendizagem_Etnia <- subset(dado_IFPBCG_amostra,
select = c(Etnia, Aprender_mat, Aprender_port, Aprender_hist,
Aprender_geo, Aprender_quimica, Aprender_fisica,
Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Verificar se a coluna 'Etnia' existe
if (!"Etnia" %in% colnames(Aprendizagem_Etnia)) {
stop("A coluna 'Etnia' não foi encontrada no dataframe.")
}
# Definir uma função para calcular contagens e percentuais por etnia
calcula_faixas_por_etnia <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Etnia, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Etnias <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_etnia(Aprendizagem_Etnia, col)))
print(resultados_Etnias)## # A tibble: 97 × 5
## Etnia faixa_autoeficacia n percentual disciplina
## <chr> <fct> <int> <dbl> <chr>
## 1 Branca 0-3 1 1.52 Aprender_mat
## 2 Branca 5-8 16 24.2 Aprender_mat
## 3 Branca 8-10 9 13.6 Aprender_mat
## 4 Parda 0-3 5 7.58 Aprender_mat
## 5 Parda 3-5 6 9.09 Aprender_mat
## 6 Parda 5-8 15 22.7 Aprender_mat
## 7 Parda 8-10 8 12.1 Aprender_mat
## 8 Preta 0-3 1 1.52 Aprender_mat
## 9 Preta 8-10 5 7.58 Aprender_mat
## 10 Branca 0-3 1 1.52 Aprender_port
## # ℹ 87 more rows# Salvando em um dataframe
write.csv(resultados_Etnias, "resultados_Etnias.csv", row.names = FALSE)
# Obter a lista de etnias
etnias <- unique(Aprendizagem_Etnia$Etnia)
# Loop para gerar e salvar um gráfico para cada etnia
for (etnia in etnias) {
# Filtrar os resultados para a etnia atual
dados_etnia <- resultados_Etnias %>% filter(Etnia == etnia)
# Gerar o gráfico
p <- ggplot(dados_etnia, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes em Cada Faixa de Autoeficácia - Etnia:", etnia),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
Há correlação entre raça-etnia e desempenho escolar?
# Carregar bibliotecas necessárias
library(ggplot2)
library(gridExtra)
# Listar as colunas de interesse
disciplinas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Realizar ANOVA para todas as disciplinas
anova_results <- lapply(disciplinas, function(disciplina) {
formula <- as.formula(paste(disciplina, "~ Etnia"))
anova_result <- aov(formula, data = Aprendizagem_Etnia)
return(summary(anova_result))
})
print(anova_results)## [[1]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 33.8 16.876 2.81 0.0678 .
## Residuals 63 378.4 6.006
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## [[2]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 2.0 1.002 0.284 0.753
## Residuals 63 221.9 3.523
##
## [[3]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 7.1 3.565 0.64 0.531
## Residuals 63 351.0 5.571
##
## [[4]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 3.52 1.762 0.393 0.677
## Residuals 63 282.43 4.483
##
## [[5]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 32.8 16.417 2.724 0.0733 .
## Residuals 63 379.7 6.026
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## [[6]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 29.0 14.494 2.242 0.115
## Residuals 63 407.3 6.466
##
## [[7]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 6.7 3.353 0.567 0.57
## Residuals 63 372.8 5.918
##
## [[8]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 19.2 9.613 0.906 0.409
## Residuals 63 668.7 10.614
##
## [[9]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 4.1 2.030 0.369 0.693
## Residuals 63 346.6 5.501# Loop para gerar gráficos de boxplot de dois em dois
for (i in seq(1, length(disciplinas) - 1, by = 2)) {
# Selecionar duas disciplinas por vez
disciplina1 <- disciplinas[i]
disciplina2 <- disciplinas[i + 1]
# Gerar gráficos de boxplot para as duas disciplinas
p1 <- ggplot(Aprendizagem_Etnia, aes_string(x = "Etnia", y = disciplina1)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina1),
x = "Etnia",
y = paste("Autoeficácia em", disciplina1, "por Etnia")) +
theme_minimal()
p2 <- ggplot(Aprendizagem_Etnia, aes_string(x = "Etnia", y = disciplina2)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina2),
x = "Etnia",
y = paste("Autoeficácia em", disciplina2, "por Etnia")) +
theme_minimal()
# Exibir os gráficos lado a lado (utilizando grid.arrange)
grid.arrange(p1, p2, ncol = 2)
# Salvar os gráficos em arquivos separados
ggsave(filename = paste0("autoeficacia_etnia_", disciplina1, "_e_", disciplina2, ".png"),
plot = grid.arrange(p1, p2, ncol = 2), width = 12, height = 6)
}## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Gerar gráfico de boxplot para a nona disciplina individualmente
disciplina9 <- disciplinas[length(disciplinas)]
p <- ggplot(Aprendizagem_Etnia, aes_string(x = "Etnia", y = disciplina9)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina9),
x = "Etnia",
y = paste("Autoeficácia em", disciplina9, "por Etnia")) +
theme_minimal()
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", disciplina9, ".png"), plot = p, width = 10, height = 6)Mulheres
# Supondo que 'dado_IFPB_Homens_Amostra' é o nome do seu dataframe original
Aprendizagem_Etnia_Mulheres <- subset(dado_IFPB_Mulheres_Amostra,
select = c(Etnia, Aprender_mat, Aprender_port, Aprender_hist,
Aprender_geo, Aprender_quimica, Aprender_fisica,
Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Verificar se a coluna 'Etnia' existe
if (!"Etnia" %in% colnames(Aprendizagem_Etnia_Mulheres)) {
stop("A coluna 'Etnia' não foi encontrada no dataframe.")
}
# Definir uma função para calcular contagens e percentuais por etnia
calcula_faixas_por_etnia <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Etnia, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Etnias <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_etnia(Aprendizagem_Etnia_Mulheres, col)))
print(resultados_Etnias)## # A tibble: 80 × 5
## Etnia faixa_autoeficacia n percentual disciplina
## <chr> <fct> <int> <dbl> <chr>
## 1 Branca 0-3 1 2.94 Aprender_mat
## 2 Branca 5-8 6 17.6 Aprender_mat
## 3 Branca 8-10 3 8.82 Aprender_mat
## 4 Parda 0-3 4 11.8 Aprender_mat
## 5 Parda 3-5 5 14.7 Aprender_mat
## 6 Parda 5-8 8 23.5 Aprender_mat
## 7 Parda 8-10 4 11.8 Aprender_mat
## 8 Preta 8-10 3 8.82 Aprender_mat
## 9 Branca 5-8 4 11.8 Aprender_port
## 10 Branca 8-10 6 17.6 Aprender_port
## # ℹ 70 more rows# Salvando em um dataframe
write.csv(resultados_Etnias, "resultados_Etnias_Mulheres.csv", row.names = FALSE)
# Obter a lista de etnias
etnias <- unique(Aprendizagem_Etnia_Mulheres$Etnia)
# Loop para gerar e salvar um gráfico para cada etnia
for (etnia in etnias) {
# Filtrar os resultados para a etnia atual
dados_etnia <- resultados_Etnias %>% filter(Etnia == etnia)
# Gerar o gráfico
p <- ggplot(dados_etnia, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes em Cada Faixa de Autoeficácia - Etnia:", etnia),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
Há correlação entre raça-etnia e desempenho escolar?
# Carregar bibliotecas necessárias
library(ggplot2)
library(gridExtra)
# Listar as colunas de interesse
disciplinas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Realizar ANOVA para todas as disciplinas
anova_results <- lapply(disciplinas, function(disciplina) {
formula <- as.formula(paste(disciplina, "~ Etnia"))
anova_result <- aov(formula, data = Aprendizagem_Etnia_Mulheres)
return(summary(anova_result))
})
print(anova_results)## [[1]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 37.3 18.652 2.475 0.101
## Residuals 31 233.6 7.537
##
## [[2]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 11.00 5.499 2.193 0.129
## Residuals 31 77.74 2.508
##
## [[3]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 8.04 4.019 0.951 0.397
## Residuals 31 130.93 4.224
##
## [[4]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 17.09 8.544 2.009 0.151
## Residuals 31 131.85 4.253
##
## [[5]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 32.89 16.444 2.728 0.081 .
## Residuals 31 186.88 6.028
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## [[6]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 36.54 18.271 3.145 0.0571 .
## Residuals 31 180.08 5.809
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## [[7]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 9.12 4.562 1.015 0.374
## Residuals 31 139.38 4.496
##
## [[8]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 20.75 10.377 1.444 0.251
## Residuals 31 222.80 7.187
##
## [[9]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 6.03 3.013 0.538 0.589
## Residuals 31 173.74 5.604# Loop para gerar gráficos de boxplot de dois em dois
for (i in seq(1, length(disciplinas) - 1, by = 2)) {
# Selecionar duas disciplinas por vez
disciplina1 <- disciplinas[i]
disciplina2 <- disciplinas[i + 1]
# Gerar gráficos de boxplot para as duas disciplinas
p1 <- ggplot(Aprendizagem_Etnia_Mulheres, aes_string(x = "Etnia", y = disciplina1)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina1),
x = "Etnia",
y = paste("Autoeficácia em", disciplina1, "por Etnia")) +
theme_minimal()
p2 <- ggplot(Aprendizagem_Etnia_Mulheres, aes_string(x = "Etnia", y = disciplina2)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina2),
x = "Etnia",
y = paste("Autoeficácia em", disciplina2, "por Etnia")) +
theme_minimal()
# Exibir os gráficos lado a lado (utilizando grid.arrange)
grid.arrange(p1, p2, ncol = 2)
# Salvar os gráficos em arquivos separados
ggsave(filename = paste0("autoeficacia_etnia_", disciplina1, "_e_", disciplina2, ".png"),
plot = grid.arrange(p1, p2, ncol = 2), width = 12, height = 6)
}
# Gerar gráfico de boxplot para a nona disciplina individualmente
disciplina9 <- disciplinas[length(disciplinas)]
p <- ggplot(Aprendizagem_Etnia_Mulheres, aes_string(x = "Etnia", y = disciplina9)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina9),
x = "Etnia",
y = paste("Autoeficácia em", disciplina9, "por Etnia")) +
theme_minimal()
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", disciplina9, ".png"), plot = p, width = 10, height = 6)Homens
# Supondo que 'dado_IFPB_Homens_Amostra' é o nome do seu dataframe original
Aprendizagem_Etnia_Homens <- subset(dado_IFPB_Homens_Amostra,
select = c(Etnia, Aprender_mat, Aprender_port, Aprender_hist,
Aprender_geo, Aprender_quimica, Aprender_fisica,
Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Verificar se a coluna 'Etnia' existe
if (!"Etnia" %in% colnames(Aprendizagem_Etnia_Homens)) {
stop("A coluna 'Etnia' não foi encontrada no dataframe.")
}
# Definir uma função para calcular contagens e percentuais por etnia
calcula_faixas_por_etnia <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Etnia, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Listar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Etnias <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_etnia(Aprendizagem_Etnia_Homens, col)))
print(resultados_Etnias)## # A tibble: 88 × 5
## Etnia faixa_autoeficacia n percentual disciplina
## <chr> <fct> <int> <dbl> <chr>
## 1 Branca 5-8 10 31.2 Aprender_mat
## 2 Branca 8-10 6 18.8 Aprender_mat
## 3 Parda 0-3 1 3.12 Aprender_mat
## 4 Parda 3-5 1 3.12 Aprender_mat
## 5 Parda 5-8 7 21.9 Aprender_mat
## 6 Parda 8-10 4 12.5 Aprender_mat
## 7 Preta 0-3 1 3.12 Aprender_mat
## 8 Preta 8-10 2 6.25 Aprender_mat
## 9 Branca 0-3 1 3.12 Aprender_port
## 10 Branca 3-5 5 15.6 Aprender_port
## # ℹ 78 more rows# Salvando em um dataframe
write.csv(resultados_Etnias, "resultados_Etnias_Homens.csv", row.names = FALSE)
# Obter a lista de etnias
etnias <- unique(Aprendizagem_Etnia_Homens$Etnia)
# Loop para gerar e salvar um gráfico para cada etnia
for (etnia in etnias) {
# Filtrar os resultados para a etnia atual
dados_etnia <- resultados_Etnias %>% filter(Etnia == etnia)
# Gerar o gráfico
p <- ggplot(dados_etnia, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes em Cada Faixa de Autoeficácia - Etnia:", etnia),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
Há correlação entre raça-etnia e desempenho escolar?
# Carregar bibliotecas necessárias
library(ggplot2)
library(gridExtra)
# Listar as colunas de interesse
disciplinas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Realizar ANOVA para todas as disciplinas
anova_results <- lapply(disciplinas, function(disciplina) {
formula <- as.formula(paste(disciplina, "~ Etnia"))
anova_result <- aov(formula, data = Aprendizagem_Etnia_Homens)
return(summary(anova_result))
})
print(anova_results)## [[1]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 8.13 4.065 0.976 0.389
## Residuals 29 120.75 4.164
##
## [[2]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 0.16 0.080 0.02 0.98
## Residuals 29 117.34 4.046
##
## [[3]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 10.88 5.442 0.842 0.441
## Residuals 29 187.33 6.460
##
## [[4]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 6.92 3.461 0.795 0.461
## Residuals 29 126.30 4.355
##
## [[5]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 7.38 3.691 0.639 0.535
## Residuals 29 167.49 5.776
##
## [[6]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 2.05 1.024 0.192 0.827
## Residuals 29 154.83 5.339
##
## [[7]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 1.87 0.935 0.119 0.888
## Residuals 29 228.13 7.867
##
## [[8]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 34.2 17.1 1.368 0.271
## Residuals 29 362.5 12.5
##
## [[9]]
## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 3.94 1.971 0.371 0.693
## Residuals 29 154.03 5.311# Loop para gerar gráficos de boxplot de dois em dois
for (i in seq(1, length(disciplinas) - 1, by = 2)) {
# Selecionar duas disciplinas por vez
disciplina1 <- disciplinas[i]
disciplina2 <- disciplinas[i + 1]
# Gerar gráficos de boxplot para as duas disciplinas
p1 <- ggplot(Aprendizagem_Etnia_Homens, aes_string(x = "Etnia", y = disciplina1)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina1),
x = "Etnia",
y = paste("Autoeficácia em", disciplina1, "por Etnia")) +
theme_minimal()
p2 <- ggplot(Aprendizagem_Etnia_Homens, aes_string(x = "Etnia", y = disciplina2)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina2),
x = "Etnia",
y = paste("Autoeficácia em", disciplina2, "por Etnia")) +
theme_minimal()
# Exibir os gráficos lado a lado (utilizando grid.arrange)
grid.arrange(p1, p2, ncol = 2)
# Salvar os gráficos em arquivos separados
ggsave(filename = paste0("autoeficacia_etnia_", disciplina1, "_e_", disciplina2, ".png"),
plot = grid.arrange(p1, p2, ncol = 2), width = 12, height = 6)
}
# Gerar gráfico de boxplot para a nona disciplina individualmente
disciplina9 <- disciplinas[length(disciplinas)]
p <- ggplot(Aprendizagem_Etnia_Homens, aes_string(x = "Etnia", y = disciplina9)) +
geom_boxplot() +
geom_jitter(width = 0.2, alpha = 0.5) + # Adicionar pontos individuais para visualização
labs(title = paste("Autoeficácia em", disciplina9),
x = "Etnia",
y = paste("Autoeficácia em", disciplina9, "por Etnia")) +
theme_minimal()
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", disciplina9, ".png"), plot = p, width = 10, height = 6)Confiança em escolher um curso relacionado ao EMIEP em Informática (item 19)
A confiança em escolher um curso relacionado ao EMIEP em Informática influencia na aprendizagem escolar? Como a confiança em escolher um curso relacionado ao EMIEP em Informática se correlaciona com a aprendizagem escolar?
confiaca_escolaCursoSuperior_e_aprendizagem <- subset(dado_IFPBCG_amostra, select = c(Escolha_CursoSup_relaCursoTecnico, Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Definir uma função para calcular contagens por escolha
calcula_faixas_por_escolha <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Escolha_CursoSup_relaCursoTecnico, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Selecionar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Escolhas <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_escolha(confiaca_escolaCursoSuperior_e_aprendizagem, col)))
print(resultados_Escolhas)## # A tibble: 250 × 5
## Escolha_CursoSup_relaCursoTe…¹ faixa_autoeficacia n percentual disciplina
## <int> <fct> <int> <dbl> <chr>
## 1 0 0-3 1 1.52 Aprender_…
## 2 0 5-8 3 4.54 Aprender_…
## 3 1 0-3 1 1.52 Aprender_…
## 4 1 5-8 1 1.52 Aprender_…
## 5 2 8-10 1 1.52 Aprender_…
## 6 3 0-3 1 1.52 Aprender_…
## 7 3 3-5 1 1.52 Aprender_…
## 8 3 5-8 1 1.52 Aprender_…
## 9 3 8-10 1 1.52 Aprender_…
## 10 4 5-8 2 3.03 Aprender_…
## # ℹ 240 more rows
## # ℹ abbreviated name: ¹Escolha_CursoSup_relaCursoTecnico# Definir cores para cada disciplina
cores <- c("#1F77B4", "#FF7F0E", "#2CA02C", "#D62728", "#9467BD", "#8C564B", "#E377C2", "#7F7F7F", "#BCBD22")
# Obter a lista de etnias
escolhas <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico)
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes em Cada Faixa de Autoeficácia - Escolha:", escolha),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
# Maior confiança na Escolha e a análise com a aprendizagem
# Obter a lista de etnias
escolhas2 <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico[confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico >= 7])
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas2) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico apenas se houver dados para essa escolha
if (nrow(dados_escolha) > 0) {
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes com escolha de um curso Superior igual a:", escolha , "\n em Cada Faixa de Autoeficácia por disciplina"),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_escolha_", escolha, ".png"), plot = p, width = 10, height = 6)
} else {
cat(paste("Não há dados para a escolha:", escolha, "\n"))
}
}
Mulheres
confiaca_escolaCursoSuperior_e_aprendizagem <- subset(dado_IFPB_Mulheres_Amostra, select = c(Escolha_CursoSup_relaCursoTecnico, Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Definir uma função para calcular contagens por escolha
calcula_faixas_por_escolha <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Escolha_CursoSup_relaCursoTecnico, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Selecionar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Escolhas <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_escolha(confiaca_escolaCursoSuperior_e_aprendizagem, col)))
print(resultados_Escolhas)## # A tibble: 188 × 5
## Escolha_CursoSup_relaCursoTe…¹ faixa_autoeficacia n percentual disciplina
## <int> <fct> <int> <dbl> <chr>
## 1 0 0-3 1 2.94 Aprender_…
## 2 0 5-8 2 5.88 Aprender_…
## 3 1 0-3 1 2.94 Aprender_…
## 4 2 8-10 1 2.94 Aprender_…
## 5 3 0-3 1 2.94 Aprender_…
## 6 3 3-5 1 2.94 Aprender_…
## 7 3 5-8 1 2.94 Aprender_…
## 8 3 8-10 1 2.94 Aprender_…
## 9 4 5-8 2 5.88 Aprender_…
## 10 5 0-3 1 2.94 Aprender_…
## # ℹ 178 more rows
## # ℹ abbreviated name: ¹Escolha_CursoSup_relaCursoTecnico# Definir cores para cada disciplina
cores <- c("#1F77B4", "#FF7F0E", "#2CA02C", "#D62728", "#9467BD", "#8C564B", "#E377C2", "#7F7F7F", "#BCBD22")
# Obter a lista de etnias
escolhas <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico)
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes do sexo Feminino em Cada Faixa de \n Autoeficácia - Escolha:", escolha),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
# Maior confiança na Escolha e a análise com a aprendizagem
# Obter a lista de etnias
escolhas2 <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico[confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico >= 7])
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas2) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico apenas se houver dados para essa escolha
if (nrow(dados_escolha) > 0) {
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes do sexo Feminino com escolha de um \n curso Superior igual a:", escolha , "em Cada Faixa de Autoeficácia por disciplina"),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_escolha_", escolha, ".png"), plot = p, width = 10, height = 6)
} else {
cat(paste("Não há dados para a escolha:", escolha, "\n"))
}
}
Homens
confiaca_escolaCursoSuperior_e_aprendizagem <- subset(dado_IFPB_Homens_Amostra, select = c(Escolha_CursoSup_relaCursoTecnico, Aprender_mat, Aprender_port, Aprender_hist, Aprender_geo, Aprender_quimica, Aprender_fisica, Aprender_Ingles, Aprender_outLingua, Praticar_atvFisica))
# Definir uma função para calcular contagens por escolha
calcula_faixas_por_escolha <- function(data, coluna) {
data %>%
mutate(faixa_autoeficacia = cut(data[[coluna]],
breaks = c(-Inf, 3, 5, 8, Inf),
labels = c("0-3", "3-5", "5-8", "8-10"))) %>%
group_by(Escolha_CursoSup_relaCursoTecnico, faixa_autoeficacia) %>%
summarise(n = n(), .groups = 'drop') %>%
mutate(percentual = round((n / sum(n)) * 100, 3)) %>%
mutate(disciplina = coluna)
}
# Selecionar as colunas de interesse
colunas <- c("Aprender_mat", "Aprender_port", "Aprender_hist",
"Aprender_geo", "Aprender_quimica", "Aprender_fisica",
"Aprender_Ingles", "Aprender_outLingua", "Praticar_atvFisica")
# Aplicar a função a todas as colunas desejadas e combinar os resultados
resultados_Escolhas <- bind_rows(lapply(colunas, function(col) calcula_faixas_por_escolha(confiaca_escolaCursoSuperior_e_aprendizagem, col)))
print(resultados_Escolhas)## # A tibble: 141 × 5
## Escolha_CursoSup_relaCursoTe…¹ faixa_autoeficacia n percentual disciplina
## <int> <fct> <int> <dbl> <chr>
## 1 0 5-8 1 3.12 Aprender_…
## 2 1 5-8 1 3.12 Aprender_…
## 3 5 0-3 1 3.12 Aprender_…
## 4 5 5-8 1 3.12 Aprender_…
## 5 6 5-8 3 9.38 Aprender_…
## 6 6 8-10 1 3.12 Aprender_…
## 7 7 5-8 2 6.25 Aprender_…
## 8 8 0-3 1 3.12 Aprender_…
## 9 8 5-8 1 3.12 Aprender_…
## 10 8 8-10 2 6.25 Aprender_…
## # ℹ 131 more rows
## # ℹ abbreviated name: ¹Escolha_CursoSup_relaCursoTecnico# Definir cores para cada disciplina
cores <- c("#1F77B4", "#FF7F0E", "#2CA02C", "#D62728", "#9467BD", "#8C564B", "#E377C2", "#7F7F7F", "#BCBD22")
# Obter a lista de etnias
escolhas <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico)
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes do sexo Masculino em Cada Faixa de \n Autoeficácia - Escolha:", escolha),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_etnia_", etnia, ".png"), plot = p, width = 10, height = 6)
}
# Maior confiança na Escolha e a análise com a aprendizagem
# Obter a lista de etnias
escolhas2 <- unique(confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico[confiaca_escolaCursoSuperior_e_aprendizagem$Escolha_CursoSup_relaCursoTecnico >= 7])
# Loop para gerar e salvar um gráfico para cada escolhas
for (escolha in escolhas2) {
# Filtrar os resultados para a escolha atual
dados_escolha <- resultados_Escolhas %>% filter(Escolha_CursoSup_relaCursoTecnico == escolha)
# Gerar o gráfico apenas se houver dados para essa escolha
if (nrow(dados_escolha) > 0) {
# Gerar o gráfico
p <- ggplot(dados_escolha, aes(x = faixa_autoeficacia, y = percentual, fill = disciplina)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = n),
position = position_dodge(width = 0.9),
vjust = -0.5) +
labs(title = paste("Percentual de Estudantes do sexo Masculino com escolha de um \n curso Superior igual a:", escolha , "em Cada Faixa de Autoeficácia por disciplina"),
x = "Faixa de Autoeficácia",
y = "Percentual") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(p)
# Salvar o gráfico em um arquivo
ggsave(filename = paste0("autoeficacia_escolha_", escolha, ".png"), plot = p, width = 10, height = 6)
} else {
cat(paste("Não há dados para a escolha:", escolha, "\n"))
}
}
12 - Uso de Tecnologias
uso_tecnologia <- subset(dado_autoeficacia, select = c(Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
col = c("Utilizar_celComunicar", "Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades", "Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel", "Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC")
uso_tecnologia_MediaVariancia <- resultados_autoeficacia %>%
filter(Itens_da_Escala %in% col)
uso_tecnologia_Mulheres <- subset(dado_autoeficacia_Mulheres, select = c(Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
uso_tecnologia_MediaVariancia_Mulheres <- resultados_autoeficacia_mulheres %>%
filter(Itens_da_Escala %in% col)
uso_tecnologia_Homens <- subset(dado_autoeficacia_Homens, select = c(Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
uso_tecnologia_MediaVariancia_Homens <- resultados_autoeficacia_homens %>%
filter(Itens_da_Escala %in% col)Autoeficácia no uso de tecnologias, especificamente celulares e computadores
Qual é o nível de autoeficácia das estudantes no uso de celulares e computadores?
uso_celulares <- uso_tecnologia_MediaVariancia %>%
filter(Itens_da_Escala %in% c("Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades", "Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel"))
print(uso_celulares)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 29 Utilizar_celBuscasPesquisas 9.273 1.309
## 2 30 Utilizar_celNoticiasNovidades 8.348 3.800
## 3 31 Utilizar_celEstudos 9.061 2.427
## 4 32 InstEdesinst_appCel 8.848 5.054
## 5 33 Cuidar_FuncionamentoCel 8.697 2.399
## 6 34 Gerenciar_recursosCel 8.242 3.786media_dos_itens <-round(mean(uso_celulares$Media, na.rm = TRUE), 3)
variancia_dos_itens <-round(mean(uso_celulares$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de celulares:", media_dos_itens))## [1] "Média das Médias dos Itens de celulares: 8.745"print(paste("Média das Variâncias dos Itens de celulares:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de celulares: 3.129"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_celulares, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia \n no uso de Celulares",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_celulares, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia \n no uso de celulares",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
uso_computadores <- uso_tecnologia_MediaVariancia%>%
filter(Itens_da_Escala %in% c("Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC"))
print(uso_computadores)## Numero_do_Item Itens_da_Escala Media Variancia
## 1 35 Utilizar_PCbuscas_pesquisas 8.864 3.227
## 2 36 Utilizar_PCnoticias_novidades 7.576 5.540
## 3 37 Utilizar_PCestudos 9.212 3.216
## 4 38 InstallEdesintal_progPC 7.348 8.261
## 5 39 Cuidar_FuncionamentoPC 7.742 6.286
## 6 40 Gerenciar_recursosPC 7.045 6.506media_dos_itens <- round(mean(uso_computadores$Media, na.rm = TRUE), 3)
variancia_dos_itens <- round(mean(uso_computadores$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de computadores:", media_dos_itens))## [1] "Média das Médias dos Itens de computadores: 7.964"print(paste("Média das Variâncias dos Itens de computadores:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de computadores: 5.506"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_computadores, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia \n no uso de computadores",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_computadores, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia \n no uso de computadores",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Combinar os dados de celulares e computadores
uso_celulares$Tecnologia <- "Celular"
uso_computadores$Tecnologia <- "Computador"
# Unir os dataframes
uso_combined <- bind_rows(uso_celulares, uso_computadores)
# Verificar o dataframe combinado
print(uso_combined)## Numero_do_Item Itens_da_Escala Media Variancia Tecnologia
## 1 29 Utilizar_celBuscasPesquisas 9.273 1.309 Celular
## 2 30 Utilizar_celNoticiasNovidades 8.348 3.800 Celular
## 3 31 Utilizar_celEstudos 9.061 2.427 Celular
## 4 32 InstEdesinst_appCel 8.848 5.054 Celular
## 5 33 Cuidar_FuncionamentoCel 8.697 2.399 Celular
## 6 34 Gerenciar_recursosCel 8.242 3.786 Celular
## 7 35 Utilizar_PCbuscas_pesquisas 8.864 3.227 Computador
## 8 36 Utilizar_PCnoticias_novidades 7.576 5.540 Computador
## 9 37 Utilizar_PCestudos 9.212 3.216 Computador
## 10 38 InstallEdesintal_progPC 7.348 8.261 Computador
## 11 39 Cuidar_FuncionamentoPC 7.742 6.286 Computador
## 12 40 Gerenciar_recursosPC 7.045 6.506 Computador# Gráfico de caixa para as médias
ggplot(uso_combined, aes(x = Tecnologia, y = Media, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da autoeficácia para uso de celulares e uso de computadores",
x = "Tecnologia",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
# Gráfico de caixa para as variâncias
ggplot(uso_combined, aes(x = Tecnologia, y = Variancia, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da Variância da autoeficácia para uso de celulares \ne uso de computadores",
x = "Tecnologia",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
Mulheres
uso_celulares_Mulheres <- uso_tecnologia_MediaVariancia_Mulheres %>%
filter(Itens_da_Escala %in% c("Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades", "Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel"))
print(uso_celulares_Mulheres)## Numero_do_Item Itens_da_Escala
## Utilizar_celBuscasPesquisas 29 Utilizar_celBuscasPesquisas
## Utilizar_celNoticiasNovidades 30 Utilizar_celNoticiasNovidades
## Utilizar_celEstudos 31 Utilizar_celEstudos
## InstEdesinst_appCel 32 InstEdesinst_appCel
## Cuidar_FuncionamentoCel 33 Cuidar_FuncionamentoCel
## Gerenciar_recursosCel 34 Gerenciar_recursosCel
## Media Variancia
## Utilizar_celBuscasPesquisas 9.500 0.803
## Utilizar_celNoticiasNovidades 8.735 2.928
## Utilizar_celEstudos 9.500 0.924
## InstEdesinst_appCel 9.029 4.999
## Cuidar_FuncionamentoCel 8.529 2.863
## Gerenciar_recursosCel 7.618 4.789media_dos_itens <-round(mean(uso_celulares_Mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <-round(mean(uso_celulares_Mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de celulares:", media_dos_itens))## [1] "Média das Médias dos Itens de celulares: 8.818"print(paste("Média das Variâncias dos Itens de celulares:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de celulares: 2.884"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_celulares_Mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia no \n uso de Celulares pelos Estudantes do sexo Feminino",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_celulares_Mulheres, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia no \n uso de celulares pelos Estudantes do sexo Feminino",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
uso_computadores_Mulheres <- uso_tecnologia_MediaVariancia_Mulheres %>%
filter(Itens_da_Escala %in% c("Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC"))
print(uso_computadores_Mulheres)## Numero_do_Item Itens_da_Escala
## Utilizar_PCbuscas_pesquisas 35 Utilizar_PCbuscas_pesquisas
## Utilizar_PCnoticias_novidades 36 Utilizar_PCnoticias_novidades
## Utilizar_PCestudos 37 Utilizar_PCestudos
## InstallEdesintal_progPC 38 InstallEdesintal_progPC
## Cuidar_FuncionamentoPC 39 Cuidar_FuncionamentoPC
## Gerenciar_recursosPC 40 Gerenciar_recursosPC
## Media Variancia
## Utilizar_PCbuscas_pesquisas 9.029 1.726
## Utilizar_PCnoticias_novidades 7.765 4.185
## Utilizar_PCestudos 9.588 0.734
## InstallEdesintal_progPC 6.912 7.356
## Cuidar_FuncionamentoPC 8.000 4.242
## Gerenciar_recursosPC 6.676 5.498media_dos_itens <-round(mean(uso_computadores_Mulheres$Media, na.rm = TRUE), 3)
variancia_dos_itens <-round(mean(uso_computadores_Mulheres$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de computadores:", media_dos_itens))## [1] "Média das Médias dos Itens de computadores: 7.995"print(paste("Média das Variâncias dos Itens de computadores:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de computadores: 3.957"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_computadores_Mulheres, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia no \n uso de computadores pelos Estudantes do sexo Feminino",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_computadores_Mulheres, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia no \n uso de computadores pelos Estudantes do sexo Feminino",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Combinar os dados de celulares e computadores
uso_celulares_Mulheres$Tecnologia <- "Celular"
uso_computadores_Mulheres$Tecnologia <- "Computador"
# Unir os dataframes
uso_combined_mulheres <- bind_rows(uso_celulares_Mulheres, uso_computadores_Mulheres)
# Verificar o dataframe combinado
print(uso_combined_mulheres)## Numero_do_Item Itens_da_Escala
## Utilizar_celBuscasPesquisas 29 Utilizar_celBuscasPesquisas
## Utilizar_celNoticiasNovidades 30 Utilizar_celNoticiasNovidades
## Utilizar_celEstudos 31 Utilizar_celEstudos
## InstEdesinst_appCel 32 InstEdesinst_appCel
## Cuidar_FuncionamentoCel 33 Cuidar_FuncionamentoCel
## Gerenciar_recursosCel 34 Gerenciar_recursosCel
## Utilizar_PCbuscas_pesquisas 35 Utilizar_PCbuscas_pesquisas
## Utilizar_PCnoticias_novidades 36 Utilizar_PCnoticias_novidades
## Utilizar_PCestudos 37 Utilizar_PCestudos
## InstallEdesintal_progPC 38 InstallEdesintal_progPC
## Cuidar_FuncionamentoPC 39 Cuidar_FuncionamentoPC
## Gerenciar_recursosPC 40 Gerenciar_recursosPC
## Media Variancia Tecnologia
## Utilizar_celBuscasPesquisas 9.500 0.803 Celular
## Utilizar_celNoticiasNovidades 8.735 2.928 Celular
## Utilizar_celEstudos 9.500 0.924 Celular
## InstEdesinst_appCel 9.029 4.999 Celular
## Cuidar_FuncionamentoCel 8.529 2.863 Celular
## Gerenciar_recursosCel 7.618 4.789 Celular
## Utilizar_PCbuscas_pesquisas 9.029 1.726 Computador
## Utilizar_PCnoticias_novidades 7.765 4.185 Computador
## Utilizar_PCestudos 9.588 0.734 Computador
## InstallEdesintal_progPC 6.912 7.356 Computador
## Cuidar_FuncionamentoPC 8.000 4.242 Computador
## Gerenciar_recursosPC 6.676 5.498 Computador# Gráfico de caixa para as médias
ggplot(uso_combined_mulheres, aes(x = Tecnologia, y = Media, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da autoeficácia para uso de celulares e uso de computadores \n pelos estudantes do sexo Feminino",
x = "Tecnologia",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
# Gráfico de caixa para as variâncias
ggplot(uso_combined_mulheres, aes(x = Tecnologia, y = Variancia, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da autoeficácia para uso de celulares e uso de computadores \n pelos estudantes do sexo Feminino (Variância)",
x = "Tecnologia",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
Trabalhando com a Mediana
# Calcular medianas por tecnologia
medianas <- uso_combined_mulheres %>%
group_by(Tecnologia) %>%
summarise(
Mediana_Media = median(Media, na.rm = TRUE),
Mediana_Variancia = median(Variancia, na.rm = TRUE)
)
print(medianas)## # A tibble: 2 × 3
## Tecnologia Mediana_Media Mediana_Variancia
## <chr> <dbl> <dbl>
## 1 Celular 8.88 2.90
## 2 Computador 7.88 4.21# Boxplot com medianas destacadas (Média)
ggplot(uso_combined_mulheres, aes(x = Tecnologia, y = Media, fill = Tecnologia)) +
geom_boxplot() +
geom_point(data = medianas, aes(x = Tecnologia, y = Mediana_Media),
color = "red", size = 3) +
geom_text(data = medianas, aes(x = Tecnologia, y = Mediana_Media,
label = round(Mediana_Media, 2)),
vjust = -1, color = "red") +
labs(title = "Boxplot da autoeficácia para uso de celulares e computadores \n (Médias das participantes)",
x = "Tecnologia",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
# Boxplot com medianas destacadas (Variância)
ggplot(uso_combined_mulheres, aes(x = Tecnologia, y = Variancia, fill = Tecnologia)) +
geom_boxplot() +
geom_point(data = medianas, aes(x = Tecnologia, y = Mediana_Variancia),
color = "blue", size = 3) +
geom_text(data = medianas, aes(x = Tecnologia, y = Mediana_Variancia,
label = round(Mediana_Variancia, 2)),
vjust = -1, color = "blue") +
labs(title = "Boxplot da autoeficácia para uso de celulares e computadores \n (Variâncias das participantes)",
x = "Tecnologia",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
Homens
uso_celulares_Homens <- uso_tecnologia_MediaVariancia_Homens %>%
filter(Itens_da_Escala %in% c("Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades", "Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel"))
print(uso_celulares_Homens)## Numero_do_Item Itens_da_Escala
## Utilizar_celBuscasPesquisas 29 Utilizar_celBuscasPesquisas
## Utilizar_celNoticiasNovidades 30 Utilizar_celNoticiasNovidades
## Utilizar_celEstudos 31 Utilizar_celEstudos
## InstEdesinst_appCel 32 InstEdesinst_appCel
## Cuidar_FuncionamentoCel 33 Cuidar_FuncionamentoCel
## Gerenciar_recursosCel 34 Gerenciar_recursosCel
## Media Variancia
## Utilizar_celBuscasPesquisas 9.031 1.773
## Utilizar_celNoticiasNovidades 7.938 4.512
## Utilizar_celEstudos 8.594 3.668
## InstEdesinst_appCel 8.656 5.201
## Cuidar_FuncionamentoCel 8.875 1.919
## Gerenciar_recursosCel 8.906 1.959media_dos_itens <-round(mean(uso_celulares_Homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <-round(mean(uso_celulares_Homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de celulares:", media_dos_itens))## [1] "Média das Médias dos Itens de celulares: 8.667"print(paste("Média das Variâncias dos Itens de celulares:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de celulares: 3.172"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_celulares_Homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia no \n uso de Celulares pelos Estudantes do sexo Masculino",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_celulares, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia no \n uso de celulares pelos Estudantes do sexo Masculino",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
uso_computadores_Homens <- uso_tecnologia_MediaVariancia_Homens %>%
filter(Itens_da_Escala %in% c("Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC"))
print(uso_computadores_Homens)## Numero_do_Item Itens_da_Escala
## Utilizar_PCbuscas_pesquisas 35 Utilizar_PCbuscas_pesquisas
## Utilizar_PCnoticias_novidades 36 Utilizar_PCnoticias_novidades
## Utilizar_PCestudos 37 Utilizar_PCestudos
## InstallEdesintal_progPC 38 InstallEdesintal_progPC
## Cuidar_FuncionamentoPC 39 Cuidar_FuncionamentoPC
## Gerenciar_recursosPC 40 Gerenciar_recursosPC
## Media Variancia
## Utilizar_PCbuscas_pesquisas 8.688 4.867
## Utilizar_PCnoticias_novidades 7.375 7.081
## Utilizar_PCestudos 8.812 5.641
## InstallEdesintal_progPC 7.812 9.060
## Cuidar_FuncionamentoPC 7.469 8.515
## Gerenciar_recursosPC 7.438 7.480media_dos_itens <-round(mean(uso_computadores_Homens$Media, na.rm = TRUE), 3)
variancia_dos_itens <-round(mean(uso_computadores_Homens$Variancia, na.rm = TRUE), 3)
# Imprimir as médias calculadas
print(paste("Média das Médias dos Itens de computadores:", media_dos_itens))## [1] "Média das Médias dos Itens de computadores: 7.932"print(paste("Média das Variâncias dos Itens de computadores:", variancia_dos_itens))## [1] "Média das Variâncias dos Itens de computadores: 7.107"# Criar o gráfico de barras para as médias com valores nas barras
ggplot(uso_computadores_Homens, aes(x = Itens_da_Escala, y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Médias para Autoeficácia no \n uso de computadores pelos Estudantes do sexo Masculino",
x = "Item",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Criar o gráfico de barras para as variâncias com valores nas barras
ggplot(uso_computadores_Homens, aes(x = Itens_da_Escala, y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Variancia, 2)), vjust = -0.5, color = "black") +
labs(title = "Gráfico de Barras para as Variancias para Autoeficácia no \n uso de computadores pelos Estudantes do sexo Masculino",
x = "Item",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") + coord_flip()
# Combinar os dados de celulares e computadores
uso_celulares_Homens$Tecnologia <- "Celular"
uso_computadores_Homens$Tecnologia <- "Computador"
# Unir os dataframes
uso_combined_homens <- bind_rows(uso_celulares_Homens, uso_computadores_Homens)
# Verificar o dataframe combinado
print(uso_combined_homens)## Numero_do_Item Itens_da_Escala
## Utilizar_celBuscasPesquisas 29 Utilizar_celBuscasPesquisas
## Utilizar_celNoticiasNovidades 30 Utilizar_celNoticiasNovidades
## Utilizar_celEstudos 31 Utilizar_celEstudos
## InstEdesinst_appCel 32 InstEdesinst_appCel
## Cuidar_FuncionamentoCel 33 Cuidar_FuncionamentoCel
## Gerenciar_recursosCel 34 Gerenciar_recursosCel
## Utilizar_PCbuscas_pesquisas 35 Utilizar_PCbuscas_pesquisas
## Utilizar_PCnoticias_novidades 36 Utilizar_PCnoticias_novidades
## Utilizar_PCestudos 37 Utilizar_PCestudos
## InstallEdesintal_progPC 38 InstallEdesintal_progPC
## Cuidar_FuncionamentoPC 39 Cuidar_FuncionamentoPC
## Gerenciar_recursosPC 40 Gerenciar_recursosPC
## Media Variancia Tecnologia
## Utilizar_celBuscasPesquisas 9.031 1.773 Celular
## Utilizar_celNoticiasNovidades 7.938 4.512 Celular
## Utilizar_celEstudos 8.594 3.668 Celular
## InstEdesinst_appCel 8.656 5.201 Celular
## Cuidar_FuncionamentoCel 8.875 1.919 Celular
## Gerenciar_recursosCel 8.906 1.959 Celular
## Utilizar_PCbuscas_pesquisas 8.688 4.867 Computador
## Utilizar_PCnoticias_novidades 7.375 7.081 Computador
## Utilizar_PCestudos 8.812 5.641 Computador
## InstallEdesintal_progPC 7.812 9.060 Computador
## Cuidar_FuncionamentoPC 7.469 8.515 Computador
## Gerenciar_recursosPC 7.438 7.480 Computador# Gráfico de caixa para as médias
ggplot(uso_combined_homens, aes(x = Tecnologia, y = Media, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da autoeficácia para uso de celulares e uso de computadores \n pelos estudantes do sexo Masculino",
x = "Tecnologia",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
# Gráfico de caixa para as variâncias
ggplot(uso_combined_homens, aes(x = Tecnologia, y = Variancia, fill = Tecnologia)) +
geom_boxplot() +
labs(title = "Gráfico de caixas da autoeficácia para uso de celulares e uso de computadores \n pelos estudantes do sexo Masculino (Variância)",
x = "Tecnologia",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
Trabalhando com a Mediana
# Calcular medianas por tecnologia
medianas <- uso_combined_homens %>%
group_by(Tecnologia) %>%
summarise(
Mediana_Media = median(Media, na.rm = TRUE),
Mediana_Variancia = median(Variancia, na.rm = TRUE)
)
print(medianas)## # A tibble: 2 × 3
## Tecnologia Mediana_Media Mediana_Variancia
## <chr> <dbl> <dbl>
## 1 Celular 8.77 2.81
## 2 Computador 7.64 7.28# Boxplot com medianas destacadas (Média)
ggplot(uso_combined_homens, aes(x = Tecnologia, y = Media, fill = Tecnologia)) +
geom_boxplot() +
geom_point(data = medianas, aes(x = Tecnologia, y = Mediana_Media),
color = "red", size = 3) +
geom_text(data = medianas, aes(x = Tecnologia, y = Mediana_Media,
label = round(Mediana_Media, 2)),
vjust = -1, color = "red") +
labs(title = "Boxplot da autoeficácia para uso de celulares e computadores \n (Médias dos participantes)",
x = "Tecnologia",
y = "Média") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
# Boxplot com medianas destacadas (Variância)
ggplot(uso_combined_homens, aes(x = Tecnologia, y = Variancia, fill = Tecnologia)) +
geom_boxplot() +
geom_point(data = medianas, aes(x = Tecnologia, y = Mediana_Variancia),
color = "blue", size = 3) +
geom_text(data = medianas, aes(x = Tecnologia, y = Mediana_Variancia,
label = round(Mediana_Variancia, 2)),
vjust = -1, color = "blue") +
labs(title = "Boxplot da autoeficácia para uso de celulares e computadores \n (Variâncias dos participantes)",
x = "Tecnologia",
y = "Variância") +
theme_minimal() +
theme(legend.position = "none") +
scale_y_continuous(limits = c(0, 10), breaks = seq(1, 10, 1))
Valores específicos de autoeficácia mencionados para diferentes aspectos do uso de celulares e computadores (gerência de recursos, configurações, instalação de programas/aplicativos, etc.)
Como a autoeficácia no uso de celulares se compara com a autoeficácia no uso de computadores?
comparacao_CelPC_RecursosEspecificos <- uso_combined %>%
filter(Itens_da_Escala %in% c( "Gerenciar_recursosCel", "Gerenciar_recursosPC", "InstEdesinst_appCel", "InstallEdesintal_progPC"))
print(comparacao_CelPC_RecursosEspecificos)## Numero_do_Item Itens_da_Escala Media Variancia Tecnologia
## 1 32 InstEdesinst_appCel 8.848 5.054 Celular
## 2 34 Gerenciar_recursosCel 8.242 3.786 Celular
## 3 38 InstallEdesintal_progPC 7.348 8.261 Computador
## 4 40 Gerenciar_recursosPC 7.045 6.506 Computador# Criar o gráfico de barras na ordem do filtro para médias
ggplot(comparacao_CelPC_RecursosEspecificos, aes(x = reorder(Itens_da_Escala, Media), y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Criar o gráfico de barras na ordem do filtro para variâncias
ggplot(comparacao_CelPC_RecursosEspecificos, aes(x = reorder(Itens_da_Escala, Variancia), y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares (Variância)",
x = "Itens da Escala",
y = "Variancia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Mulheres
comparacao_CelPC_RecursosEspecificos_mulheres <- uso_combined_mulheres %>%
filter(Itens_da_Escala %in% c( "Gerenciar_recursosCel", "Gerenciar_recursosPC", "InstEdesinst_appCel", "InstallEdesintal_progPC"))
print(comparacao_CelPC_RecursosEspecificos_mulheres)## Numero_do_Item Itens_da_Escala Media Variancia
## InstEdesinst_appCel 32 InstEdesinst_appCel 9.029 4.999
## Gerenciar_recursosCel 34 Gerenciar_recursosCel 7.618 4.789
## InstallEdesintal_progPC 38 InstallEdesintal_progPC 6.912 7.356
## Gerenciar_recursosPC 40 Gerenciar_recursosPC 6.676 5.498
## Tecnologia
## InstEdesinst_appCel Celular
## Gerenciar_recursosCel Celular
## InstallEdesintal_progPC Computador
## Gerenciar_recursosPC Computador# Criar o gráfico de barras na ordem do filtro para médias
ggplot(comparacao_CelPC_RecursosEspecificos_mulheres, aes(x = reorder(Itens_da_Escala, Media), y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Criar o gráfico de barras na ordem do filtro para variâncias
ggplot(comparacao_CelPC_RecursosEspecificos_mulheres, aes(x = reorder(Itens_da_Escala, Variancia), y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares (Variância)",
x = "Itens da Escala",
y = "Variancia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Homens
comparacao_CelPC_RecursosEspecificos_homens <- uso_combined_homens %>%
filter(Itens_da_Escala %in% c( "Gerenciar_recursosCel", "Gerenciar_recursosPC", "InstEdesinst_appCel", "InstallEdesintal_progPC"))
print(comparacao_CelPC_RecursosEspecificos_homens)## Numero_do_Item Itens_da_Escala Media Variancia
## InstEdesinst_appCel 32 InstEdesinst_appCel 8.656 5.201
## Gerenciar_recursosCel 34 Gerenciar_recursosCel 8.906 1.959
## InstallEdesintal_progPC 38 InstallEdesintal_progPC 7.812 9.060
## Gerenciar_recursosPC 40 Gerenciar_recursosPC 7.438 7.480
## Tecnologia
## InstEdesinst_appCel Celular
## Gerenciar_recursosCel Celular
## InstallEdesintal_progPC Computador
## Gerenciar_recursosPC Computador# Criar o gráfico de barras na ordem do filtro para médias
ggplot(comparacao_CelPC_RecursosEspecificos_homens, aes(x = reorder(Itens_da_Escala, Media), y = Media, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares",
x = "Itens da Escala",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Criar o gráfico de barras na ordem do filtro para variâncias
ggplot(comparacao_CelPC_RecursosEspecificos_homens, aes(x = reorder(Itens_da_Escala, Variancia), y = Variancia, fill = Itens_da_Escala)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Media, 2)), vjust = -0.09, color = "black") +
labs(title = "Autoeficacia quanto à gerência de recursos e configurações e à instalação \n de programas/aplicativos em computadores e celulares (Variância)",
x = "Itens da Escala",
y = "Variancia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Em quais aspectos do uso de celulares e computadores as estudantes apresentam maior ou menor autoeficácia?
Celular
uso_celular_especifico <- uso_tecnologia %>%
select(c(Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel))
# Transformar as colunas em linhas e agrupar por valores
uso_celular_agrupado <- uso_celular_especifico %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_celular_agrupado)## # A tibble: 44 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoCel 4 1
## 2 Cuidar_FuncionamentoCel 5 4
## 3 Cuidar_FuncionamentoCel 6 2
## 4 Cuidar_FuncionamentoCel 7 4
## 5 Cuidar_FuncionamentoCel 8 12
## 6 Cuidar_FuncionamentoCel 9 16
## 7 Cuidar_FuncionamentoCel 10 27
## 8 Gerenciar_recursosCel 0 1
## 9 Gerenciar_recursosCel 4 1
## 10 Gerenciar_recursosCel 5 6
## # ℹ 34 more rows# Calcular confiança alta e baixa
confianca <- uso_celular_agrupado %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confianca)## # A tibble: 12 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoCel Alta 59
## 2 Cuidar_FuncionamentoCel Baixa 7
## 3 Gerenciar_recursosCel Alta 57
## 4 Gerenciar_recursosCel Baixa 9
## 5 InstEdesinst_appCel Alta 58
## 6 InstEdesinst_appCel Baixa 8
## 7 Utilizar_celBuscasPesquisas Alta 65
## 8 Utilizar_celBuscasPesquisas Baixa 1
## 9 Utilizar_celEstudos Alta 63
## 10 Utilizar_celEstudos Baixa 3
## 11 Utilizar_celNoticiasNovidades Alta 53
## 12 Utilizar_celNoticiasNovidades Baixa 13# Criar o gráfico com facetas
ggplot(confianca, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Celulares",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Computador
uso_computador_especifico <- uso_tecnologia %>%
select(c(Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Transformar as colunas em linhas e agrupar por valores
uso_computador_agrupado <- uso_computador_especifico %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_computador_agrupado)## # A tibble: 55 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoPC 0 1
## 2 Cuidar_FuncionamentoPC 1 1
## 3 Cuidar_FuncionamentoPC 2 1
## 4 Cuidar_FuncionamentoPC 3 4
## 5 Cuidar_FuncionamentoPC 4 1
## 6 Cuidar_FuncionamentoPC 5 4
## 7 Cuidar_FuncionamentoPC 6 3
## 8 Cuidar_FuncionamentoPC 7 8
## 9 Cuidar_FuncionamentoPC 8 8
## 10 Cuidar_FuncionamentoPC 9 16
## # ℹ 45 more rows# Calcular confiança alta e baixa
confiancaPC <- uso_computador_agrupado %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confiancaPC)## # A tibble: 12 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 51
## 2 Cuidar_FuncionamentoPC Baixa 15
## 3 Gerenciar_recursosPC Alta 44
## 4 Gerenciar_recursosPC Baixa 22
## 5 InstallEdesintal_progPC Alta 45
## 6 InstallEdesintal_progPC Baixa 21
## 7 Utilizar_PCbuscas_pesquisas Alta 60
## 8 Utilizar_PCbuscas_pesquisas Baixa 6
## 9 Utilizar_PCestudos Alta 63
## 10 Utilizar_PCestudos Baixa 3
## 11 Utilizar_PCnoticias_novidades Alta 43
## 12 Utilizar_PCnoticias_novidades Baixa 23# Criar o gráfico com facetas
ggplot(confiancaPC, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Computadores",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Mulheres
Celular
uso_celular_especifico_mulheres <- uso_tecnologia_Mulheres %>%
select(c(Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel))
# Transformar as colunas em linhas e agrupar por valores
uso_celular_agrupado_mulheres <- uso_celular_especifico_mulheres %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_celular_agrupado_mulheres)## # A tibble: 37 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoCel 4 1
## 2 Cuidar_FuncionamentoCel 5 2
## 3 Cuidar_FuncionamentoCel 6 2
## 4 Cuidar_FuncionamentoCel 7 2
## 5 Cuidar_FuncionamentoCel 8 6
## 6 Cuidar_FuncionamentoCel 9 8
## 7 Cuidar_FuncionamentoCel 10 13
## 8 Gerenciar_recursosCel 0 1
## 9 Gerenciar_recursosCel 4 1
## 10 Gerenciar_recursosCel 5 4
## # ℹ 27 more rows# Calcular confiança alta e baixa
confianca_mulheres <- uso_celular_agrupado_mulheres %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confianca_mulheres)## # A tibble: 10 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoCel Alta 29
## 2 Cuidar_FuncionamentoCel Baixa 5
## 3 Gerenciar_recursosCel Alta 27
## 4 Gerenciar_recursosCel Baixa 7
## 5 InstEdesinst_appCel Alta 31
## 6 InstEdesinst_appCel Baixa 3
## 7 Utilizar_celBuscasPesquisas Alta 34
## 8 Utilizar_celEstudos Alta 34
## 9 Utilizar_celNoticiasNovidades Alta 30
## 10 Utilizar_celNoticiasNovidades Baixa 4# Criar o gráfico com facetas
ggplot(confianca_mulheres, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Celulares pelas Estudantes do \n Sexo Feminino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Computadores
uso_computador_especifico_mulheres <- uso_tecnologia_Mulheres %>%
select(c(Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Transformar as colunas em linhas e agrupar por valores
uso_computador_agrupado_mulheres <- uso_computador_especifico_mulheres %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_computador_agrupado_mulheres)## # A tibble: 43 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoPC 3 1
## 2 Cuidar_FuncionamentoPC 4 1
## 3 Cuidar_FuncionamentoPC 5 4
## 4 Cuidar_FuncionamentoPC 6 2
## 5 Cuidar_FuncionamentoPC 7 4
## 6 Cuidar_FuncionamentoPC 8 4
## 7 Cuidar_FuncionamentoPC 9 7
## 8 Cuidar_FuncionamentoPC 10 11
## 9 Gerenciar_recursosPC 0 1
## 10 Gerenciar_recursosPC 2 1
## # ℹ 33 more rows# Calcular confiança alta e baixa
confiancaPC_mulheres <- uso_computador_agrupado_mulheres %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confiancaPC_mulheres)## # A tibble: 11 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 26
## 2 Cuidar_FuncionamentoPC Baixa 8
## 3 Gerenciar_recursosPC Alta 21
## 4 Gerenciar_recursosPC Baixa 13
## 5 InstallEdesintal_progPC Alta 19
## 6 InstallEdesintal_progPC Baixa 15
## 7 Utilizar_PCbuscas_pesquisas Alta 32
## 8 Utilizar_PCbuscas_pesquisas Baixa 2
## 9 Utilizar_PCestudos Alta 34
## 10 Utilizar_PCnoticias_novidades Alta 22
## 11 Utilizar_PCnoticias_novidades Baixa 12# Criar o gráfico com facetas
ggplot(confiancaPC_mulheres, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Computadores pelos Estudantes do \n sexo Feminino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Homens
Celular
uso_celular_especifico_homens <- uso_tecnologia_Homens %>%
select(c(Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel))
# Transformar as colunas em linhas e agrupar por valores
uso_celular_agrupado_homens <- uso_celular_especifico_homens %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_celular_agrupado_homens)## # A tibble: 38 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoCel 5 2
## 2 Cuidar_FuncionamentoCel 7 2
## 3 Cuidar_FuncionamentoCel 8 6
## 4 Cuidar_FuncionamentoCel 9 8
## 5 Cuidar_FuncionamentoCel 10 14
## 6 Gerenciar_recursosCel 5 2
## 7 Gerenciar_recursosCel 7 2
## 8 Gerenciar_recursosCel 8 6
## 9 Gerenciar_recursosCel 9 7
## 10 Gerenciar_recursosCel 10 15
## # ℹ 28 more rows# Calcular confiança alta e baixa
confianca_homens <- uso_celular_agrupado_homens %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confianca_homens)## # A tibble: 12 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoCel Alta 30
## 2 Cuidar_FuncionamentoCel Baixa 2
## 3 Gerenciar_recursosCel Alta 30
## 4 Gerenciar_recursosCel Baixa 2
## 5 InstEdesinst_appCel Alta 27
## 6 InstEdesinst_appCel Baixa 5
## 7 Utilizar_celBuscasPesquisas Alta 31
## 8 Utilizar_celBuscasPesquisas Baixa 1
## 9 Utilizar_celEstudos Alta 29
## 10 Utilizar_celEstudos Baixa 3
## 11 Utilizar_celNoticiasNovidades Alta 23
## 12 Utilizar_celNoticiasNovidades Baixa 9# Criar o gráfico com facetas
ggplot(confianca_homens, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Celulares pelos Estudantes do \n Sexo Masculino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Computadores
uso_computador_especifico_homens <- uso_tecnologia_Homens %>%
select(c(Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Transformar as colunas em linhas e agrupar por valores
uso_computador_agrupado_homens <- uso_computador_especifico_homens %>%
pivot_longer(cols = everything(), names_to = "Variavel", values_to = "Valor") %>%
group_by(Variavel, Valor) %>%
summarize(Count = n(), .groups = 'drop')
# Exibir o resultado
print(uso_computador_agrupado_homens)## # A tibble: 50 × 3
## Variavel Valor Count
## <chr> <int> <int>
## 1 Cuidar_FuncionamentoPC 0 1
## 2 Cuidar_FuncionamentoPC 1 1
## 3 Cuidar_FuncionamentoPC 2 1
## 4 Cuidar_FuncionamentoPC 3 3
## 5 Cuidar_FuncionamentoPC 6 1
## 6 Cuidar_FuncionamentoPC 7 4
## 7 Cuidar_FuncionamentoPC 8 4
## 8 Cuidar_FuncionamentoPC 9 9
## 9 Cuidar_FuncionamentoPC 10 8
## 10 Gerenciar_recursosPC 0 1
## # ℹ 40 more rows# Calcular confiança alta e baixa
confiancaPC_homens <- uso_computador_agrupado_homens %>%
mutate(Confiança = case_when(
Valor >= 7 ~ "Alta",
Valor < 7 ~ "Baixa"
)) %>%
group_by(Variavel, Confiança) %>%
summarize(Total = sum(Count), .groups = 'drop')
# Exibir o resultado
print(confiancaPC_homens)## # A tibble: 12 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 25
## 2 Cuidar_FuncionamentoPC Baixa 7
## 3 Gerenciar_recursosPC Alta 23
## 4 Gerenciar_recursosPC Baixa 9
## 5 InstallEdesintal_progPC Alta 26
## 6 InstallEdesintal_progPC Baixa 6
## 7 Utilizar_PCbuscas_pesquisas Alta 28
## 8 Utilizar_PCbuscas_pesquisas Baixa 4
## 9 Utilizar_PCestudos Alta 29
## 10 Utilizar_PCestudos Baixa 3
## 11 Utilizar_PCnoticias_novidades Alta 21
## 12 Utilizar_PCnoticias_novidades Baixa 11# Criar o gráfico com facetas
ggplot(confiancaPC_homens, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para Uso de Computadores pelos Estudantes do \n sexo Masculino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Autoeficácia no uso de computadores, especificamente para estudos e trabalhos escolares, gerenciamento de recursos e configurações
Qual é o nível de autoeficácia das estudantes no uso de computadores para diferentes finalidades?
uso_computadoresitensespecificos <- confiancaPC %>%
filter(Variavel %in% c("Utilizar_PCestudos", "Gerenciar_recursosPC", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC"))
print(uso_computadoresitensespecificos)## # A tibble: 8 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 51
## 2 Cuidar_FuncionamentoPC Baixa 15
## 3 Gerenciar_recursosPC Alta 44
## 4 Gerenciar_recursosPC Baixa 22
## 5 InstallEdesintal_progPC Alta 45
## 6 InstallEdesintal_progPC Baixa 21
## 7 Utilizar_PCestudos Alta 63
## 8 Utilizar_PCestudos Baixa 3# Criar o gráfico com facetas
ggplot(uso_computadoresitensespecificos, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para estudos/trabalhos escolares, gerenciamento de \nrecursos, instalação/desinstalação de programas e cuidado com o bom \nfuncionamento do computador",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Mulheres
uso_computadoresitensespecificos_mulheres <- confiancaPC_mulheres %>%
filter(Variavel %in% c("Utilizar_PCestudos", "Gerenciar_recursosPC", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC"))
print(uso_computadoresitensespecificos_mulheres)## # A tibble: 7 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 26
## 2 Cuidar_FuncionamentoPC Baixa 8
## 3 Gerenciar_recursosPC Alta 21
## 4 Gerenciar_recursosPC Baixa 13
## 5 InstallEdesintal_progPC Alta 19
## 6 InstallEdesintal_progPC Baixa 15
## 7 Utilizar_PCestudos Alta 34# Criar o gráfico com facetas
ggplot(uso_computadoresitensespecificos_mulheres, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para estudos/trabalhos escolares, gerenciamento de \nrecursos, instalação/desinstalação de programas e cuidado com o bom \nfuncionamento do computador pelas Estudantes do sexo Feminino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Homens
uso_computadoresitensespecificos_homens <- confiancaPC_homens %>%
filter(Variavel %in% c("Utilizar_PCestudos", "Gerenciar_recursosPC", "InstallEdesintal_progPC", "Cuidar_FuncionamentoPC"))
print(uso_computadoresitensespecificos_homens)## # A tibble: 8 × 3
## Variavel Confiança Total
## <chr> <chr> <int>
## 1 Cuidar_FuncionamentoPC Alta 25
## 2 Cuidar_FuncionamentoPC Baixa 7
## 3 Gerenciar_recursosPC Alta 23
## 4 Gerenciar_recursosPC Baixa 9
## 5 InstallEdesintal_progPC Alta 26
## 6 InstallEdesintal_progPC Baixa 6
## 7 Utilizar_PCestudos Alta 29
## 8 Utilizar_PCestudos Baixa 3# Criar o gráfico com facetas
ggplot(uso_computadoresitensespecificos_homens, aes(x = Variavel, y = Total, fill = Confiança)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = Total), position = position_dodge(width = 0.9), vjust = 0.3, color = "black") +
labs(title = "Confiança Alta e Baixa para estudos/trabalhos escolares, gerenciamento de \nrecursos, instalação/desinstalação de programas e cuidado com o bom \nfuncionamento do computador pelos Estudantes do sexo Masculino",
x = "Variável",
y = "Confiança (Contagem)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "top")
Diferenças na autoeficácia por raça-etnia (estudantes brancas em comparação com as demais)
Há diferenças na autoeficácia no uso de computadores entre estudantes de diferentes raças-etnias? Como a autoeficácia no uso de computadores para estudos e trabalhos escolares, gerenciamento de recursos e configurações se distribui entre estudantes de diferentes raças-etnias?
autoeficacia_uso_computador_Etnia <- subset(dado_IFPBCG_amostra, select = c(Etnia, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_computador_Etnia)
autoeficacia_uso_computador_Etnia_especifico <- autoeficacia_uso_computador_Etnia %>%
select(c(Etnia, Utilizar_PCestudos,Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_etnia <- autoeficacia_uso_computador_Etnia_especifico %>%
group_by(Etnia) %>%
summarize(
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Variancia_Utilizar_PCestudos = round(var(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Variancia_Cuidar_FuncionamentoPC = round(var(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2),
Variancia_Gerenciar_recursosPC = round(var(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_etnia)## # A tibble: 3 × 7
## Etnia Media_Utilizar_PCestudos Variancia_Utilizar_PC…¹ Media_Cuidar_Funcion…²
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 9.31 2.46 7.69
## 2 Parda 9.26 2.81 7.65
## 3 Preta 8.5 10.3 8.5
## # ℹ abbreviated names: ¹Variancia_Utilizar_PCestudos,
## # ²Media_Cuidar_FuncionamentoPC
## # ℹ 3 more variables: Variancia_Cuidar_FuncionamentoPC <dbl>,
## # Media_Gerenciar_recursosPC <dbl>, Variancia_Gerenciar_recursosPC <dbl># Transformar os dados para formato longo para as médias
media_por_etnia_long <- autoeficacia_por_etnia %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
# Transformar os dados para formato longo para as variâncias
variancia_por_etnia_long <- autoeficacia_por_etnia %>%
pivot_longer(cols = starts_with("Variancia_"), names_to = "Item", values_to = "Variancia") %>%
mutate(Item = gsub("Variancia_", "", Item))
# Criar o gráfico
grafico_autoeficacia <- ggplot(media_por_etnia_long, aes(x = Etnia, y = Media, fill = Item)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = round(Media, 2)), vjust = -0.5, color = "black", position = position_dodge(0.9)) +
labs(title = "Autoeficácia no Uso do Computador por Etnia (Média)",
x = "Etnia",
y = "Autoeficácia (0-10)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(grafico_autoeficacia)
Mulheres
autoeficacia_uso_computador_Etnia_mulheres <- subset(dado_IFPB_Mulheres_Amostra, select = c(Etnia, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_computador_Etnia)
autoeficacia_uso_computador_Etnia_especifico_mulheres <- autoeficacia_uso_computador_Etnia_mulheres %>%
select(c(Etnia, Utilizar_PCestudos,Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_etnia_mulheres <- autoeficacia_uso_computador_Etnia_especifico_mulheres %>%
group_by(Etnia) %>%
summarize(
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Variancia_Utilizar_PCestudos = round(var(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Variancia_Cuidar_FuncionamentoPC = round(var(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2),
Variancia_Gerenciar_recursosPC = round(var(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_etnia_mulheres)## # A tibble: 3 × 7
## Etnia Media_Utilizar_PCestudos Variancia_Utilizar_PC…¹ Media_Cuidar_Funcion…²
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 9.4 1.16 7.8
## 2 Parda 9.62 0.65 7.81
## 3 Preta 10 0 10
## # ℹ abbreviated names: ¹Variancia_Utilizar_PCestudos,
## # ²Media_Cuidar_FuncionamentoPC
## # ℹ 3 more variables: Variancia_Cuidar_FuncionamentoPC <dbl>,
## # Media_Gerenciar_recursosPC <dbl>, Variancia_Gerenciar_recursosPC <dbl># Transformar os dados para formato longo para as médias
media_por_etnia_long_mulheres <- autoeficacia_por_etnia_mulheres %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
# Transformar os dados para formato longo para as variâncias
variancia_por_etnia_long_mulheres <- autoeficacia_por_etnia_mulheres %>%
pivot_longer(cols = starts_with("Variancia_"), names_to = "Item", values_to = "Variancia") %>%
mutate(Item = gsub("Variancia_", "", Item))
# Criar o gráfico
grafico_autoeficacia_mulheres <- ggplot(media_por_etnia_long_mulheres, aes(x = Etnia, y = Media, fill = Item)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = round(Media, 2)), vjust = -0.3, color = "black", position = position_dodge(0.9)) +
labs(title = "Autoeficácia no Uso do Computador por Etnia (Média) pelas estudantea do \nsexo Feminino",
x = "Etnia",
y = "Autoeficácia (0-10)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(grafico_autoeficacia_mulheres)
Homens
autoeficacia_uso_computador_Etnia_homens <- subset(dado_IFPB_Homens_Amostra, select = c(Etnia, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_computador_Etnia)
autoeficacia_uso_computador_Etnia_especifico_homens <- autoeficacia_uso_computador_Etnia_homens %>%
select(c(Etnia, Utilizar_PCestudos,Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_etnia_homens <- autoeficacia_uso_computador_Etnia_especifico_homens %>%
group_by(Etnia) %>%
summarize(
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Variancia_Utilizar_PCestudos = round(var(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Variancia_Cuidar_FuncionamentoPC = round(var(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2),
Variancia_Gerenciar_recursosPC = round(var(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_etnia_homens)## # A tibble: 3 × 7
## Etnia Media_Utilizar_PCestudos Variancia_Utilizar_PC…¹ Media_Cuidar_Funcion…²
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 9.25 3.4 7.62
## 2 Parda 8.69 6.06 7.38
## 3 Preta 7 19 7
## # ℹ abbreviated names: ¹Variancia_Utilizar_PCestudos,
## # ²Media_Cuidar_FuncionamentoPC
## # ℹ 3 more variables: Variancia_Cuidar_FuncionamentoPC <dbl>,
## # Media_Gerenciar_recursosPC <dbl>, Variancia_Gerenciar_recursosPC <dbl># Transformar os dados para formato longo para as médias
media_por_etnia_long_homens <- autoeficacia_por_etnia_homens %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
# Transformar os dados para formato longo para as variâncias
variancia_por_etnia_long_homens <- autoeficacia_por_etnia_homens %>%
pivot_longer(cols = starts_with("Variancia_"), names_to = "Item", values_to = "Variancia") %>%
mutate(Item = gsub("Variancia_", "", Item))
# Criar o gráfico
grafico_autoeficacia_homens <- ggplot(media_por_etnia_long_homens, aes(x = Etnia, y = Media, fill = Item)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = round(Media, 2)), vjust = -0.3, color = "black", position = position_dodge(0.9)) +
labs(title = "Autoeficácia no Uso do Computador por Etnia (Média) pelas estudantea do \nsexo Feminino",
x = "Etnia",
y = "Autoeficácia (0-10)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
print(grafico_autoeficacia_homens)
Autoeficácia no uso de tecnologias, especificamente para cuidar do bom funcionamento de um computador e gerenciar recursos e configurações
Qual é o nível de autoeficácia das estudantes no uso de tecnologias relacionadas a computadores em diferentes anos escolares?
autoeficacia_uso_tecnlogia_PorSerie <- subset(dado_autoeficacia, select = c(Serie, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_tecnlogia_PorSerie)
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_serie <- autoeficacia_uso_tecnlogia_PorSerie %>%
group_by(Serie) %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_serie)## # A tibble: 3 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 8.44 8.78 7.78
## 2 2 9.25 9.75 8.5
## 3 3 9.42 9.36 8.58
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_porSerie_long <- autoeficacia_por_serie %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_porSerie_long)## # A tibble: 39 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 8.44
## 2 1 Utilizar_celBuscasPesquisas 8.78
## 3 1 Utilizar_celNoticiasNovidades 7.78
## 4 1 Utilizar_celEstudos 8.67
## 5 1 InstEdesinst_appCel 8.17
## 6 1 Cuidar_FuncionamentoCel 8.28
## 7 1 Gerenciar_recursosCel 7.83
## 8 1 Utilizar_PCbuscas_pesquisas 7.61
## 9 1 Utilizar_PCnoticias_novidades 6.28
## 10 1 Utilizar_PCestudos 8.28
## # ℹ 29 more rows# Remover linhas duplicadas
autoeficacia_porSerie_long <- autoeficacia_porSerie_long %>%
distinct()
print(autoeficacia_porSerie_long)## # A tibble: 39 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 8.44
## 2 1 Utilizar_celBuscasPesquisas 8.78
## 3 1 Utilizar_celNoticiasNovidades 7.78
## 4 1 Utilizar_celEstudos 8.67
## 5 1 InstEdesinst_appCel 8.17
## 6 1 Cuidar_FuncionamentoCel 8.28
## 7 1 Gerenciar_recursosCel 7.83
## 8 1 Utilizar_PCbuscas_pesquisas 7.61
## 9 1 Utilizar_PCnoticias_novidades 6.28
## 10 1 Utilizar_PCestudos 8.28
## # ℹ 29 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_porSerie_wide <- autoeficacia_porSerie_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_porSerie_wide)## # A tibble: 13 × 4
## Item `1` `2` `3`
## <chr> <dbl> <dbl> <dbl>
## 1 Utilizar_celComunicar 8.44 9.25 9.42
## 2 Utilizar_celBuscasPesquisas 8.78 9.75 9.36
## 3 Utilizar_celNoticiasNovidades 7.78 8.5 8.58
## 4 Utilizar_celEstudos 8.67 9.75 9.03
## 5 InstEdesinst_appCel 8.17 9.67 8.92
## 6 Cuidar_FuncionamentoCel 8.28 8.75 8.89
## 7 Gerenciar_recursosCel 7.83 8.17 8.47
## 8 Utilizar_PCbuscas_pesquisas 7.61 9.5 9.28
## 9 Utilizar_PCnoticias_novidades 6.28 8.33 7.97
## 10 Utilizar_PCestudos 8.28 10 9.42
## 11 InstallEdesintal_progPC 5.44 8.33 7.97
## 12 Cuidar_FuncionamentoPC 6.5 8 8.28
## 13 Gerenciar_recursosPC 5.78 7.08 7.67Mulheres
autoeficacia_uso_tecnologia_PorSerie_mulheres <- subset(dado_autoeficacia_Mulheres, select = c(Serie, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_tecnologia_PorSerie_mulheres)
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_serie_mulheres <- autoeficacia_uso_tecnologia_PorSerie_mulheres %>%
group_by(Serie) %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_serie_mulheres)## # A tibble: 3 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 7.14 8.71 8.29
## 2 2 9.2 9.8 8.3
## 3 3 9.59 9.65 9.18
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_porSerie_mulheres_long <- autoeficacia_por_serie_mulheres %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_porSerie_mulheres_long)## # A tibble: 39 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 7.14
## 2 1 Utilizar_celBuscasPesquisas 8.71
## 3 1 Utilizar_celNoticiasNovidades 8.29
## 4 1 Utilizar_celEstudos 9.14
## 5 1 InstEdesinst_appCel 7.57
## 6 1 Cuidar_FuncionamentoCel 7.29
## 7 1 Gerenciar_recursosCel 5.71
## 8 1 Utilizar_PCbuscas_pesquisas 8
## 9 1 Utilizar_PCnoticias_novidades 7
## 10 1 Utilizar_PCestudos 9.14
## # ℹ 29 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_porSerie_mulheres_wide <- autoeficacia_porSerie_mulheres_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_porSerie_mulheres_wide)## # A tibble: 13 × 4
## Item `1` `2` `3`
## <chr> <dbl> <dbl> <dbl>
## 1 Utilizar_celComunicar 7.14 9.2 9.59
## 2 Utilizar_celBuscasPesquisas 8.71 9.8 9.65
## 3 Utilizar_celNoticiasNovidades 8.29 8.3 9.18
## 4 Utilizar_celEstudos 9.14 9.7 9.53
## 5 InstEdesinst_appCel 7.57 9.7 9.24
## 6 Cuidar_FuncionamentoCel 7.29 8.6 9
## 7 Gerenciar_recursosCel 5.71 7.9 8.24
## 8 Utilizar_PCbuscas_pesquisas 8 9.5 9.18
## 9 Utilizar_PCnoticias_novidades 7 8.1 7.88
## 10 Utilizar_PCestudos 9.14 10 9.53
## 11 InstallEdesintal_progPC 4 8.1 7.41
## 12 Cuidar_FuncionamentoPC 7.71 7.7 8.29
## 13 Gerenciar_recursosPC 5 6.7 7.35Homens
autoeficacia_uso_tecnologia_PorSerie_homens <- subset(dado_autoeficacia_Homens, select = c(Serie, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades, Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel, Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos, InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC))
#print(autoeficacia_uso_tecnologia_PorSerie_homens)
# Calcular a média e a variância por etnia para cada item
autoeficacia_por_serie_homens <- autoeficacia_uso_tecnologia_PorSerie_homens %>%
group_by(Serie) %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
print(autoeficacia_por_serie_homens)## # A tibble: 3 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 9.27 8.82 7.45
## 2 2 9.5 9.5 9.5
## 3 3 9.26 9.11 8.05
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_porSerie_homens_long <- autoeficacia_por_serie_homens %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_porSerie_homens_long)## # A tibble: 39 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 9.27
## 2 1 Utilizar_celBuscasPesquisas 8.82
## 3 1 Utilizar_celNoticiasNovidades 7.45
## 4 1 Utilizar_celEstudos 8.36
## 5 1 InstEdesinst_appCel 8.55
## 6 1 Cuidar_FuncionamentoCel 8.91
## 7 1 Gerenciar_recursosCel 9.18
## 8 1 Utilizar_PCbuscas_pesquisas 7.36
## 9 1 Utilizar_PCnoticias_novidades 5.82
## 10 1 Utilizar_PCestudos 7.73
## # ℹ 29 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_porSerie_homens_wide <- autoeficacia_porSerie_homens_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_porSerie_homens_wide)## # A tibble: 13 × 4
## Item `1` `2` `3`
## <chr> <dbl> <dbl> <dbl>
## 1 Utilizar_celComunicar 9.27 9.5 9.26
## 2 Utilizar_celBuscasPesquisas 8.82 9.5 9.11
## 3 Utilizar_celNoticiasNovidades 7.45 9.5 8.05
## 4 Utilizar_celEstudos 8.36 10 8.58
## 5 InstEdesinst_appCel 8.55 9.5 8.63
## 6 Cuidar_FuncionamentoCel 8.91 9.5 8.79
## 7 Gerenciar_recursosCel 9.18 9.5 8.68
## 8 Utilizar_PCbuscas_pesquisas 7.36 9.5 9.37
## 9 Utilizar_PCnoticias_novidades 5.82 9.5 8.05
## 10 Utilizar_PCestudos 7.73 10 9.32
## 11 InstallEdesintal_progPC 6.36 9.5 8.47
## 12 Cuidar_FuncionamentoPC 5.73 9.5 8.26
## 13 Gerenciar_recursosPC 6.27 9 7.95Diferenças na autoeficácia por ano escolar (1º e 3º anos)
Há diferenças na autoeficácia no uso de tecnologias entre estudantes de diferentes anos escolares? Como a autoeficácia no uso de tecnologias se desenvolve ao longo dos anos escolares?
comparando_1E3Anos <- autoeficacia_por_serie %>%
filter(Serie %in% c(1, 3))
print(comparando_1E3Anos)## # A tibble: 2 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 8.44 8.78 7.78
## 2 3 9.42 9.36 8.58
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_long <- comparando_1E3Anos %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_long)## # A tibble: 26 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 8.44
## 2 1 Utilizar_celBuscasPesquisas 8.78
## 3 1 Utilizar_celNoticiasNovidades 7.78
## 4 1 Utilizar_celEstudos 8.67
## 5 1 InstEdesinst_appCel 8.17
## 6 1 Cuidar_FuncionamentoCel 8.28
## 7 1 Gerenciar_recursosCel 7.83
## 8 1 Utilizar_PCbuscas_pesquisas 7.61
## 9 1 Utilizar_PCnoticias_novidades 6.28
## 10 1 Utilizar_PCestudos 8.28
## # ℹ 16 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_wide <- autoeficacia_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_wide)## # A tibble: 13 × 3
## Item `1` `3`
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 8.44 9.42
## 2 Utilizar_celBuscasPesquisas 8.78 9.36
## 3 Utilizar_celNoticiasNovidades 7.78 8.58
## 4 Utilizar_celEstudos 8.67 9.03
## 5 InstEdesinst_appCel 8.17 8.92
## 6 Cuidar_FuncionamentoCel 8.28 8.89
## 7 Gerenciar_recursosCel 7.83 8.47
## 8 Utilizar_PCbuscas_pesquisas 7.61 9.28
## 9 Utilizar_PCnoticias_novidades 6.28 7.97
## 10 Utilizar_PCestudos 8.28 9.42
## 11 InstallEdesintal_progPC 5.44 7.97
## 12 Cuidar_FuncionamentoPC 6.5 8.28
## 13 Gerenciar_recursosPC 5.78 7.67Mulheres
comparando_1E3Anos_mulheres <- autoeficacia_por_serie_mulheres %>%
filter(Serie %in% c(1, 3))
print(comparando_1E3Anos_mulheres)## # A tibble: 2 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 7.14 8.71 8.29
## 2 3 9.59 9.65 9.18
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_mulheres_long <- comparando_1E3Anos_mulheres %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_mulheres_long)## # A tibble: 26 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 7.14
## 2 1 Utilizar_celBuscasPesquisas 8.71
## 3 1 Utilizar_celNoticiasNovidades 8.29
## 4 1 Utilizar_celEstudos 9.14
## 5 1 InstEdesinst_appCel 7.57
## 6 1 Cuidar_FuncionamentoCel 7.29
## 7 1 Gerenciar_recursosCel 5.71
## 8 1 Utilizar_PCbuscas_pesquisas 8
## 9 1 Utilizar_PCnoticias_novidades 7
## 10 1 Utilizar_PCestudos 9.14
## # ℹ 16 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_mulheres_wide <- autoeficacia_mulheres_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_mulheres_wide)## # A tibble: 13 × 3
## Item `1` `3`
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 7.14 9.59
## 2 Utilizar_celBuscasPesquisas 8.71 9.65
## 3 Utilizar_celNoticiasNovidades 8.29 9.18
## 4 Utilizar_celEstudos 9.14 9.53
## 5 InstEdesinst_appCel 7.57 9.24
## 6 Cuidar_FuncionamentoCel 7.29 9
## 7 Gerenciar_recursosCel 5.71 8.24
## 8 Utilizar_PCbuscas_pesquisas 8 9.18
## 9 Utilizar_PCnoticias_novidades 7 7.88
## 10 Utilizar_PCestudos 9.14 9.53
## 11 InstallEdesintal_progPC 4 7.41
## 12 Cuidar_FuncionamentoPC 7.71 8.29
## 13 Gerenciar_recursosPC 5 7.35Homens
comparando_1E3Anos_homens <- autoeficacia_por_serie_homens %>%
filter(Serie %in% c(1, 3))
print(comparando_1E3Anos_homens)## # A tibble: 2 × 14
## Serie Media_Utilizar_celComuni…¹ Media_Utilizar_celBu…² Media_Utilizar_celNo…³
## <int> <dbl> <dbl> <dbl>
## 1 1 9.27 8.82 7.45
## 2 3 9.26 9.11 8.05
## # ℹ abbreviated names: ¹Media_Utilizar_celComunicar,
## # ²Media_Utilizar_celBuscasPesquisas, ³Media_Utilizar_celNoticiasNovidades
## # ℹ 10 more variables: Media_Utilizar_celEstudos <dbl>,
## # Media_InstEdesinst_appCel <dbl>, Media_Cuidar_FuncionamentoCel <dbl>,
## # Media_Gerenciar_recursosCel <dbl>, Media_Utilizar_PCbuscas_pesquisas <dbl>,
## # Media_Utilizar_PCnoticias_novidades <dbl>, Media_Utilizar_PCestudos <dbl>,
## # Media_InstallEdesintal_progPC <dbl>, Media_Cuidar_FuncionamentoPC <dbl>, …# Transformar os dados de formato largo para longo
autoeficacia_homens_long <- comparando_1E3Anos_homens %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media") %>%
mutate(Item = gsub("Media_", "", Item))
print(autoeficacia_homens_long)## # A tibble: 26 × 3
## Serie Item Media
## <int> <chr> <dbl>
## 1 1 Utilizar_celComunicar 9.27
## 2 1 Utilizar_celBuscasPesquisas 8.82
## 3 1 Utilizar_celNoticiasNovidades 7.45
## 4 1 Utilizar_celEstudos 8.36
## 5 1 InstEdesinst_appCel 8.55
## 6 1 Cuidar_FuncionamentoCel 8.91
## 7 1 Gerenciar_recursosCel 9.18
## 8 1 Utilizar_PCbuscas_pesquisas 7.36
## 9 1 Utilizar_PCnoticias_novidades 5.82
## 10 1 Utilizar_PCestudos 7.73
## # ℹ 16 more rows# Transformar os dados de formato longo para largo novamente, com as séries como colunas
autoeficacia_homens_wide <- autoeficacia_homens_long %>%
pivot_wider(names_from = Serie, values_from = Media)
print(autoeficacia_homens_wide)## # A tibble: 13 × 3
## Item `1` `3`
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 9.27 9.26
## 2 Utilizar_celBuscasPesquisas 8.82 9.11
## 3 Utilizar_celNoticiasNovidades 7.45 8.05
## 4 Utilizar_celEstudos 8.36 8.58
## 5 InstEdesinst_appCel 8.55 8.63
## 6 Cuidar_FuncionamentoCel 8.91 8.79
## 7 Gerenciar_recursosCel 9.18 8.68
## 8 Utilizar_PCbuscas_pesquisas 7.36 9.37
## 9 Utilizar_PCnoticias_novidades 5.82 8.05
## 10 Utilizar_PCestudos 7.73 9.32
## 11 InstallEdesintal_progPC 6.36 8.47
## 12 Cuidar_FuncionamentoPC 5.73 8.26
## 13 Gerenciar_recursosPC 6.27 7.95Autoeficácia no uso de tecnologias relacionadas ao curso Técnico de Informática
Qual é o nível de autoeficácia das estudantes no uso de tecnologias específicas para o curso Técnico de Informática?
# Filtrar os dados com base na confiança em escolher um curso relacionado ao Técnico de Informática
autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico <- dado_autoeficacia %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7) %>%
select(-Serie)
# Calcular a média de cada item de uso de tecnologias para aqueles que escolheram um curso superior relacionado ao técnico
uso_tecnologias_confiante <- autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
uso_tecnologias_confiante_long <- uso_tecnologias_confiante %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Confiante") %>%
mutate(Item = gsub("Media_", "", Item))
# Calcular a média de cada item de uso de tecnologias para a população geral
Uso_tecnologia_geral <- dado_autoeficacia %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
Uso_tecnologia_geral_long <- Uso_tecnologia_geral %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Geral") %>%
mutate(Item = gsub("Media_", "", Item))
# Combinar os dados de uso de tecnologias com a confiança em escolher um curso superior relacionado ao técnico
autoeficacia_uso_tecnologia_confiancaCursoSuperior <- full_join(
uso_tecnologias_confiante_long,
Uso_tecnologia_geral_long,
by = "Item"
) %>%
rename(
`Média Curso Superior em Informática` = Media_Confiante,
`Média Geral` = Media_Geral
)
print(autoeficacia_uso_tecnologia_confiancaCursoSuperior)## # A tibble: 13 × 3
## Item Média Curso Superior em Informá…¹ `Média Geral`
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 8.95 9.12
## 2 Utilizar_celBuscasPesquisas 9.25 9.27
## 3 Utilizar_celNoticiasNovidades 8.15 8.35
## 4 Utilizar_celEstudos 8.8 9.06
## 5 InstEdesinst_appCel 8.68 8.85
## 6 Cuidar_FuncionamentoCel 8.9 8.7
## 7 Gerenciar_recursosCel 8.57 8.24
## 8 Utilizar_PCbuscas_pesquisas 8.95 8.86
## 9 Utilizar_PCnoticias_novidades 7.72 7.58
## 10 Utilizar_PCestudos 9.28 9.21
## 11 InstallEdesintal_progPC 7.72 7.35
## 12 Cuidar_FuncionamentoPC 8.22 7.74
## 13 Gerenciar_recursosPC 7.7 7.05
## # ℹ abbreviated name: ¹`Média Curso Superior em Informática`Mulheres
# Filtrar os dados com base na confiança em escolher um curso relacionado ao Técnico de Informática
autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico <- dado_autoeficacia_Mulheres %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7) %>%
select(-Serie)
# Calcular a média de cada item de uso de tecnologias para aqueles que escolheram um curso superior relacionado ao técnico
uso_tecnologias_confiante <- autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
uso_tecnologias_confiante_long <- uso_tecnologias_confiante %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Confiante") %>%
mutate(Item = gsub("Media_", "", Item))
# Calcular a média de cada item de uso de tecnologias para a população geral
Uso_tecnologia_geral <- dado_autoeficacia_Mulheres %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
Uso_tecnologia_geral_long <- Uso_tecnologia_geral %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Geral") %>%
mutate(Item = gsub("Media_", "", Item))
# Combinar os dados de uso de tecnologias com a confiança em escolher um curso superior relacionado ao técnico
autoeficacia_uso_tecnologia_confiancaCursoSuperior_Mulheres <- full_join(
uso_tecnologias_confiante_long,
Uso_tecnologia_geral_long,
by = "Item"
) %>%
rename(
`Média Curso Superior em Informática - Mulheres` = Media_Confiante,
`Média Geral - Mulheres` = Media_Geral
)
print(autoeficacia_uso_tecnologia_confiancaCursoSuperior_Mulheres)## # A tibble: 13 × 3
## Item Média Curso Superior e…¹ Média Geral - Mulher…²
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 8.62 8.97
## 2 Utilizar_celBuscasPesquisas 9.5 9.5
## 3 Utilizar_celNoticiasNovidades 8.31 8.74
## 4 Utilizar_celEstudos 9.25 9.5
## 5 InstEdesinst_appCel 8.38 9.03
## 6 Cuidar_FuncionamentoCel 8.94 8.53
## 7 Gerenciar_recursosCel 7.75 7.62
## 8 Utilizar_PCbuscas_pesquisas 9 9.03
## 9 Utilizar_PCnoticias_novidades 8.06 7.76
## 10 Utilizar_PCestudos 9.44 9.59
## 11 InstallEdesintal_progPC 7.19 6.91
## 12 Cuidar_FuncionamentoPC 8.88 8
## 13 Gerenciar_recursosPC 7.44 6.68
## # ℹ abbreviated names: ¹`Média Curso Superior em Informática - Mulheres`,
## # ²`Média Geral - Mulheres`Homens
# Filtrar os dados com base na confiança em escolher um curso relacionado ao Técnico de Informática
autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico <- dado_autoeficacia_Homens %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7) %>%
select(-Serie)
# Calcular a média de cada item de uso de tecnologias para aqueles que escolheram um curso superior relacionado ao técnico
uso_tecnologias_confiante <- autoeficacia_uso_tecnologia_cursoSuperiorRelacionadoaoTecnico %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
uso_tecnologias_confiante_long <- uso_tecnologias_confiante %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Confiante") %>%
mutate(Item = gsub("Media_", "", Item))
# Calcular a média de cada item de uso de tecnologias para a população geral
Uso_tecnologia_geral <- dado_autoeficacia_Homens %>%
summarize(
Media_Utilizar_celComunicar = round(mean(Utilizar_celComunicar, na.rm = TRUE), 2),
Media_Utilizar_celBuscasPesquisas = round(mean(Utilizar_celBuscasPesquisas, na.rm = TRUE), 2),
Media_Utilizar_celNoticiasNovidades = round(mean(Utilizar_celNoticiasNovidades, na.rm = TRUE), 2),
Media_Utilizar_celEstudos = round(mean(Utilizar_celEstudos, na.rm = TRUE), 2),
Media_InstEdesinst_appCel = round(mean(InstEdesinst_appCel, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoCel = round(mean(Cuidar_FuncionamentoCel, na.rm = TRUE), 2),
Media_Gerenciar_recursosCel = round(mean(Gerenciar_recursosCel, na.rm = TRUE), 2),
Media_Utilizar_PCbuscas_pesquisas = round(mean(Utilizar_PCbuscas_pesquisas, na.rm = TRUE), 2),
Media_Utilizar_PCnoticias_novidades = round(mean(Utilizar_PCnoticias_novidades, na.rm = TRUE), 2),
Media_Utilizar_PCestudos = round(mean(Utilizar_PCestudos, na.rm = TRUE), 2),
Media_InstallEdesintal_progPC = round(mean(InstallEdesintal_progPC, na.rm = TRUE), 2),
Media_Cuidar_FuncionamentoPC = round(mean(Cuidar_FuncionamentoPC, na.rm = TRUE), 2),
Media_Gerenciar_recursosPC = round(mean(Gerenciar_recursosPC, na.rm = TRUE), 2)
)
# Transformar os dados de formato largo para longo
Uso_tecnologia_geral_long <- Uso_tecnologia_geral %>%
pivot_longer(cols = starts_with("Media_"), names_to = "Item", values_to = "Media_Geral") %>%
mutate(Item = gsub("Media_", "", Item))
# Combinar os dados de uso de tecnologias com a confiança em escolher um curso superior relacionado ao técnico
autoeficacia_uso_tecnologia_confiancaCursoSuperior_Homens <- full_join(
uso_tecnologias_confiante_long,
Uso_tecnologia_geral_long,
by = "Item"
) %>%
rename(
`Média Curso Superior em Informática - Homens` = Media_Confiante,
`Média Geral - Homens` = Media_Geral
)
print(autoeficacia_uso_tecnologia_confiancaCursoSuperior_Homens)## # A tibble: 13 × 3
## Item Média Curso Superior e…¹ `Média Geral - Homens`
## <chr> <dbl> <dbl>
## 1 Utilizar_celComunicar 9.17 9.28
## 2 Utilizar_celBuscasPesquisas 9.08 9.03
## 3 Utilizar_celNoticiasNovidades 8.04 7.94
## 4 Utilizar_celEstudos 8.5 8.59
## 5 InstEdesinst_appCel 8.88 8.66
## 6 Cuidar_FuncionamentoCel 8.88 8.88
## 7 Gerenciar_recursosCel 9.12 8.91
## 8 Utilizar_PCbuscas_pesquisas 8.92 8.69
## 9 Utilizar_PCnoticias_novidades 7.5 7.38
## 10 Utilizar_PCestudos 9.17 8.81
## 11 InstallEdesintal_progPC 8.08 7.81
## 12 Cuidar_FuncionamentoPC 7.79 7.47
## 13 Gerenciar_recursosPC 7.88 7.44
## # ℹ abbreviated name: ¹`Média Curso Superior em Informática - Homens`Escolha de um curso superior em Computação
Existe relação entre a autoeficácia no uso de tecnologias e a escolha de um curso superior em Computação? Como a autoeficácia no uso de tecnologias influencia a decisão das estudantes em escolher um curso na área de Computação?
# Calcular a correlação entre a escolha do curso superior e o uso das tecnologias
correlacoes <- dado_autoeficacia %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades,
Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel,
Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos,
InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC) %>%
cor(use = "complete.obs")
print(correlacoes)## Escolha_CursoSup_relaCursoTecnico
## Escolha_CursoSup_relaCursoTecnico 1.000000000
## Utilizar_celComunicar -0.070522545
## Utilizar_celBuscasPesquisas 0.005849723
## Utilizar_celNoticiasNovidades -0.028345757
## Utilizar_celEstudos -0.115614797
## InstEdesinst_appCel -0.019120734
## Cuidar_FuncionamentoCel 0.159978443
## Gerenciar_recursosCel 0.217456372
## Utilizar_PCbuscas_pesquisas 0.003601464
## Utilizar_PCnoticias_novidades 0.139457659
## Utilizar_PCestudos -0.010782094
## InstallEdesintal_progPC 0.136171665
## Cuidar_FuncionamentoPC 0.246090603
## Gerenciar_recursosPC 0.287161598
## Utilizar_celComunicar
## Escolha_CursoSup_relaCursoTecnico -0.070522545
## Utilizar_celComunicar 1.000000000
## Utilizar_celBuscasPesquisas 0.493145224
## Utilizar_celNoticiasNovidades 0.295679976
## Utilizar_celEstudos 0.142568181
## InstEdesinst_appCel 0.573912416
## Cuidar_FuncionamentoCel 0.008004341
## Gerenciar_recursosCel 0.465512553
## Utilizar_PCbuscas_pesquisas 0.087660804
## Utilizar_PCnoticias_novidades 0.116102356
## Utilizar_PCestudos 0.001470960
## InstallEdesintal_progPC 0.239899971
## Cuidar_FuncionamentoPC -0.065754456
## Gerenciar_recursosPC 0.288852675
## Utilizar_celBuscasPesquisas
## Escolha_CursoSup_relaCursoTecnico 0.005849723
## Utilizar_celComunicar 0.493145224
## Utilizar_celBuscasPesquisas 1.000000000
## Utilizar_celNoticiasNovidades 0.618938830
## Utilizar_celEstudos 0.612019449
## InstEdesinst_appCel 0.297437271
## Cuidar_FuncionamentoCel 0.255701233
## Gerenciar_recursosCel 0.204790030
## Utilizar_PCbuscas_pesquisas 0.332736221
## Utilizar_PCnoticias_novidades 0.437793144
## Utilizar_PCestudos 0.233805772
## InstallEdesintal_progPC 0.031471427
## Cuidar_FuncionamentoPC 0.191113491
## Gerenciar_recursosPC 0.153840469
## Utilizar_celNoticiasNovidades
## Escolha_CursoSup_relaCursoTecnico -0.02834576
## Utilizar_celComunicar 0.29567998
## Utilizar_celBuscasPesquisas 0.61893883
## Utilizar_celNoticiasNovidades 1.00000000
## Utilizar_celEstudos 0.48434537
## InstEdesinst_appCel 0.15968860
## Cuidar_FuncionamentoCel 0.35653069
## Gerenciar_recursosCel 0.13962228
## Utilizar_PCbuscas_pesquisas 0.10603816
## Utilizar_PCnoticias_novidades 0.47532075
## Utilizar_PCestudos 0.10175853
## InstallEdesintal_progPC -0.05221360
## Cuidar_FuncionamentoPC 0.14770720
## Gerenciar_recursosPC 0.08959452
## Utilizar_celEstudos InstEdesinst_appCel
## Escolha_CursoSup_relaCursoTecnico -0.11561480 -0.019120734
## Utilizar_celComunicar 0.14256818 0.573912416
## Utilizar_celBuscasPesquisas 0.61201945 0.297437271
## Utilizar_celNoticiasNovidades 0.48434537 0.159688604
## Utilizar_celEstudos 1.00000000 0.187162397
## InstEdesinst_appCel 0.18716240 1.000000000
## Cuidar_FuncionamentoCel 0.28188263 0.127999526
## Gerenciar_recursosCel 0.07627779 0.356705314
## Utilizar_PCbuscas_pesquisas -0.01349278 0.131947178
## Utilizar_PCnoticias_novidades 0.20430664 0.008017619
## Utilizar_PCestudos 0.01735480 0.107317795
## InstallEdesintal_progPC -0.18688497 0.208302344
## Cuidar_FuncionamentoPC 0.09858493 -0.113480711
## Gerenciar_recursosPC -0.07039503 0.065614792
## Cuidar_FuncionamentoCel Gerenciar_recursosCel
## Escolha_CursoSup_relaCursoTecnico 0.159978443 0.21745637
## Utilizar_celComunicar 0.008004341 0.46551255
## Utilizar_celBuscasPesquisas 0.255701233 0.20479003
## Utilizar_celNoticiasNovidades 0.356530687 0.13962228
## Utilizar_celEstudos 0.281882633 0.07627779
## InstEdesinst_appCel 0.127999526 0.35670531
## Cuidar_FuncionamentoCel 1.000000000 0.47393892
## Gerenciar_recursosCel 0.473938923 1.00000000
## Utilizar_PCbuscas_pesquisas 0.089972111 0.12842906
## Utilizar_PCnoticias_novidades 0.204726999 0.17731086
## Utilizar_PCestudos -0.015273723 0.03794244
## InstallEdesintal_progPC 0.062098601 0.31474766
## Cuidar_FuncionamentoPC 0.225206292 0.11705425
## Gerenciar_recursosPC 0.143732592 0.44100850
## Utilizar_PCbuscas_pesquisas
## Escolha_CursoSup_relaCursoTecnico 0.003601464
## Utilizar_celComunicar 0.087660804
## Utilizar_celBuscasPesquisas 0.332736221
## Utilizar_celNoticiasNovidades 0.106038157
## Utilizar_celEstudos -0.013492780
## InstEdesinst_appCel 0.131947178
## Cuidar_FuncionamentoCel 0.089972111
## Gerenciar_recursosCel 0.128429063
## Utilizar_PCbuscas_pesquisas 1.000000000
## Utilizar_PCnoticias_novidades 0.593708004
## Utilizar_PCestudos 0.763649404
## InstallEdesintal_progPC 0.503943051
## Cuidar_FuncionamentoPC 0.555653496
## Gerenciar_recursosPC 0.374064030
## Utilizar_PCnoticias_novidades
## Escolha_CursoSup_relaCursoTecnico 0.139457659
## Utilizar_celComunicar 0.116102356
## Utilizar_celBuscasPesquisas 0.437793144
## Utilizar_celNoticiasNovidades 0.475320746
## Utilizar_celEstudos 0.204306636
## InstEdesinst_appCel 0.008017619
## Cuidar_FuncionamentoCel 0.204726999
## Gerenciar_recursosCel 0.177310860
## Utilizar_PCbuscas_pesquisas 0.593708004
## Utilizar_PCnoticias_novidades 1.000000000
## Utilizar_PCestudos 0.437152406
## InstallEdesintal_progPC 0.383758414
## Cuidar_FuncionamentoPC 0.580773448
## Gerenciar_recursosPC 0.403022132
## Utilizar_PCestudos InstallEdesintal_progPC
## Escolha_CursoSup_relaCursoTecnico -0.01078209 0.13617167
## Utilizar_celComunicar 0.00147096 0.23989997
## Utilizar_celBuscasPesquisas 0.23380577 0.03147143
## Utilizar_celNoticiasNovidades 0.10175853 -0.05221360
## Utilizar_celEstudos 0.01735480 -0.18688497
## InstEdesinst_appCel 0.10731779 0.20830234
## Cuidar_FuncionamentoCel -0.01527372 0.06209860
## Gerenciar_recursosCel 0.03794244 0.31474766
## Utilizar_PCbuscas_pesquisas 0.76364940 0.50394305
## Utilizar_PCnoticias_novidades 0.43715241 0.38375841
## Utilizar_PCestudos 1.00000000 0.52568553
## InstallEdesintal_progPC 0.52568553 1.00000000
## Cuidar_FuncionamentoPC 0.59743992 0.62960621
## Gerenciar_recursosPC 0.51584307 0.67983402
## Cuidar_FuncionamentoPC Gerenciar_recursosPC
## Escolha_CursoSup_relaCursoTecnico 0.24609060 0.28716160
## Utilizar_celComunicar -0.06575446 0.28885268
## Utilizar_celBuscasPesquisas 0.19111349 0.15384047
## Utilizar_celNoticiasNovidades 0.14770720 0.08959452
## Utilizar_celEstudos 0.09858493 -0.07039503
## InstEdesinst_appCel -0.11348071 0.06561479
## Cuidar_FuncionamentoCel 0.22520629 0.14373259
## Gerenciar_recursosCel 0.11705425 0.44100850
## Utilizar_PCbuscas_pesquisas 0.55565350 0.37406403
## Utilizar_PCnoticias_novidades 0.58077345 0.40302213
## Utilizar_PCestudos 0.59743992 0.51584307
## InstallEdesintal_progPC 0.62960621 0.67983402
## Cuidar_FuncionamentoPC 1.00000000 0.62012086
## Gerenciar_recursosPC 0.62012086 1.00000000# Lista de variáveis de uso de tecnologia
variaveis_uso_tecnologia <- c("Utilizar_celComunicar", "Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades",
"Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel",
"Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos",
"InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC")
# Calcular e imprimir a correlação para cada variável
correlacoes_individuais <- sapply(variaveis_uso_tecnologia, function(var) {
cor(dado_autoeficacia$Escolha_CursoSup_relaCursoTecnico, dado_autoeficacia[[var]], use = "complete.obs")
})
# Converter para data frame para uma apresentação mais clara
correlacoes_df <- data.frame(Variavel = variaveis_uso_tecnologia, Correlacao = correlacoes_individuais)
print(correlacoes_df)## Variavel Correlacao
## Utilizar_celComunicar Utilizar_celComunicar -0.070522545
## Utilizar_celBuscasPesquisas Utilizar_celBuscasPesquisas 0.005849723
## Utilizar_celNoticiasNovidades Utilizar_celNoticiasNovidades -0.028345757
## Utilizar_celEstudos Utilizar_celEstudos -0.115614797
## InstEdesinst_appCel InstEdesinst_appCel -0.019120734
## Cuidar_FuncionamentoCel Cuidar_FuncionamentoCel 0.159978443
## Gerenciar_recursosCel Gerenciar_recursosCel 0.217456372
## Utilizar_PCbuscas_pesquisas Utilizar_PCbuscas_pesquisas 0.003601464
## Utilizar_PCnoticias_novidades Utilizar_PCnoticias_novidades 0.139457659
## Utilizar_PCestudos Utilizar_PCestudos -0.010782094
## InstallEdesintal_progPC InstallEdesintal_progPC 0.136171665
## Cuidar_FuncionamentoPC Cuidar_FuncionamentoPC 0.246090603
## Gerenciar_recursosPC Gerenciar_recursosPC 0.287161598# Criar o gráfico de barras com cores diferentes para cada variável
corelacao_cursoSuperior_usoTecnologia <- ggplot(correlacoes_df, aes(x = reorder(Variavel, Correlacao), y = Correlacao, fill = Variavel)) +
geom_bar(stat = "identity") +
coord_flip() + # Inverter os eixos para facilitar a leitura
labs(title = "Correlação entre Escolha do Curso Superior e Uso das Tecnologias",
x = "Uso das Tecnologias",
y = "Correlação") +
theme_minimal() +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores diferente
print(corelacao_cursoSuperior_usoTecnologia)## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set3 is 12
## Returning the palette you asked for with that many colors
Mulheres
# Calcular a correlação entre a escolha do curso superior e o uso das tecnologias
correlacoes_mulheres <- dado_autoeficacia_Mulheres %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades,
Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel,
Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos,
InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC) %>%
cor(use = "complete.obs")
print(correlacoes_mulheres)## Escolha_CursoSup_relaCursoTecnico
## Escolha_CursoSup_relaCursoTecnico 1.000000000
## Utilizar_celComunicar -0.176522175
## Utilizar_celBuscasPesquisas 0.005113906
## Utilizar_celNoticiasNovidades -0.073887569
## Utilizar_celEstudos -0.252639723
## InstEdesinst_appCel -0.249691410
## Cuidar_FuncionamentoCel 0.219865730
## Gerenciar_recursosCel 0.066396711
## Utilizar_PCbuscas_pesquisas 0.021542233
## Utilizar_PCnoticias_novidades 0.288039692
## Utilizar_PCestudos -0.023906512
## InstallEdesintal_progPC 0.056555203
## Cuidar_FuncionamentoPC 0.444981202
## Gerenciar_recursosPC 0.285453622
## Utilizar_celComunicar
## Escolha_CursoSup_relaCursoTecnico -0.17652217
## Utilizar_celComunicar 1.00000000
## Utilizar_celBuscasPesquisas 0.47926501
## Utilizar_celNoticiasNovidades 0.25300008
## Utilizar_celEstudos -0.02271527
## InstEdesinst_appCel 0.70993250
## Cuidar_FuncionamentoCel -0.02125831
## Gerenciar_recursosCel 0.52303136
## Utilizar_PCbuscas_pesquisas 0.22193178
## Utilizar_PCnoticias_novidades 0.04813943
## Utilizar_PCestudos 0.07794678
## InstallEdesintal_progPC 0.39138826
## Cuidar_FuncionamentoPC -0.10602393
## Gerenciar_recursosPC 0.38914661
## Utilizar_celBuscasPesquisas
## Escolha_CursoSup_relaCursoTecnico 0.005113906
## Utilizar_celComunicar 0.479265014
## Utilizar_celBuscasPesquisas 1.000000000
## Utilizar_celNoticiasNovidades 0.602765898
## Utilizar_celEstudos 0.334157143
## InstEdesinst_appCel 0.249550099
## Cuidar_FuncionamentoCel 0.359750378
## Gerenciar_recursosCel 0.224066073
## Utilizar_PCbuscas_pesquisas 0.707757377
## Utilizar_PCnoticias_novidades 0.363642938
## Utilizar_PCestudos 0.552434702
## InstallEdesintal_progPC 0.218196936
## Cuidar_FuncionamentoPC 0.213430459
## Gerenciar_recursosPC 0.079318013
## Utilizar_celNoticiasNovidades
## Escolha_CursoSup_relaCursoTecnico -0.07388757
## Utilizar_celComunicar 0.25300008
## Utilizar_celBuscasPesquisas 0.60276590
## Utilizar_celNoticiasNovidades 1.00000000
## Utilizar_celEstudos 0.32237392
## InstEdesinst_appCel 0.12090853
## Cuidar_FuncionamentoCel 0.38481727
## Gerenciar_recursosCel 0.19065860
## Utilizar_PCbuscas_pesquisas 0.47532065
## Utilizar_PCnoticias_novidades 0.50972078
## Utilizar_PCestudos 0.46072090
## InstallEdesintal_progPC 0.13194202
## Cuidar_FuncionamentoPC 0.22355331
## Gerenciar_recursosPC 0.02332460
## Utilizar_celEstudos InstEdesinst_appCel
## Escolha_CursoSup_relaCursoTecnico -0.25263972 -0.24969141
## Utilizar_celComunicar -0.02271527 0.70993250
## Utilizar_celBuscasPesquisas 0.33415714 0.24955010
## Utilizar_celNoticiasNovidades 0.32237392 0.12090853
## Utilizar_celEstudos 1.00000000 0.16212301
## InstEdesinst_appCel 0.16212301 1.00000000
## Cuidar_FuncionamentoCel 0.22355429 0.14795483
## Gerenciar_recursosCel 0.12243344 0.62789951
## Utilizar_PCbuscas_pesquisas 0.32386088 0.14410733
## Utilizar_PCnoticias_novidades 0.07703631 -0.05806434
## Utilizar_PCestudos 0.47815564 0.22792384
## InstallEdesintal_progPC 0.08716555 0.54014294
## Cuidar_FuncionamentoPC 0.07651667 -0.11844186
## Gerenciar_recursosPC -0.15458950 0.24463055
## Cuidar_FuncionamentoCel Gerenciar_recursosCel
## Escolha_CursoSup_relaCursoTecnico 0.21986573 0.06639671
## Utilizar_celComunicar -0.02125831 0.52303136
## Utilizar_celBuscasPesquisas 0.35975038 0.22406607
## Utilizar_celNoticiasNovidades 0.38481727 0.19065860
## Utilizar_celEstudos 0.22355429 0.12243344
## InstEdesinst_appCel 0.14795483 0.62789951
## Cuidar_FuncionamentoCel 1.00000000 0.45735919
## Gerenciar_recursosCel 0.45735919 1.00000000
## Utilizar_PCbuscas_pesquisas 0.34718849 0.22535188
## Utilizar_PCnoticias_novidades 0.39600851 0.20943211
## Utilizar_PCestudos 0.44748657 0.28515384
## InstallEdesintal_progPC 0.38689725 0.55067653
## Cuidar_FuncionamentoPC 0.67823824 0.38993751
## Gerenciar_recursosPC 0.27362271 0.59524849
## Utilizar_PCbuscas_pesquisas
## Escolha_CursoSup_relaCursoTecnico 0.02154223
## Utilizar_celComunicar 0.22193178
## Utilizar_celBuscasPesquisas 0.70775738
## Utilizar_celNoticiasNovidades 0.47532065
## Utilizar_celEstudos 0.32386088
## InstEdesinst_appCel 0.14410733
## Cuidar_FuncionamentoCel 0.34718849
## Gerenciar_recursosCel 0.22535188
## Utilizar_PCbuscas_pesquisas 1.00000000
## Utilizar_PCnoticias_novidades 0.48740332
## Utilizar_PCestudos 0.60315170
## InstallEdesintal_progPC 0.29838000
## Cuidar_FuncionamentoPC 0.41429754
## Gerenciar_recursosPC 0.16055387
## Utilizar_PCnoticias_novidades
## Escolha_CursoSup_relaCursoTecnico 0.28803969
## Utilizar_celComunicar 0.04813943
## Utilizar_celBuscasPesquisas 0.36364294
## Utilizar_celNoticiasNovidades 0.50972078
## Utilizar_celEstudos 0.07703631
## InstEdesinst_appCel -0.05806434
## Cuidar_FuncionamentoCel 0.39600851
## Gerenciar_recursosCel 0.20943211
## Utilizar_PCbuscas_pesquisas 0.48740332
## Utilizar_PCnoticias_novidades 1.00000000
## Utilizar_PCestudos 0.23689629
## InstallEdesintal_progPC 0.30198675
## Cuidar_FuncionamentoPC 0.44586470
## Gerenciar_recursosPC 0.33739948
## Utilizar_PCestudos InstallEdesintal_progPC
## Escolha_CursoSup_relaCursoTecnico -0.02390651 0.05655520
## Utilizar_celComunicar 0.07794678 0.39138826
## Utilizar_celBuscasPesquisas 0.55243470 0.21819694
## Utilizar_celNoticiasNovidades 0.46072090 0.13194202
## Utilizar_celEstudos 0.47815564 0.08716555
## InstEdesinst_appCel 0.22792384 0.54014294
## Cuidar_FuncionamentoCel 0.44748657 0.38689725
## Gerenciar_recursosCel 0.28515384 0.55067653
## Utilizar_PCbuscas_pesquisas 0.60315170 0.29838000
## Utilizar_PCnoticias_novidades 0.23689629 0.30198675
## Utilizar_PCestudos 1.00000000 0.29680515
## InstallEdesintal_progPC 0.29680515 1.00000000
## Cuidar_FuncionamentoPC 0.36052147 0.35802508
## Gerenciar_recursosPC 0.08249772 0.69106945
## Cuidar_FuncionamentoPC Gerenciar_recursosPC
## Escolha_CursoSup_relaCursoTecnico 0.44498120 0.28545362
## Utilizar_celComunicar -0.10602393 0.38914661
## Utilizar_celBuscasPesquisas 0.21343046 0.07931801
## Utilizar_celNoticiasNovidades 0.22355331 0.02332460
## Utilizar_celEstudos 0.07651667 -0.15458950
## InstEdesinst_appCel -0.11844186 0.24463055
## Cuidar_FuncionamentoCel 0.67823824 0.27362271
## Gerenciar_recursosCel 0.38993751 0.59524849
## Utilizar_PCbuscas_pesquisas 0.41429754 0.16055387
## Utilizar_PCnoticias_novidades 0.44586470 0.33739948
## Utilizar_PCestudos 0.36052147 0.08249772
## InstallEdesintal_progPC 0.35802508 0.69106945
## Cuidar_FuncionamentoPC 1.00000000 0.55214193
## Gerenciar_recursosPC 0.55214193 1.00000000# Lista de variáveis de uso de tecnologia
variaveis_uso_tecnologia <- c("Utilizar_celComunicar", "Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades",
"Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel",
"Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos",
"InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC")
# Calcular e imprimir a correlação para cada variável
correlacoes_individuais_mulheres <- sapply(variaveis_uso_tecnologia, function(var) {
cor(dado_autoeficacia_Mulheres$Escolha_CursoSup_relaCursoTecnico, dado_autoeficacia_Mulheres[[var]], use = "complete.obs")
})
# Converter para data frame para uma apresentação mais clara
correlacoes_Mulheres_df <- data.frame(Variavel = variaveis_uso_tecnologia, Correlacao = correlacoes_individuais_mulheres)
print(correlacoes_Mulheres_df)## Variavel Correlacao
## Utilizar_celComunicar Utilizar_celComunicar -0.176522175
## Utilizar_celBuscasPesquisas Utilizar_celBuscasPesquisas 0.005113906
## Utilizar_celNoticiasNovidades Utilizar_celNoticiasNovidades -0.073887569
## Utilizar_celEstudos Utilizar_celEstudos -0.252639723
## InstEdesinst_appCel InstEdesinst_appCel -0.249691410
## Cuidar_FuncionamentoCel Cuidar_FuncionamentoCel 0.219865730
## Gerenciar_recursosCel Gerenciar_recursosCel 0.066396711
## Utilizar_PCbuscas_pesquisas Utilizar_PCbuscas_pesquisas 0.021542233
## Utilizar_PCnoticias_novidades Utilizar_PCnoticias_novidades 0.288039692
## Utilizar_PCestudos Utilizar_PCestudos -0.023906512
## InstallEdesintal_progPC InstallEdesintal_progPC 0.056555203
## Cuidar_FuncionamentoPC Cuidar_FuncionamentoPC 0.444981202
## Gerenciar_recursosPC Gerenciar_recursosPC 0.285453622# Criar o gráfico de barras com cores diferentes para cada variável
corelacao_cursoSuperior_usoTecnologia_Mulheres <- ggplot(correlacoes_Mulheres_df, aes(x = reorder(Variavel, Correlacao), y = Correlacao, fill = Variavel)) +
geom_bar(stat = "identity") +
coord_flip() + # Inverter os eixos para facilitar a leitura
labs(title = "Correlação entre Escolha do Curso Superior \n e Uso das Tecnologias para as mulheres",
x = "Uso das Tecnologias",
y = "Correlação") +
theme_minimal() +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores diferente
print(corelacao_cursoSuperior_usoTecnologia_Mulheres)## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set3 is 12
## Returning the palette you asked for with that many colors
Homens
# Calcular a correlação entre a escolha do curso superior e o uso das tecnologias
correlacoes_homens <- dado_autoeficacia_Homens %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_celComunicar, Utilizar_celBuscasPesquisas, Utilizar_celNoticiasNovidades,
Utilizar_celEstudos, InstEdesinst_appCel, Cuidar_FuncionamentoCel, Gerenciar_recursosCel,
Utilizar_PCbuscas_pesquisas, Utilizar_PCnoticias_novidades, Utilizar_PCestudos,
InstallEdesintal_progPC, Cuidar_FuncionamentoPC, Gerenciar_recursosPC) %>%
cor(use = "complete.obs")
print(correlacoes_homens)## Escolha_CursoSup_relaCursoTecnico
## Escolha_CursoSup_relaCursoTecnico 1.00000000
## Utilizar_celComunicar 0.03644723
## Utilizar_celBuscasPesquisas 0.15975607
## Utilizar_celNoticiasNovidades 0.17673298
## Utilizar_celEstudos 0.13720491
## InstEdesinst_appCel 0.35667443
## Cuidar_FuncionamentoCel -0.01806500
## Gerenciar_recursosCel 0.23247611
## Utilizar_PCbuscas_pesquisas 0.05672281
## Utilizar_PCnoticias_novidades 0.07524352
## Utilizar_PCestudos 0.13171721
## InstallEdesintal_progPC 0.13303313
## Cuidar_FuncionamentoPC 0.18868736
## Gerenciar_recursosPC 0.22877546
## Utilizar_celComunicar
## Escolha_CursoSup_relaCursoTecnico 0.036447226
## Utilizar_celComunicar 1.000000000
## Utilizar_celBuscasPesquisas 0.665330537
## Utilizar_celNoticiasNovidades 0.448531305
## Utilizar_celEstudos 0.388223235
## InstEdesinst_appCel 0.423258896
## Cuidar_FuncionamentoCel 0.036027867
## Gerenciar_recursosCel 0.316259819
## Utilizar_PCbuscas_pesquisas -0.001996323
## Utilizar_PCnoticias_novidades 0.235023045
## Utilizar_PCestudos -0.003090468
## InstallEdesintal_progPC 0.013168167
## Cuidar_FuncionamentoPC -0.009810168
## Gerenciar_recursosPC 0.155127571
## Utilizar_celBuscasPesquisas
## Escolha_CursoSup_relaCursoTecnico 0.15975607
## Utilizar_celComunicar 0.66533054
## Utilizar_celBuscasPesquisas 1.00000000
## Utilizar_celNoticiasNovidades 0.60514539
## Utilizar_celEstudos 0.68813686
## InstEdesinst_appCel 0.32233209
## Cuidar_FuncionamentoCel 0.24698583
## Gerenciar_recursosCel 0.43435640
## Utilizar_PCbuscas_pesquisas 0.15716250
## Utilizar_PCnoticias_novidades 0.46998595
## Utilizar_PCestudos 0.11410673
## InstallEdesintal_progPC -0.03068283
## Cuidar_FuncionamentoPC 0.15384044
## Gerenciar_recursosPC 0.26185222
## Utilizar_celNoticiasNovidades
## Escolha_CursoSup_relaCursoTecnico 0.17673298
## Utilizar_celComunicar 0.44853130
## Utilizar_celBuscasPesquisas 0.60514539
## Utilizar_celNoticiasNovidades 1.00000000
## Utilizar_celEstudos 0.52479524
## InstEdesinst_appCel 0.16856105
## Cuidar_FuncionamentoCel 0.41379803
## Gerenciar_recursosCel 0.30179259
## Utilizar_PCbuscas_pesquisas -0.10755766
## Utilizar_PCnoticias_novidades 0.44372417
## Utilizar_PCestudos -0.05994285
## InstallEdesintal_progPC -0.13811077
## Cuidar_FuncionamentoPC 0.07253349
## Gerenciar_recursosPC 0.19920255
## Utilizar_celEstudos InstEdesinst_appCel
## Escolha_CursoSup_relaCursoTecnico 0.13720491 0.35667443
## Utilizar_celComunicar 0.38822323 0.42325890
## Utilizar_celBuscasPesquisas 0.68813686 0.32233209
## Utilizar_celNoticiasNovidades 0.52479524 0.16856105
## Utilizar_celEstudos 1.00000000 0.18855943
## InstEdesinst_appCel 0.18855943 1.00000000
## Cuidar_FuncionamentoCel 0.45436689 0.12890362
## Gerenciar_recursosCel 0.31026052 0.08054174
## Utilizar_PCbuscas_pesquisas -0.16079970 0.11902003
## Utilizar_PCnoticias_novidades 0.23972832 0.04850738
## Utilizar_PCestudos -0.15201773 0.05322852
## InstallEdesintal_progPC -0.27102487 -0.07078362
## Cuidar_FuncionamentoPC 0.06980213 -0.13012452
## Gerenciar_recursosPC 0.02886678 -0.06820681
## Cuidar_FuncionamentoCel Gerenciar_recursosCel
## Escolha_CursoSup_relaCursoTecnico -0.01806500 0.23247611
## Utilizar_celComunicar 0.03602787 0.31625982
## Utilizar_celBuscasPesquisas 0.24698583 0.43435640
## Utilizar_celNoticiasNovidades 0.41379803 0.30179259
## Utilizar_celEstudos 0.45436689 0.31026052
## InstEdesinst_appCel 0.12890362 0.08054174
## Cuidar_FuncionamentoCel 1.00000000 0.49287690
## Gerenciar_recursosCel 0.49287690 1.00000000
## Utilizar_PCbuscas_pesquisas -0.07651928 0.15737183
## Utilizar_PCnoticias_novidades 0.04812680 0.26094464
## Utilizar_PCestudos -0.19361756 0.07217748
## InstallEdesintal_progPC -0.35389634 -0.09619625
## Cuidar_FuncionamentoPC -0.14462497 -0.07577932
## Gerenciar_recursosPC -0.02766928 0.21332741
## Utilizar_PCbuscas_pesquisas
## Escolha_CursoSup_relaCursoTecnico 0.056722811
## Utilizar_celComunicar -0.001996323
## Utilizar_celBuscasPesquisas 0.157162500
## Utilizar_celNoticiasNovidades -0.107557657
## Utilizar_celEstudos -0.160799701
## InstEdesinst_appCel 0.119020029
## Cuidar_FuncionamentoCel -0.076519281
## Gerenciar_recursosCel 0.157371834
## Utilizar_PCbuscas_pesquisas 1.000000000
## Utilizar_PCnoticias_novidades 0.647045784
## Utilizar_PCestudos 0.819572005
## InstallEdesintal_progPC 0.675833932
## Cuidar_FuncionamentoPC 0.614773894
## Gerenciar_recursosPC 0.531302105
## Utilizar_PCnoticias_novidades
## Escolha_CursoSup_relaCursoTecnico 0.07524352
## Utilizar_celComunicar 0.23502305
## Utilizar_celBuscasPesquisas 0.46998595
## Utilizar_celNoticiasNovidades 0.44372417
## Utilizar_celEstudos 0.23972832
## InstEdesinst_appCel 0.04850738
## Cuidar_FuncionamentoCel 0.04812680
## Gerenciar_recursosCel 0.26094464
## Utilizar_PCbuscas_pesquisas 0.64704578
## Utilizar_PCnoticias_novidades 1.00000000
## Utilizar_PCestudos 0.51678977
## InstallEdesintal_progPC 0.48026903
## Cuidar_FuncionamentoPC 0.65379595
## Gerenciar_recursosPC 0.48204218
## Utilizar_PCestudos InstallEdesintal_progPC
## Escolha_CursoSup_relaCursoTecnico 0.131717214 0.13303313
## Utilizar_celComunicar -0.003090468 0.01316817
## Utilizar_celBuscasPesquisas 0.114106728 -0.03068283
## Utilizar_celNoticiasNovidades -0.059942847 -0.13811077
## Utilizar_celEstudos -0.152017727 -0.27102487
## InstEdesinst_appCel 0.053228523 -0.07078362
## Cuidar_FuncionamentoCel -0.193617565 -0.35389634
## Gerenciar_recursosCel 0.072177478 -0.09619625
## Utilizar_PCbuscas_pesquisas 0.819572005 0.67583393
## Utilizar_PCnoticias_novidades 0.516789767 0.48026903
## Utilizar_PCestudos 1.000000000 0.74393399
## InstallEdesintal_progPC 0.743933990 1.00000000
## Cuidar_FuncionamentoPC 0.683318081 0.86970471
## Gerenciar_recursosPC 0.782770179 0.65683348
## Cuidar_FuncionamentoPC Gerenciar_recursosPC
## Escolha_CursoSup_relaCursoTecnico 0.188687360 0.22877546
## Utilizar_celComunicar -0.009810168 0.15512757
## Utilizar_celBuscasPesquisas 0.153840445 0.26185222
## Utilizar_celNoticiasNovidades 0.072533490 0.19920255
## Utilizar_celEstudos 0.069802132 0.02886678
## InstEdesinst_appCel -0.130124524 -0.06820681
## Cuidar_FuncionamentoCel -0.144624968 -0.02766928
## Gerenciar_recursosCel -0.075779324 0.21332741
## Utilizar_PCbuscas_pesquisas 0.614773894 0.53130211
## Utilizar_PCnoticias_novidades 0.653795945 0.48204218
## Utilizar_PCestudos 0.683318081 0.78277018
## InstallEdesintal_progPC 0.869704710 0.65683348
## Cuidar_FuncionamentoPC 1.000000000 0.71316115
## Gerenciar_recursosPC 0.713161146 1.00000000# Lista de variáveis de uso de tecnologia
variaveis_uso_tecnologia <- c("Utilizar_celComunicar", "Utilizar_celBuscasPesquisas", "Utilizar_celNoticiasNovidades",
"Utilizar_celEstudos", "InstEdesinst_appCel", "Cuidar_FuncionamentoCel", "Gerenciar_recursosCel",
"Utilizar_PCbuscas_pesquisas", "Utilizar_PCnoticias_novidades", "Utilizar_PCestudos",
"InstallEdesintal_progPC", "Cuidar_FuncionamentoPC", "Gerenciar_recursosPC")
# Calcular e imprimir a correlação para cada variável
correlacoes_individuais_homens <- sapply(variaveis_uso_tecnologia, function(var) {
cor(dado_autoeficacia_Homens$Escolha_CursoSup_relaCursoTecnico, dado_autoeficacia_Homens[[var]], use = "complete.obs")
})
# Converter para data frame para uma apresentação mais clara
correlacoes_Homens_df <- data.frame(Variavel = variaveis_uso_tecnologia, Correlacao = correlacoes_individuais_homens)
print(correlacoes_Homens_df)## Variavel Correlacao
## Utilizar_celComunicar Utilizar_celComunicar 0.03644723
## Utilizar_celBuscasPesquisas Utilizar_celBuscasPesquisas 0.15975607
## Utilizar_celNoticiasNovidades Utilizar_celNoticiasNovidades 0.17673298
## Utilizar_celEstudos Utilizar_celEstudos 0.13720491
## InstEdesinst_appCel InstEdesinst_appCel 0.35667443
## Cuidar_FuncionamentoCel Cuidar_FuncionamentoCel -0.01806500
## Gerenciar_recursosCel Gerenciar_recursosCel 0.23247611
## Utilizar_PCbuscas_pesquisas Utilizar_PCbuscas_pesquisas 0.05672281
## Utilizar_PCnoticias_novidades Utilizar_PCnoticias_novidades 0.07524352
## Utilizar_PCestudos Utilizar_PCestudos 0.13171721
## InstallEdesintal_progPC InstallEdesintal_progPC 0.13303313
## Cuidar_FuncionamentoPC Cuidar_FuncionamentoPC 0.18868736
## Gerenciar_recursosPC Gerenciar_recursosPC 0.22877546# Criar o gráfico de barras com cores diferentes para cada variável
corelacao_cursoSuperior_usoTecnologia_Homens <- ggplot(correlacoes_Homens_df, aes(x = reorder(Variavel, Correlacao), y = Correlacao, fill = Variavel)) +
geom_bar(stat = "identity") +
coord_flip() + # Inverter os eixos para facilitar a leitura
labs(title = "Correlação entre Escolha do Curso Superior \n e Uso das Tecnologias para os homens",
x = "Uso das Tecnologias",
y = "Correlação") +
theme_minimal() +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores diferente
print(corelacao_cursoSuperior_usoTecnologia_Homens)## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set3 is 12
## Returning the palette you asked for with that many colors
13 - Conhecimento em Computação
Autoeficácia no conhecimento em Computação
itens <- c("Utilizar_ferEscritorio", "Utilizar_lingProgramacao", "Utilizar_2ou.lingProgramacao", "Aplicar_concBasicEletronica", "Gerenciar_redes", "Administrar_PClinhaComando", "Manipular_BD", "Aprender_nvConhComputacao")
# Geral
conhecimento_computacao <- dado_autoeficacia %>%
select(all_of(itens))
print(conhecimento_computacao)## Utilizar_ferEscritorio Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 8 7
## 2 8 10 8
## 3 8 9 9
## 4 9 9 8
## 5 5 7 2
## 6 9 1 0
## 7 10 10 9
## 8 5 5 5
## 9 5 5 2
## 10 8 9 7
## 11 9 8 9
## 12 10 10 10
## 13 10 10 8
## 14 9 6 4
## 15 8 9 7
## 16 10 10 10
## 17 10 10 10
## 18 7 7 7
## 19 8 8 8
## 20 8 8 9
## 21 6 9 8
## 22 3 10 7
## 23 9 4 3
## 24 6 8 6
## 25 7 5 5
## 26 5 4 3
## 27 9 9 8
## 28 8 10 8
## 29 5 10 10
## 30 6 10 10
## 31 2 10 7
## 32 7 5 3
## 33 7 7 7
## 34 9 8 8
## 35 2 5 5
## 36 8 9 9
## 37 3 0 0
## 38 8 7 6
## 39 10 5 0
## 40 9 10 8
## 41 7 8 7
## 42 8 6 2
## 43 2 5 3
## 44 10 5 2
## 45 8 6 5
## 46 8 8 8
## 47 10 10 7
## 48 6 0 0
## 49 5 4 0
## 50 0 0 0
## 51 1 3 1
## 52 9 8 0
## 53 5 8 7
## 54 7 5 2
## 55 9 0 0
## 56 9 9 9
## 57 0 8 7
## 58 4 4 3
## 59 2 2 1
## 60 5 8 6
## 61 4 4 3
## 62 10 5 5
## 63 3 0 0
## 64 8 5 5
## 65 8 8 7
## 66 7 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 0 2 4
## 4 5 8 5
## 5 1 4 0
## 6 1 5 2
## 7 9 7 8
## 8 2 5 3
## 9 0 0 0
## 10 0 6 5
## 11 0 8 8
## 12 10 10 10
## 13 5 6 7
## 14 2 2 2
## 15 4 4 4
## 16 10 6 6
## 17 4 5 7
## 18 6 2 2
## 19 0 3 4
## 20 5 7 7
## 21 0 6 0
## 22 0 2 2
## 23 0 0 0
## 24 1 1 6
## 25 3 3 3
## 26 0 0 0
## 27 5 5 7
## 28 2 2 4
## 29 4 7 7
## 30 6 5 7
## 31 5 5 3
## 32 6 3 2
## 33 4 5 5
## 34 4 6 5
## 35 3 3 4
## 36 8 7 5
## 37 0 0 0
## 38 5 4 1
## 39 0 0 0
## 40 8 4 7
## 41 7 8 6
## 42 0 1 0
## 43 0 0 0
## 44 0 3 0
## 45 1 3 0
## 46 8 5 6
## 47 7 10 8
## 48 3 3 0
## 49 0 0 0
## 50 0 0 0
## 51 2 3 3
## 52 5 0 0
## 53 0 0 0
## 54 0 0 0
## 55 0 0 0
## 56 10 9 9
## 57 1 5 7
## 58 3 3 3
## 59 0 1 1
## 60 7 4 3
## 61 3 4 2
## 62 1 5 5
## 63 0 0 0
## 64 5 5 6
## 65 1 6 3
## 66 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 2 10
## 4 3 10
## 5 1 8
## 6 0 1
## 7 9 10
## 8 2 5
## 9 0 1
## 10 0 8
## 11 0 10
## 12 10 10
## 13 7 9
## 14 4 5
## 15 4 8
## 16 9 10
## 17 7 10
## 18 2 2
## 19 5 7
## 20 6 8
## 21 7 8
## 22 5 6
## 23 1 3
## 24 1 9
## 25 3 5
## 26 4 4
## 27 5 5
## 28 2 10
## 29 5 8
## 30 5 9
## 31 7 8
## 32 5 7
## 33 5 7
## 34 6 8
## 35 6 9
## 36 3 8
## 37 0 0
## 38 1 5
## 39 0 10
## 40 5 8
## 41 7 7
## 42 5 7
## 43 3 10
## 44 0 5
## 45 1 7
## 46 4 10
## 47 10 10
## 48 0 10
## 49 0 0
## 50 0 10
## 51 3 8
## 52 0 10
## 53 0 9
## 54 0 6
## 55 0 8
## 56 9 8
## 57 5 10
## 58 2 4
## 59 1 5
## 60 2 10
## 61 0 9
## 62 0 10
## 63 0 5
## 64 5 8
## 65 3 7
## 66 5 10# Mulheres
conhecimento_computacao_mulheres <- dado_autoeficacia_Mulheres %>%
select(all_of(itens))
print(conhecimento_computacao_mulheres)## Utilizar_ferEscritorio Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 8 7
## 2 8 10 8
## 3 9 9 8
## 4 5 7 2
## 5 9 1 0
## 6 5 5 5
## 7 5 5 2
## 8 8 9 7
## 9 9 8 9
## 10 8 9 7
## 11 10 10 10
## 12 7 7 7
## 13 8 8 8
## 14 8 8 9
## 15 3 10 7
## 16 5 4 3
## 17 5 10 10
## 18 6 10 10
## 19 7 7 7
## 20 9 8 8
## 21 3 0 0
## 22 8 7 6
## 23 10 5 0
## 24 10 5 2
## 25 8 6 5
## 26 10 10 7
## 27 0 0 0
## 28 7 5 2
## 29 2 2 1
## 30 4 4 3
## 31 10 5 5
## 32 8 5 5
## 33 8 8 7
## 34 7 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 5 8 5
## 4 1 4 0
## 5 1 5 2
## 6 2 5 3
## 7 0 0 0
## 8 0 6 5
## 9 0 8 8
## 10 4 4 4
## 11 4 5 7
## 12 6 2 2
## 13 0 3 4
## 14 5 7 7
## 15 0 2 2
## 16 0 0 0
## 17 4 7 7
## 18 6 5 7
## 19 4 5 5
## 20 4 6 5
## 21 0 0 0
## 22 5 4 1
## 23 0 0 0
## 24 0 3 0
## 25 1 3 0
## 26 7 10 8
## 27 0 0 0
## 28 0 0 0
## 29 0 1 1
## 30 3 4 2
## 31 1 5 5
## 32 5 5 6
## 33 1 6 3
## 34 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 3 10
## 4 1 8
## 5 0 1
## 6 2 5
## 7 0 1
## 8 0 8
## 9 0 10
## 10 4 8
## 11 7 10
## 12 2 2
## 13 5 7
## 14 6 8
## 15 5 6
## 16 4 4
## 17 5 8
## 18 5 9
## 19 5 7
## 20 6 8
## 21 0 0
## 22 1 5
## 23 0 10
## 24 0 5
## 25 1 7
## 26 10 10
## 27 0 10
## 28 0 6
## 29 1 5
## 30 0 9
## 31 0 10
## 32 5 8
## 33 3 7
## 34 5 10# Homens
conhecimento_computacao_homens <- dado_autoeficacia_Homens %>%
select(all_of(itens))
print(conhecimento_computacao_homens)## Utilizar_ferEscritorio Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 9 9
## 2 10 10 9
## 3 10 10 10
## 4 10 10 8
## 5 9 6 4
## 6 10 10 10
## 7 6 9 8
## 8 9 4 3
## 9 6 8 6
## 10 7 5 5
## 11 9 9 8
## 12 8 10 8
## 13 2 10 7
## 14 7 5 3
## 15 2 5 5
## 16 8 9 9
## 17 9 10 8
## 18 7 8 7
## 19 8 6 2
## 20 2 5 3
## 21 8 8 8
## 22 6 0 0
## 23 5 4 0
## 24 1 3 1
## 25 9 8 0
## 26 5 8 7
## 27 9 0 0
## 28 9 9 9
## 29 0 8 7
## 30 4 4 3
## 31 5 8 6
## 32 3 0 0
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 2 4
## 2 9 7 8
## 3 10 10 10
## 4 5 6 7
## 5 2 2 2
## 6 10 6 6
## 7 0 6 0
## 8 0 0 0
## 9 1 1 6
## 10 3 3 3
## 11 5 5 7
## 12 2 2 4
## 13 5 5 3
## 14 6 3 2
## 15 3 3 4
## 16 8 7 5
## 17 8 4 7
## 18 7 8 6
## 19 0 1 0
## 20 0 0 0
## 21 8 5 6
## 22 3 3 0
## 23 0 0 0
## 24 2 3 3
## 25 5 0 0
## 26 0 0 0
## 27 0 0 0
## 28 10 9 9
## 29 1 5 7
## 30 3 3 3
## 31 7 4 3
## 32 0 0 0
## Manipular_BD Aprender_nvConhComputacao
## 1 2 10
## 2 9 10
## 3 10 10
## 4 7 9
## 5 4 5
## 6 9 10
## 7 7 8
## 8 1 3
## 9 1 9
## 10 3 5
## 11 5 5
## 12 2 10
## 13 7 8
## 14 5 7
## 15 6 9
## 16 3 8
## 17 5 8
## 18 7 7
## 19 5 7
## 20 3 10
## 21 4 10
## 22 0 10
## 23 0 0
## 24 3 8
## 25 0 10
## 26 0 9
## 27 0 8
## 28 9 8
## 29 5 10
## 30 2 4
## 31 2 10
## 32 0 5Qual é o nível de autoeficácia das estudantes em diferentes áreas do conhecimento em Computação? Como a autoeficácia varia conforme a complexidade dos itens relacionados ao conhecimento em Computação? Quais áreas específicas do conhecimento em Computação apresentam menor nível de autoeficácia entre as estudantes?
# Certifique-se de que os valores são numéricos
nivel_conhecimento_computacao <- conhecimento_computacao %>%
mutate(across(everything(), as.numeric))
# Calcule a média de cada coluna
nivel_autoeficacia_conhcomputacao <- colMeans(nivel_conhecimento_computacao, na.rm = TRUE)
# Arredonde os valores para duas casas decimais
nivel_autoeficacia_conhcomputacao <- round(nivel_autoeficacia_conhcomputacao, 2)
# Transforme os resultados em um dataframe
df_nivel_autoeficacia_conhcomputacao <- data.frame(
Item = names(nivel_autoeficacia_conhcomputacao),
Media = nivel_autoeficacia_conhcomputacao
)
print(df_nivel_autoeficacia_conhcomputacao)## Item Media
## Utilizar_ferEscritorio Utilizar_ferEscritorio 6.79
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.67
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 5.41
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 3.12
## Gerenciar_redes Gerenciar_redes 3.86
## Administrar_PClinhaComando Administrar_PClinhaComando 3.48
## Manipular_BD Manipular_BD 3.35
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7.42# Criar o gráfico de barras com eixos invertidos e cores diferentes para cada item
grafico_nivel_autoeficacia_conhcomputacao <- ggplot(df_nivel_autoeficacia_conhcomputacao, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = Media), hjust = 0.1, size = 3) +
labs(title = "Nível de Autoeficácia em Conhecimento de Computação",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.y = element_text(angle = 0, hjust = 1)) +
coord_flip() +
guides(fill = FALSE) # Remove a legenda de cores## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.print(grafico_nivel_autoeficacia_conhcomputacao)
ggsave("grafico_nivel_autoeficacia_conhcomputacao.png", plot = grafico_nivel_autoeficacia_conhcomputacao, width = 10, height = 6)Mulheres
# Certifique-se de que os valores são numéricos
nivel_conhecimento_computacao_mulheres <- conhecimento_computacao_mulheres %>%
mutate(across(everything(), as.numeric))
# Calcule a média de cada coluna
nivel_autoeficacia_conhcomputacao_mulheres <- colMeans(nivel_conhecimento_computacao_mulheres, na.rm = TRUE)
# Arredonde os valores para duas casas decimais
nivel_autoeficacia_conhcomputacao_mulheres <- round(nivel_autoeficacia_conhcomputacao_mulheres, 2)
# Transforme os resultados em um dataframe
df_nivel_autoeficacia_conhcomputacao_mulheres <- data.frame(
Item = names(nivel_autoeficacia_conhcomputacao_mulheres),
Media = nivel_autoeficacia_conhcomputacao_mulheres
)
print(df_nivel_autoeficacia_conhcomputacao_mulheres)## Item Media
## Utilizar_ferEscritorio Utilizar_ferEscritorio 6.97
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.53
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 5.41
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 2.44
## Gerenciar_redes Gerenciar_redes 4.18
## Administrar_PClinhaComando Administrar_PClinhaComando 3.38
## Manipular_BD Manipular_BD 2.79
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7.06# Criar o gráfico de barras com eixos invertidos e cores diferentes para cada item
grafico_nivel_autoeficacia_conhcomputacao_mulheres <- ggplot(df_nivel_autoeficacia_conhcomputacao_mulheres, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = Media), hjust = 0.1, size = 3) +
labs(title = "Nível de Autoeficácia em Conhecimento de Computação \n das meninas",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.y = element_text(angle = 0, hjust = 1)) +
coord_flip() +
guides(fill = FALSE) # Remove a legenda de cores
print(grafico_nivel_autoeficacia_conhcomputacao_mulheres)
ggsave("grafico_nivel_autoeficacia_conhcomputacao_mulheres.png", plot = grafico_nivel_autoeficacia_conhcomputacao_mulheres, width = 10, height = 6)Homens
# Certifique-se de que os valores são numéricos
nivel_conhecimento_computacao_homens <- conhecimento_computacao_homens %>%
mutate(across(everything(), as.numeric))
# Calcule a média de cada coluna
nivel_autoeficacia_conhcomputacao_homens <- colMeans(nivel_conhecimento_computacao_homens, na.rm = TRUE)
# Arredonde os valores para duas casas decimais
nivel_autoeficacia_conhcomputacao_homens <- round(nivel_autoeficacia_conhcomputacao_homens, 2)
# Transforme os resultados em um dataframe
df_nivel_autoeficacia_conhcomputacao_homens <- data.frame(
Item = names(nivel_autoeficacia_conhcomputacao_homens),
Media = nivel_autoeficacia_conhcomputacao_homens
)
print(df_nivel_autoeficacia_conhcomputacao_homens)## Item Media
## Utilizar_ferEscritorio Utilizar_ferEscritorio 6.59
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.81
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 5.41
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 3.84
## Gerenciar_redes Gerenciar_redes 3.53
## Administrar_PClinhaComando Administrar_PClinhaComando 3.59
## Manipular_BD Manipular_BD 3.94
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7.81# Criar o gráfico de barras com eixos invertidos e cores diferentes para cada item
grafico_nivel_autoeficacia_conhcomputacao_homens <- ggplot(df_nivel_autoeficacia_conhcomputacao_homens, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = Media), hjust = 0.1, size = 3) +
labs(title = "Nível de Autoeficácia em Conhecimento de Computação \n dos meninos",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.y = element_text(angle = 0, hjust = 1)) +
coord_flip() +
guides(fill = FALSE) # Remove a legenda de cores
print(grafico_nivel_autoeficacia_conhcomputacao_homens)
ggsave("grafico_nivel_autoeficacia_conhcomputacao_homens.png", plot = grafico_nivel_autoeficacia_conhcomputacao_homens, width = 10, height = 6)Complexidade dos itens relacionados ao conhecimento em Computação (ferramentas de escritório, linguagens de programação, redes, sistemas operacionais e banco de dados)
# Definir a complexidade dos itens (exemplo)
complexidade_itens <- c(
"Utilizar_ferEscritorio" = 2,
"Utilizar_lingProgramacao" = 3,
"Utilizar_2ou.lingProgramacao" = 4,
"Aplicar_concBasicEletronica" = 4,
"Gerenciar_redes" = 5,
"Administrar_PClinhaComando" = 5,
"Manipular_BD" = 6,
"Aprender_nvConhComputacao" = 7
)
# Transformar em dataframe
df_complexidade <- data.frame(
Item = names(complexidade_itens),
Complexidade = unlist(complexidade_itens)
)
print(df_complexidade)## Item Complexidade
## Utilizar_ferEscritorio Utilizar_ferEscritorio 2
## Utilizar_lingProgramacao Utilizar_lingProgramacao 3
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 4
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 4
## Gerenciar_redes Gerenciar_redes 5
## Administrar_PClinhaComando Administrar_PClinhaComando 5
## Manipular_BD Manipular_BD 6
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7# Combinar os dados de autoeficácia com complexidade
df_autoeficacia_complexidade <- df_nivel_autoeficacia_conhcomputacao %>%
inner_join(df_complexidade, by = "Item")
print(df_autoeficacia_complexidade)## Item Media Complexidade
## 1 Utilizar_ferEscritorio 6.79 2
## 2 Utilizar_lingProgramacao 6.67 3
## 3 Utilizar_2ou.lingProgramacao 5.41 4
## 4 Aplicar_concBasicEletronica 3.12 4
## 5 Gerenciar_redes 3.86 5
## 6 Administrar_PClinhaComando 3.48 5
## 7 Manipular_BD 3.35 6
## 8 Aprender_nvConhComputacao 7.42 7# Calcular a correlação de Pearson
correlacao <- cor(df_autoeficacia_complexidade$Media, df_autoeficacia_complexidade$Complexidade)
# Exibir o resultado da correlação
print(paste("Correlação entre complexidade e autoeficácia: ", round(correlacao, 2)))## [1] "Correlação entre complexidade e autoeficácia: -0.2"# Criar um gráfico de dispersão
grafico_correlacao <- ggplot(df_autoeficacia_complexidade, aes(x = Complexidade, y = Media)) +
geom_point(color = "green") +
geom_smooth(method = "lm", color = "red") +
labs(title = "Correlação entre Complexidade dos Itens e Autoeficácia",
x = "Complexidade dos Itens",
y = "Nível de Autoeficácia") +
theme_minimal()
print(grafico_correlacao)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao_complexidade_autoeficacia.png", plot = grafico_correlacao, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'Mulheres
# Definir a complexidade dos itens (exemplo)
complexidade_itens <- c(
"Utilizar_ferEscritorio" = 2,
"Utilizar_lingProgramacao" = 3,
"Utilizar_2ou.lingProgramacao" = 4,
"Aplicar_concBasicEletronica" = 4,
"Gerenciar_redes" = 5,
"Administrar_PClinhaComando" = 5,
"Manipular_BD" = 6,
"Aprender_nvConhComputacao" = 7
)
# Transformar em dataframe
df_complexidade <- data.frame(
Item = names(complexidade_itens),
Complexidade = unlist(complexidade_itens)
)
print(df_complexidade)## Item Complexidade
## Utilizar_ferEscritorio Utilizar_ferEscritorio 2
## Utilizar_lingProgramacao Utilizar_lingProgramacao 3
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 4
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 4
## Gerenciar_redes Gerenciar_redes 5
## Administrar_PClinhaComando Administrar_PClinhaComando 5
## Manipular_BD Manipular_BD 6
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7# Combinar os dados de autoeficácia com complexidade
df_autoeficacia_complexidade_mulheres <- df_nivel_autoeficacia_conhcomputacao_mulheres %>%
inner_join(df_complexidade, by = "Item")
print(df_autoeficacia_complexidade_mulheres)## Item Media Complexidade
## 1 Utilizar_ferEscritorio 6.97 2
## 2 Utilizar_lingProgramacao 6.53 3
## 3 Utilizar_2ou.lingProgramacao 5.41 4
## 4 Aplicar_concBasicEletronica 2.44 4
## 5 Gerenciar_redes 4.18 5
## 6 Administrar_PClinhaComando 3.38 5
## 7 Manipular_BD 2.79 6
## 8 Aprender_nvConhComputacao 7.06 7# Calcular a correlação de Pearson
correlacao <- cor(df_autoeficacia_complexidade_mulheres$Media, df_autoeficacia_complexidade_mulheres$Complexidade)
# Exibir o resultado da correlação
print(paste("Correlação entre complexidade e autoeficácia para as meninas: ", round(correlacao, 2)))## [1] "Correlação entre complexidade e autoeficácia para as meninas: -0.26"# Criar um gráfico de dispersão
grafico_correlacao_mulheres <- ggplot(df_autoeficacia_complexidade_mulheres, aes(x = Complexidade, y = Media)) +
geom_point(color = "DeepPink") +
geom_smooth(method = "lm", color = "red") +
labs(title = "Correlação entre Complexidade dos Itens e Autoeficácia das meninas",
x = "Complexidade dos Itens",
y = "Nível de Autoeficácia") +
theme_minimal()
print(grafico_correlacao_mulheres)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao_complexidade_autoeficacia_mulheres.png", plot = grafico_correlacao_mulheres, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'Homens
# Definir a complexidade dos itens (exemplo)
complexidade_itens <- c(
"Utilizar_ferEscritorio" = 2,
"Utilizar_lingProgramacao" = 3,
"Utilizar_2ou.lingProgramacao" = 4,
"Aplicar_concBasicEletronica" = 4,
"Gerenciar_redes" = 5,
"Administrar_PClinhaComando" = 5,
"Manipular_BD" = 6,
"Aprender_nvConhComputacao" = 7
)
# Transformar em dataframe
df_complexidade <- data.frame(
Item = names(complexidade_itens),
Complexidade = unlist(complexidade_itens)
)
print(df_complexidade)## Item Complexidade
## Utilizar_ferEscritorio Utilizar_ferEscritorio 2
## Utilizar_lingProgramacao Utilizar_lingProgramacao 3
## Utilizar_2ou.lingProgramacao Utilizar_2ou.lingProgramacao 4
## Aplicar_concBasicEletronica Aplicar_concBasicEletronica 4
## Gerenciar_redes Gerenciar_redes 5
## Administrar_PClinhaComando Administrar_PClinhaComando 5
## Manipular_BD Manipular_BD 6
## Aprender_nvConhComputacao Aprender_nvConhComputacao 7# Combinar os dados de autoeficácia com complexidade
df_autoeficacia_complexidade_homens <- df_nivel_autoeficacia_conhcomputacao_homens %>%
inner_join(df_complexidade, by = "Item")
print(df_autoeficacia_complexidade_homens)## Item Media Complexidade
## 1 Utilizar_ferEscritorio 6.59 2
## 2 Utilizar_lingProgramacao 6.81 3
## 3 Utilizar_2ou.lingProgramacao 5.41 4
## 4 Aplicar_concBasicEletronica 3.84 4
## 5 Gerenciar_redes 3.53 5
## 6 Administrar_PClinhaComando 3.59 5
## 7 Manipular_BD 3.94 6
## 8 Aprender_nvConhComputacao 7.81 7# Calcular a correlação de Pearson
correlacao <- cor(df_autoeficacia_complexidade_homens$Media, df_autoeficacia_complexidade_homens$Complexidade)
# Exibir o resultado da correlação
print(paste("Correlação entre complexidade e autoeficácia para os meninos: ", round(correlacao, 2)))## [1] "Correlação entre complexidade e autoeficácia para os meninos: -0.12"# Criar um gráfico de dispersão
grafico_correlacao_homens <- ggplot(df_autoeficacia_complexidade_homens, aes(x = Complexidade, y = Media)) +
geom_point(color = "blue") +
geom_smooth(method = "lm", color = "red") +
labs(title = "Correlação entre Complexidade dos Itens e Autoeficácia dos meninos",
x = "Complexidade dos Itens",
y = "Nível de Autoeficácia") +
theme_minimal()
print(grafico_correlacao_homens)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao_complexidade_autoeficacia_homens.png", plot = grafico_correlacao_homens, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'Autoeficácia em aprender novos conhecimentos sobre Computação
Qual é o nível de autoeficácia das estudantes em aprender novos conhecimentos sobre Computação?
autoeficacia_nvconhcomputacao <- dado_autoeficacia %>%
select(Aprender_nvConhComputacao)
#print(autoeficacia_nvconhcomputacao)
# Contar os valores únicos e suas frequências
contagem_valores <- table(autoeficacia_nvconhcomputacao$Aprender_nvConhComputacao)
# Exibir a contagem
#print(contagem_valores)
# Transformar a contagem em um dataframe
df_contagem_valores <- as.data.frame(contagem_valores)
colnames(df_contagem_valores) <- c("Valor", "Frequencia")
# Exibir o dataframe
print(df_contagem_valores)## Valor Frequencia
## 1 0 2
## 2 1 2
## 3 2 1
## 4 3 1
## 5 4 2
## 6 5 8
## 7 6 2
## 8 7 7
## 9 8 15
## 10 9 6
## 11 10 20# Criar um gráfico de barras para a contagem dos valores
grafico_contagem <- ggplot(df_contagem_valores, aes(x = factor(Valor), y = Frequencia, fill = factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Frequencia), vjust = -0.5, size = 3) +
labs(title = "Distribuição dos Valores de Autoeficácia em Conhecimento de Computação",
x = "Valor",
y = "Frequência") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_contagem)
# Salvar o gráfico
ggsave("grafico_distribuicao_autoeficacia.png", plot = grafico_contagem, width = 10, height = 6)
# Calcular estatísticas descritivas e arredondar para duas casas decimais
estatisticas <- autoeficacia_nvconhcomputacao %>%
summarise(
Media = round(mean(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Mediana = round(median(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Minimo = round(min(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Maximo = round(max(Aprender_nvConhComputacao, na.rm = TRUE), 2),
IQR = round(IQR(Aprender_nvConhComputacao, na.rm = TRUE), 2)
)
print(estatisticas)## Media Mediana Desvio_Padrao Minimo Maximo IQR
## 1 7.42 8 2.69 0 10 4# Criar um gráfico de barras com duas casas decimais nas etiquetas
grafico_autoeficacia <- ggplot(autoeficacia_nvconhcomputacao, aes(x = Aprender_nvConhComputacao)) +
geom_histogram(binwidth = 1, fill = "green", color = "black") +
labs(title = "Distribuição dos Níveis de Autoeficácia em Aprender Novos Conhecimentos \n sobre Computação",
x = "Nível de Autoeficácia",
y = "Frequência") +
theme_minimal() +
scale_x_continuous(labels = scales::number_format(accuracy = 0.01)) +
scale_y_continuous(labels = scales::number_format(accuracy = 0.01))
# Exibir o gráfico
print(grafico_autoeficacia)
# Salvar o gráfico
ggsave("grafico_autoeficacia.png", plot = grafico_autoeficacia, width = 10, height = 6)Mulheres
autoeficacia_nvconhcomputacao_mulheres <- dado_autoeficacia_Mulheres %>%
select(Aprender_nvConhComputacao)
#print(autoeficacia_nvconhcomputacao)
# Contar os valores únicos e suas frequências
contagem_valores <- table(autoeficacia_nvconhcomputacao_mulheres$Aprender_nvConhComputacao)
# Exibir a contagem
#print(contagem_valores)
# Transformar a contagem em um dataframe
df_contagem_valores_mulheres <- as.data.frame(contagem_valores)
colnames(df_contagem_valores_mulheres) <- c("Valor", "Frequencia")
# Exibir o dataframe
print(df_contagem_valores_mulheres)## Valor Frequencia
## 1 0 1
## 2 1 2
## 3 2 1
## 4 4 1
## 5 5 4
## 6 6 2
## 7 7 4
## 8 8 8
## 9 9 2
## 10 10 9# Criar um gráfico de barras para a contagem dos valores
grafico_contagem_mulheres <- ggplot(df_contagem_valores_mulheres, aes(x = factor(Valor), y = Frequencia, fill = factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Frequencia), vjust = -0.5, size = 3) +
labs(title = "Distribuição dos Valores de Autoeficácia em Conhecimento de Computação \n das meninas",
x = "Valor",
y = "Frequência") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_contagem_mulheres)
# Salvar o gráfico
ggsave("grafico_distribuicao_autoeficacia_meninas.png", plot = grafico_contagem_mulheres, width = 10, height = 6)
# Calcular estatísticas descritivas e arredondar para duas casas decimais
estatisticas <- autoeficacia_nvconhcomputacao_mulheres %>%
summarise(
Media = round(mean(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Mediana = round(median(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Minimo = round(min(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Maximo = round(max(Aprender_nvConhComputacao, na.rm = TRUE), 2),
IQR = round(IQR(Aprender_nvConhComputacao, na.rm = TRUE), 2)
)
print(estatisticas)## Media Mediana Desvio_Padrao Minimo Maximo IQR
## 1 7.06 8 2.86 0 10 4.5# Criar um gráfico de barras com duas casas decimais nas etiquetas
grafico_autoeficacia_Mulheres <- ggplot(autoeficacia_nvconhcomputacao_mulheres, aes(x = Aprender_nvConhComputacao)) +
geom_histogram(binwidth = 1, fill = "deeppink", color = "black") +
labs(title = "Distribuição dos Níveis de Autoeficácia em Aprender Novos Conhecimentos \n sobre Computação das meninas",
x = "Nível de Autoeficácia",
y = "Frequência") +
theme_minimal() +
scale_x_continuous(labels = scales::number_format(accuracy = 0.01)) +
scale_y_continuous(labels = scales::number_format(accuracy = 0.01))
# Exibir o gráfico
print(grafico_autoeficacia_Mulheres)
# Salvar o gráfico
ggsave("grafico_autoeficacia_Mulheres.png", plot = grafico_autoeficacia_Mulheres, width = 10, height = 6)Homens
autoeficacia_nvconhcomputacao_homens <- dado_autoeficacia_Homens %>%
select(Aprender_nvConhComputacao)
#print(autoeficacia_nvconhcomputacao_homens)
# Contar os valores únicos e suas frequências
contagem_valores_homens <- table(autoeficacia_nvconhcomputacao_homens$Aprender_nvConhComputacao)
# Exibir a contagem
#print(contagem_valores_homens)
# Transformar a contagem em um dataframe
df_contagem_valores_homens <- as.data.frame(contagem_valores_homens)
colnames(df_contagem_valores_homens) <- c("Valor", "Frequencia")
# Exibir o dataframe
print(df_contagem_valores_homens)## Valor Frequencia
## 1 0 1
## 2 3 1
## 3 4 1
## 4 5 4
## 5 7 3
## 6 8 7
## 7 9 4
## 8 10 11# Criar um gráfico de barras para a contagem dos valores
grafico_contagem_homens <- ggplot(df_contagem_valores_homens, aes(x = factor(Valor), y = Frequencia, fill = factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Frequencia), vjust = -0.5, size = 3) +
labs(title = "Distribuição dos Valores de Autoeficácia em Conhecimento de Computação \n dos meninos",
x = "Valor",
y = "Frequência") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_contagem_homens)
# Salvar o gráfico
ggsave("grafico_distribuicao_autoeficacia_meninos.png", plot = grafico_contagem_homens, width = 10, height = 6)
# Calcular estatísticas descritivas e arredondar para duas casas decimais
estatisticas <- autoeficacia_nvconhcomputacao_homens %>%
summarise(
Media = round(mean(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Mediana = round(median(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Minimo = round(min(Aprender_nvConhComputacao, na.rm = TRUE), 2),
Maximo = round(max(Aprender_nvConhComputacao, na.rm = TRUE), 2),
IQR = round(IQR(Aprender_nvConhComputacao, na.rm = TRUE), 2)
)
print(estatisticas)## Media Mediana Desvio_Padrao Minimo Maximo IQR
## 1 7.81 8 2.48 0 10 3# Criar um gráfico de barras com duas casas decimais nas etiquetas
grafico_autoeficacia_Homens <- ggplot(autoeficacia_nvconhcomputacao_homens, aes(x = Aprender_nvConhComputacao)) +
geom_histogram(binwidth = 1, fill = "blue", color = "black") +
labs(title = "Distribuição dos Níveis de Autoeficácia em Aprender Novos Conhecimentos \n sobre Computação dos meninos",
x = "Nível de Autoeficácia",
y = "Frequência") +
theme_minimal() +
scale_x_continuous(labels = scales::number_format(accuracy = 0.01)) +
scale_y_continuous(labels = scales::number_format(accuracy = 0.01))
# Exibir o gráfico
print(grafico_autoeficacia_Homens)
# Salvar o gráfico
ggsave("grafico_autoeficacia_Homens.png", plot = grafico_autoeficacia_Homens, width = 10, height = 6)Comparação da autoeficácia em aprender novos conhecimentos sobre Computação com a autoeficácia em outras áreas (português, história, etc.)
Como a autoeficácia em aprender novos conhecimentos sobre Computação se compara com a autoeficácia em outras áreas, como a aprendizagem escolar?
itens <- c("Aprender_nvConhComputacao", "Aprender_port", "Aprender_hist", "Praticar_atvFisica", "Aprender_geo", "Aprender_Ingles", "Aprender_mat", "Aprender_outLingua","Aprender_fisica", "Aprender_quimica")
# Data frame com os itens
dado_autoeficacia_renomeado <- dado_autoeficacia %>%
select(all_of(itens)) %>%
rename(
"Computação" = Aprender_nvConhComputacao,
"Português" = Aprender_port,
"História" = Aprender_hist,
"Atividades Físicas" = Praticar_atvFisica,
"Geografia" = Aprender_geo,
"Inglês" = Aprender_Ingles,
"Matemática" = Aprender_mat,
"Terceiro Idioma" = Aprender_outLingua,
"Física" = Aprender_fisica,
"Química" = Aprender_quimica
)
# Calcular a média por item
medias_por_item <- dado_autoeficacia_renomeado %>%
summarise(across(everything(), ~mean(.x, na.rm = TRUE)))
# Transformar o resultado em formato long para o ggplot2
df_medias_por_item <- as.data.frame(t(medias_por_item))
df_medias_por_item <- tibble::rownames_to_column(df_medias_por_item, "Item")
colnames(df_medias_por_item) <- c("Item", "Média")
# Ordenar os itens do maior para o menor valor de média
df_medias_por_item <- df_medias_por_item %>%
arrange(desc(Média))
# Criar um gráfico de barras
grafico_medias_por_item <- ggplot(df_medias_por_item, aes(x = reorder(Item, Média), y = Média, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Média, 2)), vjust = -0.5, size = 3) +
labs(title = "Gráfico de barras dos valores de autoeficácia para disciplinas",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_medias_por_item)
# Salvar o gráfico
ggsave("grafico_medias_por_item.png", plot = grafico_medias_por_item, width = 10, height = 6)Mulheres
itens <- c("Aprender_nvConhComputacao", "Aprender_port", "Aprender_hist", "Praticar_atvFisica", "Aprender_geo", "Aprender_Ingles", "Aprender_mat", "Aprender_outLingua","Aprender_fisica", "Aprender_quimica")
# Data frame com os itens
dado_autoeficacia_renomeado <- dado_autoeficacia_Mulheres %>%
select(all_of(itens)) %>%
rename(
"Computação" = Aprender_nvConhComputacao,
"Português" = Aprender_port,
"História" = Aprender_hist,
"Atividades Físicas" = Praticar_atvFisica,
"Geografia" = Aprender_geo,
"Inglês" = Aprender_Ingles,
"Matemática" = Aprender_mat,
"Terceiro Idioma" = Aprender_outLingua,
"Física" = Aprender_fisica,
"Química" = Aprender_quimica
)
# Calcular a média por item
medias_por_item <- dado_autoeficacia_renomeado %>%
summarise(across(everything(), ~mean(.x, na.rm = TRUE)))
# Transformar o resultado em formato long para o ggplot2
df_medias_por_item <- as.data.frame(t(medias_por_item))
df_medias_por_item <- tibble::rownames_to_column(df_medias_por_item, "Item")
colnames(df_medias_por_item) <- c("Item", "Média")
# Ordenar os itens do maior para o menor valor de média
df_medias_por_item <- df_medias_por_item %>%
arrange(desc(Média))
# Criar um gráfico de barras
grafico_medias_por_item_mulheres <- ggplot(df_medias_por_item, aes(x = reorder(Item, Média), y = Média, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Média, 2)), vjust = -0.5, size = 3) +
labs(title = "Gráfico de barras dos valores de autoeficácia para disciplinas das meninas",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_medias_por_item_mulheres)
# Salvar o gráfico
ggsave("grafico_medias_por_item_meninas.png", plot = grafico_medias_por_item_mulheres, width = 10, height = 6)Homens
itens <- c("Aprender_nvConhComputacao", "Aprender_port", "Aprender_hist", "Praticar_atvFisica", "Aprender_geo", "Aprender_Ingles", "Aprender_mat", "Aprender_outLingua","Aprender_fisica", "Aprender_quimica")
# Data frame com os itens
dado_autoeficacia_renomeado <- dado_autoeficacia_Homens %>%
select(all_of(itens)) %>%
rename(
"Computação" = Aprender_nvConhComputacao,
"Português" = Aprender_port,
"História" = Aprender_hist,
"Atividades Físicas" = Praticar_atvFisica,
"Geografia" = Aprender_geo,
"Inglês" = Aprender_Ingles,
"Matemática" = Aprender_mat,
"Terceiro Idioma" = Aprender_outLingua,
"Física" = Aprender_fisica,
"Química" = Aprender_quimica
)
# Calcular a média por item
medias_por_item <- dado_autoeficacia_renomeado %>%
summarise(across(everything(), ~mean(.x, na.rm = TRUE)))
# Transformar o resultado em formato long para o ggplot2
df_medias_por_item <- as.data.frame(t(medias_por_item))
df_medias_por_item <- tibble::rownames_to_column(df_medias_por_item, "Item")
colnames(df_medias_por_item) <- c("Item", "Média")
# Ordenar os itens do maior para o menor valor de média
df_medias_por_item <- df_medias_por_item %>%
arrange(desc(Média))
# Criar um gráfico de barras
grafico_medias_por_item_homens <- ggplot(df_medias_por_item, aes(x = reorder(Item, Média), y = Média, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Média, 2)), vjust = -0.5, size = 3) +
labs(title = "Gráfico de barras dos valores de autoeficácia para disciplinas dos meninos",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_medias_por_item_homens)
# Salvar o gráfico
ggsave("grafico_medias_por_item_meninos.png", plot = grafico_medias_por_item_homens, width = 10, height = 6)Confiança em aprender novos conhecimentos de Computação
Qual é o nível de confiança das estudantes em aprender novos conhecimentos de Computação?
maior_nivel_confianca_novconhcomputacao <- conhecimento_computacao %>%
select(Aprender_nvConhComputacao) %>%
filter(Aprender_nvConhComputacao >= 7)
print(maior_nivel_confianca_novconhcomputacao)## Aprender_nvConhComputacao
## 1 10
## 2 8
## 3 10
## 4 10
## 5 8
## 6 10
## 7 8
## 8 10
## 9 10
## 10 9
## 11 8
## 12 10
## 13 10
## 14 7
## 15 8
## 16 8
## 17 9
## 18 10
## 19 8
## 20 9
## 21 8
## 22 7
## 23 7
## 24 8
## 25 9
## 26 8
## 27 10
## 28 8
## 29 7
## 30 7
## 31 10
## 32 7
## 33 10
## 34 10
## 35 10
## 36 10
## 37 8
## 38 10
## 39 9
## 40 8
## 41 8
## 42 10
## 43 10
## 44 9
## 45 10
## 46 8
## 47 7
## 48 10# Contar a frequência de cada valor
contagem_valores <- maior_nivel_confianca_novconhcomputacao %>%
count(Aprender_nvConhComputacao)
# Renomear a coluna para algo mais descritivo
contagem_valores <- contagem_valores %>%
rename(Valor = Aprender_nvConhComputacao, Contagem = n)
# Definir as cores para cada valor
cores <- c("7" = "yellow", "8" = "orange", "9" = "green", "10" = "red") # Customize as cores conforme necessário
# Criar um gráfico de barras para visualizar a contagem dos valores
grafico_contagem_valores <- ggplot(contagem_valores, aes(x = as.factor(Valor), y = Contagem, fill = as.factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Contagem de Valores Maiores ou Iguais a 7 em Aprender Novos \n Conhecimentos sobre Computação",
x = "Valor",
y = "Contagem") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = cores) + # Definir as cores para as barras
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_contagem_valores)
# Salvar o gráfico
ggsave("grafico_contagem_valores.png", plot = grafico_contagem_valores, width = 10, height = 6)Mulheres
maior_nivel_confianca_novconhcomputacao_mulheres <- conhecimento_computacao_mulheres %>%
select(Aprender_nvConhComputacao) %>%
filter(Aprender_nvConhComputacao >= 7)
print(maior_nivel_confianca_novconhcomputacao_mulheres)## Aprender_nvConhComputacao
## 1 10
## 2 8
## 3 10
## 4 8
## 5 8
## 6 10
## 7 8
## 8 10
## 9 7
## 10 8
## 11 8
## 12 9
## 13 7
## 14 8
## 15 10
## 16 7
## 17 10
## 18 10
## 19 9
## 20 10
## 21 8
## 22 7
## 23 10# Contar a frequência de cada valor
contagem_valores <- maior_nivel_confianca_novconhcomputacao_mulheres %>%
count(Aprender_nvConhComputacao)
# Renomear a coluna para algo mais descritivo
contagem_valores <- contagem_valores %>%
rename(Valor = Aprender_nvConhComputacao, Contagem = n)
# Definir as cores para cada valor
cores <- c("7" = "#C71585", "8" = "#FF1493", "9" = "#FF69B4", "10" = "#DB7093") # Customize as cores conforme necessário
# Criar um gráfico de barras para visualizar a contagem dos valores
grafico_contagem_valores_mulheres <- ggplot(contagem_valores, aes(x = as.factor(Valor), y = Contagem, fill = as.factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Contagem de Valores Maiores ou Iguais a 7 em Aprender Novos \n Conhecimentos sobre Computação das meninas",
x = "Valor",
y = "Contagem") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = cores) + # Definir as cores para as barras
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_contagem_valores_mulheres)
# Salvar o gráfico
ggsave("grafico_contagem_valores_mulheres.png", plot = grafico_contagem_valores_mulheres, width = 10, height = 6)Homens
maior_nivel_confianca_novconhcomputacao_homens <- conhecimento_computacao_homens %>%
select(Aprender_nvConhComputacao) %>%
filter(Aprender_nvConhComputacao >= 7)
print(maior_nivel_confianca_novconhcomputacao_homens)## Aprender_nvConhComputacao
## 1 10
## 2 10
## 3 10
## 4 9
## 5 10
## 6 8
## 7 9
## 8 10
## 9 8
## 10 7
## 11 9
## 12 8
## 13 8
## 14 7
## 15 7
## 16 10
## 17 10
## 18 10
## 19 8
## 20 10
## 21 9
## 22 8
## 23 8
## 24 10
## 25 10# Contar a frequência de cada valor
contagem_valores <- maior_nivel_confianca_novconhcomputacao_homens %>%
count(Aprender_nvConhComputacao)
# Renomear a coluna para algo mais descritivo
contagem_valores <- contagem_valores %>%
rename(Valor = Aprender_nvConhComputacao, Contagem = n)
# Definir as cores para cada valor
cores <- c("7" = "#6A5ACD", "8" = "#836FFF", "9" = "#6959CD", "10" = "#483D8B") # Customize as cores conforme necessário
# Criar um gráfico de barras para visualizar a contagem dos valores
grafico_contagem_valores_homens <- ggplot(contagem_valores, aes(x = as.factor(Valor), y = Contagem, fill = as.factor(Valor))) +
geom_bar(stat = "identity") +
geom_text(aes(label = Contagem), vjust = -0.5, size = 3) +
labs(title = "Contagem de Valores Maiores ou Iguais a 7 em Aprender Novos \n Conhecimentos sobre Computação dos meninos",
x = "Valor",
y = "Contagem") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = cores) + # Definir as cores para as barras
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_contagem_valores_homens)
# Salvar o gráfico
ggsave("grafico_contagem_valores_homens.png", plot = grafico_contagem_valores_homens, width = 10, height = 6)Confiança em executar atividades práticas da área de Computação
Qual é o nível de confiança das estudantes em executar atividades práticas da área de Computação?
# Selecionar as colunas específicas
confianca_ativpraticasComputacao <- conhecimento_computacao %>%
select("Aplicar_concBasicEletronica", "Gerenciar_redes", "Administrar_PClinhaComando", "Manipular_BD", "Utilizar_lingProgramacao", "Utilizar_2ou.lingProgramacao")
# Exibir o dataframe resultante
print(confianca_ativpraticasComputacao)## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 0 2 4
## 4 5 8 5
## 5 1 4 0
## 6 1 5 2
## 7 9 7 8
## 8 2 5 3
## 9 0 0 0
## 10 0 6 5
## 11 0 8 8
## 12 10 10 10
## 13 5 6 7
## 14 2 2 2
## 15 4 4 4
## 16 10 6 6
## 17 4 5 7
## 18 6 2 2
## 19 0 3 4
## 20 5 7 7
## 21 0 6 0
## 22 0 2 2
## 23 0 0 0
## 24 1 1 6
## 25 3 3 3
## 26 0 0 0
## 27 5 5 7
## 28 2 2 4
## 29 4 7 7
## 30 6 5 7
## 31 5 5 3
## 32 6 3 2
## 33 4 5 5
## 34 4 6 5
## 35 3 3 4
## 36 8 7 5
## 37 0 0 0
## 38 5 4 1
## 39 0 0 0
## 40 8 4 7
## 41 7 8 6
## 42 0 1 0
## 43 0 0 0
## 44 0 3 0
## 45 1 3 0
## 46 8 5 6
## 47 7 10 8
## 48 3 3 0
## 49 0 0 0
## 50 0 0 0
## 51 2 3 3
## 52 5 0 0
## 53 0 0 0
## 54 0 0 0
## 55 0 0 0
## 56 10 9 9
## 57 1 5 7
## 58 3 3 3
## 59 0 1 1
## 60 7 4 3
## 61 3 4 2
## 62 1 5 5
## 63 0 0 0
## 64 5 5 6
## 65 1 6 3
## 66 7 7 5
## Manipular_BD Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 3 8 7
## 2 6 10 8
## 3 2 9 9
## 4 3 9 8
## 5 1 7 2
## 6 0 1 0
## 7 9 10 9
## 8 2 5 5
## 9 0 5 2
## 10 0 9 7
## 11 0 8 9
## 12 10 10 10
## 13 7 10 8
## 14 4 6 4
## 15 4 9 7
## 16 9 10 10
## 17 7 10 10
## 18 2 7 7
## 19 5 8 8
## 20 6 8 9
## 21 7 9 8
## 22 5 10 7
## 23 1 4 3
## 24 1 8 6
## 25 3 5 5
## 26 4 4 3
## 27 5 9 8
## 28 2 10 8
## 29 5 10 10
## 30 5 10 10
## 31 7 10 7
## 32 5 5 3
## 33 5 7 7
## 34 6 8 8
## 35 6 5 5
## 36 3 9 9
## 37 0 0 0
## 38 1 7 6
## 39 0 5 0
## 40 5 10 8
## 41 7 8 7
## 42 5 6 2
## 43 3 5 3
## 44 0 5 2
## 45 1 6 5
## 46 4 8 8
## 47 10 10 7
## 48 0 0 0
## 49 0 4 0
## 50 0 0 0
## 51 3 3 1
## 52 0 8 0
## 53 0 8 7
## 54 0 5 2
## 55 0 0 0
## 56 9 9 9
## 57 5 8 7
## 58 2 4 3
## 59 1 2 1
## 60 2 8 6
## 61 0 4 3
## 62 0 5 5
## 63 0 0 0
## 64 5 5 5
## 65 3 8 7
## 66 5 7 7# Data frame com os itens
confianca_ativpraticasComputacao_renomeado <- confianca_ativpraticasComputacao %>%
rename(
"ConceitosBasic_Eletrônica" = Aplicar_concBasicEletronica,
"Gerenciar_Redes" = Gerenciar_redes,
"Administrar_PClinhaComando" = Administrar_PClinhaComando,
"Manipular_BD" = Manipular_BD,
"Utilizar_lingProgramacao" = Utilizar_lingProgramacao,
"Utilizar_2ou+lingProgramacao" = Utilizar_2ou.lingProgramacao
)
# Calcular a média para cada coluna
nivel_confianca <- colMeans(confianca_ativpraticasComputacao_renomeado, na.rm = TRUE)
# Transformar o resultado em um dataframe
df_nivel_confianca <- data.frame(
Item = names(nivel_confianca),
Media = round(nivel_confianca, 2)
)
# Exibir o dataframe resultante
print(df_nivel_confianca)## Item Media
## ConceitosBasic_Eletrônica ConceitosBasic_Eletrônica 3.12
## Gerenciar_Redes Gerenciar_Redes 3.86
## Administrar_PClinhaComando Administrar_PClinhaComando 3.48
## Manipular_BD Manipular_BD 3.35
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.67
## Utilizar_2ou+lingProgramacao Utilizar_2ou+lingProgramacao 5.41# Criar um gráfico de barras para visualizar o nível de confiança
grafico_nivel_confianca_atvpraticas <- ggplot(df_nivel_confianca, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = sprintf("%.2f", Media)), vjust = -0.2, size = 3) +
labs(title = "Nível de Confiança em Práticas de Computação",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_nivel_confianca_atvpraticas)
# Salvar o gráfico
ggsave("grafico_nivel_confianca_atvpraticas.png", plot = grafico_nivel_confianca_atvpraticas, width = 10, height = 6)Mulheres
# Selecionar as colunas específicas
confianca_ativpraticasComputacao_mulheres <- conhecimento_computacao_mulheres %>%
select("Aplicar_concBasicEletronica", "Gerenciar_redes", "Administrar_PClinhaComando", "Manipular_BD", "Utilizar_lingProgramacao", "Utilizar_2ou.lingProgramacao")
# Exibir o dataframe resultante
print(confianca_ativpraticasComputacao_mulheres)## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 5 8 5
## 4 1 4 0
## 5 1 5 2
## 6 2 5 3
## 7 0 0 0
## 8 0 6 5
## 9 0 8 8
## 10 4 4 4
## 11 4 5 7
## 12 6 2 2
## 13 0 3 4
## 14 5 7 7
## 15 0 2 2
## 16 0 0 0
## 17 4 7 7
## 18 6 5 7
## 19 4 5 5
## 20 4 6 5
## 21 0 0 0
## 22 5 4 1
## 23 0 0 0
## 24 0 3 0
## 25 1 3 0
## 26 7 10 8
## 27 0 0 0
## 28 0 0 0
## 29 0 1 1
## 30 3 4 2
## 31 1 5 5
## 32 5 5 6
## 33 1 6 3
## 34 7 7 5
## Manipular_BD Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 3 8 7
## 2 6 10 8
## 3 3 9 8
## 4 1 7 2
## 5 0 1 0
## 6 2 5 5
## 7 0 5 2
## 8 0 9 7
## 9 0 8 9
## 10 4 9 7
## 11 7 10 10
## 12 2 7 7
## 13 5 8 8
## 14 6 8 9
## 15 5 10 7
## 16 4 4 3
## 17 5 10 10
## 18 5 10 10
## 19 5 7 7
## 20 6 8 8
## 21 0 0 0
## 22 1 7 6
## 23 0 5 0
## 24 0 5 2
## 25 1 6 5
## 26 10 10 7
## 27 0 0 0
## 28 0 5 2
## 29 1 2 1
## 30 0 4 3
## 31 0 5 5
## 32 5 5 5
## 33 3 8 7
## 34 5 7 7# Data frame com os itens
confianca_ativpraticasComputacao_mulheres_renomeado <- confianca_ativpraticasComputacao_mulheres %>%
rename(
"ConceitosBasic_Eletrônica" = Aplicar_concBasicEletronica,
"Gerenciar_Redes" = Gerenciar_redes,
"Administrar_PClinhaComando" = Administrar_PClinhaComando,
"Manipular_BD" = Manipular_BD,
"Utilizar_lingProgramacao" = Utilizar_lingProgramacao,
"Utilizar_2ou+lingProgramacao" = Utilizar_2ou.lingProgramacao
)
# Calcular a média para cada coluna
nivel_confianca <- colMeans(confianca_ativpraticasComputacao_mulheres_renomeado, na.rm = TRUE)
# Transformar o resultado em um dataframe
df_nivel_confianca_mulheres <- data.frame(
Item = names(nivel_confianca),
Media = round(nivel_confianca, 2)
)
# Exibir o dataframe resultante
print(df_nivel_confianca_mulheres)## Item Media
## ConceitosBasic_Eletrônica ConceitosBasic_Eletrônica 2.44
## Gerenciar_Redes Gerenciar_Redes 4.18
## Administrar_PClinhaComando Administrar_PClinhaComando 3.38
## Manipular_BD Manipular_BD 2.79
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.53
## Utilizar_2ou+lingProgramacao Utilizar_2ou+lingProgramacao 5.41# Criar um gráfico de barras para visualizar o nível de confiança
grafico_nivel_confianca_atvpraticas_mulheres <- ggplot(df_nivel_confianca_mulheres, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = sprintf("%.2f", Media)), vjust = -0.2, size = 3) +
labs(title = "Nível de Confiança em Práticas de Computação pelas meninas",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_nivel_confianca_atvpraticas_mulheres)
# Salvar o gráfico
ggsave("grafico_nivel_confianca_atvpraticas_mulheres.png", plot = grafico_nivel_confianca_atvpraticas_mulheres, width = 10, height = 6)Homens
# Selecionar as colunas específicas
confianca_ativpraticasComputacao_homens <- conhecimento_computacao_homens %>%
select("Aplicar_concBasicEletronica", "Gerenciar_redes", "Administrar_PClinhaComando", "Manipular_BD", "Utilizar_lingProgramacao", "Utilizar_2ou.lingProgramacao")
# Exibir o dataframe resultante
print(confianca_ativpraticasComputacao_homens)## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 2 4
## 2 9 7 8
## 3 10 10 10
## 4 5 6 7
## 5 2 2 2
## 6 10 6 6
## 7 0 6 0
## 8 0 0 0
## 9 1 1 6
## 10 3 3 3
## 11 5 5 7
## 12 2 2 4
## 13 5 5 3
## 14 6 3 2
## 15 3 3 4
## 16 8 7 5
## 17 8 4 7
## 18 7 8 6
## 19 0 1 0
## 20 0 0 0
## 21 8 5 6
## 22 3 3 0
## 23 0 0 0
## 24 2 3 3
## 25 5 0 0
## 26 0 0 0
## 27 0 0 0
## 28 10 9 9
## 29 1 5 7
## 30 3 3 3
## 31 7 4 3
## 32 0 0 0
## Manipular_BD Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 2 9 9
## 2 9 10 9
## 3 10 10 10
## 4 7 10 8
## 5 4 6 4
## 6 9 10 10
## 7 7 9 8
## 8 1 4 3
## 9 1 8 6
## 10 3 5 5
## 11 5 9 8
## 12 2 10 8
## 13 7 10 7
## 14 5 5 3
## 15 6 5 5
## 16 3 9 9
## 17 5 10 8
## 18 7 8 7
## 19 5 6 2
## 20 3 5 3
## 21 4 8 8
## 22 0 0 0
## 23 0 4 0
## 24 3 3 1
## 25 0 8 0
## 26 0 8 7
## 27 0 0 0
## 28 9 9 9
## 29 5 8 7
## 30 2 4 3
## 31 2 8 6
## 32 0 0 0# Data frame com os itens
confianca_ativpraticasComputacao_homens_renomeado <- confianca_ativpraticasComputacao_homens %>%
rename(
"ConceitosBasic_Eletrônica" = Aplicar_concBasicEletronica,
"Gerenciar_Redes" = Gerenciar_redes,
"Administrar_PClinhaComando" = Administrar_PClinhaComando,
"Manipular_BD" = Manipular_BD,
"Utilizar_lingProgramacao" = Utilizar_lingProgramacao,
"Utilizar_2ou+lingProgramacao" = Utilizar_2ou.lingProgramacao
)
# Calcular a média para cada coluna
nivel_confianca <- colMeans(confianca_ativpraticasComputacao_homens_renomeado, na.rm = TRUE)
# Transformar o resultado em um dataframe
df_nivel_confianca_homens <- data.frame(
Item = names(nivel_confianca),
Media = round(nivel_confianca, 2)
)
# Exibir o dataframe resultante
print(df_nivel_confianca_homens)## Item Media
## ConceitosBasic_Eletrônica ConceitosBasic_Eletrônica 3.84
## Gerenciar_Redes Gerenciar_Redes 3.53
## Administrar_PClinhaComando Administrar_PClinhaComando 3.59
## Manipular_BD Manipular_BD 3.94
## Utilizar_lingProgramacao Utilizar_lingProgramacao 6.81
## Utilizar_2ou+lingProgramacao Utilizar_2ou+lingProgramacao 5.41# Criar um gráfico de barras para visualizar o nível de confiança
grafico_nivel_confianca_atvpraticas_homens <- ggplot(df_nivel_confianca_homens, aes(x = reorder(Item, Media), y = Media, fill = Item)) +
geom_bar(stat = "identity") +
geom_text(aes(label = sprintf("%.2f", Media)), vjust = -0.2, size = 3) +
labs(title = "Nível de Confiança em Práticas de Computação pelos meninos",
x = "Item",
y = "Média") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE) # Remove a legenda de cores
# Exibir o gráfico
print(grafico_nivel_confianca_atvpraticas_homens)
# Salvar o gráfico
ggsave("grafico_nivel_confianca_atvpraticas_homens.png", plot = grafico_nivel_confianca_atvpraticas_homens, width = 10, height = 6)Existe uma relação entre a confiança em aprender novos conhecimentos de Computação e a confiança em executar atividades práticas da área?
# Selecionar as colunas específicas
confianca_dados <- conhecimento_computacao %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD)
# Calcular a média das atividades práticas para cada estudante
confianca_dados <- confianca_dados %>%
rowwise() %>%
mutate(Media_atividades_praticas = mean(c_across(Aplicar_concBasicEletronica:Manipular_BD), na.rm = TRUE))
# Exibir os dados resultantes
print(confianca_dados)## # A tibble: 66 × 8
## # Rowwise:
## Aprender_nvConhComputacao Utilizar_lingProgramacao Utilizar_2ou.lingProgram…¹
## <int> <int> <int>
## 1 10 8 7
## 2 8 10 8
## 3 10 9 9
## 4 10 9 8
## 5 8 7 2
## 6 1 1 0
## 7 10 10 9
## 8 5 5 5
## 9 1 5 2
## 10 8 9 7
## # ℹ 56 more rows
## # ℹ abbreviated name: ¹Utilizar_2ou.lingProgramacao
## # ℹ 5 more variables: Aplicar_concBasicEletronica <int>, Gerenciar_redes <int>,
## # Administrar_PClinhaComando <int>, Manipular_BD <int>,
## # Media_atividades_praticas <dbl># Calcular a correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas
correlacao <- cor(confianca_dados$Aprender_nvConhComputacao, confianca_dados$Media_atividades_praticas, use = "complete.obs")
# Exibir o valor da correlação
print(paste("Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: ", round(correlacao, 2)))## [1] "Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: 0.43"# Criar um gráfico de dispersão com linha de tendência
grafico_correlacao <- ggplot(confianca_dados, aes(x = Aprender_nvConhComputacao, y = Media_atividades_praticas)) +
geom_point(color = "green") +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "Relação entre Confiança em Aprender Novos Conhecimentos de Computação \ne Confiança em Atividades Práticas",
x = "Confiança em Aprender Novos Conhecimentos de Computação",
y = "Confiança em Atividades Práticas") +
theme_minimal()
# Exibir o gráfico
print(grafico_correlacao)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao.png", plot = grafico_correlacao, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'# Reorganizar os dados em formato long
confianca_dados_long <- conhecimento_computacao %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD) %>%
pivot_longer(cols = -Aprender_nvConhComputacao, names_to = "Atividade_Pratica", values_to = "Confianca_Atividade_Pratica")
# Criar um gráfico de caixa
grafico_boxplot <- ggplot(confianca_dados_long, aes(x = Atividade_Pratica, y = Confianca_Atividade_Pratica, fill = Atividade_Pratica)) +
geom_boxplot() +
labs(title = "Distribuição da Confiança em Atividades Práticas de Computação",
x = "Atividade Prática",
y = "Confiança em Atividades Práticas") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE)
# Exibir o gráfico
print(grafico_boxplot)
# Salvar o gráfico
ggsave("grafico_boxplot.png", plot = grafico_boxplot, width = 10, height = 6)Mulheres
# Selecionar as colunas específicas
confianca_dados <- conhecimento_computacao_mulheres %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD)
# Calcular a média das atividades práticas para cada estudante
confianca_dados <- confianca_dados %>%
rowwise() %>%
mutate(Media_atividades_praticas = mean(c_across(Aplicar_concBasicEletronica:Manipular_BD), na.rm = TRUE))
# Exibir os dados resultantes
print(confianca_dados)## # A tibble: 34 × 8
## # Rowwise:
## Aprender_nvConhComputacao Utilizar_lingProgramacao Utilizar_2ou.lingProgram…¹
## <int> <int> <int>
## 1 10 8 7
## 2 8 10 8
## 3 10 9 8
## 4 8 7 2
## 5 1 1 0
## 6 5 5 5
## 7 1 5 2
## 8 8 9 7
## 9 10 8 9
## 10 8 9 7
## # ℹ 24 more rows
## # ℹ abbreviated name: ¹Utilizar_2ou.lingProgramacao
## # ℹ 5 more variables: Aplicar_concBasicEletronica <int>, Gerenciar_redes <int>,
## # Administrar_PClinhaComando <int>, Manipular_BD <int>,
## # Media_atividades_praticas <dbl># Calcular a correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas
correlacao <- cor(confianca_dados$Aprender_nvConhComputacao, confianca_dados$Media_atividades_praticas, use = "complete.obs")
# Exibir o valor da correlação
print(paste("Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: ", round(correlacao, 2)))## [1] "Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: 0.51"# Criar um gráfico de dispersão com linha de tendência
grafico_correlacao_confiancaMulheres <- ggplot(confianca_dados, aes(x = Aprender_nvConhComputacao, y = Media_atividades_praticas)) +
geom_point(color = "deeppink") +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "Relação entre Confiança em Aprender Novos Conhecimentos de Computação \ne Confiança em Atividades Práticas pelas meninas",
x = "Confiança em Aprender Novos Conhecimentos de Computação",
y = "Confiança em Atividades Práticas") +
theme_minimal()
# Exibir o gráfico
print(grafico_correlacao_confiancaMulheres)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao_confiancaMulheres.png", plot = grafico_correlacao_confiancaMulheres, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'# Reorganizar os dados em formato long
confianca_dados_long <- conhecimento_computacao_mulheres %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD) %>%
pivot_longer(cols = -Aprender_nvConhComputacao, names_to = "Atividade_Pratica", values_to = "Confianca_Atividade_Pratica")
# Criar um gráfico de caixa
grafico_boxplot_confiancaMulheres <- ggplot(confianca_dados_long, aes(x = Atividade_Pratica, y = Confianca_Atividade_Pratica, fill = Atividade_Pratica)) +
geom_boxplot() +
labs(title = "Distribuição da Confiança em Atividades Práticas de Computação \npelas meninas",
x = "Atividade Prática",
y = "Confiança em Atividades Práticas") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE)
# Exibir o gráfico
print(grafico_boxplot_confiancaMulheres)
# Salvar o gráfico
ggsave("grafico_boxplot_confiancaMulheres.png", plot = grafico_boxplot_confiancaMulheres, width = 10, height = 6)Homens
# Selecionar as colunas específicas
confianca_dados <- conhecimento_computacao_homens %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD)
# Calcular a média das atividades práticas para cada estudante
confianca_dados <- confianca_dados %>%
rowwise() %>%
mutate(Media_atividades_praticas = mean(c_across(Aplicar_concBasicEletronica:Manipular_BD), na.rm = TRUE))
# Exibir os dados resultantes
print(confianca_dados)## # A tibble: 32 × 8
## # Rowwise:
## Aprender_nvConhComputacao Utilizar_lingProgramacao Utilizar_2ou.lingProgram…¹
## <int> <int> <int>
## 1 10 9 9
## 2 10 10 9
## 3 10 10 10
## 4 9 10 8
## 5 5 6 4
## 6 10 10 10
## 7 8 9 8
## 8 3 4 3
## 9 9 8 6
## 10 5 5 5
## # ℹ 22 more rows
## # ℹ abbreviated name: ¹Utilizar_2ou.lingProgramacao
## # ℹ 5 more variables: Aplicar_concBasicEletronica <int>, Gerenciar_redes <int>,
## # Administrar_PClinhaComando <int>, Manipular_BD <int>,
## # Media_atividades_praticas <dbl># Calcular a correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas
correlacao <- cor(confianca_dados$Aprender_nvConhComputacao, confianca_dados$Media_atividades_praticas, use = "complete.obs")
# Exibir o valor da correlação
print(paste("Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: ", round(correlacao, 2)))## [1] "Correlação entre a confiança em aprender novos conhecimentos e a confiança em atividades práticas: 0.34"# Criar um gráfico de dispersão com linha de tendência
grafico_correlacao_confiancaHomens <- ggplot(confianca_dados, aes(x = Aprender_nvConhComputacao, y = Media_atividades_praticas)) +
geom_point(color = "blue") +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(title = "Relação entre Confiança em Aprender Novos Conhecimentos de Computação \ne Confiança em Atividades Práticas pelos meninos",
x = "Confiança em Aprender Novos Conhecimentos de Computação",
y = "Confiança em Atividades Práticas") +
theme_minimal()
# Exibir o gráfico
print(grafico_correlacao_confiancaHomens)## `geom_smooth()` using formula = 'y ~ x'
# Salvar o gráfico
ggsave("grafico_correlacao_confiancaHomens.png", plot = grafico_correlacao_confiancaHomens, width = 10, height = 6)## `geom_smooth()` using formula = 'y ~ x'# Reorganizar os dados em formato long
confianca_dados_long <- conhecimento_computacao_homens %>%
select(Aprender_nvConhComputacao, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD) %>%
pivot_longer(cols = -Aprender_nvConhComputacao, names_to = "Atividade_Pratica", values_to = "Confianca_Atividade_Pratica")
# Criar um gráfico de caixa
grafico_boxplot_confiancaHomens <- ggplot(confianca_dados_long, aes(x = Atividade_Pratica, y = Confianca_Atividade_Pratica, fill = Atividade_Pratica)) +
geom_boxplot() +
labs(title = "Distribuição da Confiança em Atividades Práticas de Computação \npelos meninos",
x = "Atividade Prática",
y = "Confiança em Atividades Práticas") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
guides(fill = FALSE)
# Exibir o gráfico
print(grafico_boxplot_confiancaHomens)
# Salvar o gráfico
ggsave("grafico_boxplot_confiancaHomens.png", plot = grafico_boxplot_confiancaHomens, width = 10, height = 6)Escolha de um curso superior relacionado à Informática
Qual é o nível de autoeficácia das estudantes em conhecimentos em Computação? Qual é o nível de autoeficácia das estudantes em escolher um curso superior relacionado à Informática? Existe uma relação entre a autoeficácia em conhecimentos em Computação e a escolha de um curso superior na área?
conhecimentoComputacao_cursoSuperiorComp_Geral <- dado_autoeficacia %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao)
print(conhecimentoComputacao_cursoSuperiorComp_Geral)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 8
## 3 10 8
## 4 10 9
## 5 0 5
## 6 1 9
## 7 10 10
## 8 2 5
## 9 3 5
## 10 6 8
## 11 7 9
## 12 10 10
## 13 10 10
## 14 10 9
## 15 9 8
## 16 10 10
## 17 10 10
## 18 3 7
## 19 10 8
## 20 7 8
## 21 6 6
## 22 10 3
## 23 5 9
## 24 9 6
## 25 1 7
## 26 0 5
## 27 10 9
## 28 9 8
## 29 5 5
## 30 7 6
## 31 8 2
## 32 8 7
## 33 7 7
## 34 7 9
## 35 0 2
## 36 8 8
## 37 0 3
## 38 3 8
## 39 4 10
## 40 9 9
## 41 10 7
## 42 6 8
## 43 7 2
## 44 4 10
## 45 3 8
## 46 10 8
## 47 10 10
## 48 10 6
## 49 10 5
## 50 10 0
## 51 9 1
## 52 10 9
## 53 7 5
## 54 5 7
## 55 6 9
## 56 8 9
## 57 6 0
## 58 5 4
## 59 5 2
## 60 9 5
## 61 5 4
## 62 5 10
## 63 10 3
## 64 8 8
## 65 10 8
## 66 5 7
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 9
## 4 9 8
## 5 7 2
## 6 1 0
## 7 10 9
## 8 5 5
## 9 5 2
## 10 9 7
## 11 8 9
## 12 10 10
## 13 10 8
## 14 6 4
## 15 9 7
## 16 10 10
## 17 10 10
## 18 7 7
## 19 8 8
## 20 8 9
## 21 9 8
## 22 10 7
## 23 4 3
## 24 8 6
## 25 5 5
## 26 4 3
## 27 9 8
## 28 10 8
## 29 10 10
## 30 10 10
## 31 10 7
## 32 5 3
## 33 7 7
## 34 8 8
## 35 5 5
## 36 9 9
## 37 0 0
## 38 7 6
## 39 5 0
## 40 10 8
## 41 8 7
## 42 6 2
## 43 5 3
## 44 5 2
## 45 6 5
## 46 8 8
## 47 10 7
## 48 0 0
## 49 4 0
## 50 0 0
## 51 3 1
## 52 8 0
## 53 8 7
## 54 5 2
## 55 0 0
## 56 9 9
## 57 8 7
## 58 4 3
## 59 2 1
## 60 8 6
## 61 4 3
## 62 5 5
## 63 0 0
## 64 5 5
## 65 8 7
## 66 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 0 2 4
## 4 5 8 5
## 5 1 4 0
## 6 1 5 2
## 7 9 7 8
## 8 2 5 3
## 9 0 0 0
## 10 0 6 5
## 11 0 8 8
## 12 10 10 10
## 13 5 6 7
## 14 2 2 2
## 15 4 4 4
## 16 10 6 6
## 17 4 5 7
## 18 6 2 2
## 19 0 3 4
## 20 5 7 7
## 21 0 6 0
## 22 0 2 2
## 23 0 0 0
## 24 1 1 6
## 25 3 3 3
## 26 0 0 0
## 27 5 5 7
## 28 2 2 4
## 29 4 7 7
## 30 6 5 7
## 31 5 5 3
## 32 6 3 2
## 33 4 5 5
## 34 4 6 5
## 35 3 3 4
## 36 8 7 5
## 37 0 0 0
## 38 5 4 1
## 39 0 0 0
## 40 8 4 7
## 41 7 8 6
## 42 0 1 0
## 43 0 0 0
## 44 0 3 0
## 45 1 3 0
## 46 8 5 6
## 47 7 10 8
## 48 3 3 0
## 49 0 0 0
## 50 0 0 0
## 51 2 3 3
## 52 5 0 0
## 53 0 0 0
## 54 0 0 0
## 55 0 0 0
## 56 10 9 9
## 57 1 5 7
## 58 3 3 3
## 59 0 1 1
## 60 7 4 3
## 61 3 4 2
## 62 1 5 5
## 63 0 0 0
## 64 5 5 6
## 65 1 6 3
## 66 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 2 10
## 4 3 10
## 5 1 8
## 6 0 1
## 7 9 10
## 8 2 5
## 9 0 1
## 10 0 8
## 11 0 10
## 12 10 10
## 13 7 9
## 14 4 5
## 15 4 8
## 16 9 10
## 17 7 10
## 18 2 2
## 19 5 7
## 20 6 8
## 21 7 8
## 22 5 6
## 23 1 3
## 24 1 9
## 25 3 5
## 26 4 4
## 27 5 5
## 28 2 10
## 29 5 8
## 30 5 9
## 31 7 8
## 32 5 7
## 33 5 7
## 34 6 8
## 35 6 9
## 36 3 8
## 37 0 0
## 38 1 5
## 39 0 10
## 40 5 8
## 41 7 7
## 42 5 7
## 43 3 10
## 44 0 5
## 45 1 7
## 46 4 10
## 47 10 10
## 48 0 10
## 49 0 0
## 50 0 10
## 51 3 8
## 52 0 10
## 53 0 9
## 54 0 6
## 55 0 8
## 56 9 8
## 57 5 10
## 58 2 4
## 59 1 5
## 60 2 10
## 61 0 9
## 62 0 10
## 63 0 5
## 64 5 8
## 65 3 7
## 66 5 10conhecimentoComputacao_cursoSuperiorComp_Grupo <- dado_autoeficacia %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7)
print(conhecimentoComputacao_cursoSuperiorComp_Grupo)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 8
## 3 10 8
## 4 10 9
## 5 10 10
## 6 7 9
## 7 10 10
## 8 10 10
## 9 10 9
## 10 9 8
## 11 10 10
## 12 10 10
## 13 10 8
## 14 7 8
## 15 10 3
## 16 9 6
## 17 10 9
## 18 9 8
## 19 7 6
## 20 8 2
## 21 8 7
## 22 7 7
## 23 7 9
## 24 8 8
## 25 9 9
## 26 10 7
## 27 7 2
## 28 10 8
## 29 10 10
## 30 10 6
## 31 10 5
## 32 10 0
## 33 9 1
## 34 10 9
## 35 7 5
## 36 8 9
## 37 9 5
## 38 10 3
## 39 8 8
## 40 10 8
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 9
## 4 9 8
## 5 10 9
## 6 8 9
## 7 10 10
## 8 10 8
## 9 6 4
## 10 9 7
## 11 10 10
## 12 10 10
## 13 8 8
## 14 8 9
## 15 10 7
## 16 8 6
## 17 9 8
## 18 10 8
## 19 10 10
## 20 10 7
## 21 5 3
## 22 7 7
## 23 8 8
## 24 9 9
## 25 10 8
## 26 8 7
## 27 5 3
## 28 8 8
## 29 10 7
## 30 0 0
## 31 4 0
## 32 0 0
## 33 3 1
## 34 8 0
## 35 8 7
## 36 9 9
## 37 8 6
## 38 0 0
## 39 5 5
## 40 8 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 0 2 4
## 4 5 8 5
## 5 9 7 8
## 6 0 8 8
## 7 10 10 10
## 8 5 6 7
## 9 2 2 2
## 10 4 4 4
## 11 10 6 6
## 12 4 5 7
## 13 0 3 4
## 14 5 7 7
## 15 0 2 2
## 16 1 1 6
## 17 5 5 7
## 18 2 2 4
## 19 6 5 7
## 20 5 5 3
## 21 6 3 2
## 22 4 5 5
## 23 4 6 5
## 24 8 7 5
## 25 8 4 7
## 26 7 8 6
## 27 0 0 0
## 28 8 5 6
## 29 7 10 8
## 30 3 3 0
## 31 0 0 0
## 32 0 0 0
## 33 2 3 3
## 34 5 0 0
## 35 0 0 0
## 36 10 9 9
## 37 7 4 3
## 38 0 0 0
## 39 5 5 6
## 40 1 6 3
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 2 10
## 4 3 10
## 5 9 10
## 6 0 10
## 7 10 10
## 8 7 9
## 9 4 5
## 10 4 8
## 11 9 10
## 12 7 10
## 13 5 7
## 14 6 8
## 15 5 6
## 16 1 9
## 17 5 5
## 18 2 10
## 19 5 9
## 20 7 8
## 21 5 7
## 22 5 7
## 23 6 8
## 24 3 8
## 25 5 8
## 26 7 7
## 27 3 10
## 28 4 10
## 29 10 10
## 30 0 10
## 31 0 0
## 32 0 10
## 33 3 8
## 34 0 10
## 35 0 9
## 36 9 8
## 37 2 10
## 38 0 5
## 39 5 8
## 40 3 7# Calcular a média de autoeficácia para cada item no grupo geral
media_autoeficacia_geral <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Geral")
# Calcular a média de autoeficácia para cada item no grupo que escolheu um curso superior
media_autoeficacia_grupo <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Grupo")
# Combine os resultados em um único dataframe para facilitar a comparação
media_comparacao <- full_join(media_autoeficacia_geral, media_autoeficacia_grupo, by = "Item")
# Exibir os resultados
print(media_comparacao)## # A tibble: 8 × 3
## Item Média_Geral Média_Grupo
## <chr> <dbl> <dbl>
## 1 Utilizar_ferEscritorio 6.79 7.12
## 2 Utilizar_lingProgramacao 6.67 7.62
## 3 Utilizar_2ou.lingProgramacao 5.41 6.42
## 4 Aplicar_concBasicEletronica 3.12 4.12
## 5 Gerenciar_redes 3.86 4.45
## 6 Administrar_PClinhaComando 3.48 4.5
## 7 Manipular_BD 3.35 4.25
## 8 Aprender_nvConhComputacao 7.42 8.3# Adicionar uma coluna de grupo para facilitar a distinção
conhecimentoComputacao_cursoSuperiorComp_Geral_long <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Geral")
conhecimentoComputacao_cursoSuperiorComp_Grupo_long <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Curso Superior")
# Combine os dados em um único dataframe
dados_long <- bind_rows(conhecimentoComputacao_cursoSuperiorComp_Geral_long, conhecimentoComputacao_cursoSuperiorComp_Grupo_long)
# Calcular a média de autoeficácia para cada item e grupo
media_autoeficacia_long <- dados_long %>%
group_by(Grupo, Item) %>%
summarise(Média = round(mean(Autoeficacia, na.rm = TRUE), 2))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.# Criar o boxplot
grafico_boxplot <- ggplot(dados_long, aes(x = Item, y = Autoeficacia, fill = Grupo)) +
geom_boxplot(alpha = 0.5) +
geom_point(data = media_autoeficacia_long, aes(x = Item, y = Média, color = Grupo),
size = 3, shape = 18, position = position_dodge(width = 0.75)) +
labs(title = "Distribuição da Autoeficácia por Item com Médias",
x = "Item",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + coord_flip()
# Exibir o gráfico
print(grafico_boxplot)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_com_media.png", plot = grafico_boxplot, width = 12, height = 8)
# Calcular a média geral consolidada para o grupo geral
media_geral_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(Media_Geral = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Calcular a média geral consolidada para o grupo específico
media_grupo_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(Media_Grupo = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Exibir as médias gerais
print(media_geral_consolidada)## Media_Geral
## 1 5.23print(media_grupo_consolidada)## Media_Grupo
## 1 6.21Mulheres
conhecimentoComputacao_cursoSuperiorComp_Geral <- dado_autoeficacia_Mulheres %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao)
print(conhecimentoComputacao_cursoSuperiorComp_Geral)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 8
## 3 10 9
## 4 0 5
## 5 1 9
## 6 2 5
## 7 3 5
## 8 6 8
## 9 7 9
## 10 9 8
## 11 10 10
## 12 3 7
## 13 10 8
## 14 7 8
## 15 10 3
## 16 0 5
## 17 5 5
## 18 7 6
## 19 7 7
## 20 7 9
## 21 0 3
## 22 3 8
## 23 4 10
## 24 4 10
## 25 3 8
## 26 10 10
## 27 10 0
## 28 5 7
## 29 5 2
## 30 5 4
## 31 5 10
## 32 8 8
## 33 10 8
## 34 5 7
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 8
## 4 7 2
## 5 1 0
## 6 5 5
## 7 5 2
## 8 9 7
## 9 8 9
## 10 9 7
## 11 10 10
## 12 7 7
## 13 8 8
## 14 8 9
## 15 10 7
## 16 4 3
## 17 10 10
## 18 10 10
## 19 7 7
## 20 8 8
## 21 0 0
## 22 7 6
## 23 5 0
## 24 5 2
## 25 6 5
## 26 10 7
## 27 0 0
## 28 5 2
## 29 2 1
## 30 4 3
## 31 5 5
## 32 5 5
## 33 8 7
## 34 7 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 5 8 5
## 4 1 4 0
## 5 1 5 2
## 6 2 5 3
## 7 0 0 0
## 8 0 6 5
## 9 0 8 8
## 10 4 4 4
## 11 4 5 7
## 12 6 2 2
## 13 0 3 4
## 14 5 7 7
## 15 0 2 2
## 16 0 0 0
## 17 4 7 7
## 18 6 5 7
## 19 4 5 5
## 20 4 6 5
## 21 0 0 0
## 22 5 4 1
## 23 0 0 0
## 24 0 3 0
## 25 1 3 0
## 26 7 10 8
## 27 0 0 0
## 28 0 0 0
## 29 0 1 1
## 30 3 4 2
## 31 1 5 5
## 32 5 5 6
## 33 1 6 3
## 34 7 7 5
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 3 10
## 4 1 8
## 5 0 1
## 6 2 5
## 7 0 1
## 8 0 8
## 9 0 10
## 10 4 8
## 11 7 10
## 12 2 2
## 13 5 7
## 14 6 8
## 15 5 6
## 16 4 4
## 17 5 8
## 18 5 9
## 19 5 7
## 20 6 8
## 21 0 0
## 22 1 5
## 23 0 10
## 24 0 5
## 25 1 7
## 26 10 10
## 27 0 10
## 28 0 6
## 29 1 5
## 30 0 9
## 31 0 10
## 32 5 8
## 33 3 7
## 34 5 10conhecimentoComputacao_cursoSuperiorComp_Grupo <- dado_autoeficacia_Mulheres %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7)
print(conhecimentoComputacao_cursoSuperiorComp_Grupo)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 8
## 3 10 9
## 4 7 9
## 5 9 8
## 6 10 10
## 7 10 8
## 8 7 8
## 9 10 3
## 10 7 6
## 11 7 7
## 12 7 9
## 13 10 10
## 14 10 0
## 15 8 8
## 16 10 8
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 8 7
## 2 10 8
## 3 9 8
## 4 8 9
## 5 9 7
## 6 10 10
## 7 8 8
## 8 8 9
## 9 10 7
## 10 10 10
## 11 7 7
## 12 8 8
## 13 10 7
## 14 0 0
## 15 5 5
## 16 8 7
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 2 6 5
## 2 5 6 6
## 3 5 8 5
## 4 0 8 8
## 5 4 4 4
## 6 4 5 7
## 7 0 3 4
## 8 5 7 7
## 9 0 2 2
## 10 6 5 7
## 11 4 5 5
## 12 4 6 5
## 13 7 10 8
## 14 0 0 0
## 15 5 5 6
## 16 1 6 3
## Manipular_BD Aprender_nvConhComputacao
## 1 3 10
## 2 6 8
## 3 3 10
## 4 0 10
## 5 4 8
## 6 7 10
## 7 5 7
## 8 6 8
## 9 5 6
## 10 5 9
## 11 5 7
## 12 6 8
## 13 10 10
## 14 0 10
## 15 5 8
## 16 3 7# Calcular a média de autoeficácia para cada item no grupo geral
media_autoeficacia_geral <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Geral")
# Calcular a média de autoeficácia para cada item no grupo que escolheu um curso superior
media_autoeficacia_grupo <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Grupo")
# Combine os resultados em um único dataframe para facilitar a comparação
media_comparacao <- full_join(media_autoeficacia_geral, media_autoeficacia_grupo, by = "Item")
# Exibir os resultados
print(media_comparacao)## # A tibble: 8 × 3
## Item Média_Geral Média_Grupo
## <chr> <dbl> <dbl>
## 1 Utilizar_ferEscritorio 6.97 7.44
## 2 Utilizar_lingProgramacao 6.53 8
## 3 Utilizar_2ou.lingProgramacao 5.41 7.31
## 4 Aplicar_concBasicEletronica 2.44 3.25
## 5 Gerenciar_redes 4.18 5.38
## 6 Administrar_PClinhaComando 3.38 5.12
## 7 Manipular_BD 2.79 4.56
## 8 Aprender_nvConhComputacao 7.06 8.5# Adicionar uma coluna de grupo para facilitar a distinção
conhecimentoComputacao_cursoSuperiorComp_Geral_long <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Geral")
conhecimentoComputacao_cursoSuperiorComp_Grupo_long <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Curso Superior")
# Combine os dados em um único dataframe
dados_long <- bind_rows(conhecimentoComputacao_cursoSuperiorComp_Geral_long, conhecimentoComputacao_cursoSuperiorComp_Grupo_long)
# Calcular a média de autoeficácia para cada item e grupo
media_autoeficacia_long <- dados_long %>%
group_by(Grupo, Item) %>%
summarise(Média = round(mean(Autoeficacia, na.rm = TRUE), 2))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.# Criar o boxplot
grafico_boxplot_meninas <- ggplot(dados_long, aes(x = Item, y = Autoeficacia, fill = Grupo)) +
geom_boxplot(alpha = 0.5) +
geom_point(data = media_autoeficacia_long, aes(x = Item, y = Média, color = Grupo),
size = 3, shape = 18, position = position_dodge(width = 0.75)) +
labs(title = "Distribuição da Autoeficácia por Item com Médias \npara as meninas",
x = "Item",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + coord_flip()
# Exibir o gráfico
print(grafico_boxplot_meninas)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_com_media_meninas.png", plot = grafico_boxplot_meninas, width = 12, height = 8)
# Calcular a média geral consolidada para o grupo geral
media_geral_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(Media_Geral = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Calcular a média geral consolidada para o grupo específico
media_grupo_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(Media_Grupo = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Exibir as médias gerais
print(media_geral_consolidada)## Media_Geral
## 1 4.96print(media_grupo_consolidada)## Media_Grupo
## 1 6.49Hoemns
conhecimentoComputacao_cursoSuperiorComp_Geral <- dado_autoeficacia_Homens %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao)
print(conhecimentoComputacao_cursoSuperiorComp_Geral)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 10
## 3 10 10
## 4 10 10
## 5 10 9
## 6 10 10
## 7 6 6
## 8 5 9
## 9 9 6
## 10 1 7
## 11 10 9
## 12 9 8
## 13 8 2
## 14 8 7
## 15 0 2
## 16 8 8
## 17 9 9
## 18 10 7
## 19 6 8
## 20 7 2
## 21 10 8
## 22 10 6
## 23 10 5
## 24 9 1
## 25 10 9
## 26 7 5
## 27 6 9
## 28 8 9
## 29 6 0
## 30 5 4
## 31 9 5
## 32 10 3
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 9 9
## 2 10 9
## 3 10 10
## 4 10 8
## 5 6 4
## 6 10 10
## 7 9 8
## 8 4 3
## 9 8 6
## 10 5 5
## 11 9 8
## 12 10 8
## 13 10 7
## 14 5 3
## 15 5 5
## 16 9 9
## 17 10 8
## 18 8 7
## 19 6 2
## 20 5 3
## 21 8 8
## 22 0 0
## 23 4 0
## 24 3 1
## 25 8 0
## 26 8 7
## 27 0 0
## 28 9 9
## 29 8 7
## 30 4 3
## 31 8 6
## 32 0 0
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 2 4
## 2 9 7 8
## 3 10 10 10
## 4 5 6 7
## 5 2 2 2
## 6 10 6 6
## 7 0 6 0
## 8 0 0 0
## 9 1 1 6
## 10 3 3 3
## 11 5 5 7
## 12 2 2 4
## 13 5 5 3
## 14 6 3 2
## 15 3 3 4
## 16 8 7 5
## 17 8 4 7
## 18 7 8 6
## 19 0 1 0
## 20 0 0 0
## 21 8 5 6
## 22 3 3 0
## 23 0 0 0
## 24 2 3 3
## 25 5 0 0
## 26 0 0 0
## 27 0 0 0
## 28 10 9 9
## 29 1 5 7
## 30 3 3 3
## 31 7 4 3
## 32 0 0 0
## Manipular_BD Aprender_nvConhComputacao
## 1 2 10
## 2 9 10
## 3 10 10
## 4 7 9
## 5 4 5
## 6 9 10
## 7 7 8
## 8 1 3
## 9 1 9
## 10 3 5
## 11 5 5
## 12 2 10
## 13 7 8
## 14 5 7
## 15 6 9
## 16 3 8
## 17 5 8
## 18 7 7
## 19 5 7
## 20 3 10
## 21 4 10
## 22 0 10
## 23 0 0
## 24 3 8
## 25 0 10
## 26 0 9
## 27 0 8
## 28 9 8
## 29 5 10
## 30 2 4
## 31 2 10
## 32 0 5conhecimentoComputacao_cursoSuperiorComp_Grupo <- dado_autoeficacia_Homens %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
filter(Escolha_CursoSup_relaCursoTecnico >= 7)
print(conhecimentoComputacao_cursoSuperiorComp_Grupo)## Escolha_CursoSup_relaCursoTecnico Utilizar_ferEscritorio
## 1 10 8
## 2 10 10
## 3 10 10
## 4 10 10
## 5 10 9
## 6 10 10
## 7 9 6
## 8 10 9
## 9 9 8
## 10 8 2
## 11 8 7
## 12 8 8
## 13 9 9
## 14 10 7
## 15 7 2
## 16 10 8
## 17 10 6
## 18 10 5
## 19 9 1
## 20 10 9
## 21 7 5
## 22 8 9
## 23 9 5
## 24 10 3
## Utilizar_lingProgramacao Utilizar_2ou.lingProgramacao
## 1 9 9
## 2 10 9
## 3 10 10
## 4 10 8
## 5 6 4
## 6 10 10
## 7 8 6
## 8 9 8
## 9 10 8
## 10 10 7
## 11 5 3
## 12 9 9
## 13 10 8
## 14 8 7
## 15 5 3
## 16 8 8
## 17 0 0
## 18 4 0
## 19 3 1
## 20 8 0
## 21 8 7
## 22 9 9
## 23 8 6
## 24 0 0
## Aplicar_concBasicEletronica Gerenciar_redes Administrar_PClinhaComando
## 1 0 2 4
## 2 9 7 8
## 3 10 10 10
## 4 5 6 7
## 5 2 2 2
## 6 10 6 6
## 7 1 1 6
## 8 5 5 7
## 9 2 2 4
## 10 5 5 3
## 11 6 3 2
## 12 8 7 5
## 13 8 4 7
## 14 7 8 6
## 15 0 0 0
## 16 8 5 6
## 17 3 3 0
## 18 0 0 0
## 19 2 3 3
## 20 5 0 0
## 21 0 0 0
## 22 10 9 9
## 23 7 4 3
## 24 0 0 0
## Manipular_BD Aprender_nvConhComputacao
## 1 2 10
## 2 9 10
## 3 10 10
## 4 7 9
## 5 4 5
## 6 9 10
## 7 1 9
## 8 5 5
## 9 2 10
## 10 7 8
## 11 5 7
## 12 3 8
## 13 5 8
## 14 7 7
## 15 3 10
## 16 4 10
## 17 0 10
## 18 0 0
## 19 3 8
## 20 0 10
## 21 0 9
## 22 9 8
## 23 2 10
## 24 0 5# Calcular a média de autoeficácia para cada item no grupo geral
media_autoeficacia_geral <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Geral")
# Calcular a média de autoeficácia para cada item no grupo que escolheu um curso superior
media_autoeficacia_grupo <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(across(-Escolha_CursoSup_relaCursoTecnico, ~round(mean(.x, na.rm = TRUE), 2))) %>%
pivot_longer(cols = everything(), names_to = "Item", values_to = "Média_Grupo")
# Combine os resultados em um único dataframe para facilitar a comparação
media_comparacao <- full_join(media_autoeficacia_geral, media_autoeficacia_grupo, by = "Item")
# Exibir os resultados
print(media_comparacao)## # A tibble: 8 × 3
## Item Média_Geral Média_Grupo
## <chr> <dbl> <dbl>
## 1 Utilizar_ferEscritorio 6.59 6.92
## 2 Utilizar_lingProgramacao 6.81 7.38
## 3 Utilizar_2ou.lingProgramacao 5.41 5.83
## 4 Aplicar_concBasicEletronica 3.84 4.71
## 5 Gerenciar_redes 3.53 3.83
## 6 Administrar_PClinhaComando 3.59 4.08
## 7 Manipular_BD 3.94 4.04
## 8 Aprender_nvConhComputacao 7.81 8.17# Adicionar uma coluna de grupo para facilitar a distinção
conhecimentoComputacao_cursoSuperiorComp_Geral_long <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Geral")
conhecimentoComputacao_cursoSuperiorComp_Grupo_long <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
pivot_longer(-Escolha_CursoSup_relaCursoTecnico, names_to = "Item", values_to = "Autoeficacia") %>%
mutate(Grupo = "Curso Superior")
# Combine os dados em um único dataframe
dados_long <- bind_rows(conhecimentoComputacao_cursoSuperiorComp_Geral_long, conhecimentoComputacao_cursoSuperiorComp_Grupo_long)
# Calcular a média de autoeficácia para cada item e grupo
media_autoeficacia_long <- dados_long %>%
group_by(Grupo, Item) %>%
summarise(Média = round(mean(Autoeficacia, na.rm = TRUE), 2))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.# Criar o boxplot
grafico_boxplot_meninos <- ggplot(dados_long, aes(x = Item, y = Autoeficacia, fill = Grupo)) +
geom_boxplot(alpha = 0.5) +
geom_point(data = media_autoeficacia_long, aes(x = Item, y = Média, color = Grupo),
size = 3, shape = 18, position = position_dodge(width = 0.75)) +
labs(title = "Distribuição da Autoeficácia por Item com Médias",
x = "Item",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) + coord_flip()
# Exibir o gráfico
print(grafico_boxplot_meninos)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_com_media_meninos.png", plot = grafico_boxplot_meninos, width = 12, height = 8)
# Calcular a média geral consolidada para o grupo geral
media_geral_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Geral %>%
summarise(Media_Geral = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Calcular a média geral consolidada para o grupo específico
media_grupo_consolidada <- conhecimentoComputacao_cursoSuperiorComp_Grupo %>%
summarise(Media_Grupo = round(mean(as.matrix(select_if(., is.numeric)), na.rm = TRUE), 2))
# Exibir as médias gerais
print(media_geral_consolidada)## Media_Geral
## 1 5.5print(media_grupo_consolidada)## Media_Grupo
## 1 6.02Uso de linguagem de programação
Qual é o nível de confiança das estudantes em usar uma linguagem de programação? Qual é o nível de confiança das estudantes em aprender novos conhecimentos sobre Computação? Como a autoeficácia em conhecimentos em Computação se relaciona com a confiança em usar uma linguagem de programação e aprender novos conhecimentos sobre Computação?
# Filtrar os dados para os itens de interesse
dados_selecionados <- dado_autoeficacia %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_lingProgramacao, Aprender_nvConhComputacao) %>%
pivot_longer(cols = c(Utilizar_lingProgramacao, Aprender_nvConhComputacao),
names_to = "Item",
values_to = "Autoeficacia")
print(dados_selecionados)## # A tibble: 132 × 3
## Escolha_CursoSup_relaCursoTecnico Item Autoeficacia
## <int> <chr> <int>
## 1 10 Utilizar_lingProgramacao 8
## 2 10 Aprender_nvConhComputacao 10
## 3 10 Utilizar_lingProgramacao 10
## 4 10 Aprender_nvConhComputacao 8
## 5 10 Utilizar_lingProgramacao 9
## 6 10 Aprender_nvConhComputacao 10
## 7 10 Utilizar_lingProgramacao 9
## 8 10 Aprender_nvConhComputacao 10
## 9 0 Utilizar_lingProgramacao 7
## 10 0 Aprender_nvConhComputacao 8
## # ℹ 122 more rows# Calcular estatísticas descritivas para cada item
estatisticas_confiança <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Media =round(mean(Autoeficacia, na.rm = TRUE), 2) ,
Mediana = round(median(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Minimo = min(Autoeficacia, na.rm = TRUE),
Maximo = max(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Exibir as estatísticas
print(estatisticas_confiança)## # A tibble: 2 × 6
## Item Media Mediana Desvio_Padrao Minimo Maximo
## <chr> <dbl> <dbl> <dbl> <int> <int>
## 1 Aprender_nvConhComputacao 7.42 8 2.69 0 10
## 2 Utilizar_lingProgramacao 6.67 8 2.96 0 10# Calcular estatísticas para adicionar ao gráfico
estatisticas <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Q1 = quantile(Autoeficacia, 0.25, na.rm = TRUE),
Mediana = median(Autoeficacia, na.rm = TRUE),
Q3 = quantile(Autoeficacia, 0.75, na.rm = TRUE),
Min = min(Autoeficacia, na.rm = TRUE),
Max = max(Autoeficacia, na.rm = TRUE),
SD = sd(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Definir cores personalizadas para os itens
cores_itens <- c(
"Utilizar_lingProgramacao" = "gray",
"Aprender_nvConhComputacao" = "orange"
)
# Criar o boxplot com valores e cores personalizadas
grafico_boxplot <- ggplot(dados_selecionados, aes(x = Item, y = Autoeficacia, fill = Item)) +
geom_boxplot(alpha = 0.5, outlier.shape = 16) + # Incluir outliers
geom_point(data = estatisticas, aes(x = Item, y = Mediana),
color = "black", size = 3, shape = 18) +
geom_text(data = estatisticas, aes(x = Item, y = Mediana, label = sprintf("Mediana: %.2f", Mediana)),
vjust = -1, size = 3, color = "black") +
geom_text(data = estatisticas, aes(x = Item, y = Q1, label = sprintf("Q1: %.2f", Q1)),
vjust = -1.5, size = 3, color = "blue") +
geom_text(data = estatisticas, aes(x = Item, y = Q3, label = sprintf("Q3: %.2f", Q3)),
vjust = -1.5, size = 3, color = "red") +
geom_text(data = estatisticas, aes(x = Item, y = Min, label = sprintf("Min: %.2f", Min)),
vjust = -1.5, size = 3, color = "green") +
geom_text(data = estatisticas, aes(x = Item, y = Max, label = sprintf("Max: %.2f", Max)),
vjust = -1.5, size = 3, color = "purple") +
scale_fill_manual(values = cores_itens) + # Aplicar cores personalizadas
labs(title = "Distribuição da Autoeficácia para Itens Selecionados",
x = "Item",
y = "Autoeficácia",
fill = "Item") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_boxplot)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_selecionados_completos.png", plot = grafico_boxplot, width = 12, height = 6)Mulheres
# Filtrar os dados para os itens de interesse
dados_selecionados <- dado_autoeficacia_Mulheres %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_lingProgramacao, Aprender_nvConhComputacao) %>%
pivot_longer(cols = c(Utilizar_lingProgramacao, Aprender_nvConhComputacao),
names_to = "Item",
values_to = "Autoeficacia")
print(dados_selecionados)## # A tibble: 68 × 3
## Escolha_CursoSup_relaCursoTecnico Item Autoeficacia
## <int> <chr> <int>
## 1 10 Utilizar_lingProgramacao 8
## 2 10 Aprender_nvConhComputacao 10
## 3 10 Utilizar_lingProgramacao 10
## 4 10 Aprender_nvConhComputacao 8
## 5 10 Utilizar_lingProgramacao 9
## 6 10 Aprender_nvConhComputacao 10
## 7 0 Utilizar_lingProgramacao 7
## 8 0 Aprender_nvConhComputacao 8
## 9 1 Utilizar_lingProgramacao 1
## 10 1 Aprender_nvConhComputacao 1
## # ℹ 58 more rows# Calcular estatísticas descritivas para cada item
estatisticas_confiança <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Media =round(mean(Autoeficacia, na.rm = TRUE), 2) ,
Mediana = round(median(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Minimo = min(Autoeficacia, na.rm = TRUE),
Maximo = max(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Exibir as estatísticas
print(estatisticas_confiança)## # A tibble: 2 × 6
## Item Media Mediana Desvio_Padrao Minimo Maximo
## <chr> <dbl> <dbl> <dbl> <int> <int>
## 1 Aprender_nvConhComputacao 7.06 8 2.86 0 10
## 2 Utilizar_lingProgramacao 6.53 7 2.86 0 10# Calcular estatísticas para adicionar ao gráfico
estatisticas <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Q1 = quantile(Autoeficacia, 0.25, na.rm = TRUE),
Mediana = median(Autoeficacia, na.rm = TRUE),
Q3 = quantile(Autoeficacia, 0.75, na.rm = TRUE),
Min = min(Autoeficacia, na.rm = TRUE),
Max = max(Autoeficacia, na.rm = TRUE),
SD = sd(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Definir cores personalizadas para os itens
cores_itens <- c(
"Utilizar_lingProgramacao" = "pink",
"Aprender_nvConhComputacao" = "#FFB6C1"
)
# Criar o boxplot com valores e cores personalizadas
grafico_boxplot_meninas_itensespecificos <- ggplot(dados_selecionados, aes(x = Item, y = Autoeficacia, fill = Item)) +
geom_boxplot(alpha = 0.5, outlier.shape = 16) + # Incluir outliers
geom_point(data = estatisticas, aes(x = Item, y = Mediana),
color = "black", size = 3, shape = 18) +
geom_text(data = estatisticas, aes(x = Item, y = Mediana, label = sprintf("Mediana: %.2f", Mediana)),
vjust = -1, size = 3, color = "black") +
geom_text(data = estatisticas, aes(x = Item, y = Q1, label = sprintf("Q1: %.2f", Q1)),
vjust = -1.5, size = 3, color = "blue") +
geom_text(data = estatisticas, aes(x = Item, y = Q3, label = sprintf("Q3: %.2f", Q3)),
vjust = -0.7, size = 3, color = "red") +
geom_text(data = estatisticas, aes(x = Item, y = Min, label = sprintf("Min: %.2f", Min)),
vjust = -1.5, size = 3, color = "green") +
geom_text(data = estatisticas, aes(x = Item, y = Max, label = sprintf("Max: %.2f", Max)),
vjust = -1.5, size = 3, color = "purple") +
scale_fill_manual(values = cores_itens) + # Aplicar cores personalizadas
labs(title = "Distribuição da Autoeficácia para Itens Selecionados \npelas meninas",
x = "Item",
y = "Autoeficácia",
fill = "Item") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_boxplot_meninas_itensespecificos)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_selecionados_completos_meninas.png", plot = grafico_boxplot_meninas_itensespecificos, width = 12, height = 6)Homens
# Filtrar os dados para os itens de interesse
dados_selecionados <- dado_autoeficacia_Homens %>%
select(Escolha_CursoSup_relaCursoTecnico, Utilizar_lingProgramacao, Aprender_nvConhComputacao) %>%
pivot_longer(cols = c(Utilizar_lingProgramacao, Aprender_nvConhComputacao),
names_to = "Item",
values_to = "Autoeficacia")
print(dados_selecionados)## # A tibble: 64 × 3
## Escolha_CursoSup_relaCursoTecnico Item Autoeficacia
## <int> <chr> <int>
## 1 10 Utilizar_lingProgramacao 9
## 2 10 Aprender_nvConhComputacao 10
## 3 10 Utilizar_lingProgramacao 10
## 4 10 Aprender_nvConhComputacao 10
## 5 10 Utilizar_lingProgramacao 10
## 6 10 Aprender_nvConhComputacao 10
## 7 10 Utilizar_lingProgramacao 10
## 8 10 Aprender_nvConhComputacao 9
## 9 10 Utilizar_lingProgramacao 6
## 10 10 Aprender_nvConhComputacao 5
## # ℹ 54 more rows# Calcular estatísticas descritivas para cada item
estatisticas_confiança <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Media =round(mean(Autoeficacia, na.rm = TRUE), 2) ,
Mediana = round(median(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Minimo = min(Autoeficacia, na.rm = TRUE),
Maximo = max(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Exibir as estatísticas
print(estatisticas_confiança)## # A tibble: 2 × 6
## Item Media Mediana Desvio_Padrao Minimo Maximo
## <chr> <dbl> <dbl> <dbl> <int> <int>
## 1 Aprender_nvConhComputacao 7.81 8 2.48 0 10
## 2 Utilizar_lingProgramacao 6.81 8 3.09 0 10# Calcular estatísticas para adicionar ao gráfico
estatisticas <- dados_selecionados %>%
group_by(Item) %>%
summarise(
Q1 = quantile(Autoeficacia, 0.25, na.rm = TRUE),
Mediana = median(Autoeficacia, na.rm = TRUE),
Q3 = quantile(Autoeficacia, 0.75, na.rm = TRUE),
Min = min(Autoeficacia, na.rm = TRUE),
Max = max(Autoeficacia, na.rm = TRUE),
SD = sd(Autoeficacia, na.rm = TRUE),
.groups = 'drop'
)
# Definir cores personalizadas para os itens
cores_itens <- c(
"Utilizar_lingProgramacao" = "skyblue",
"Aprender_nvConhComputacao" = "#6495ED"
)
# Criar o boxplot com valores e cores personalizadas
grafico_boxplot_meninos_itensespecificos <- ggplot(dados_selecionados, aes(x = Item, y = Autoeficacia, fill = Item)) +
geom_boxplot(alpha = 0.5, outlier.shape = 16) + # Incluir outliers
geom_point(data = estatisticas, aes(x = Item, y = Mediana),
color = "black", size = 3, shape = 18) +
geom_text(data = estatisticas, aes(x = Item, y = Mediana, label = sprintf("Mediana: %.2f", Mediana)),
vjust = -1, size = 3, color = "black") +
geom_text(data = estatisticas, aes(x = Item, y = Q1, label = sprintf("Q1: %.2f", Q1)),
vjust = -1.5, size = 3, color = "blue") +
geom_text(data = estatisticas, aes(x = Item, y = Q3, label = sprintf("Q3: %.2f", Q3)),
vjust = -0.3, size = 3, color = "red") +
geom_text(data = estatisticas, aes(x = Item, y = Min, label = sprintf("Min: %.2f", Min)),
vjust = -1.5, size = 3, color = "green") +
geom_text(data = estatisticas, aes(x = Item, y = Max, label = sprintf("Max: %.2f", Max)),
vjust = -1.5, size = 3, color = "purple") +
scale_fill_manual(values = cores_itens) + # Aplicar cores personalizadas
labs(title = "Distribuição da Autoeficácia para Itens Selecionados \npelos meninos",
x = "Item",
y = "Autoeficácia",
fill = "Item") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Exibir o gráfico
print(grafico_boxplot_meninos_itensespecificos)
# Salvar o gráfico
ggsave("boxplot_autoeficacia_selecionados_completos_meninos.png", plot = grafico_boxplot_meninos_itensespecificos, width = 12, height = 6)Ano escolar (1º, 2º, 3º)
Como a autoeficácia em conhecimentos em Computação varia de acordo com o ano escolar? Qual é o impacto do ano escolar na autoeficácia em diferentes aspectos de Computação, como linguagens de programação, redes e banco de dados?
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos")))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
print(nivel_autoeficacia_por_serie)## # A tibble: 24 × 3
## Serie Item Media_Autoeficacia
## <fct> <chr> <dbl>
## 1 1 ano Administrar_PClinhaComando 2.89
## 2 1 ano Aplicar_concBasicEletronica 3
## 3 1 ano Aprender_nvConhComputacao 8
## 4 1 ano Gerenciar_redes 3.28
## 5 1 ano Manipular_BD 2.33
## 6 1 ano Utilizar_2ou.lingProgramacao 3.39
## 7 1 ano Utilizar_ferEscritorio 5.39
## 8 1 ano Utilizar_lingProgramacao 4.72
## 9 2 anos Administrar_PClinhaComando 4.08
## 10 2 anos Aplicar_concBasicEletronica 2.17
## # ℹ 14 more rows# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
labs(title = "Gráfico comparativo de conhecimento em Computação por ano escolar",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "skyblue", "2 anos" = "green", "3 anos" = "red")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_por_serie.png", plot = grafico_autoeficacia_Comp_por_serie, width = 12, height = 6)Mulheres
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia_Mulheres %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos")))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
print(nivel_autoeficacia_por_serie)## # A tibble: 24 × 3
## Serie Item Media_Autoeficacia
## <fct> <chr> <dbl>
## 1 1 ano Administrar_PClinhaComando 3.86
## 2 1 ano Aplicar_concBasicEletronica 3.29
## 3 1 ano Aprender_nvConhComputacao 8.86
## 4 1 ano Gerenciar_redes 4.57
## 5 1 ano Manipular_BD 3
## 6 1 ano Utilizar_2ou.lingProgramacao 4
## 7 1 ano Utilizar_ferEscritorio 5.86
## 8 1 ano Utilizar_lingProgramacao 4.71
## 9 2 anos Administrar_PClinhaComando 3.7
## 10 2 anos Aplicar_concBasicEletronica 1.7
## # ℹ 14 more rows# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie_mulheres <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
labs(title = "Gráfico comparativo de conhecimento em Computação por ano escolar \npara as meninas",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "#FF69B4", "2 anos" = "#FF1493", "3 anos" = "#C71585")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie_mulheres)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_por_serie_mulheres.png", plot = grafico_autoeficacia_Comp_por_serie_mulheres, width = 12, height = 6)Homens
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia_Homens %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos")))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
print(nivel_autoeficacia_por_serie)## # A tibble: 24 × 3
## Serie Item Media_Autoeficacia
## <fct> <chr> <dbl>
## 1 1 ano Administrar_PClinhaComando 2.27
## 2 1 ano Aplicar_concBasicEletronica 2.82
## 3 1 ano Aprender_nvConhComputacao 7.45
## 4 1 ano Gerenciar_redes 2.45
## 5 1 ano Manipular_BD 1.91
## 6 1 ano Utilizar_2ou.lingProgramacao 3
## 7 1 ano Utilizar_ferEscritorio 5.09
## 8 1 ano Utilizar_lingProgramacao 4.73
## 9 2 anos Administrar_PClinhaComando 6
## 10 2 anos Aplicar_concBasicEletronica 4.5
## # ℹ 14 more rows# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie_homens <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
labs(title = "Gráfico comparativo de conhecimento em Computação por ano escolar \npara os meninos",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "#483D8B", "2 anos" = "#191970", "3 anos" = "#000080")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie_homens)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_por_serie_homens.png", plot = grafico_autoeficacia_Comp_por_serie_homens, width = 12, height = 6)Analisando 1º e 3º anos
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator e filtrar apenas "1 ano" e "3 anos"
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos"))) %>%
filter(Serie %in% c("1 ano", "3 anos"))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
geom_text(aes(label = Media_Autoeficacia),
position = position_dodge(width = 0.8),
vjust = -0.2, size = 3.0, color = "black") + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre 1º e 3º ano",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "skyblue", "3 anos" = "red")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_1e3anos.png", plot = grafico_autoeficacia_Comp_por_serie, width = 12, height = 6)Mulheres
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia_Mulheres %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator e filtrar apenas "1 ano" e "3 anos"
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos"))) %>%
filter(Serie %in% c("1 ano", "3 anos"))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie_meminas <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
geom_text(aes(label = Media_Autoeficacia),
position = position_dodge(width = 0.8),
vjust = -0.2, size = 3.0, color = "black") + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre 1º e 3º ano \npara as meninas",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "#FF69B4", "3 anos" = "#C71585")) + coord_flip()
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie_meminas)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_1e3anos_meninas.png", plot = grafico_autoeficacia_Comp_por_serie_meminas, width = 12, height = 6)Homens
# Selecionar e pivotar os dados
conhecimento_computacaoeSerie <- dado_autoeficacia_Homens %>%
select(Serie, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Serie, names_to = "Item", values_to = "Autoeficacia")
# Converter Serie para fator e filtrar apenas "1 ano" e "3 anos"
conhecimento_computacaoeSerie <- conhecimento_computacaoeSerie %>%
mutate(Serie = factor(Serie, levels = c(1, 2, 3), labels = c("1 ano", "2 anos", "3 anos"))) %>%
filter(Serie %in% c("1 ano", "3 anos"))
# Calcular a média de autoeficácia para cada item por série
nivel_autoeficacia_por_serie <- conhecimento_computacaoeSerie %>%
group_by(Serie, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_Comp_por_serie_meminos <- ggplot(nivel_autoeficacia_por_serie, aes(x = Item, y = Media_Autoeficacia, fill = Serie)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.6) + # Ajustar o width das barras e do dodge
geom_text(aes(label = Media_Autoeficacia),
position = position_dodge(width = 0.8),
vjust = -0.2, size = 3.0, color = "black") + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre 1º e 3º ano \npara os meninos",
x = "Item",
y = "Média de Autoeficácia",
fill = "Série") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("1 ano" = "#483D8B", "3 anos" = "#000080")) + coord_flip()
# Exibir o gráfico
print(grafico_autoeficacia_Comp_por_serie_meminos)
# Salvar o gráfico
ggsave("grafico_autoeficacia_itensComputacao_1e3anos_meninos.png", plot = grafico_autoeficacia_Comp_por_serie_meminos, width = 12, height = 6)Raça-etnia
conhecimento_computacao_Etnia <- subset(dado_IFPBCG_amostra,
select = c(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao))
print(conhecimento_computacao_Etnia)## Etnia Utilizar_ferEscritorio Utilizar_lingProgramacao
## 1 Branca 8 8
## 2 Parda 8 10
## 3 Branca 8 9
## 4 Parda 9 9
## 5 Parda 5 7
## 6 Branca 9 1
## 7 Parda 10 10
## 8 Parda 5 5
## 9 Parda 5 5
## 10 Parda 8 9
## 11 Parda 9 8
## 12 Preta 10 10
## 13 Parda 10 10
## 14 Branca 9 6
## 15 Parda 8 9
## 16 Branca 10 10
## 17 Branca 10 10
## 18 Branca 7 7
## 19 Branca 8 8
## 20 Parda 8 8
## 21 Branca 6 9
## 22 Parda 3 10
## 23 Parda 9 4
## 24 Branca 6 8
## 25 Branca 7 5
## 26 Parda 5 4
## 27 Parda 9 9
## 28 Branca 8 10
## 29 Preta 5 10
## 30 Branca 6 10
## 31 Parda 2 10
## 32 Parda 7 5
## 33 Parda 7 7
## 34 Parda 9 8
## 35 Parda 2 5
## 36 Preta 8 9
## 37 Parda 3 0
## 38 Parda 8 7
## 39 Branca 10 5
## 40 Branca 9 10
## 41 Branca 7 8
## 42 Parda 8 6
## 43 Parda 2 5
## 44 Parda 10 5
## 45 Parda 8 6
## 46 Branca 8 8
## 47 Preta 10 10
## 48 Branca 6 0
## 49 Parda 5 4
## 50 Preta 0 0
## 51 Parda 1 3
## 52 Branca 9 8
## 53 Branca 5 8
## 54 Parda 7 5
## 55 Parda 9 0
## 56 Parda 9 9
## 57 Branca 0 8
## 58 Preta 4 4
## 59 Parda 2 2
## 60 Branca 5 8
## 61 Parda 4 4
## 62 Branca 10 5
## 63 Branca 3 0
## 64 Branca 8 5
## 65 Branca 8 8
## 66 Parda 7 7
## Utilizar_2ou.lingProgramacao Aplicar_concBasicEletronica Gerenciar_redes
## 1 7 2 6
## 2 8 5 6
## 3 9 0 2
## 4 8 5 8
## 5 2 1 4
## 6 0 1 5
## 7 9 9 7
## 8 5 2 5
## 9 2 0 0
## 10 7 0 6
## 11 9 0 8
## 12 10 10 10
## 13 8 5 6
## 14 4 2 2
## 15 7 4 4
## 16 10 10 6
## 17 10 4 5
## 18 7 6 2
## 19 8 0 3
## 20 9 5 7
## 21 8 0 6
## 22 7 0 2
## 23 3 0 0
## 24 6 1 1
## 25 5 3 3
## 26 3 0 0
## 27 8 5 5
## 28 8 2 2
## 29 10 4 7
## 30 10 6 5
## 31 7 5 5
## 32 3 6 3
## 33 7 4 5
## 34 8 4 6
## 35 5 3 3
## 36 9 8 7
## 37 0 0 0
## 38 6 5 4
## 39 0 0 0
## 40 8 8 4
## 41 7 7 8
## 42 2 0 1
## 43 3 0 0
## 44 2 0 3
## 45 5 1 3
## 46 8 8 5
## 47 7 7 10
## 48 0 3 3
## 49 0 0 0
## 50 0 0 0
## 51 1 2 3
## 52 0 5 0
## 53 7 0 0
## 54 2 0 0
## 55 0 0 0
## 56 9 10 9
## 57 7 1 5
## 58 3 3 3
## 59 1 0 1
## 60 6 7 4
## 61 3 3 4
## 62 5 1 5
## 63 0 0 0
## 64 5 5 5
## 65 7 1 6
## 66 7 7 7
## Administrar_PClinhaComando Manipular_BD Aprender_nvConhComputacao
## 1 5 3 10
## 2 6 6 8
## 3 4 2 10
## 4 5 3 10
## 5 0 1 8
## 6 2 0 1
## 7 8 9 10
## 8 3 2 5
## 9 0 0 1
## 10 5 0 8
## 11 8 0 10
## 12 10 10 10
## 13 7 7 9
## 14 2 4 5
## 15 4 4 8
## 16 6 9 10
## 17 7 7 10
## 18 2 2 2
## 19 4 5 7
## 20 7 6 8
## 21 0 7 8
## 22 2 5 6
## 23 0 1 3
## 24 6 1 9
## 25 3 3 5
## 26 0 4 4
## 27 7 5 5
## 28 4 2 10
## 29 7 5 8
## 30 7 5 9
## 31 3 7 8
## 32 2 5 7
## 33 5 5 7
## 34 5 6 8
## 35 4 6 9
## 36 5 3 8
## 37 0 0 0
## 38 1 1 5
## 39 0 0 10
## 40 7 5 8
## 41 6 7 7
## 42 0 5 7
## 43 0 3 10
## 44 0 0 5
## 45 0 1 7
## 46 6 4 10
## 47 8 10 10
## 48 0 0 10
## 49 0 0 0
## 50 0 0 10
## 51 3 3 8
## 52 0 0 10
## 53 0 0 9
## 54 0 0 6
## 55 0 0 8
## 56 9 9 8
## 57 7 5 10
## 58 3 2 4
## 59 1 1 5
## 60 3 2 10
## 61 2 0 9
## 62 5 0 10
## 63 0 0 5
## 64 6 5 8
## 65 3 3 7
## 66 5 5 10conhecimento_computacao_Etnia_mulheres <- subset(dado_IFPB_Mulheres_Amostra,
select = c(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao))
print(conhecimento_computacao_Etnia_mulheres)## Etnia Utilizar_ferEscritorio Utilizar_lingProgramacao
## 1 Branca 8 8
## 2 Parda 8 10
## 3 Parda 9 9
## 4 Parda 5 7
## 5 Branca 9 1
## 6 Parda 5 5
## 7 Parda 5 5
## 8 Parda 8 9
## 9 Parda 9 8
## 10 Parda 8 9
## 11 Branca 10 10
## 12 Branca 7 7
## 13 Branca 8 8
## 14 Parda 8 8
## 15 Parda 3 10
## 16 Parda 5 4
## 17 Preta 5 10
## 18 Branca 6 10
## 19 Parda 7 7
## 20 Parda 9 8
## 21 Parda 3 0
## 22 Parda 8 7
## 23 Branca 10 5
## 24 Parda 10 5
## 25 Parda 8 6
## 26 Preta 10 10
## 27 Preta 0 0
## 28 Parda 7 5
## 29 Parda 2 2
## 30 Parda 4 4
## 31 Branca 10 5
## 32 Branca 8 5
## 33 Branca 8 8
## 34 Parda 7 7
## Utilizar_2ou.lingProgramacao Aplicar_concBasicEletronica Gerenciar_redes
## 1 7 2 6
## 2 8 5 6
## 3 8 5 8
## 4 2 1 4
## 5 0 1 5
## 6 5 2 5
## 7 2 0 0
## 8 7 0 6
## 9 9 0 8
## 10 7 4 4
## 11 10 4 5
## 12 7 6 2
## 13 8 0 3
## 14 9 5 7
## 15 7 0 2
## 16 3 0 0
## 17 10 4 7
## 18 10 6 5
## 19 7 4 5
## 20 8 4 6
## 21 0 0 0
## 22 6 5 4
## 23 0 0 0
## 24 2 0 3
## 25 5 1 3
## 26 7 7 10
## 27 0 0 0
## 28 2 0 0
## 29 1 0 1
## 30 3 3 4
## 31 5 1 5
## 32 5 5 5
## 33 7 1 6
## 34 7 7 7
## Administrar_PClinhaComando Manipular_BD Aprender_nvConhComputacao
## 1 5 3 10
## 2 6 6 8
## 3 5 3 10
## 4 0 1 8
## 5 2 0 1
## 6 3 2 5
## 7 0 0 1
## 8 5 0 8
## 9 8 0 10
## 10 4 4 8
## 11 7 7 10
## 12 2 2 2
## 13 4 5 7
## 14 7 6 8
## 15 2 5 6
## 16 0 4 4
## 17 7 5 8
## 18 7 5 9
## 19 5 5 7
## 20 5 6 8
## 21 0 0 0
## 22 1 1 5
## 23 0 0 10
## 24 0 0 5
## 25 0 1 7
## 26 8 10 10
## 27 0 0 10
## 28 0 0 6
## 29 1 1 5
## 30 2 0 9
## 31 5 0 10
## 32 6 5 8
## 33 3 3 7
## 34 5 5 10conhecimento_computacao_Etnia_homens <- subset(dado_IFPB_Homens_Amostra,
select = c(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao))
print(conhecimento_computacao_Etnia_homens)## Etnia Utilizar_ferEscritorio Utilizar_lingProgramacao
## 1 Branca 8 9
## 2 Parda 10 10
## 3 Preta 10 10
## 4 Parda 10 10
## 5 Branca 9 6
## 6 Branca 10 10
## 7 Branca 6 9
## 8 Parda 9 4
## 9 Branca 6 8
## 10 Branca 7 5
## 11 Parda 9 9
## 12 Branca 8 10
## 13 Parda 2 10
## 14 Parda 7 5
## 15 Parda 2 5
## 16 Preta 8 9
## 17 Branca 9 10
## 18 Branca 7 8
## 19 Parda 8 6
## 20 Parda 2 5
## 21 Branca 8 8
## 22 Branca 6 0
## 23 Parda 5 4
## 24 Parda 1 3
## 25 Branca 9 8
## 26 Branca 5 8
## 27 Parda 9 0
## 28 Parda 9 9
## 29 Branca 0 8
## 30 Preta 4 4
## 31 Branca 5 8
## 32 Branca 3 0
## Utilizar_2ou.lingProgramacao Aplicar_concBasicEletronica Gerenciar_redes
## 1 9 0 2
## 2 9 9 7
## 3 10 10 10
## 4 8 5 6
## 5 4 2 2
## 6 10 10 6
## 7 8 0 6
## 8 3 0 0
## 9 6 1 1
## 10 5 3 3
## 11 8 5 5
## 12 8 2 2
## 13 7 5 5
## 14 3 6 3
## 15 5 3 3
## 16 9 8 7
## 17 8 8 4
## 18 7 7 8
## 19 2 0 1
## 20 3 0 0
## 21 8 8 5
## 22 0 3 3
## 23 0 0 0
## 24 1 2 3
## 25 0 5 0
## 26 7 0 0
## 27 0 0 0
## 28 9 10 9
## 29 7 1 5
## 30 3 3 3
## 31 6 7 4
## 32 0 0 0
## Administrar_PClinhaComando Manipular_BD Aprender_nvConhComputacao
## 1 4 2 10
## 2 8 9 10
## 3 10 10 10
## 4 7 7 9
## 5 2 4 5
## 6 6 9 10
## 7 0 7 8
## 8 0 1 3
## 9 6 1 9
## 10 3 3 5
## 11 7 5 5
## 12 4 2 10
## 13 3 7 8
## 14 2 5 7
## 15 4 6 9
## 16 5 3 8
## 17 7 5 8
## 18 6 7 7
## 19 0 5 7
## 20 0 3 10
## 21 6 4 10
## 22 0 0 10
## 23 0 0 0
## 24 3 3 8
## 25 0 0 10
## 26 0 0 9
## 27 0 0 8
## 28 9 9 8
## 29 7 5 10
## 30 3 2 4
## 31 3 2 10
## 32 0 0 5Existe alguma diferença na autoeficácia em conhecimentos em Computação entre diferentes grupos raciais e étnicos?
# Selecionar e pivotar os dados
conhecimento_computacao_Etnia <- dado_IFPBCG_amostra %>%
select(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Etnia, names_to = "Item", values_to = "Autoeficacia")
# Calcular a média de autoeficácia para cada item por etnia
nivel_autoeficacia_por_etnia <- conhecimento_computacao_Etnia %>%
group_by(Etnia, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_por_etnia <- ggplot(nivel_autoeficacia_por_etnia, aes(x = Item, y = Media_Autoeficacia, fill = Etnia)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) + # Ajustar o width das barras e do dodge) + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre as Etnias",
x = "Item",
y = "Média de Autoeficácia",
fill = "Etnia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("Branca" = "gray", "Parda" = "lightblue", "Preta" = "yellow")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_por_etnia)
# Salvar o gráfico
ggsave("grafico_autoeficacia_por_etnia.png", plot = grafico_autoeficacia_por_etnia, width = 12, height = 6)
# Calcular estatísticas descritivas
estatisticas_descritivas <- conhecimento_computacao_Etnia %>%
group_by(Etnia) %>%
summarise(
Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Mediana = median(Autoeficacia, na.rm = TRUE)
)
print(estatisticas_descritivas)## # A tibble: 3 × 4
## Etnia Media_Autoeficacia Desvio_Padrao Mediana
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 5.22 3.3 5.5
## 2 Parda 4.63 3.23 5
## 3 Preta 6.27 3.65 7# Criar o gráfico de boxplot com valores
grafico_boxplot_autoeficacia <- ggplot(conhecimento_computacao_Etnia, aes(x = Etnia, y = Autoeficacia, fill = Etnia)) +
geom_boxplot(alpha = 0.6, outlier.shape = NA) + # Boxplot sem outliers
geom_jitter(width = 0.2, size = 2, alpha = 0.5) + # Adicionar pontos individuais
geom_text(stat = "summary", fun = mean, aes(label = sprintf("%.2f", ..y..)),
vjust = -0.5, color = "red", size = 4.5) + # Adicionar valores médios
labs(title = "Distribuição da Autoeficácia em Conhecimentos de Computação por Etnia",
x = "Etnia",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores discreta para etnia
# Exibir o gráfico
print(grafico_boxplot_autoeficacia)
# Salvar o gráfico
ggsave("grafico_boxplot_autoeficacia_por_etnia.png", plot = grafico_boxplot_autoeficacia, width = 12, height = 6)
# Teste ANOVA
resultado_anova <- aov(Autoeficacia ~ Etnia, data = conhecimento_computacao_Etnia)
summary(resultado_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 124 62.18 5.711 0.00352 **
## Residuals 525 5717 10.89
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Calcular tamanho do efeito
tamanho_efeito <- eta_squared(resultado_anova)## For one-way between subjects designs, partial eta squared is equivalent
## to eta squared. Returning eta squared.print(tamanho_efeito)## # Effect Size for ANOVA
##
## Parameter | Eta2 | 95% CI
## -------------------------------
## Etnia | 0.02 | [0.00, 1.00]
##
## - One-sided CIs: upper bound fixed at [1.00].Mulheres
# Selecionar e pivotar os dados
conhecimento_computacao_Etnia <- dado_IFPB_Mulheres_Amostra %>%
select(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Etnia, names_to = "Item", values_to = "Autoeficacia")
# Calcular a média de autoeficácia para cada item por etnia
nivel_autoeficacia_por_etnia <- conhecimento_computacao_Etnia %>%
group_by(Etnia, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_por_etnia_meninas <- ggplot(nivel_autoeficacia_por_etnia, aes(x = Item, y = Media_Autoeficacia, fill = Etnia)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) + # Ajustar o width das barras e do dodge) + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre as Etnias \npara as meninas",
x = "Item",
y = "Média de Autoeficácia",
fill = "Etnia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("Branca" = "gray", "Parda" = "lightblue", "Preta" = "yellow")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_por_etnia_meninas)
# Salvar o gráfico
ggsave("grafico_autoeficacia_por_etnia_meninas.png", plot = grafico_autoeficacia_por_etnia_meninas, width = 12, height = 6)
# Calcular estatísticas descritivas
estatisticas_descritivas <- conhecimento_computacao_Etnia %>%
group_by(Etnia) %>%
summarise(
Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Mediana = median(Autoeficacia, na.rm = TRUE)
)
print(estatisticas_descritivas)## # A tibble: 3 × 4
## Etnia Media_Autoeficacia Desvio_Padrao Mediana
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 5.29 3.19 5
## 2 Parda 4.51 3.1 5
## 3 Preta 5.75 4.15 7# Criar o gráfico de boxplot com valores
grafico_boxplot_autoeficacia_meninas <- ggplot(conhecimento_computacao_Etnia, aes(x = Etnia, y = Autoeficacia, fill = Etnia)) +
geom_boxplot(alpha = 0.6, outlier.shape = NA) + # Boxplot sem outliers
geom_jitter(width = 0.2, size = 2, alpha = 0.5) + # Adicionar pontos individuais
geom_text(stat = "summary", fun = mean, aes(label = sprintf("%.2f", ..y..)),
vjust = -0.5, color = "red", size = 4.5) + # Adicionar valores médios
labs(title = "Distribuição da Autoeficácia em Conhecimentos de Computação por Etnia \npara as meninas",
x = "Etnia",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores discreta para etnia
# Exibir o gráfico
print(grafico_boxplot_autoeficacia_meninas)
# Salvar o gráfico
ggsave("grafico_boxplot_autoeficacia_por_etnia_meninas.png", plot = grafico_boxplot_autoeficacia_meninas, width = 12, height = 6)
# Teste ANOVA
resultado_anova <- aov(Autoeficacia ~ Etnia, data = conhecimento_computacao_Etnia)
summary(resultado_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 54.6 27.32 2.624 0.0744 .
## Residuals 269 2800.9 10.41
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Calcular tamanho do efeito
tamanho_efeito <- eta_squared(resultado_anova)## For one-way between subjects designs, partial eta squared is equivalent
## to eta squared. Returning eta squared.print(tamanho_efeito)## # Effect Size for ANOVA
##
## Parameter | Eta2 | 95% CI
## -------------------------------
## Etnia | 0.02 | [0.00, 1.00]
##
## - One-sided CIs: upper bound fixed at [1.00].Homens
# Selecionar e pivotar os dados
conhecimento_computacao_Etnia <- dado_IFPB_Homens_Amostra %>%
select(Etnia, Utilizar_ferEscritorio, Utilizar_lingProgramacao, Utilizar_2ou.lingProgramacao, Aplicar_concBasicEletronica, Gerenciar_redes, Administrar_PClinhaComando, Manipular_BD, Aprender_nvConhComputacao) %>%
pivot_longer(cols = -Etnia, names_to = "Item", values_to = "Autoeficacia")
# Calcular a média de autoeficácia para cada item por etnia
nivel_autoeficacia_por_etnia <- conhecimento_computacao_Etnia %>%
group_by(Etnia, Item) %>%
summarise(Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2), .groups = 'drop')
# Criar o gráfico de barras com ajustes
grafico_autoeficacia_por_etnia_meninos <- ggplot(nivel_autoeficacia_por_etnia, aes(x = Item, y = Media_Autoeficacia, fill = Etnia)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) + # Ajustar o width das barras e do dodge) + # Adicionar valores nas barras
labs(title = "Gráfico comparativo de conhecimento em Computação entre as Etnias \npara os meninos",
x = "Item",
y = "Média de Autoeficácia",
fill = "Etnia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_manual(values = c("Branca" = "gray", "Parda" = "lightblue", "Preta" = "yellow")) # Definir cores específicas
# Exibir o gráfico
print(grafico_autoeficacia_por_etnia_meninos)
# Salvar o gráfico
ggsave("grafico_autoeficacia_por_etnia_meninos.png", plot = grafico_autoeficacia_por_etnia_meninos, width = 12, height = 6)
# Calcular estatísticas descritivas
estatisticas_descritivas <- conhecimento_computacao_Etnia %>%
group_by(Etnia) %>%
summarise(
Media_Autoeficacia = round(mean(Autoeficacia, na.rm = TRUE), 2),
Desvio_Padrao = round(sd(Autoeficacia, na.rm = TRUE), 2),
Mediana = median(Autoeficacia, na.rm = TRUE)
)
print(estatisticas_descritivas)## # A tibble: 3 × 4
## Etnia Media_Autoeficacia Desvio_Padrao Mediana
## <chr> <dbl> <dbl> <dbl>
## 1 Branca 5.18 3.38 6
## 2 Parda 4.84 3.44 5
## 3 Preta 6.79 3.08 8# Criar o gráfico de boxplot com valores
grafico_boxplot_autoeficacia_meninos <- ggplot(conhecimento_computacao_Etnia, aes(x = Etnia, y = Autoeficacia, fill = Etnia)) +
geom_boxplot(alpha = 0.6, outlier.shape = NA) + # Boxplot sem outliers
geom_jitter(width = 0.2, size = 2, alpha = 0.5) + # Adicionar pontos individuais
geom_text(stat = "summary", fun = mean, aes(label = sprintf("%.2f", ..y..)),
vjust = -0.5, color = "red", size = 4.5) + # Adicionar valores médios
labs(title = "Distribuição da Autoeficácia em Conhecimentos de Computação por Etnia \npara os meninos",
x = "Etnia",
y = "Autoeficácia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_fill_brewer(palette = "Set3") # Usar uma paleta de cores discreta para etnia
# Exibir o gráfico
print(grafico_boxplot_autoeficacia_meninos)
# Salvar o gráfico
ggsave("grafico_boxplot_autoeficacia_por_etnia_meninos.png", plot = grafico_boxplot_autoeficacia_meninos, width = 12, height = 6)
# Teste ANOVA
resultado_anova <- aov(Autoeficacia ~ Etnia, data = conhecimento_computacao_Etnia)
summary(resultado_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## Etnia 2 74.6 37.29 3.259 0.0401 *
## Residuals 253 2895.0 11.44
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# Calcular tamanho do efeito
tamanho_efeito <- eta_squared(resultado_anova)## For one-way between subjects designs, partial eta squared is equivalent
## to eta squared. Returning eta squared.print(tamanho_efeito)## # Effect Size for ANOVA
##
## Parameter | Eta2 | 95% CI
## -------------------------------
## Etnia | 0.03 | [0.00, 1.00]
##
## - One-sided CIs: upper bound fixed at [1.00].Parte 3 da Análise - Atividade Profissões
atvProfissoes <- read.csv("dado_profissoes_novo.csv", sep = ";")
print(atvProfissoes)## X Sexo Série Prof1
## 1 1 Feminino 2 Medicina
## 2 2 Feminino 2 Engenharia da Computação
## 3 3 Masculino 2 ADS (Análise de desenvolvimento de sistemas)
## 4 4 Feminino 2 Ciência da Computação
## 5 5 Feminino 2 Direito/Perita criminal
## 6 6 Feminino 2 Psicologia
## 7 7 Masculino 2 Ciência de dados / Cientista de dados
## 8 8 Feminino 2 Matemática
## 9 9 Feminino 2 Medicina
## 10 10 Feminino 2 Medicina
## 11 11 Feminino 2 Medicina
## 12 12 Masculino 3 Ciência da Computação - Professor
## 13 13 Masculino 3 ADS (Análise de desenvolvimento de sistemas)
## 14 14 Masculino 3 Ciência da Computação
## 15 15 Feminino 3 Web Designer
## 16 16 Masculino 3 Ciência da Computação
## 17 17 Feminino 3 Ciência de computação - Programadora
## 18 18 Feminino 3 Direito
## 19 19 Feminino 3 Ciência da Computação
## 20 20 Feminino 3 Designer
## 21 21 Masculino 3 Medicina
## 22 22 Feminino 3 Letras - português
## 23 23 Masculino 3 Professor
## 24 24 Masculino 3 Ciência da Computação
## 25 25 Masculino 3 Letras - inglês
## 26 26 Feminino 3 Medicina
## 27 27 Masculino 3 Ciência da Computacao - Dev
## 28 28 Masculino 3 Ciência da Computação
## 29 29 Feminino 3 Ciência da Computação
## 30 30 Feminino 3 Ciência da Computação
## 31 31 Masculino 3 Ciência da Computação
## 32 32 Masculino 3 ADS (Análise de desenvolvimento de sistemas)
## 33 33 Feminino 3 Perícia Criminal
## 34 34 Feminino 3 Perícia Forense digital
## 35 35 Masculino 3
## 36 36 Masculino 3 Engenharia de Software
## 37 37 Feminino 3 enfermagem
## 38 38 Feminino 3 Engenharia Aeroespacial
## 39 39 Feminino 3 Odontologia
## 40 40 Masculino 3 análise de desenvolvimento de software
## 41 41 Masculino 3 Ciência da Computação
## 42 42 Masculino 3 Administração
## 43 43 Masculino 3 Desenvolvedor
## 44 44 Feminino 3 Odontologia
## 45 45 Feminino 3 Psicologia
## 46 46 Masculino 3 Ciência da Computação
## 47 47 Feminino 1 Direito
## 48 48 Masculino 1 Programador
## 49 49 Masculino 1 ciência da computação
## 50 50 Feminino 1 Medicina
## 51 51 Masculino 1 Engenharia de Software
## 52 52 Masculino 1 Informática/ Cientista da Computação
## 53 53 Masculino 1 Ciência da Computação
## 54 54 Feminino 1 Investigador Civil - Detetive
## 55 55 Masculino 1 Engenharia de Áudio
## 56 56 Masculino 1 Informática
## 57 57 Masculino 1 Medicina Veterinária
## 58 58 Masculino 1 Engenheiro civil
## 59 59 Feminino 1 Design Gráfico
## 60 60 Masculino 1 Ciência da Computação
## 61 61 Feminino 1 Publicidade e propaganda
## 62 62 Feminino 1 Psicologia
## 63 63 Masculino 1 Ciência da Computação
## 64 64 Feminino 1 Programação
## 65 65 Feminino 2 Ciência da Computação
## 66 66 Feminino 1 Medicina
## 67 NA NA
## 68 NA NA
## 69 NA NA
## 70 NA NA
## 71 NA NA
## 72 NA NA
## 73 NA NA
## 74 NA NA
## 75 NA NA
## 76 NA NA
## 77 NA NA
## 78 NA NA
## 79 NA NA
## 80 NA NA
## 81 NA NA
## 82 NA NA
## 83 NA NA
## 84 NA NA
## 85 NA NA
## 86 NA NA
## 87 NA NA
## 88 NA NA
## 89 NA NA
## 90 NA NA
## 91 NA NA
## 92 NA NA
## 93 NA NA
## 94 NA NA
## 95 NA NA
## 96 NA NA
## 97 NA NA
## 98 NA NA
## 99 NA NA
## 100 NA NA
## 101 NA NA
## 102 NA NA
## 103 NA NA
## 104 NA NA
## 105 NA NA
## 106 NA NA
## 107 NA NA
## 108 NA NA
## 109 NA NA
## 110 NA NA
## 111 NA NA
## 112 NA NA
## 113 NA NA
## 114 NA NA
## 115 NA NA
## 116 NA NA
## 117 NA NA
## 118 NA NA
## 119 NA NA
## 120 NA NA
## 121 NA NA
## 122 NA NA
## 123 NA NA
## 124 NA NA
## 125 NA NA
## 126 NA NA
## 127 NA NA
## 128 NA NA
## 129 NA NA
## 130 NA NA
## 131 NA NA
## 132 NA NA
## 133 NA NA
## 134 NA NA
## 135 NA NA
## 136 NA NA
## 137 NA NA
## 138 NA NA
## 139 NA NA
## 140 NA NA
## 141 NA NA
## 142 NA NA
## 143 NA NA
## 144 NA NA
## 145 NA NA
## 146 NA NA
## 147 NA NA
## 148 NA NA
## 149 NA NA
## 150 NA NA
## 151 NA NA
## 152 NA NA
## 153 NA NA
## 154 NA NA
## 155 NA NA
## 156 NA NA
## 157 NA NA
## 158 NA NA
## 159 NA NA
## 160 NA NA
## 161 NA NA
## 162 NA NA
## 163 NA NA
## 164 NA NA
## 165 NA NA
## 166 NA NA
## 167 NA NA
## 168 NA NA
## 169 NA NA
## 170 NA NA
## 171 NA NA
## 172 NA NA
## 173 NA NA
## 174 NA NA
## 175 NA NA
## 176 NA NA
## 177 NA NA
## 178 NA NA
## 179 NA NA
## 180 NA NA
## 181 NA NA
## 182 NA NA
## 183 NA NA
## 184 NA NA
## 185 NA NA
## 186 NA NA
## 187 NA NA
## 188 NA NA
## 189 NA NA
## 190 NA NA
## 191 NA NA
## 192 NA NA
## 193 NA NA
## 194 NA NA
## 195 NA NA
## 196 NA NA
## 197 NA NA
## 198 NA NA
## 199 NA NA
## 200 NA NA
## 201 NA NA
## 202 NA NA
## 203 NA NA
## 204 NA NA
## 205 NA NA
## 206 NA NA
## 207 NA NA
## 208 NA NA
## 209 NA NA
## 210 NA NA
## 211 NA NA
## 212 NA NA
## 213 NA NA
## 214 NA NA
## 215 NA NA
## 216 NA NA
## 217 NA NA
## 218 NA NA
## 219 NA NA
## 220 NA NA
## 221 NA NA
## 222 NA NA
## 223 NA NA
## 224 NA NA
## 225 NA NA
## 226 NA NA
## 227 NA NA
## 228 NA NA
## 229 NA NA
## 230 NA NA
## 231 NA NA
## 232 NA NA
## 233 NA NA
## 234 NA NA
## 235 NA NA
## 236 NA NA
## 237 NA NA
## 238 NA NA
## 239 NA NA
## 240 NA NA
## 241 NA NA
## 242 NA NA
## 243 NA NA
## 244 NA NA
## 245 NA NA
## 246 NA NA
## 247 NA NA
## 248 NA NA
## 249 NA NA
## 250 NA NA
## 251 NA NA
## 252 NA NA
## 253 NA NA
## 254 NA NA
## 255 NA NA
## 256 NA NA
## 257 NA NA
## 258 NA NA
## 259 NA NA
## 260 NA NA
## 261 NA NA
## 262 NA NA
## 263 NA NA
## 264 NA NA
## 265 NA NA
## 266 NA NA
## 267 NA NA
## 268 NA NA
## 269 NA NA
## 270 NA NA
## 271 NA NA
## 272 NA NA
## 273 NA NA
## 274 NA NA
## 275 NA NA
## 276 NA NA
## 277 NA NA
## 278 NA NA
## 279 NA NA
## 280 NA NA
## 281 NA NA
## 282 NA NA
## 283 NA NA
## 284 NA NA
## 285 NA NA
## 286 NA NA
## 287 NA NA
## 288 NA NA
## 289 NA NA
## 290 NA NA
## 291 NA NA
## 292 NA NA
## 293 NA NA
## 294 NA NA
## 295 NA NA
## 296 NA NA
## 297 NA NA
## 298 NA NA
## 299 NA NA
## 300 NA NA
## 301 NA NA
## 302 NA NA
## 303 NA NA
## 304 NA NA
## 305 NA NA
## 306 NA NA
## 307 NA NA
## 308 NA NA
## 309 NA NA
## 310 NA NA
## 311 NA NA
## 312 NA NA
## 313 NA NA
## 314 NA NA
## 315 NA NA
## 316 NA NA
## 317 NA NA
## 318 NA NA
## 319 NA NA
## 320 NA NA
## 321 NA NA
## 322 NA NA
## 323 NA NA
## 324 NA NA
## 325 NA NA
## 326 NA NA
## 327 NA NA
## 328 NA NA
## 329 NA NA
## 330 NA NA
## 331 NA NA
## 332 NA NA
## 333 NA NA
## 334 NA NA
## 335 NA NA
## 336 NA NA
## 337 NA NA
## 338 NA NA
## 339 NA NA
## 340 NA NA
## 341 NA NA
## 342 NA NA
## 343 NA NA
## 344 NA NA
## 345 NA NA
## 346 NA NA
## 347 NA NA
## 348 NA NA
## 349 NA NA
## 350 NA NA
## 351 NA NA
## 352 NA NA
## 353 NA NA
## 354 NA NA
## 355 NA NA
## 356 NA NA
## 357 NA NA
## 358 NA NA
## 359 NA NA
## 360 NA NA
## 361 NA NA
## 362 NA NA
## 363 NA NA
## 364 NA NA
## 365 NA NA
## 366 NA NA
## 367 NA NA
## 368 NA NA
## 369 NA NA
## 370 NA NA
## 371 NA NA
## 372 NA NA
## 373 NA NA
## 374 NA NA
## 375 NA NA
## 376 NA NA
## 377 NA NA
## 378 NA NA
## 379 NA NA
## 380 NA NA
## 381 NA NA
## 382 NA NA
## 383 NA NA
## 384 NA NA
## 385 NA NA
## 386 NA NA
## 387 NA NA
## 388 NA NA
## 389 NA NA
## 390 NA NA
## 391 NA NA
## 392 NA NA
## 393 NA NA
## 394 NA NA
## 395 NA NA
## 396 NA NA
## 397 NA NA
## 398 NA NA
## 399 NA NA
## 400 NA NA
## 401 NA NA
## 402 NA NA
## 403 NA NA
## 404 NA NA
## 405 NA NA
## 406 NA NA
## 407 NA NA
## 408 NA NA
## 409 NA NA
## 410 NA NA
## 411 NA NA
## 412 NA NA
## 413 NA NA
## 414 NA NA
## 415 NA NA
## 416 NA NA
## 417 NA NA
## 418 NA NA
## 419 NA NA
## 420 NA NA
## 421 NA NA
## 422 NA NA
## 423 NA NA
## 424 NA NA
## 425 NA NA
## 426 NA NA
## 427 NA NA
## 428 NA NA
## 429 NA NA
## 430 NA NA
## 431 NA NA
## 432 NA NA
## 433 NA NA
## 434 NA NA
## 435 NA NA
## 436 NA NA
## 437 NA NA
## 438 NA NA
## 439 NA NA
## 440 NA NA
## 441 NA NA
## 442 NA NA
## 443 NA NA
## 444 NA NA
## 445 NA NA
## 446 NA NA
## 447 NA NA
## 448 NA NA
## 449 NA NA
## 450 NA NA
## 451 NA NA
## 452 NA NA
## 453 NA NA
## 454 NA NA
## 455 NA NA
## 456 NA NA
## 457 NA NA
## 458 NA NA
## 459 NA NA
## 460 NA NA
## 461 NA NA
## 462 NA NA
## 463 NA NA
## 464 NA NA
## 465 NA NA
## 466 NA NA
## 467 NA NA
## 468 NA NA
## 469 NA NA
## 470 NA NA
## 471 NA NA
## 472 NA NA
## 473 NA NA
## 474 NA NA
## 475 NA NA
## 476 NA NA
## 477 NA NA
## 478 NA NA
## 479 NA NA
## 480 NA NA
## 481 NA NA
## 482 NA NA
## 483 NA NA
## 484 NA NA
## 485 NA NA
## 486 NA NA
## 487 NA NA
## 488 NA NA
## 489 NA NA
## 490 NA NA
## 491 NA NA
## 492 NA NA
## 493 NA NA
## 494 NA NA
## 495 NA NA
## 496 NA NA
## 497 NA NA
## 498 NA NA
## 499 NA NA
## 500 NA NA
## 501 NA NA
## 502 NA NA
## 503 NA NA
## 504 NA NA
## 505 NA NA
## 506 NA NA
## 507 NA NA
## 508 NA NA
## 509 NA NA
## 510 NA NA
## 511 NA NA
## 512 NA NA
## 513 NA NA
## 514 NA NA
## 515 NA NA
## 516 NA NA
## 517 NA NA
## 518 NA NA
## 519 NA NA
## 520 NA NA
## 521 NA NA
## 522 NA NA
## 523 NA NA
## 524 NA NA
## 525 NA NA
## 526 NA NA
## 527 NA NA
## 528 NA NA
## 529 NA NA
## 530 NA NA
## 531 NA NA
## 532 NA NA
## 533 NA NA
## 534 NA NA
## 535 NA NA
## 536 NA NA
## 537 NA NA
## 538 NA NA
## 539 NA NA
## 540 NA NA
## 541 NA NA
## 542 NA NA
## 543 NA NA
## 544 NA NA
## 545 NA NA
## 546 NA NA
## 547 NA NA
## 548 NA NA
## 549 NA NA
## 550 NA NA
## 551 NA NA
## 552 NA NA
## 553 NA NA
## 554 NA NA
## 555 NA NA
## 556 NA NA
## 557 NA NA
## 558 NA NA
## 559 NA NA
## 560 NA NA
## 561 NA NA
## 562 NA NA
## 563 NA NA
## 564 NA NA
## 565 NA NA
## 566 NA NA
## 567 NA NA
## 568 NA NA
## 569 NA NA
## 570 NA NA
## 571 NA NA
## 572 NA NA
## 573 NA NA
## 574 NA NA
## 575 NA NA
## 576 NA NA
## 577 NA NA
## 578 NA NA
## 579 NA NA
## 580 NA NA
## 581 NA NA
## 582 NA NA
## 583 NA NA
## 584 NA NA
## 585 NA NA
## 586 NA NA
## 587 NA NA
## 588 NA NA
## 589 NA NA
## 590 NA NA
## 591 NA NA
## 592 NA NA
## 593 NA NA
## 594 NA NA
## 595 NA NA
## 596 NA NA
## 597 NA NA
## 598 NA NA
## 599 NA NA
## 600 NA NA
## 601 NA NA
## 602 NA NA
## 603 NA NA
## 604 NA NA
## 605 NA NA
## 606 NA NA
## 607 NA NA
## 608 NA NA
## 609 NA NA
## 610 NA NA
## 611 NA NA
## 612 NA NA
## 613 NA NA
## 614 NA NA
## 615 NA NA
## 616 NA NA
## 617 NA NA
## 618 NA NA
## 619 NA NA
## 620 NA NA
## 621 NA NA
## 622 NA NA
## 623 NA NA
## 624 NA NA
## 625 NA NA
## 626 NA NA
## 627 NA NA
## 628 NA NA
## 629 NA NA
## 630 NA NA
## 631 NA NA
## 632 NA NA
## 633 NA NA
## 634 NA NA
## 635 NA NA
## 636 NA NA
## 637 NA NA
## 638 NA NA
## 639 NA NA
## 640 NA NA
## 641 NA NA
## 642 NA NA
## 643 NA NA
## 644 NA NA
## 645 NA NA
## 646 NA NA
## 647 NA NA
## 648 NA NA
## 649 NA NA
## 650 NA NA
## 651 NA NA
## 652 NA NA
## 653 NA NA
## 654 NA NA
## 655 NA NA
## 656 NA NA
## 657 NA NA
## 658 NA NA
## 659 NA NA
## 660 NA NA
## 661 NA NA
## 662 NA NA
## 663 NA NA
## 664 NA NA
## 665 NA NA
## 666 NA NA
## 667 NA NA
## 668 NA NA
## 669 NA NA
## 670 NA NA
## 671 NA NA
## 672 NA NA
## 673 NA NA
## 674 NA NA
## 675 NA NA
## 676 NA NA
## 677 NA NA
## 678 NA NA
## 679 NA NA
## 680 NA NA
## 681 NA NA
## 682 NA NA
## 683 NA NA
## 684 NA NA
## 685 NA NA
## 686 NA NA
## 687 NA NA
## 688 NA NA
## 689 NA NA
## 690 NA NA
## 691 NA NA
## 692 NA NA
## 693 NA NA
## 694 NA NA
## 695 NA NA
## 696 NA NA
## 697 NA NA
## 698 NA NA
## 699 NA NA
## 700 NA NA
## 701 NA NA
## 702 NA NA
## 703 NA NA
## 704 NA NA
## 705 NA NA
## 706 NA NA
## 707 NA NA
## 708 NA NA
## 709 NA NA
## 710 NA NA
## 711 NA NA
## 712 NA NA
## 713 NA NA
## 714 NA NA
## 715 NA NA
## 716 NA NA
## 717 NA NA
## 718 NA NA
## 719 NA NA
## 720 NA NA
## 721 NA NA
## 722 NA NA
## 723 NA NA
## 724 NA NA
## 725 NA NA
## 726 NA NA
## 727 NA NA
## 728 NA NA
## 729 NA NA
## 730 NA NA
## 731 NA NA
## 732 NA NA
## 733 NA NA
## 734 NA NA
## 735 NA NA
## 736 NA NA
## 737 NA NA
## 738 NA NA
## 739 NA NA
## 740 NA NA
## 741 NA NA
## 742 NA NA
## 743 NA NA
## 744 NA NA
## 745 NA NA
## 746 NA NA
## 747 NA NA
## 748 NA NA
## 749 NA NA
## 750 NA NA
## 751 NA NA
## 752 NA NA
## 753 NA NA
## 754 NA NA
## 755 NA NA
## 756 NA NA
## 757 NA NA
## 758 NA NA
## 759 NA NA
## 760 NA NA
## 761 NA NA
## 762 NA NA
## 763 NA NA
## 764 NA NA
## 765 NA NA
## 766 NA NA
## 767 NA NA
## 768 NA NA
## 769 NA NA
## 770 NA NA
## 771 NA NA
## 772 NA NA
## 773 NA NA
## 774 NA NA
## 775 NA NA
## 776 NA NA
## 777 NA NA
## 778 NA NA
## 779 NA NA
## 780 NA NA
## 781 NA NA
## 782 NA NA
## 783 NA NA
## 784 NA NA
## 785 NA NA
## 786 NA NA
## 787 NA NA
## 788 NA NA
## 789 NA NA
## 790 NA NA
## 791 NA NA
## 792 NA NA
## 793 NA NA
## 794 NA NA
## 795 NA NA
## 796 NA NA
## 797 NA NA
## 798 NA NA
## 799 NA NA
## 800 NA NA
## 801 NA NA
## 802 NA NA
## 803 NA NA
## 804 NA NA
## 805 NA NA
## 806 NA NA
## 807 NA NA
## 808 NA NA
## 809 NA NA
## 810 NA NA
## 811 NA NA
## 812 NA NA
## 813 NA NA
## 814 NA NA
## 815 NA NA
## 816 NA NA
## 817 NA NA
## 818 NA NA
## 819 NA NA
## 820 NA NA
## 821 NA NA
## 822 NA NA
## 823 NA NA
## 824 NA NA
## 825 NA NA
## 826 NA NA
## 827 NA NA
## 828 NA NA
## 829 NA NA
## 830 NA NA
## 831 NA NA
## 832 NA NA
## 833 NA NA
## 834 NA NA
## 835 NA NA
## 836 NA NA
## 837 NA NA
## 838 NA NA
## 839 NA NA
## 840 NA NA
## 841 NA NA
## 842 NA NA
## 843 NA NA
## 844 NA NA
## 845 NA NA
## 846 NA NA
## 847 NA NA
## 848 NA NA
## 849 NA NA
## 850 NA NA
## 851 NA NA
## 852 NA NA
## 853 NA NA
## 854 NA NA
## 855 NA NA
## 856 NA NA
## 857 NA NA
## 858 NA NA
## 859 NA NA
## 860 NA NA
## 861 NA NA
## 862 NA NA
## 863 NA NA
## 864 NA NA
## 865 NA NA
## 866 NA NA
## 867 NA NA
## 868 NA NA
## 869 NA NA
## 870 NA NA
## 871 NA NA
## 872 NA NA
## 873 NA NA
## 874 NA NA
## 875 NA NA
## 876 NA NA
## 877 NA NA
## 878 NA NA
## 879 NA NA
## 880 NA NA
## 881 NA NA
## 882 NA NA
## 883 NA NA
## 884 NA NA
## 885 NA NA
## 886 NA NA
## 887 NA NA
## 888 NA NA
## 889 NA NA
## 890 NA NA
## 891 NA NA
## 892 NA NA
## 893 NA NA
## 894 NA NA
## 895 NA NA
## 896 NA NA
## 897 NA NA
## 898 NA NA
## 899 NA NA
## 900 NA NA
## 901 NA NA
## 902 NA NA
## 903 NA NA
## 904 NA NA
## 905 NA NA
## 906 NA NA
## 907 NA NA
## 908 NA NA
## 909 NA NA
## 910 NA NA
## 911 NA NA
## 912 NA NA
## 913 NA NA
## 914 NA NA
## 915 NA NA
## 916 NA NA
## 917 NA NA
## 918 NA NA
## 919 NA NA
## 920 NA NA
## 921 NA NA
## 922 NA NA
## 923 NA NA
## 924 NA NA
## 925 NA NA
## 926 NA NA
## 927 NA NA
## 928 NA NA
## 929 NA NA
## 930 NA NA
## 931 NA NA
## 932 NA NA
## 933 NA NA
## 934 NA NA
## 935 NA NA
## 936 NA NA
## 937 NA NA
## 938 NA NA
## 939 NA NA
## 940 NA NA
## 941 NA NA
## 942 NA NA
## 943 NA NA
## 944 NA NA
## 945 NA NA
## 946 NA NA
## 947 NA NA
## 948 NA NA
## 949 NA NA
## 950 NA NA
## 951 NA NA
## 952 NA NA
## 953 NA NA
## 954 NA NA
## 955 NA NA
## 956 NA NA
## 957 NA NA
## 958 NA NA
## 959 NA NA
## 960 NA NA
## 961 NA NA
## 962 NA NA
## 963 NA NA
## 964 NA NA
## 965 NA NA
## 966 NA NA
## 967 NA NA
## 968 NA NA
## 969 NA NA
## 970 NA NA
## 971 NA NA
## 972 NA NA
## 973 NA NA
## 974 NA NA
## 975 NA NA
## 976 NA NA
## 977 NA NA
## 978 NA NA
## 979 NA NA
## 980 NA NA
## 981 NA NA
## 982 NA NA
## 983 NA NA
## 984 NA NA
## 985 NA NA
## 986 NA NA
## 987 NA NA
## 988 NA NA
## 989 NA NA
## 990 NA NA
## 991 NA NA
## 992 NA NA
## 993 NA NA
## 994 NA NA
## 995 NA NA
## 996 NA NA
## 997 NA NA
## 998 NA NA
## 999 NA NA
## Pros_Prof1
## 1 ajudar as pessoas, fazer o que eu amo
## 2 Análise de Desenvolvimento de Sistemas
## 3 Alta facilidade de ingressso ao mercado; Possibilidade de desenvolver meus próprios sistemas
## 4 Boa área de atuação, bom salário e por conta que gosto
## 5 É uma área do meu interesse e que eu acho que trabalharia com meus pontos fortes, além de ter um certo gosto por matérias e partes do curso/profissão
## 6 Trabalhar ajudando pessoas. Uma área muito ampla e interessente de se trabalhar
## 7 Interesse na área, gostar de programar, emprego com altos salários
## 8 Eu me dou bem na matéria e tenho muito interesse em aprender mais
## 9 Salvar vidas, Ganhar money
## 10 Vontade de seguir na carreira e
## 11 É uma profissão muito bonita e possui boa remuneração
## 12 Ganhar Bem
## 13 Principalmente o desenvolvimento de software, programação e etc
## 14 Bom retorno financeiro, área que me identifico
## 15 Expressar minha criatividade
## 16 Meu objetivo é trabalhar na área de computação e o curso de Ciência da Computação me trará uma boa base para tal objetivo, além do "networking".
## 17 Me identifico com a área e bom retorno econmico
## 18
## 19 Em alta, continuação do curso
## 20 Uma ária que talvez me sinta confortavel por envolver algo que gosto
## 21 Gosto do assunto e alta taxa salarial
## 22 Eu gosto, tenho interesse, seria uma profissional na área e não teria problema em passar vários anos me profissionalizando e conforme as necessidades trabalhando enquanto estudo
## 23 Necessidade do mercado
## 24 Uma carreira boa\numa boa qualidade financeira
## 25 Gosto, tenho conhecimento prévio
## 26 Gosto da área
## 27 Salário bom
## 28 Área que me interessa, boa área de emprego, bom mercado de trabalho
## 29
## 30 Ampla oportunidades de trabalho e conhecimento prévio do técnico
## 31 Boa perspectiva
## 32 Profissões valorizadas e duração mais curta do curso
## 33 Tem um bom salário, boas oportunidades e uma área que gosto muito de saber sobre
## 34 Gosto da área da justiça e da informática e bom salário
## 35
## 36 Faz parte do que eu gosto de fazer, tem um bom salário
## 37 Quero algo na área da saúde, faz mais o meu tipo
## 38 Gosto e sempre gostei do que é estudado nessa graduação; boa remuneração; área com grande expectativa de evolução
## 39 Acho muito interessante a área, ganha bem
## 40 Curso rápido para poder entrar no mercado de trabalho, pode ser acelerado graças ao encino tecnico e por ser de tecnologo
## 41 Um curso de grande aprendizado e estudo sobre tecnologias do futuro que serão bastante lucrativas
## 42 Conseguir administrar
## 43 Oportunidades e funcionalidades cotidianas além de novas experiencias e trabalhar em casa
## 44 Boa remuneração e sinto que tenho aptidão para a profissão
## 45 É uma boa profissão, um salario médio e me identifico
## 46 Dominar os conceitos teóricos e práticos das tecnologias, principalmente a programação
## 47 Porque quero chegar no meu objetivo que é me tornar juíza
## 48 Gosto da área, me identifico e é bem remunerado
## 49 Boa remuneração e é oq eu gosto
## 50 Por gostar de ajudar as pessoas
## 51 Você aprendeu do básico sobre engenharia e cálculos depois vai avançando até conseguir fazer sistemas complexos de programação
## 52 Mecher em computadores
## 53 Curso informatica no IFPB.\nGosto de computadores desde criança
## 54 Defender o estado
## 55 Amo música
## 56 Aprendizado, cargos futuros
## 57 Ajudaria a ganhar mais perícia na lida com animais de pecuária. Sendo este meu objetivo primário. Além de possuir experiência na área
## 58 Não sei
## 59 Gosto da área e me identifico com ela
## 60 Tem aplicação e tem vagas de emprego
## 61 Acho uma área interessante
## 62 Ajudar as pessoas, ter mais conhecimento sobre a mente humana, etc
## 63 Gosto da tecnologia e adoro utilizar dispositivos eletrônicos
## 64 Bons salários, alta demanda hoje em dia e ser um trabalho remoto
## 65 É um curso que me interessa demais, porque pretendo trabalhar na área de computação no futuro e está em alta no mercado de trabalho
## 66 Identificação mais nessa área
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Contras_Prof1
## 1 Muitos anos de estudo, não ter muito tempo para a familia
## 2 Não sei
## 3 Pouco tempo de Curso e talvez não aprender tudo que poderia ter aprendido
## 4 Envolve muito raciocínio lógico e muita matemática
## 5 Precisa de um pouco mais de esforço e dedicação pois é uma área muito concorrida
## 6 Não tenho nenhum por enquanto
## 7 Falta de inglês
## 8 Não tenho nada contra
## 9 Muito trabalho
## 10 Passar no curso
## 11 Exige muitos sacrifícios e dedicação
## 12 Muito Trabalho
## 13 Locomoção, a opção do curso só tem em jampa ou esperança
## 14 Estudo complexo
## 15 Pressão por prazos
## 16 Curso complicado
## 17 Complexidade
## 18
## 19 Não tenho paciência para a área
## 20 Esta em duvida de qual area de designer
## 21 Difícil de entrar e difícil de sair(Diploma + Especialização)
## 22 Meus pais não querem que eu faça o curso, não tem boa remuneração
## 23 Mal remunerado
## 24 Difícil de entrar\nmuito concorrido
## 25 Pouca remuneração
## 26 Por ser o curso mais concorrido e difícil de entrar tenho medo de não passar no Enem e não condição de pagar
## 27 Tem que estudar muito
## 28 Difícil entrar na faculdade, requer muito estudo no casa de atualização, se manter "atualizado”
## 29
## 30 Não gosto muito
## 31 Dificil de entrar
## 32 Não tem no campus IFPB Campina Grande e tem em outra cidade mais distante
## 33 É por concurso e Não sei se estou preparada para encarar o local de trabalho
## 34 Muita responsabilidade com os dados e baixa oportunidade no mercado de trabalho
## 35
## 36 Muito concorrido, nota um pouco alta, distância das universidades
## 37 Nota do enem
## 38 Não existe uma faculdade pública paraibana, ou próxima, que ofereça esse curso; as vagas de emprego são mais ofertadas no sudeste; a opção de estudar fora da minha cidade inclui custos financeiros difíceis de lidar
## 39 Gasta muito
## 40 Não tem no IFPB campus campina esse ano, mas pode aparecer ano que vem
## 41 Curso longo e difícil com bastante conceito teórico e disciplinas não tão importantes
## 42 Limitado
## 43 Muito trabalhoso e constante
## 44 É um curso caro e bastante concorrido
## 45 Tem que trabalhar com todos as faixas etárias
## 46 É difícil de entrar no curso, e difícil de sair
## 47 Talvez o fato de gostar de informática e continuar com a profissão
## 48 Curso complexo
## 49 Poucas condições com os custos
## 50 Por não querer ver ninguem morrer
## 51 Em campina grande eu acho que não tem essa opção de curso superior
## 52 Nenhum
## 53 Não sou extraordinário em exatas.\nPosso não me identificar mais no futuro
## 54 Perigos
## 55 Treino de muita percepção auditiva
## 56 Demora para aprender, dificuldade
## 57 Iria contra um linha de sucessão de acordo com o curso técnico que estou cursando
## 58 Não sei
## 59 Requer muitos conhecimentos sobre a área de desenho e criação
## 60 Necessita de computador
## 61 Não sei
## 62 Salário baixo e muita das vezes é uma profissão desvalorizada
## 63 Não
## 64 Longas horas de trabalho e atualizações constantes
## 65 Nota de corte alta e ainda Não sei em que área quero atuar (na computação)
## 66 Condições financeiras
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Prof2
## 1 Ciência da Computação
## 2 Ciência da Computação
## 3 Engenharia da computação
## 4 Medicina
## 5 Biomedicina
## 6 Ciências Sociais
## 7 Engenharia de Software
## 8 Ciência da computação
## 9 Odontologia
## 10 Odontologia
## 11 Psicologia
## 12 Medicina - Médico
## 13 Ciência da Computação
## 14 Sistemas da Informação
## 15 Engenharia da Computação
## 16 ADS (Análise de desenvolvimento de sistemas)
## 17 Engenharia da computação
## 18 Arquitetura
## 19 Relações Internacionais
## 20 Fotografa
## 21 Biomedicina
## 22 Ciência da Computação
## 23 Engenharia civil
## 24 Análise de desenvolvimento de software
## 25 Medicina
## 26 Direito
## 27 Engenharia da Computacao - Dev
## 28 Engenharia da Computação
## 29 Engenharia da computação
## 30
## 31 Ciência da Computação
## 32 Engenharia da Computação
## 33 Design
## 34 Analista de requisitos
## 35
## 36 Ciência da Computação
## 37 Biomedicina
## 38 Engenharia Elétrica
## 39 Medicina Veterinária
## 40 Engenharia da computação
## 41 ADS (Análise de desenvolvimento de sistemas)
## 42 Engenharia da Computação
## 43 Medicina Veterinária
## 44 Administração
## 45 Publicidade e Propaganda
## 46 ADS (Análise de desenvolvimento de sistemas)
## 47 Gastronomia
## 48 Medicina
## 49 Medicina
## 50
## 51 Ciência da Computação
## 52 Dublador
## 53 Relações internacionais
## 54 Ciência da Computação - Programador
## 55 Web designer
## 56 Inglês
## 57 Ciências agrárias
## 58 Bombeiro
## 59 Professora
## 60 Manutenção de aparelhos eletrônicos
## 61 Engenharia de Software
## 62 Direito
## 63
## 64 Design Gráfico
## 65 Engenharia da Computação
## 66 Policial
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Pros_Prof2
## 1 Trabalho de home office, área bem valorizada
## 2 Análise de Desenvolvimento de Sistemas
## 3 Alta facilidade de ingresso ao mercado tanto nacional quanto internacional
## 4 Bom salário, bom propósito de vida, uma linda profissão
## 5 Seria um curso vantajoso tendo em vista que quero ser uma perita criminal
## 6 Área ampla de conhecimento. Conhecer melhor a sociedade. Trabalhar com pessoas
## 7 Interesse na área, gostar de programar, emprego com altos salários
## 8 É uma área bastante desenvolvida e muito útil no mercado de trabalho
## 9 É uma boa carreira
## 10 Seguir a carreira
## 11 É uma boa profissão e é bem vista pela sociedade
## 12 Ganhar bem
## 13 Tem na ufcg e são da minha área
## 14 Bom retorno financeiro, área que me identifico
## 15 Mais possibilidade de emprego
## 16 É mais focado na área de programação em específico, que é algo quer eu gosto
## 17 Localização (IFPB) e ligação com a área de informática
## 18
## 19 Ter uma boa profissão
## 20 Amo fotografias e é uma área que me deixaria comfortavel
## 21 Gosto muito do assunto e não é tão difícil de entrar
## 22 É um curso extremamente conceituado, meus pais querem que eu faça, tem boa remuneração e agregaria muito ao meu currículo
## 23 Bom salário
## 24 Uma carreira boa\numa boa qualidade financeira
## 25 Boa remuneração, alto status social
## 26 Conhecimentos da leis
## 27 Salário bom
## 28 Área que me interessa, bom mercado de trabalho
## 29
## 30
## 31 Vou logo trabalhar e não passar mais raiva estudando
## 32 Salários altos e diversas opções de profissões na área
## 33 É uma área que gosto de mexer e acho que me daria bem.
## 34 Uma área interessante e que não precisa de muita programação
## 35
## 36 Faz parte do que eu gosto, apesar de ser bastante teórico. Finalizo o curso capacitado para boas áreas
## 37 Àrea da saúde, algo que me indentifico
## 38 Gosto de energias renováveis e carros, ou motos, elétricos; tem esse curso ofertado na minha cidade; acredito que há uma boa oferta de vagas nessa área
## 39 Gosto muito da área e gosto de cuidar de animais
## 40 Curso rápido e sai com bacharelado
## 41 Curso relativamente rápido e conciso
## 42 Consegui manipular hardwares e softwares
## 43 Fazer o que ama e dinheiro
## 44 Curso fácil de entrar e o mercado de trabalho é muito amplo
## 45 Profissão que aumenta a capacidade de comunicação e me identifico
## 46 Mais fácil de entrar no curso, e possui uma base teórica menor em relação ao anterior. Foca mais na programação
## 47 Porque eu gosto de cozinhar, e acho que me daria bem na profissão
## 48 Gosto da área e é bem remunerado
## 49 Dá orgulho para minha mãe
## 50
## 51 Você vira um programador com um salário alto, trabalhando em casa
## 52 Ter uma voz adequada
## 53 Gosto muito de política.\nTenho certa facilidade em pensar na geopolítica de acordo com informações
## 54 Salário bom
## 55 Sou criativo
## 56 Língua mundial, ajudar na informática
## 57 Ajudaria nos objetivos primários para o futuro buscando a agropecuária como fonte de renda além de possuir experiência na área
## 58 Não sei
## 59 Prazer de ensinar e contribuir para o ensino
## 60 Empresa própia
## 61 Por ser uma área da informática
## 62 Defender as pessoas, lutar pelos direitos, etc
## 63
## 64 Comunicação visual eficaz,oportunidade para criatividade
## 65 Faz parte da área de computação na qual eu pretendo trabalhar futuramente e está área está em alta no mercado se trabalho
## 66 Minha segunda opção, pois há uma identificação nessa área também
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Contras_Prof2
## 1 Grande complexidade de curso
## 2 Não sei
## 3 Envolve consideravelmente matemática e conceitos mais avançados de química
## 4 Não lido muito bem com a anatomia humana, muito menos com os humanos
## 5 Também é bastante concorrido e complicado
## 6 Pouco valorizada
## 7 Falta de inglês
## 8 Não tenho nada contra
## 9 Gasto de material
## 10 Passar
## 11 Tende a ser um pouco tediosa e possui uma baixa remuneração
## 12 Muito Trabalho
## 13 Muita teoria pouca pratica
## 14 Estudo complexo
## 15 Alta exigência
## 16 Não tem tanta base teórica, o que é ruim para mim, visto que também quero trabalhar na parte acadêmica da área em algum momento
## 17 Complexidade
## 18
## 19 Sair da cidade para estudar
## 20 Muito gastos de camera e materiais
## 21 Taxa salarial não tão alta e Alta responsabilidade
## 22 Eu não me identifico com a área de informática o suficiente para me profissionalizar e seguir nela
## 23 Concorrência de mercado
## 24 Não possui um conhecimento avançado na área\n
## 25 Dificil de entrar, dificil de sair
## 26 OAB e tenho medo dos bandidos
## 27 Tem que estudar muito
## 28 Difícil de entrar, se manter atualizado
## 29
## 30
## 31 Talvez nao consiga uma boa vida
## 32 Curso mais longo e lidar com matérias que não fazem diferença no trabalho futuro
## 33 Não saber exatamente com o que quero trabalhar nesse curso
## 34 O salário relativamente baixo e complexidade na parte da comunicação com os clientes
## 35
## 36 Distância das universidades, muita teoria
## 37 Nota do enem, exatas
## 38 Não sei se gosto dessa área de estudo e se vou me identificar com o curso
## 39 Pode ser um pouco difícil encontrar um ambiente para atuar na área
## 40 Não pode ser acelerado
## 41 Não é tão valorizado em termos de diploma
## 42 Muito pesado
## 43 Extrema responsabilidade com qualquer diagnostico
## 44 Não se sentir confiante em trabalhar com números e administrando uma empresa
## 45 Precisa de uma boa comunicação
## 46 Restringe um pouco as possibilidades de profissão, mas ainda é bom
## 47 Não tenho nenhuma
## 48 Muito complexo de passar na federal
## 49 Muito caro
## 50
## 51 É difícil
## 52 O curso não tem na minha cidade
## 53 Muito dificil.\nAs oportunidades de mercado
## 54 Exaustão mental
## 55 Quando faltar ideias talvez tenha dificuldade de criar
## 56 Difícil, por em prática
## 57 Iria contra um linha de sucessão de acordo com o curso técnico que estou cursando
## 58 Não sei
## 59 Requer paciência e um bom método de ensino
## 60 Dificuldade
## 61 Não sei
## 62 Responsabilidade
## 63
## 64 Exigência de tempo, vulnerabilidade às tendências
## 65 Nota de corte alta e Não sei que até quero atuar (na computação)
## 66 Ser um pouco arriscado
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Prof3
## 1 Nutrição
## 2 ADS (Análise de desenvolvimento de Sistemas)
## 3 Atleta de vôlei
## 4 Professor
## 5 Biologia
## 6 Letras
## 7 Desenvolvimento mobile
## 8 contabilidade
## 9 Enfermagem
## 10 Ciência da Computação
## 11 Professor
## 12 Letras - Professor
## 13 Engenharia de Software
## 14 Educação Física
## 15 Ciência da Computação
## 16 Engenharia da Computação
## 17 ADS (Análise de desenvolvimento de Sistemas)
## 18 Medicina
## 19 Finanças
## 20
## 21 Ciência da Computação
## 22 Engenharia de Software
## 23 Geologia
## 24 Engenharia da Computação
## 25 Direito
## 26 Medicina Veterinária
## 27
## 28 Engenharia elétrica
## 29 Medicina Veterinária
## 30
## 31
## 32 Direito
## 33 Farmácia
## 34
## 35
## 36 ADS (Análise de desenvolvimento de Sistemas)
## 37
## 38 Markting
## 39 Direito
## 40 educação física
## 41 Engenharia de Software
## 42 Ciência da Computação
## 43 Policial
## 44
## 45 Administração
## 46 Engenharia da Computação
## 47 Engenharia civil
## 48 Engenharia de Software
## 49 Odontologia
## 50
## 51 Engenharia eletrônica
## 52 Professor de matemática
## 53
## 54
## 55 Engenharia da Computação
## 56 Espanhol
## 57 Músico
## 58 Informática
## 59 Advogada
## 60 Fisica
## 61 Letras
## 62 Polícia Forense
## 63
## 64 Arquitetura e Urbanismo
## 65 Arquitetura e Urbanismo
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Pros_Prof3
## 1 Gosto de musculação e acharia interessante
## 2 Ciência da Computação
## 3 Faz bem para saúde
## 4 Uma linda profissão. Gosto de repassar meus conhecimentos
## 5 Minhas opções de curso são voltadas para a área que quero seguir, no caso a pericia
## 6 Conhecer melhor a nossa língua
## 7 Área que eu gosto na programação
## 8 Envolve cálculos e é algo que me interesso
## 9 Impacto na saúde
## 10 Ganhar dinheiro
## 11 É a profissão mais importante do mundo e é muito bonita
## 12 Ganhar Bem
## 13 Também pega muito a de software
## 14 Área que me identifico, gosto de praticar esportes
## 15 Remuneração competitiva
## 16 É um curso da área da computação que agrega muito conhecimento a quem o faz
## 17 Identificação e ligação com a área de informática
## 18
## 19 Conhecimento do mercado financeiro
## 20
## 21 Conhecimento técnico sobre informática e, supostamente, alta taxa de emprego
## 22 Seguiria a premissa de Ciência da Computação (eu acho) com mais programação que foi a única coisa que eu me identifiquei mais no curso, tem excelente remuneração, agregaria no currículo
## 23 Especializa em poços artesianos, bom mercado
## 24 Uma carreira boa\numa boa qualidade financeira
## 25 Alta remuneração, alto status social
## 26 Amo animais
## 27
## 28 Área que me interessa
## 29
## 30
## 31
## 32 Salário altos e trabalho fixo
## 33 Bom salário e boas oportunidades de emprego
## 34
## 35
## 36 É interessante pra mim, mas gostaria de trabalhar com software. Capacita para diversas áreas. Período curto
## 37
## 38 Há muitas vagas oferecidas; não irei trabalhar apenas em um escritório fechado; posso trabalhar "para mim mesma"
## 39 Acho interessante e uma área muito importante
## 40 Já tenho um diploma como professor de karatê
## 41 Abrange o estudo de muita coisa importante em todas as áreas da tecnologia
## 42 Boa remuneração, manipular softwares
## 43 Dinheiro e amor
## 44
## 45 Aprender a administrar finanças e utilizar para além da profissão, além de ter interesse
## 46 Acho que é um pouco mais fácil de entrar que Ciência da Computação, além do curso abordar o hardware dos computadores
## 47 Me interesso por esta profissão
## 48 Área que chama meu interesse e tem uma boa remuneração
## 49 Cuidar de sorrisos
## 50
## 51 Gosto muito de trabalhar na parte de hardware, montando computadores
## 52 Sou bom em fazer contas
## 53
## 54
## 55 Gosto de informática
## 56 Nova língua, facilidade
## 57 Poderia usá-la de diversas formas como: cursos, aulas particulares, bandas, produção musical, midi
## 58 Não sei
## 59 Garantir o direito das pessoas
## 60
## 61 Não sei
## 62 Investigar, reconhecimento e pegar criminosos
## 63
## 64 Inpacto social e cultural, sustentabilidade, funcionalidade e utilidade, e legado duradouro
## 65 Esse curso sempre foi uma opção minha, porque gosto de ver projetos de arquiteturas de todos os estilos
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Contras_Prof3
## 1 Não sei se é uma carreira que tem muito futuro
## 2 Não sei
## 3 Dificuldade de reconhecimento e danos severos ao corpo se não praticado da forma correta
## 4 Mal remunerado e quase sempre humilhado
## 5 Tem uns assuntos complicados e eu tenho medo de ir para uma cidade longe de casa
## 6 Pouco reconhecimento
## 7 Falta de inglês, maior curva de aprendizado
## 8 Não tenho nada contra
## 9 Horários não flexíveis
## 10 Não gostar da area
## 11 Possui uma baixa remuneração e não tenho apoio da minha família
## 12 Muito Trabalho
## 13 Ainda n sei muito diferencia da engenharia da computação
## 14 Área de mercado saturado, baixo retorno financeiro
## 15 Competição intensa
## 16 Tem foco muito grande em hardware, algo que não gosto
## 17 Complexidade
## 18
## 19 Muita matemática e cálculo
## 20
## 21 Dificuldade e alta quantidade de programadores
## 22 Porém da mesma forma eu não penso em passar a minha vida exercendo algo que eu não gosto
## 23 Curso distante do local onde moro
## 24 Não é muito o que eu desejo\n
## 25 Dificil de entrar, não tem estabilidade
## 26 Não gosto de ver os animais sofrerem e choro toda vez que algum morre
## 27
## 28 Pouca estabilidade
## 29
## 30
## 31
## 32 Curso longo e dificuldade maior em lidar com as matérias e trabalhos
## 33 Não gosto de trabalhar com cálculos
## 34
## 35
## 36 Muita distância das universidades, é interessante mas não tem o meu foco
## 37
## 38 Não sei se sou criativa ou esperta suficiente para essa área; não existe esse curso nas faculdades do meu estado
## 39 Tenho insegurança de não gostar muito da área
## 40 Não é uma área dos sonhos e não dá tanto dinheiro
## 41 Muito longo e estuda a parte de hardware que eu relativamente não gosto
## 42 Muito pesado
## 43 Pode morre em serviço
## 44
## 45 Não possui muitas oportunidades de trabalhar no mercado
## 46 Aborda cálculos e conhecimentos sobre o hardware que não vou usar muito profissionalmente
## 47 Nenhuma
## 48 Curso complexo
## 49 Custo alto
## 50
## 51 Salário pouco baixo
## 52 Nenhum
## 53
## 54
## 55 Prejudicar visão e talvez demande muito do cerebro
## 56 Poucas oportunidades, não tanto falada
## 57 Fugiria contra meus objetivos principais focados na agropecuária e exigiria muito tempo de mercado para estabelecer-me
## 58 Não sei
## 59 Ter muita paciência e um grande conhecimento sobre as leis
## 60 Dificuldade do curso
## 61 Não sei
## 62 perigo, responsabilidade
## 63
## 64 Custos elevados, processo complexo, desafios técnicos, impacto ambiental
## 65 Nota de corte alta e exige muita criatividade
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Prof4
## 1
## 2 Inglês - letras
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Edificações - Arquiteto
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Medicina
## 20
## 21
## 22 História
## 23 Psicologia
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36 Engenharia de Hardware
## 37
## 38
## 39
## 40 quimica organica / micro quimica
## 41
## 42
## 43 PRF
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 Empresário
## 52
## 53
## 54
## 55
## 56
## 57 História/Professor de história
## 58 Carpinteiro
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Pros_Prof4
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Ganhar bem
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Ótima carreira
## 20
## 21
## 22 Envolve muita leitura, estudar e me aprofundar em temas interessantes, escrever bastante
## 23 Mercado bom na área de saúde
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36 É interessante pra mim, mas gostaria de trabalhar com software. Salário alto
## 37
## 38
## 39
## 40 Minha irmã já trabalha na área, tem a pocibilidade de ser integrado com informatica
## 41
## 42
## 43 Muito dinheiro e histórico família
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 Você é dono de você mesmo e gerência sua empresa se acordo com seus gostos
## 52
## 53
## 54
## 55
## 56
## 57 Estaria em uma área de muita afinidade e estaria realizando um sonho distante de lecionar na escola onde fiz o fundamental 2
## 58 Não sei
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Contras_Prof4
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Muito Trabalho
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Mercado superlotado
## 20
## 21
## 22 É um curso que eu não tenho conhecimento das profissões que eu posso exercer com a formação e meus pais não tem interesse que eu faça
## 23 Alta concorrência de mercado
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36 Distância das universidades, período longo, não tenho tanto apego com hardware
## 37
## 38
## 39
## 40 Só pretendo realmente fazer caso eu tenha como integrar com a informática ou já tenha um curso em infomática além do tecnico
## 41
## 42
## 43 Sono e família
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 É muito difícil ser um empresário de sucesso
## 52
## 53
## 54
## 55
## 56
## 57 A profissão de professor está deveras desvalorizada e muito mal remunerada
## 58 Não sei
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Prof5
## 1
## 2 Intercambio
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Geografia - Professor
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Direito
## 20
## 21
## 22 Filosofia/Psicologia
## 23 Estilista
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36
## 37
## 38
## 39
## 40
## 41
## 42
## 43 Delegado
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 Engenharia civil
## 52
## 53
## 54
## 55
## 56
## 57 Programador
## 58 Professor de educação física
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Pros_Prof5
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Ganhar bem
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Conhecimento mais das leis
## 20
## 21
## 22 É uma área que eu gostaria de me aprofundar, envolve muita leitura, muita produção escrita
## 23 Mercado de trabalho promissor
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36
## 37
## 38
## 39
## 40
## 41
## 42
## 43 Conhecimento e amor
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 Gosto da área
## 52
## 53
## 54
## 55
## 56
## 57 Continuaria na área do curso que estou cursando o técnico. E poderia trabalhar em diversos ambientes remotos ou físicos
## 58 Não sei
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999
## Contras_Prof5
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12 Muito Trabalho
## 13
## 14
## 15
## 16
## 17
## 18
## 19 Mercado superlotado, OAB
## 20
## 21
## 22 Semelhante a história, não vejo uma aplicação prática fora da sala de aula (como professor)
## 23 Concorrência de mercado em alta e longe da residência
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## 35
## 36
## 37
## 38
## 39
## 40
## 41
## 42
## 43 Corrupção e morte
## 44
## 45
## 46
## 47
## 48
## 49
## 50
## 51 Salário pouco baixo
## 52
## 53
## 54
## 55
## 56
## 57 Não é meu principal objetivo
## 58 Não sei
## 59
## 60
## 61
## 62
## 63
## 64
## 65
## 66
## 67
## 68
## 69
## 70
## 71
## 72
## 73
## 74
## 75
## 76
## 77
## 78
## 79
## 80
## 81
## 82
## 83
## 84
## 85
## 86
## 87
## 88
## 89
## 90
## 91
## 92
## 93
## 94
## 95
## 96
## 97
## 98
## 99
## 100
## 101
## 102
## 103
## 104
## 105
## 106
## 107
## 108
## 109
## 110
## 111
## 112
## 113
## 114
## 115
## 116
## 117
## 118
## 119
## 120
## 121
## 122
## 123
## 124
## 125
## 126
## 127
## 128
## 129
## 130
## 131
## 132
## 133
## 134
## 135
## 136
## 137
## 138
## 139
## 140
## 141
## 142
## 143
## 144
## 145
## 146
## 147
## 148
## 149
## 150
## 151
## 152
## 153
## 154
## 155
## 156
## 157
## 158
## 159
## 160
## 161
## 162
## 163
## 164
## 165
## 166
## 167
## 168
## 169
## 170
## 171
## 172
## 173
## 174
## 175
## 176
## 177
## 178
## 179
## 180
## 181
## 182
## 183
## 184
## 185
## 186
## 187
## 188
## 189
## 190
## 191
## 192
## 193
## 194
## 195
## 196
## 197
## 198
## 199
## 200
## 201
## 202
## 203
## 204
## 205
## 206
## 207
## 208
## 209
## 210
## 211
## 212
## 213
## 214
## 215
## 216
## 217
## 218
## 219
## 220
## 221
## 222
## 223
## 224
## 225
## 226
## 227
## 228
## 229
## 230
## 231
## 232
## 233
## 234
## 235
## 236
## 237
## 238
## 239
## 240
## 241
## 242
## 243
## 244
## 245
## 246
## 247
## 248
## 249
## 250
## 251
## 252
## 253
## 254
## 255
## 256
## 257
## 258
## 259
## 260
## 261
## 262
## 263
## 264
## 265
## 266
## 267
## 268
## 269
## 270
## 271
## 272
## 273
## 274
## 275
## 276
## 277
## 278
## 279
## 280
## 281
## 282
## 283
## 284
## 285
## 286
## 287
## 288
## 289
## 290
## 291
## 292
## 293
## 294
## 295
## 296
## 297
## 298
## 299
## 300
## 301
## 302
## 303
## 304
## 305
## 306
## 307
## 308
## 309
## 310
## 311
## 312
## 313
## 314
## 315
## 316
## 317
## 318
## 319
## 320
## 321
## 322
## 323
## 324
## 325
## 326
## 327
## 328
## 329
## 330
## 331
## 332
## 333
## 334
## 335
## 336
## 337
## 338
## 339
## 340
## 341
## 342
## 343
## 344
## 345
## 346
## 347
## 348
## 349
## 350
## 351
## 352
## 353
## 354
## 355
## 356
## 357
## 358
## 359
## 360
## 361
## 362
## 363
## 364
## 365
## 366
## 367
## 368
## 369
## 370
## 371
## 372
## 373
## 374
## 375
## 376
## 377
## 378
## 379
## 380
## 381
## 382
## 383
## 384
## 385
## 386
## 387
## 388
## 389
## 390
## 391
## 392
## 393
## 394
## 395
## 396
## 397
## 398
## 399
## 400
## 401
## 402
## 403
## 404
## 405
## 406
## 407
## 408
## 409
## 410
## 411
## 412
## 413
## 414
## 415
## 416
## 417
## 418
## 419
## 420
## 421
## 422
## 423
## 424
## 425
## 426
## 427
## 428
## 429
## 430
## 431
## 432
## 433
## 434
## 435
## 436
## 437
## 438
## 439
## 440
## 441
## 442
## 443
## 444
## 445
## 446
## 447
## 448
## 449
## 450
## 451
## 452
## 453
## 454
## 455
## 456
## 457
## 458
## 459
## 460
## 461
## 462
## 463
## 464
## 465
## 466
## 467
## 468
## 469
## 470
## 471
## 472
## 473
## 474
## 475
## 476
## 477
## 478
## 479
## 480
## 481
## 482
## 483
## 484
## 485
## 486
## 487
## 488
## 489
## 490
## 491
## 492
## 493
## 494
## 495
## 496
## 497
## 498
## 499
## 500
## 501
## 502
## 503
## 504
## 505
## 506
## 507
## 508
## 509
## 510
## 511
## 512
## 513
## 514
## 515
## 516
## 517
## 518
## 519
## 520
## 521
## 522
## 523
## 524
## 525
## 526
## 527
## 528
## 529
## 530
## 531
## 532
## 533
## 534
## 535
## 536
## 537
## 538
## 539
## 540
## 541
## 542
## 543
## 544
## 545
## 546
## 547
## 548
## 549
## 550
## 551
## 552
## 553
## 554
## 555
## 556
## 557
## 558
## 559
## 560
## 561
## 562
## 563
## 564
## 565
## 566
## 567
## 568
## 569
## 570
## 571
## 572
## 573
## 574
## 575
## 576
## 577
## 578
## 579
## 580
## 581
## 582
## 583
## 584
## 585
## 586
## 587
## 588
## 589
## 590
## 591
## 592
## 593
## 594
## 595
## 596
## 597
## 598
## 599
## 600
## 601
## 602
## 603
## 604
## 605
## 606
## 607
## 608
## 609
## 610
## 611
## 612
## 613
## 614
## 615
## 616
## 617
## 618
## 619
## 620
## 621
## 622
## 623
## 624
## 625
## 626
## 627
## 628
## 629
## 630
## 631
## 632
## 633
## 634
## 635
## 636
## 637
## 638
## 639
## 640
## 641
## 642
## 643
## 644
## 645
## 646
## 647
## 648
## 649
## 650
## 651
## 652
## 653
## 654
## 655
## 656
## 657
## 658
## 659
## 660
## 661
## 662
## 663
## 664
## 665
## 666
## 667
## 668
## 669
## 670
## 671
## 672
## 673
## 674
## 675
## 676
## 677
## 678
## 679
## 680
## 681
## 682
## 683
## 684
## 685
## 686
## 687
## 688
## 689
## 690
## 691
## 692
## 693
## 694
## 695
## 696
## 697
## 698
## 699
## 700
## 701
## 702
## 703
## 704
## 705
## 706
## 707
## 708
## 709
## 710
## 711
## 712
## 713
## 714
## 715
## 716
## 717
## 718
## 719
## 720
## 721
## 722
## 723
## 724
## 725
## 726
## 727
## 728
## 729
## 730
## 731
## 732
## 733
## 734
## 735
## 736
## 737
## 738
## 739
## 740
## 741
## 742
## 743
## 744
## 745
## 746
## 747
## 748
## 749
## 750
## 751
## 752
## 753
## 754
## 755
## 756
## 757
## 758
## 759
## 760
## 761
## 762
## 763
## 764
## 765
## 766
## 767
## 768
## 769
## 770
## 771
## 772
## 773
## 774
## 775
## 776
## 777
## 778
## 779
## 780
## 781
## 782
## 783
## 784
## 785
## 786
## 787
## 788
## 789
## 790
## 791
## 792
## 793
## 794
## 795
## 796
## 797
## 798
## 799
## 800
## 801
## 802
## 803
## 804
## 805
## 806
## 807
## 808
## 809
## 810
## 811
## 812
## 813
## 814
## 815
## 816
## 817
## 818
## 819
## 820
## 821
## 822
## 823
## 824
## 825
## 826
## 827
## 828
## 829
## 830
## 831
## 832
## 833
## 834
## 835
## 836
## 837
## 838
## 839
## 840
## 841
## 842
## 843
## 844
## 845
## 846
## 847
## 848
## 849
## 850
## 851
## 852
## 853
## 854
## 855
## 856
## 857
## 858
## 859
## 860
## 861
## 862
## 863
## 864
## 865
## 866
## 867
## 868
## 869
## 870
## 871
## 872
## 873
## 874
## 875
## 876
## 877
## 878
## 879
## 880
## 881
## 882
## 883
## 884
## 885
## 886
## 887
## 888
## 889
## 890
## 891
## 892
## 893
## 894
## 895
## 896
## 897
## 898
## 899
## 900
## 901
## 902
## 903
## 904
## 905
## 906
## 907
## 908
## 909
## 910
## 911
## 912
## 913
## 914
## 915
## 916
## 917
## 918
## 919
## 920
## 921
## 922
## 923
## 924
## 925
## 926
## 927
## 928
## 929
## 930
## 931
## 932
## 933
## 934
## 935
## 936
## 937
## 938
## 939
## 940
## 941
## 942
## 943
## 944
## 945
## 946
## 947
## 948
## 949
## 950
## 951
## 952
## 953
## 954
## 955
## 956
## 957
## 958
## 959
## 960
## 961
## 962
## 963
## 964
## 965
## 966
## 967
## 968
## 969
## 970
## 971
## 972
## 973
## 974
## 975
## 976
## 977
## 978
## 979
## 980
## 981
## 982
## 983
## 984
## 985
## 986
## 987
## 988
## 989
## 990
## 991
## 992
## 993
## 994
## 995
## 996
## 997
## 998
## 999atvProfissoes_mulheres <- atvProfissoes %>%
filter(Sexo == "Feminino")
print(atvProfissoes_mulheres)## X Sexo Série Prof1
## 1 1 Feminino 2 Medicina
## 2 2 Feminino 2 Engenharia da Computação
## 3 4 Feminino 2 Ciência da Computação
## 4 5 Feminino 2 Direito/Perita criminal
## 5 6 Feminino 2 Psicologia
## 6 8 Feminino 2 Matemática
## 7 9 Feminino 2 Medicina
## 8 10 Feminino 2 Medicina
## 9 11 Feminino 2 Medicina
## 10 15 Feminino 3 Web Designer
## 11 17 Feminino 3 Ciência de computação - Programadora
## 12 18 Feminino 3 Direito
## 13 19 Feminino 3 Ciência da Computação
## 14 20 Feminino 3 Designer
## 15 22 Feminino 3 Letras - português
## 16 26 Feminino 3 Medicina
## 17 29 Feminino 3 Ciência da Computação
## 18 30 Feminino 3 Ciência da Computação
## 19 33 Feminino 3 Perícia Criminal
## 20 34 Feminino 3 Perícia Forense digital
## 21 37 Feminino 3 enfermagem
## 22 38 Feminino 3 Engenharia Aeroespacial
## 23 39 Feminino 3 Odontologia
## 24 44 Feminino 3 Odontologia
## 25 45 Feminino 3 Psicologia
## 26 47 Feminino 1 Direito
## 27 50 Feminino 1 Medicina
## 28 54 Feminino 1 Investigador Civil - Detetive
## 29 59 Feminino 1 Design Gráfico
## 30 61 Feminino 1 Publicidade e propaganda
## 31 62 Feminino 1 Psicologia
## 32 64 Feminino 1 Programação
## 33 65 Feminino 2 Ciência da Computação
## 34 66 Feminino 1 Medicina
## Pros_Prof1
## 1 ajudar as pessoas, fazer o que eu amo
## 2 Análise de Desenvolvimento de Sistemas
## 3 Boa área de atuação, bom salário e por conta que gosto
## 4 É uma área do meu interesse e que eu acho que trabalharia com meus pontos fortes, além de ter um certo gosto por matérias e partes do curso/profissão
## 5 Trabalhar ajudando pessoas. Uma área muito ampla e interessente de se trabalhar
## 6 Eu me dou bem na matéria e tenho muito interesse em aprender mais
## 7 Salvar vidas, Ganhar money
## 8 Vontade de seguir na carreira e
## 9 É uma profissão muito bonita e possui boa remuneração
## 10 Expressar minha criatividade
## 11 Me identifico com a área e bom retorno econmico
## 12
## 13 Em alta, continuação do curso
## 14 Uma ária que talvez me sinta confortavel por envolver algo que gosto
## 15 Eu gosto, tenho interesse, seria uma profissional na área e não teria problema em passar vários anos me profissionalizando e conforme as necessidades trabalhando enquanto estudo
## 16 Gosto da área
## 17
## 18 Ampla oportunidades de trabalho e conhecimento prévio do técnico
## 19 Tem um bom salário, boas oportunidades e uma área que gosto muito de saber sobre
## 20 Gosto da área da justiça e da informática e bom salário
## 21 Quero algo na área da saúde, faz mais o meu tipo
## 22 Gosto e sempre gostei do que é estudado nessa graduação; boa remuneração; área com grande expectativa de evolução
## 23 Acho muito interessante a área, ganha bem
## 24 Boa remuneração e sinto que tenho aptidão para a profissão
## 25 É uma boa profissão, um salario médio e me identifico
## 26 Porque quero chegar no meu objetivo que é me tornar juíza
## 27 Por gostar de ajudar as pessoas
## 28 Defender o estado
## 29 Gosto da área e me identifico com ela
## 30 Acho uma área interessante
## 31 Ajudar as pessoas, ter mais conhecimento sobre a mente humana, etc
## 32 Bons salários, alta demanda hoje em dia e ser um trabalho remoto
## 33 É um curso que me interessa demais, porque pretendo trabalhar na área de computação no futuro e está em alta no mercado de trabalho
## 34 Identificação mais nessa área
## Contras_Prof1
## 1 Muitos anos de estudo, não ter muito tempo para a familia
## 2 Não sei
## 3 Envolve muito raciocínio lógico e muita matemática
## 4 Precisa de um pouco mais de esforço e dedicação pois é uma área muito concorrida
## 5 Não tenho nenhum por enquanto
## 6 Não tenho nada contra
## 7 Muito trabalho
## 8 Passar no curso
## 9 Exige muitos sacrifícios e dedicação
## 10 Pressão por prazos
## 11 Complexidade
## 12
## 13 Não tenho paciência para a área
## 14 Esta em duvida de qual area de designer
## 15 Meus pais não querem que eu faça o curso, não tem boa remuneração
## 16 Por ser o curso mais concorrido e difícil de entrar tenho medo de não passar no Enem e não condição de pagar
## 17
## 18 Não gosto muito
## 19 É por concurso e Não sei se estou preparada para encarar o local de trabalho
## 20 Muita responsabilidade com os dados e baixa oportunidade no mercado de trabalho
## 21 Nota do enem
## 22 Não existe uma faculdade pública paraibana, ou próxima, que ofereça esse curso; as vagas de emprego são mais ofertadas no sudeste; a opção de estudar fora da minha cidade inclui custos financeiros difíceis de lidar
## 23 Gasta muito
## 24 É um curso caro e bastante concorrido
## 25 Tem que trabalhar com todos as faixas etárias
## 26 Talvez o fato de gostar de informática e continuar com a profissão
## 27 Por não querer ver ninguem morrer
## 28 Perigos
## 29 Requer muitos conhecimentos sobre a área de desenho e criação
## 30 Não sei
## 31 Salário baixo e muita das vezes é uma profissão desvalorizada
## 32 Longas horas de trabalho e atualizações constantes
## 33 Nota de corte alta e ainda Não sei em que área quero atuar (na computação)
## 34 Condições financeiras
## Prof2
## 1 Ciência da Computação
## 2 Ciência da Computação
## 3 Medicina
## 4 Biomedicina
## 5 Ciências Sociais
## 6 Ciência da computação
## 7 Odontologia
## 8 Odontologia
## 9 Psicologia
## 10 Engenharia da Computação
## 11 Engenharia da computação
## 12 Arquitetura
## 13 Relações Internacionais
## 14 Fotografa
## 15 Ciência da Computação
## 16 Direito
## 17 Engenharia da computação
## 18
## 19 Design
## 20 Analista de requisitos
## 21 Biomedicina
## 22 Engenharia Elétrica
## 23 Medicina Veterinária
## 24 Administração
## 25 Publicidade e Propaganda
## 26 Gastronomia
## 27
## 28 Ciência da Computação - Programador
## 29 Professora
## 30 Engenharia de Software
## 31 Direito
## 32 Design Gráfico
## 33 Engenharia da Computação
## 34 Policial
## Pros_Prof2
## 1 Trabalho de home office, área bem valorizada
## 2 Análise de Desenvolvimento de Sistemas
## 3 Bom salário, bom propósito de vida, uma linda profissão
## 4 Seria um curso vantajoso tendo em vista que quero ser uma perita criminal
## 5 Área ampla de conhecimento. Conhecer melhor a sociedade. Trabalhar com pessoas
## 6 É uma área bastante desenvolvida e muito útil no mercado de trabalho
## 7 É uma boa carreira
## 8 Seguir a carreira
## 9 É uma boa profissão e é bem vista pela sociedade
## 10 Mais possibilidade de emprego
## 11 Localização (IFPB) e ligação com a área de informática
## 12
## 13 Ter uma boa profissão
## 14 Amo fotografias e é uma área que me deixaria comfortavel
## 15 É um curso extremamente conceituado, meus pais querem que eu faça, tem boa remuneração e agregaria muito ao meu currículo
## 16 Conhecimentos da leis
## 17
## 18
## 19 É uma área que gosto de mexer e acho que me daria bem.
## 20 Uma área interessante e que não precisa de muita programação
## 21 Àrea da saúde, algo que me indentifico
## 22 Gosto de energias renováveis e carros, ou motos, elétricos; tem esse curso ofertado na minha cidade; acredito que há uma boa oferta de vagas nessa área
## 23 Gosto muito da área e gosto de cuidar de animais
## 24 Curso fácil de entrar e o mercado de trabalho é muito amplo
## 25 Profissão que aumenta a capacidade de comunicação e me identifico
## 26 Porque eu gosto de cozinhar, e acho que me daria bem na profissão
## 27
## 28 Salário bom
## 29 Prazer de ensinar e contribuir para o ensino
## 30 Por ser uma área da informática
## 31 Defender as pessoas, lutar pelos direitos, etc
## 32 Comunicação visual eficaz,oportunidade para criatividade
## 33 Faz parte da área de computação na qual eu pretendo trabalhar futuramente e está área está em alta no mercado se trabalho
## 34 Minha segunda opção, pois há uma identificação nessa área também
## Contras_Prof2
## 1 Grande complexidade de curso
## 2 Não sei
## 3 Não lido muito bem com a anatomia humana, muito menos com os humanos
## 4 Também é bastante concorrido e complicado
## 5 Pouco valorizada
## 6 Não tenho nada contra
## 7 Gasto de material
## 8 Passar
## 9 Tende a ser um pouco tediosa e possui uma baixa remuneração
## 10 Alta exigência
## 11 Complexidade
## 12
## 13 Sair da cidade para estudar
## 14 Muito gastos de camera e materiais
## 15 Eu não me identifico com a área de informática o suficiente para me profissionalizar e seguir nela
## 16 OAB e tenho medo dos bandidos
## 17
## 18
## 19 Não saber exatamente com o que quero trabalhar nesse curso
## 20 O salário relativamente baixo e complexidade na parte da comunicação com os clientes
## 21 Nota do enem, exatas
## 22 Não sei se gosto dessa área de estudo e se vou me identificar com o curso
## 23 Pode ser um pouco difícil encontrar um ambiente para atuar na área
## 24 Não se sentir confiante em trabalhar com números e administrando uma empresa
## 25 Precisa de uma boa comunicação
## 26 Não tenho nenhuma
## 27
## 28 Exaustão mental
## 29 Requer paciência e um bom método de ensino
## 30 Não sei
## 31 Responsabilidade
## 32 Exigência de tempo, vulnerabilidade às tendências
## 33 Nota de corte alta e Não sei que até quero atuar (na computação)
## 34 Ser um pouco arriscado
## Prof3
## 1 Nutrição
## 2 ADS (Análise de desenvolvimento de Sistemas)
## 3 Professor
## 4 Biologia
## 5 Letras
## 6 contabilidade
## 7 Enfermagem
## 8 Ciência da Computação
## 9 Professor
## 10 Ciência da Computação
## 11 ADS (Análise de desenvolvimento de Sistemas)
## 12 Medicina
## 13 Finanças
## 14
## 15 Engenharia de Software
## 16 Medicina Veterinária
## 17 Medicina Veterinária
## 18
## 19 Farmácia
## 20
## 21
## 22 Markting
## 23 Direito
## 24
## 25 Administração
## 26 Engenharia civil
## 27
## 28
## 29 Advogada
## 30 Letras
## 31 Polícia Forense
## 32 Arquitetura e Urbanismo
## 33 Arquitetura e Urbanismo
## 34
## Pros_Prof3
## 1 Gosto de musculação e acharia interessante
## 2 Ciência da Computação
## 3 Uma linda profissão. Gosto de repassar meus conhecimentos
## 4 Minhas opções de curso são voltadas para a área que quero seguir, no caso a pericia
## 5 Conhecer melhor a nossa língua
## 6 Envolve cálculos e é algo que me interesso
## 7 Impacto na saúde
## 8 Ganhar dinheiro
## 9 É a profissão mais importante do mundo e é muito bonita
## 10 Remuneração competitiva
## 11 Identificação e ligação com a área de informática
## 12
## 13 Conhecimento do mercado financeiro
## 14
## 15 Seguiria a premissa de Ciência da Computação (eu acho) com mais programação que foi a única coisa que eu me identifiquei mais no curso, tem excelente remuneração, agregaria no currículo
## 16 Amo animais
## 17
## 18
## 19 Bom salário e boas oportunidades de emprego
## 20
## 21
## 22 Há muitas vagas oferecidas; não irei trabalhar apenas em um escritório fechado; posso trabalhar "para mim mesma"
## 23 Acho interessante e uma área muito importante
## 24
## 25 Aprender a administrar finanças e utilizar para além da profissão, além de ter interesse
## 26 Me interesso por esta profissão
## 27
## 28
## 29 Garantir o direito das pessoas
## 30 Não sei
## 31 Investigar, reconhecimento e pegar criminosos
## 32 Inpacto social e cultural, sustentabilidade, funcionalidade e utilidade, e legado duradouro
## 33 Esse curso sempre foi uma opção minha, porque gosto de ver projetos de arquiteturas de todos os estilos
## 34
## Contras_Prof3
## 1 Não sei se é uma carreira que tem muito futuro
## 2 Não sei
## 3 Mal remunerado e quase sempre humilhado
## 4 Tem uns assuntos complicados e eu tenho medo de ir para uma cidade longe de casa
## 5 Pouco reconhecimento
## 6 Não tenho nada contra
## 7 Horários não flexíveis
## 8 Não gostar da area
## 9 Possui uma baixa remuneração e não tenho apoio da minha família
## 10 Competição intensa
## 11 Complexidade
## 12
## 13 Muita matemática e cálculo
## 14
## 15 Porém da mesma forma eu não penso em passar a minha vida exercendo algo que eu não gosto
## 16 Não gosto de ver os animais sofrerem e choro toda vez que algum morre
## 17
## 18
## 19 Não gosto de trabalhar com cálculos
## 20
## 21
## 22 Não sei se sou criativa ou esperta suficiente para essa área; não existe esse curso nas faculdades do meu estado
## 23 Tenho insegurança de não gostar muito da área
## 24
## 25 Não possui muitas oportunidades de trabalhar no mercado
## 26 Nenhuma
## 27
## 28
## 29 Ter muita paciência e um grande conhecimento sobre as leis
## 30 Não sei
## 31 perigo, responsabilidade
## 32 Custos elevados, processo complexo, desafios técnicos, impacto ambiental
## 33 Nota de corte alta e exige muita criatividade
## 34
## Prof4
## 1
## 2 Inglês - letras
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Medicina
## 14
## 15 História
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## Pros_Prof4
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Ótima carreira
## 14
## 15 Envolve muita leitura, estudar e me aprofundar em temas interessantes, escrever bastante
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## Contras_Prof4
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Mercado superlotado
## 14
## 15 É um curso que eu não tenho conhecimento das profissões que eu posso exercer com a formação e meus pais não tem interesse que eu faça
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## Prof5
## 1
## 2 Intercambio
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Direito
## 14
## 15 Filosofia/Psicologia
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## Pros_Prof5
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Conhecimento mais das leis
## 14
## 15 É uma área que eu gostaria de me aprofundar, envolve muita leitura, muita produção escrita
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34
## Contras_Prof5
## 1
## 2 Não sei
## 3
## 4
## 5
## 6
## 7
## 8
## 9
## 10
## 11
## 12
## 13 Mercado superlotado, OAB
## 14
## 15 Semelhante a história, não vejo uma aplicação prática fora da sala de aula (como professor)
## 16
## 17
## 18
## 19
## 20
## 21
## 22
## 23
## 24
## 25
## 26
## 27
## 28
## 29
## 30
## 31
## 32
## 33
## 34write.csv2(atvProfissoes_mulheres, "atvProfissoes_mulheres.csv")
atvProfissoes_homens <- atvProfissoes %>%
filter(Sexo == "Masculino")
print(atvProfissoes_homens)## X Sexo Série Prof1
## 1 3 Masculino 2 ADS (Análise de desenvolvimento de sistemas)
## 2 7 Masculino 2 Ciência de dados / Cientista de dados
## 3 12 Masculino 3 Ciência da Computação - Professor
## 4 13 Masculino 3 ADS (Análise de desenvolvimento de sistemas)
## 5 14 Masculino 3 Ciência da Computação
## 6 16 Masculino 3 Ciência da Computação
## 7 21 Masculino 3 Medicina
## 8 23 Masculino 3 Professor
## 9 24 Masculino 3 Ciência da Computação
## 10 25 Masculino 3 Letras - inglês
## 11 27 Masculino 3 Ciência da Computacao - Dev
## 12 28 Masculino 3 Ciência da Computação
## 13 31 Masculino 3 Ciência da Computação
## 14 32 Masculino 3 ADS (Análise de desenvolvimento de sistemas)
## 15 35 Masculino 3
## 16 36 Masculino 3 Engenharia de Software
## 17 40 Masculino 3 análise de desenvolvimento de software
## 18 41 Masculino 3 Ciência da Computação
## 19 42 Masculino 3 Administração
## 20 43 Masculino 3 Desenvolvedor
## 21 46 Masculino 3 Ciência da Computação
## 22 48 Masculino 1 Programador
## 23 49 Masculino 1 ciência da computação
## 24 51 Masculino 1 Engenharia de Software
## 25 52 Masculino 1 Informática/ Cientista da Computação
## 26 53 Masculino 1 Ciência da Computação
## 27 55 Masculino 1 Engenharia de Áudio
## 28 56 Masculino 1 Informática
## 29 57 Masculino 1 Medicina Veterinária
## 30 58 Masculino 1 Engenheiro civil
## 31 60 Masculino 1 Ciência da Computação
## 32 63 Masculino 1 Ciência da Computação
## Pros_Prof1
## 1 Alta facilidade de ingressso ao mercado; Possibilidade de desenvolver meus próprios sistemas
## 2 Interesse na área, gostar de programar, emprego com altos salários
## 3 Ganhar Bem
## 4 Principalmente o desenvolvimento de software, programação e etc
## 5 Bom retorno financeiro, área que me identifico
## 6 Meu objetivo é trabalhar na área de computação e o curso de Ciência da Computação me trará uma boa base para tal objetivo, além do "networking".
## 7 Gosto do assunto e alta taxa salarial
## 8 Necessidade do mercado
## 9 Uma carreira boa\numa boa qualidade financeira
## 10 Gosto, tenho conhecimento prévio
## 11 Salário bom
## 12 Área que me interessa, boa área de emprego, bom mercado de trabalho
## 13 Boa perspectiva
## 14 Profissões valorizadas e duração mais curta do curso
## 15
## 16 Faz parte do que eu gosto de fazer, tem um bom salário
## 17 Curso rápido para poder entrar no mercado de trabalho, pode ser acelerado graças ao encino tecnico e por ser de tecnologo
## 18 Um curso de grande aprendizado e estudo sobre tecnologias do futuro que serão bastante lucrativas
## 19 Conseguir administrar
## 20 Oportunidades e funcionalidades cotidianas além de novas experiencias e trabalhar em casa
## 21 Dominar os conceitos teóricos e práticos das tecnologias, principalmente a programação
## 22 Gosto da área, me identifico e é bem remunerado
## 23 Boa remuneração e é oq eu gosto
## 24 Você aprendeu do básico sobre engenharia e cálculos depois vai avançando até conseguir fazer sistemas complexos de programação
## 25 Mecher em computadores
## 26 Curso informatica no IFPB.\nGosto de computadores desde criança
## 27 Amo música
## 28 Aprendizado, cargos futuros
## 29 Ajudaria a ganhar mais perícia na lida com animais de pecuária. Sendo este meu objetivo primário. Além de possuir experiência na área
## 30 Não sei
## 31 Tem aplicação e tem vagas de emprego
## 32 Gosto da tecnologia e adoro utilizar dispositivos eletrônicos
## Contras_Prof1
## 1 Pouco tempo de Curso e talvez não aprender tudo que poderia ter aprendido
## 2 Falta de inglês
## 3 Muito Trabalho
## 4 Locomoção, a opção do curso só tem em jampa ou esperança
## 5 Estudo complexo
## 6 Curso complicado
## 7 Difícil de entrar e difícil de sair(Diploma + Especialização)
## 8 Mal remunerado
## 9 Difícil de entrar\nmuito concorrido
## 10 Pouca remuneração
## 11 Tem que estudar muito
## 12 Difícil entrar na faculdade, requer muito estudo no casa de atualização, se manter "atualizado”
## 13 Dificil de entrar
## 14 Não tem no campus IFPB Campina Grande e tem em outra cidade mais distante
## 15
## 16 Muito concorrido, nota um pouco alta, distância das universidades
## 17 Não tem no IFPB campus campina esse ano, mas pode aparecer ano que vem
## 18 Curso longo e difícil com bastante conceito teórico e disciplinas não tão importantes
## 19 Limitado
## 20 Muito trabalhoso e constante
## 21 É difícil de entrar no curso, e difícil de sair
## 22 Curso complexo
## 23 Poucas condições com os custos
## 24 Em campina grande eu acho que não tem essa opção de curso superior
## 25 Nenhum
## 26 Não sou extraordinário em exatas.\nPosso não me identificar mais no futuro
## 27 Treino de muita percepção auditiva
## 28 Demora para aprender, dificuldade
## 29 Iria contra um linha de sucessão de acordo com o curso técnico que estou cursando
## 30 Não sei
## 31 Necessita de computador
## 32 Não
## Prof2
## 1 Engenharia da computação
## 2 Engenharia de Software
## 3 Medicina - Médico
## 4 Ciência da Computação
## 5 Sistemas da Informação
## 6 ADS (Análise de desenvolvimento de sistemas)
## 7 Biomedicina
## 8 Engenharia civil
## 9 Análise de desenvolvimento de software
## 10 Medicina
## 11 Engenharia da Computacao - Dev
## 12 Engenharia da Computação
## 13 Ciência da Computação
## 14 Engenharia da Computação
## 15
## 16 Ciência da Computação
## 17 Engenharia da computação
## 18 ADS (Análise de desenvolvimento de sistemas)
## 19 Engenharia da Computação
## 20 Medicina Veterinária
## 21 ADS (Análise de desenvolvimento de sistemas)
## 22 Medicina
## 23 Medicina
## 24 Ciência da Computação
## 25 Dublador
## 26 Relações internacionais
## 27 Web designer
## 28 Inglês
## 29 Ciências agrárias
## 30 Bombeiro
## 31 Manutenção de aparelhos eletrônicos
## 32
## Pros_Prof2
## 1 Alta facilidade de ingresso ao mercado tanto nacional quanto internacional
## 2 Interesse na área, gostar de programar, emprego com altos salários
## 3 Ganhar bem
## 4 Tem na ufcg e são da minha área
## 5 Bom retorno financeiro, área que me identifico
## 6 É mais focado na área de programação em específico, que é algo quer eu gosto
## 7 Gosto muito do assunto e não é tão difícil de entrar
## 8 Bom salário
## 9 Uma carreira boa\numa boa qualidade financeira
## 10 Boa remuneração, alto status social
## 11 Salário bom
## 12 Área que me interessa, bom mercado de trabalho
## 13 Vou logo trabalhar e não passar mais raiva estudando
## 14 Salários altos e diversas opções de profissões na área
## 15
## 16 Faz parte do que eu gosto, apesar de ser bastante teórico. Finalizo o curso capacitado para boas áreas
## 17 Curso rápido e sai com bacharelado
## 18 Curso relativamente rápido e conciso
## 19 Consegui manipular hardwares e softwares
## 20 Fazer o que ama e dinheiro
## 21 Mais fácil de entrar no curso, e possui uma base teórica menor em relação ao anterior. Foca mais na programação
## 22 Gosto da área e é bem remunerado
## 23 Dá orgulho para minha mãe
## 24 Você vira um programador com um salário alto, trabalhando em casa
## 25 Ter uma voz adequada
## 26 Gosto muito de política.\nTenho certa facilidade em pensar na geopolítica de acordo com informações
## 27 Sou criativo
## 28 Língua mundial, ajudar na informática
## 29 Ajudaria nos objetivos primários para o futuro buscando a agropecuária como fonte de renda além de possuir experiência na área
## 30 Não sei
## 31 Empresa própia
## 32
## Contras_Prof2
## 1 Envolve consideravelmente matemática e conceitos mais avançados de química
## 2 Falta de inglês
## 3 Muito Trabalho
## 4 Muita teoria pouca pratica
## 5 Estudo complexo
## 6 Não tem tanta base teórica, o que é ruim para mim, visto que também quero trabalhar na parte acadêmica da área em algum momento
## 7 Taxa salarial não tão alta e Alta responsabilidade
## 8 Concorrência de mercado
## 9 Não possui um conhecimento avançado na área\n
## 10 Dificil de entrar, dificil de sair
## 11 Tem que estudar muito
## 12 Difícil de entrar, se manter atualizado
## 13 Talvez nao consiga uma boa vida
## 14 Curso mais longo e lidar com matérias que não fazem diferença no trabalho futuro
## 15
## 16 Distância das universidades, muita teoria
## 17 Não pode ser acelerado
## 18 Não é tão valorizado em termos de diploma
## 19 Muito pesado
## 20 Extrema responsabilidade com qualquer diagnostico
## 21 Restringe um pouco as possibilidades de profissão, mas ainda é bom
## 22 Muito complexo de passar na federal
## 23 Muito caro
## 24 É difícil
## 25 O curso não tem na minha cidade
## 26 Muito dificil.\nAs oportunidades de mercado
## 27 Quando faltar ideias talvez tenha dificuldade de criar
## 28 Difícil, por em prática
## 29 Iria contra um linha de sucessão de acordo com o curso técnico que estou cursando
## 30 Não sei
## 31 Dificuldade
## 32
## Prof3
## 1 Atleta de vôlei
## 2 Desenvolvimento mobile
## 3 Letras - Professor
## 4 Engenharia de Software
## 5 Educação Física
## 6 Engenharia da Computação
## 7 Ciência da Computação
## 8 Geologia
## 9 Engenharia da Computação
## 10 Direito
## 11
## 12 Engenharia elétrica
## 13
## 14 Direito
## 15
## 16 ADS (Análise de desenvolvimento de Sistemas)
## 17 educação física
## 18 Engenharia de Software
## 19 Ciência da Computação
## 20 Policial
## 21 Engenharia da Computação
## 22 Engenharia de Software
## 23 Odontologia
## 24 Engenharia eletrônica
## 25 Professor de matemática
## 26
## 27 Engenharia da Computação
## 28 Espanhol
## 29 Músico
## 30 Informática
## 31 Fisica
## 32
## Pros_Prof3
## 1 Faz bem para saúde
## 2 Área que eu gosto na programação
## 3 Ganhar Bem
## 4 Também pega muito a de software
## 5 Área que me identifico, gosto de praticar esportes
## 6 É um curso da área da computação que agrega muito conhecimento a quem o faz
## 7 Conhecimento técnico sobre informática e, supostamente, alta taxa de emprego
## 8 Especializa em poços artesianos, bom mercado
## 9 Uma carreira boa\numa boa qualidade financeira
## 10 Alta remuneração, alto status social
## 11
## 12 Área que me interessa
## 13
## 14 Salário altos e trabalho fixo
## 15
## 16 É interessante pra mim, mas gostaria de trabalhar com software. Capacita para diversas áreas. Período curto
## 17 Já tenho um diploma como professor de karatê
## 18 Abrange o estudo de muita coisa importante em todas as áreas da tecnologia
## 19 Boa remuneração, manipular softwares
## 20 Dinheiro e amor
## 21 Acho que é um pouco mais fácil de entrar que Ciência da Computação, além do curso abordar o hardware dos computadores
## 22 Área que chama meu interesse e tem uma boa remuneração
## 23 Cuidar de sorrisos
## 24 Gosto muito de trabalhar na parte de hardware, montando computadores
## 25 Sou bom em fazer contas
## 26
## 27 Gosto de informática
## 28 Nova língua, facilidade
## 29 Poderia usá-la de diversas formas como: cursos, aulas particulares, bandas, produção musical, midi
## 30 Não sei
## 31
## 32
## Contras_Prof3
## 1 Dificuldade de reconhecimento e danos severos ao corpo se não praticado da forma correta
## 2 Falta de inglês, maior curva de aprendizado
## 3 Muito Trabalho
## 4 Ainda n sei muito diferencia da engenharia da computação
## 5 Área de mercado saturado, baixo retorno financeiro
## 6 Tem foco muito grande em hardware, algo que não gosto
## 7 Dificuldade e alta quantidade de programadores
## 8 Curso distante do local onde moro
## 9 Não é muito o que eu desejo\n
## 10 Dificil de entrar, não tem estabilidade
## 11
## 12 Pouca estabilidade
## 13
## 14 Curso longo e dificuldade maior em lidar com as matérias e trabalhos
## 15
## 16 Muita distância das universidades, é interessante mas não tem o meu foco
## 17 Não é uma área dos sonhos e não dá tanto dinheiro
## 18 Muito longo e estuda a parte de hardware que eu relativamente não gosto
## 19 Muito pesado
## 20 Pode morre em serviço
## 21 Aborda cálculos e conhecimentos sobre o hardware que não vou usar muito profissionalmente
## 22 Curso complexo
## 23 Custo alto
## 24 Salário pouco baixo
## 25 Nenhum
## 26
## 27 Prejudicar visão e talvez demande muito do cerebro
## 28 Poucas oportunidades, não tanto falada
## 29 Fugiria contra meus objetivos principais focados na agropecuária e exigiria muito tempo de mercado para estabelecer-me
## 30 Não sei
## 31 Dificuldade do curso
## 32
## Prof4
## 1
## 2
## 3 Edificações - Arquiteto
## 4
## 5
## 6
## 7
## 8 Psicologia
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16 Engenharia de Hardware
## 17 quimica organica / micro quimica
## 18
## 19
## 20 PRF
## 21
## 22
## 23
## 24 Empresário
## 25
## 26
## 27
## 28
## 29 História/Professor de história
## 30 Carpinteiro
## 31
## 32
## Pros_Prof4
## 1
## 2
## 3 Ganhar bem
## 4
## 5
## 6
## 7
## 8 Mercado bom na área de saúde
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16 É interessante pra mim, mas gostaria de trabalhar com software. Salário alto
## 17 Minha irmã já trabalha na área, tem a pocibilidade de ser integrado com informatica
## 18
## 19
## 20 Muito dinheiro e histórico família
## 21
## 22
## 23
## 24 Você é dono de você mesmo e gerência sua empresa se acordo com seus gostos
## 25
## 26
## 27
## 28
## 29 Estaria em uma área de muita afinidade e estaria realizando um sonho distante de lecionar na escola onde fiz o fundamental 2
## 30 Não sei
## 31
## 32
## Contras_Prof4
## 1
## 2
## 3 Muito Trabalho
## 4
## 5
## 6
## 7
## 8 Alta concorrência de mercado
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16 Distância das universidades, período longo, não tenho tanto apego com hardware
## 17 Só pretendo realmente fazer caso eu tenha como integrar com a informática ou já tenha um curso em infomática além do tecnico
## 18
## 19
## 20 Sono e família
## 21
## 22
## 23
## 24 É muito difícil ser um empresário de sucesso
## 25
## 26
## 27
## 28
## 29 A profissão de professor está deveras desvalorizada e muito mal remunerada
## 30 Não sei
## 31
## 32
## Prof5
## 1
## 2
## 3 Geografia - Professor
## 4
## 5
## 6
## 7
## 8 Estilista
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20 Delegado
## 21
## 22
## 23
## 24 Engenharia civil
## 25
## 26
## 27
## 28
## 29 Programador
## 30 Professor de educação física
## 31
## 32
## Pros_Prof5
## 1
## 2
## 3 Ganhar bem
## 4
## 5
## 6
## 7
## 8 Mercado de trabalho promissor
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20 Conhecimento e amor
## 21
## 22
## 23
## 24 Gosto da área
## 25
## 26
## 27
## 28
## 29 Continuaria na área do curso que estou cursando o técnico. E poderia trabalhar em diversos ambientes remotos ou físicos
## 30 Não sei
## 31
## 32
## Contras_Prof5
## 1
## 2
## 3 Muito Trabalho
## 4
## 5
## 6
## 7
## 8 Concorrência de mercado em alta e longe da residência
## 9
## 10
## 11
## 12
## 13
## 14
## 15
## 16
## 17
## 18
## 19
## 20 Corrupção e morte
## 21
## 22
## 23
## 24 Salário pouco baixo
## 25
## 26
## 27
## 28
## 29 Não é meu principal objetivo
## 30 Não sei
## 31
## 32write.csv2(atvProfissoes_homens, "atvProfissoes_homens.csv")Opções de profissões escolhidas pelas estudantes
Quantas opções de profissões foram escolhidas pelos participantes?
# Lista de valores inválidos
valores_invalidos <- c("Não", "Não tenho", "Nenhum", "Nenhuma", "")
# Processar todos e contar o número de profissões informadas
contagem_profissoes <- atvProfissoes %>%
mutate(across(starts_with("Prof"), ~ ifelse(. %in% valores_invalidos, NA, .))) %>%
mutate(Num_Profissoes = rowSums(!is.na(select(., starts_with("Prof"))))) %>%
count(Num_Profissoes)
# Garantir que todas as quantidades de profissões estejam presentes
contagem_profissoes <- contagem_profissoes %>%
complete(Num_Profissoes = 0:5, fill = list(n = 0))
print(contagem_profissoes)## # A tibble: 6 × 2
## Num_Profissoes n
## <dbl> <int>
## 1 0 934
## 2 1 3
## 3 2 9
## 4 3 41
## 5 4 3
## 6 5 9# Processar mulheres e contar o número de profissões informadas
contagem_profissoes_mulheres <- atvProfissoes_mulheres %>%
mutate(across(starts_with("Prof"), ~ ifelse(. %in% valores_invalidos, NA, .))) %>%
mutate(Num_Profissoes = rowSums(!is.na(select(., starts_with("Prof"))))) %>%
count(Num_Profissoes)
# Garantir que todas as quantidades de profissões estejam presentes
contagem_profissoes_mulheres <- contagem_profissoes_mulheres %>%
complete(Num_Profissoes = 0:5, fill = list(n = 0))
print(contagem_profissoes_mulheres)## # A tibble: 6 × 2
## Num_Profissoes n
## <dbl> <int>
## 1 0 0
## 2 1 2
## 3 2 6
## 4 3 22
## 5 4 1
## 6 5 3# Processar homens
contagem_profissoes_homens <- atvProfissoes_homens %>%
mutate(across(starts_with("Prof"), ~ ifelse(. %in% valores_invalidos, NA, .))) %>%
mutate(Num_Profissoes = rowSums(!is.na(select(., starts_with("Prof"))))) %>%
count(Num_Profissoes)
# Garantir que todas as quantidades de profissões estejam presentes
contagem_profissoes_homens <- contagem_profissoes_homens %>%
complete(Num_Profissoes = 0:5, fill = list(n = 0))
print(contagem_profissoes_homens)## # A tibble: 6 × 2
## Num_Profissoes n
## <dbl> <int>
## 1 0 1
## 2 1 1
## 3 2 3
## 4 3 19
## 5 4 2
## 6 5 6Quais foram as profissões mais escolhidas pelas estudantes?
# Lista de valores inválidos
valores_invalidos <- c(".", "não tenho", "ainda não", "não sei", "não", "", " ", "Não tenho", "Não tenho ", "Nenhum", "Ainda Não sei")
# Mapeamento para agrupar profissões semelhantes
mapeamento_profissoes <- c(
"professor" = "professor(a)",
"professora" = "professor(a)",
"inglês - letras" = "inglês",
"letras - inglês" = "inglês",
"letras - professor" = "letras",
"letras - português" = "português",
"medicina - médico" = "medicina",
"ciência da computação - programador" = "ciência de computação - programador(a)",
"ciência de computação - programadora" = "ciência de computação - programador(a)",
"engenharia da computacao - dev" = "engenharia da computação",
"engenheiro civil" = "engenharia civil"
)
# Processar todos os dados
escolha_profissoes <- atvProfissoes %>%
select(Prof1, Prof2, Prof3, Prof4, Prof5) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(profissoes = recode(profissoes, !!!mapeamento_profissoes))
# Contar a frequência de cada profissão
contagem_profissoes <- escolha_profissoes %>%
count(profissoes, sort = TRUE)
# Contar o total de profissões diferentes (cada profissão informada contando como 1)
total_profissoes_diferentes <- escolha_profissoes %>%
distinct(profissoes) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_profissoes_com_total <- contagem_profissoes %>%
bind_rows(data.frame(profissoes = "Total de Profissões Diferentes", n = total_profissoes_diferentes$n))
print(contagem_profissoes_com_total)## # A tibble: 85 × 2
## profissoes n
## <chr> <int>
## 1 ciência da computação 28
## 2 engenharia da computação 15
## 3 medicina 15
## 4 ads (análise de desenvolvimento de sistemas) 9
## 5 direito 8
## 6 engenharia de software 8
## 7 medicina veterinária 5
## 8 odontologia 5
## 9 psicologia 5
## 10 engenharia civil 4
## # ℹ 75 more rows# Processar mulheres
escolha_profissoes_mulheres <- atvProfissoes_mulheres %>%
select(Prof1, Prof2, Prof3, Prof4, Prof5) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos))
#print(escolha_profissoes_mulheres)
# Contar a frequência de cada profissão
contagem_profissoes_mulheres <- escolha_profissoes_mulheres %>%
count(profissoes, sort = TRUE)
#print(contagem_profissoes_mulheres)
# Contar o total de profissões diferentes (cada profissão informada contando como 1)
total_profissoes_diferentes <- escolha_profissoes_mulheres %>%
distinct(profissoes) %>%
count()
#print(total_profissoes_diferentes)
# Adicionar a linha de total ao dataframe de contagem
contagem_profissoes_com_total_mulheres <- contagem_profissoes_mulheres %>%
bind_rows(data.frame(profissoes = "Total de Profissões Diferentes", n = total_profissoes_diferentes$n))
print(contagem_profissoes_com_total_mulheres)## # A tibble: 53 × 2
## profissoes n
## <chr> <int>
## 1 ciência da computação 11
## 2 medicina 10
## 3 direito 6
## 4 engenharia da computação 5
## 5 odontologia 4
## 6 psicologia 4
## 7 medicina veterinária 3
## 8 administração 2
## 9 ads (análise de desenvolvimento de sistemas) 2
## 10 arquitetura e urbanismo 2
## # ℹ 43 more rows# Processar Homens
escolha_profissoes_homens <- atvProfissoes_homens %>%
select(Prof1, Prof2, Prof3, Prof4, Prof5) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos))
#print(escolha_profissoes_homens)
# Contar a frequência de cada profissão
contagem_profissoes_homens <- escolha_profissoes_homens %>%
count(profissoes, sort = TRUE)
#print(contagem_profissoes_homens)
# Contar o total de profissões diferentes (cada profissão informada contando como 1)
total_profissoes_diferentes <- escolha_profissoes_homens %>%
distinct(profissoes) %>%
count()
#print(total_profissoes_diferentes)
# Adicionar a linha de total ao dataframe de contagem
contagem_profissoes_com_total_homens <- contagem_profissoes_homens %>%
bind_rows(data.frame(profissoes = "Total de Profissões Diferentes", n = total_profissoes_diferentes$n))
print(contagem_profissoes_com_total_homens)## # A tibble: 58 × 2
## profissoes n
## <chr> <int>
## 1 ciência da computação 17
## 2 engenharia da computação 9
## 3 ads (análise de desenvolvimento de sistemas) 7
## 4 engenharia de software 6
## 5 medicina 4
## 6 análise de desenvolvimento de software 2
## 7 direito 2
## 8 educação física 2
## 9 engenharia civil 2
## 10 informática 2
## # ℹ 48 more rowsAgrupando as profissoes por áreas de curso ou cargos
# Mapeamento para áreas ou cargos
mapeamento_areas <- c(
"medicina" = "Medicina",
"ciência da computação" = "Computação",
"engenharia da computação" = "Computação",
"engenharia de software" = "Computação",
"ads (análise de desenvolvimento de sistemas)" = "Computação",
"informática" = "Computação",
"programador" = "Computação",
"analista de requisitos" = "Computação",
"análise de desenvolvimento de software" = "Computação",
"web designer" = "Computação",
"ciência da computacao - dev" = "Computação",
"ciência da computação - professor" = "Computação",
"ciência de computação - programador(a)" = "Computação",
"ciência de computação - programador" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência da computação - programador" = "Computação",
"ciência de dados / cientista de dados" = "Computação",
"desenvolvedor" = "Computação",
"desenvolvimento mobile" = "Computação",
"informática/ cientista da computação" = "Computação",
"manutenção de aparelhos eletrônicos" = "Computação",
"programação" = "Computação",
"ads" = "Computação",
"análise de desenvolvimento de sistemas" = "Computação",
"cinecias da computação programador" = "Computação",
"cinecias da computação-programador" = "Computação",
"direito" = "Direito",
"medicina veterinária" = "Medicina Veterinária",
"veterinária" = "Medicina Veterinária",
"odontologia" = "Odontologia",
"psicologia" = "Psicologia",
"professor(a)" = "Pedagogia",
"professor" = "Pedagogia",
"professora" = "Pedagogia",
"administração" = "Administração",
"biomedicina" = "Biomedicina",
"engenharia civil" = "Engenharias",
"inglês" = "Idiomas",
"letras" = "Idiomas",
"arquitetura e urbanismo" = "Arquitetura e urbanismo",
"design gráfico" = "Design",
"enfermagem" = "Enfermagem",
"engenharia elétrica" = "Engenharias",
"policial" = "Polícia",
"publicidade e propaganda" = "Publicidade e Propaganda",
"relações internacionais" = "Relações Internacionais",
"advogada" = "advocacia",
"arquitetura" = "Arquitetura e urbanismo",
"atleta de vôlei" = "Atleta",
"biologia" = "Biologia",
"bombeiro" = "Bombeiro",
"carpinteiro" = "Carpinteiro",
"ciências agrárias" = "Ciências Agrárias",
"ciências sociais" = "Ciências Sociais",
"contabilidade" = "Contabilidade",
"delegado" = "Polícia",
"design" = "Design",
"designer" = "Design",
"direito/perita criminal" = "Direito",
"dublador" = "Dublador",
"edificações - arquiteto" = "Arquitetura e urbanismo",
"empresário" = "Empresário",
"engenharia aeroespacial" = "Engenharias",
"engenharia de hardware" = "Engenharias",
"engenharia de áudio" = "Engenharias",
"engenharia eletrônica" = "Engenharias",
"espanhol" = "Idiomas",
"estilista" = "Moda",
"farmácia" = "Farmácia",
"filosofia/psicologia" = "Filosofia/psicologia",
"finanças" = "Administração",
"fisica" = "Fisica",
"fotografa" = "Fotografia",
"gastronomia" = "Gastronomia",
"geografia - professor" = "Geografia",
"geologia" = "Geologia",
"história" = "História",
"história/professor de história" = "História",
"intercambio" = "Intercambio",
"investigador civil - detetive" = "Detetive",
"markting" = "Markting",
"matemática" = "Matemática",
"professor de matemática" = "Matemática",
"músico" = "Música",
"nutrição" = "Nutrição",
"perícia criminal" = "Perícia",
"perícia forense digital" = "Perícia Forense",
"polícia forense" = "Polícia Forense",
"português" = "Idiomas",
"prf" = "Polícia",
"educação física" = "Educação Física",
"professor de educação física" = "Educação Física",
"quimica organica / micro quimica" = "Química",
"sistemas da informação" = "Computação",
"trabalho" = "Trabalho"
# Adicione outros mapeamentos conforme necessário
)
# Processar todos os dados
escolha_profissoes_grupos <- escolha_profissoes %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_profissoes_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_profissoes_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_areas_com_total <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes", n = total_areas_diferentes$n))
print(contagem_areas_com_total)## # A tibble: 48 × 2
## areas n
## <chr> <int>
## 1 Computação 80
## 2 Medicina 15
## 3 Engenharias 10
## 4 Direito 9
## 5 Idiomas 8
## 6 Medicina Veterinária 5
## 7 Odontologia 5
## 8 Psicologia 5
## 9 Administração 4
## 10 Arquitetura e urbanismo 4
## # ℹ 38 more rowswrite_csv2(contagem_areas_com_total, "contagem_areas_com_total.csv")
# Processar dados femininos
escolha_profissoes_mulheres_grupos <- escolha_profissoes_mulheres %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_profissoes_mulheres_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_profissoes_mulheres_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_mulheres_areas_com_total <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes - Mulheres", n = total_areas_diferentes$n))
print(contagem_mulheres_areas_com_total)## # A tibble: 37 × 2
## areas n
## <chr> <int>
## 1 Computação 25
## 2 Medicina 10
## 3 Direito 7
## 4 Design 4
## 5 Odontologia 4
## 6 Psicologia 4
## 7 Administração 3
## 8 Arquitetura e urbanismo 3
## 9 Engenharias 3
## 10 Medicina Veterinária 3
## # ℹ 27 more rowswrite_csv2(contagem_mulheres_areas_com_total, "contagem_mulheres_areas_com_total.csv")
# Processar dados masculinos
escolha_profissoes_homens_grupos <- escolha_profissoes_homens %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_profissoes_homens_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_profissoes_homens_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_homens_areas_com_total <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes - Homens", n = total_areas_diferentes$n))
print(contagem_homens_areas_com_total)## # A tibble: 35 × 2
## areas n
## <chr> <int>
## 1 Computação 54
## 2 Engenharias 6
## 3 Medicina 4
## 4 Educação Física 3
## 5 Polícia 3
## 6 Direito 2
## 7 Idiomas 2
## 8 Medicina Veterinária 2
## 9 Administração 1
## 10 Arquitetura e urbanismo 1
## # ℹ 25 more rowswrite_csv2(contagem_homens_areas_com_total, "contagem_homens_areas_com_total.csv")Analisando apenas a 1ª opção de profissão indicada
# Lista de valores inválidos
valores_invalidos <- c(".", "não tenho", "ainda não", "não sei", "não", "", " ", "Não tenho", "Não tenho ", "Nenhum", "Ainda Não sei")
# Mapeamento para áreas ou cargos
mapeamento_areas <- c(
"medicina" = "Medicina",
"ciência da computação" = "Computação",
"engenharia da computação" = "Computação",
"engenharia de software" = "Computação",
"ads (análise de desenvolvimento de sistemas)" = "Computação",
"informática" = "Computação",
"programador" = "Computação",
"analista de requisitos" = "Computação",
"análise de desenvolvimento de software" = "Computação",
"web designer" = "Computação",
"ciência da computacao - dev" = "Computação",
"ciência da computação - professor" = "Computação",
"ciência de computação - programador(a)" = "Computação",
"ciência de computação - programador" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência de dados / cientista de dados" = "Computação",
"desenvolvedor" = "Computação",
"desenvolvimento mobile" = "Computação",
"informática/ cientista da computação" = "Computação",
"manutenção de aparelhos eletrônicos" = "Computação",
"programação" = "Computação",
"ads" = "Computação",
"análise de desenvolvimento de sistemas" = "Computação",
"cinecias da computação programador" = "Computação",
"cinecias da computação programador" = "Computação",
"direito" = "Direito",
"medicina veterinária" = "Medicina Veterinária",
"veterinária" = "Medicina Veterinária",
"odontologia" = "Odontologia",
"psicologia" = "Psicologia",
"professor(a)" = "Pedagogia",
"professor" = "Pedagogia",
"professora" = "Pedagogia",
"administração" = "Administração",
"biomedicina" = "Biomedicina",
"engenharia civil" = "Engenharias",
"inglês" = "Idiomas",
"letras" = "Idiomas",
"arquitetura e urbanismo" = "Arquitetura e urbanismo",
"design gráfico" = "Design",
"enfermagem" = "Enfermagem",
"engenharia elétrica" = "Engenharias",
"policial" = "Polícia",
"publicidade e propaganda" = "Publicidade e Propaganda",
"relações internacionais" = "Relações Internacionais",
"advogada" = "Advocacia",
"arquitetura" = "Arquitetura e urbanismo",
"atleta de vôlei" = "Atleta",
"biologia" = "Biologia",
"bombeiro" = "Bombeiro",
"carpinteiro" = "Carpinteiro",
"ciências agrárias" = "Ciências Agrárias",
"ciências sociais" = "Ciências Sociais",
"contabilidade" = "Contabilidade",
"delegado" = "Polícia",
"design" = "Design",
"designer" = "Design",
"direito/perita criminal" = "Direito",
"dublador" = "Dublador",
"edificações - arquiteto" = "Arquitetura e urbanismo",
"empresário" = "Empresário",
"engenharia aeroespacial" = "Engenharias",
"engenharia de hardware" = "Engenharias",
"engenharia de áudio" = "Engenharias",
"engenharia eletrônica" = "Engenharias",
"espanhol" = "Idiomas",
"estilista" = "Moda",
"farmácia" = "Farmácia",
"filosofia/psicologia" = "Filosofia/psicologia",
"finanças" = "Administração",
"fisica" = "Fisica",
"fotografa" = "Fotografia",
"gastronomia" = "Gastronomia",
"geografia - professor" = "Geografia",
"geologia" = "Geologia",
"história" = "História",
"história/professor de história" = "História",
"intercambio" = "Intercambio",
"investigador civil - detetive" = "Detetive",
"markting" = "Markting",
"matemática" = "Matemática",
"professor de matemática" = "Matemática",
"músico" = "Música",
"nutrição" = "Nutrição",
"perícia criminal" = "Perícia",
"perícia forense digital" = "Perícia Forense",
"polícia forense" = "Polícia Forense",
"português" = "Idiomas",
"prf" = "Polícia",
"educação física" = "Educação Física",
"professor de educação física" = "Educação Física",
"quimica organica / micro quimica" = "Química",
"sistemas da informação" = "Computação",
"trabalho" = "Trabalho"
# Adicione outros mapeamentos conforme necessário
)
# Processar todos os dados
escolha_1opc_profissoes_grupos <- atvProfissoes %>%
select(Prof1) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_1opc_profissoes_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_1opc_profissoes_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_areas_com_total_1opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 1ª Opção", n = total_areas_diferentes$n))
print(contagem_areas_com_total_1opc)## # A tibble: 20 × 2
## areas n
## <chr> <int>
## 1 Computação 33
## 2 Medicina 8
## 3 Direito 3
## 4 Psicologia 3
## 5 Design 2
## 6 Engenharias 2
## 7 Odontologia 2
## 8 Administração 1
## 9 Detetive 1
## 10 Enfermagem 1
## 11 Matemática 1
## 12 Medicina Veterinária 1
## 13 Pedagogia 1
## 14 Perícia 1
## 15 Perícia Forense 1
## 16 Publicidade e Propaganda 1
## 17 engenheiro civil 1
## 18 letras - inglês 1
## 19 letras - português 1
## 20 Total de Áreas Diferentes para 1ª Opção 19write_csv2(contagem_areas_com_total_1opc, "contagem_areas_com_total_1opc.csv")
# Processar dados femininos
escolha_1opc_profissoes_mulheres_grupos <- atvProfissoes_mulheres %>%
select(Prof1) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_1opc_profissoes_mulheres_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_1opc_profissoes_mulheres_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_mulheres_areas_com_total_1opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 1ª Opção - Mulheres", n = total_areas_diferentes$n))
print(contagem_mulheres_areas_com_total_1opc)## # A tibble: 15 × 2
## areas n
## <chr> <int>
## 1 Computação 9
## 2 Medicina 7
## 3 Direito 3
## 4 Psicologia 3
## 5 Design 2
## 6 Odontologia 2
## 7 Detetive 1
## 8 Enfermagem 1
## 9 Engenharias 1
## 10 Matemática 1
## 11 Perícia 1
## 12 Perícia Forense 1
## 13 Publicidade e Propaganda 1
## 14 letras - português 1
## 15 Total de Áreas Diferentes para 1ª Opção - Mulheres 14write_csv2(contagem_mulheres_areas_com_total_1opc, "contagem_mulheres_areas_com_total_1opc.csv")
# Processar dados masculinos
escolha_1opc_profissoes_homens_grupos <- atvProfissoes_homens %>%
select(Prof1) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_1opc_profissoes_homens_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_1opc_profissoes_homens_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_homens_areas_com_total_1opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 1ª Opção - Homens", n = total_areas_diferentes$n))
print(contagem_homens_areas_com_total_1opc)## # A tibble: 9 × 2
## areas n
## <chr> <int>
## 1 Computação 24
## 2 Administração 1
## 3 Engenharias 1
## 4 Medicina 1
## 5 Medicina Veterinária 1
## 6 Pedagogia 1
## 7 engenheiro civil 1
## 8 letras - inglês 1
## 9 Total de Áreas Diferentes para 1ª Opção - Homens 8write_csv2(contagem_homens_areas_com_total_1opc, "contagem_homens_areas_com_total_1opc.csv")Analisando apenas a 2ª opção de profissão indicada
# Lista de valores inválidos
valores_invalidos <- c(".", "não tenho", "ainda não", "não sei", "não", "", " ", "Não tenho", "Não tenho ", "Nenhum", "Ainda Não sei")
# Mapeamento para áreas ou cargos
mapeamento_areas <- c(
"medicina" = "Medicina",
"ciência da computação" = "Computação",
"engenharia da computação" = "Computação",
"engenharia de software" = "Computação",
"ads (análise de desenvolvimento de sistemas)" = "Computação",
"informática" = "Computação",
"programador" = "Computação",
"analista de requisitos" = "Computação",
"análise de desenvolvimento de software" = "Computação",
"web designer" = "Computação",
"ciência da computacao - dev" = "Computação",
"ciência da computação - professor" = "Computação",
"ciência de computação - programador(a)" = "Computação",
"ciência de computação - programador" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência da computação - programador" = "Computação",
"ciência de dados / cientista de dados" = "Computação",
"desenvolvedor" = "Computação",
"desenvolvimento mobile" = "Computação",
"informática/ cientista da computação" = "Computação",
"manutenção de aparelhos eletrônicos" = "Computação",
"programação" = "Computação",
"ads" = "Computação",
"análise de desenvolvimento de sistemas" = "Computação",
"cinecias da computação programador" = "Computação",
"cinecias da computação programador" = "Computação",
"direito" = "Direito",
"medicina veterinária" = "Medicina Veterinária",
"veterinária" = "Medicina Veterinária",
"odontologia" = "Odontologia",
"psicologia" = "Psicologia",
"professor(a)" = "Pedagogia",
"professor" = "Pedagogia",
"professora" = "Pedagogia",
"administração" = "Administração",
"biomedicina" = "Biomedicina",
"engenharia civil" = "Engenharias",
"inglês" = "Idiomas",
"letras" = "Idiomas",
"arquitetura e urbanismo" = "Arquitetura e urbanismo",
"design gráfico" = "Design",
"enfermagem" = "Enfermagem",
"engenharia elétrica" = "Engenharias",
"policial" = "Polícia",
"publicidade e propaganda" = "Publicidade e Propaganda",
"relações internacionais" = "Relações Internacionais",
"advogada" = "Advocacia",
"arquitetura" = "Arquitetura e urbanismo",
"atleta de vôlei" = "Atleta",
"biologia" = "Biologia",
"bombeiro" = "Bombeiro",
"carpinteiro" = "Carpinteiro",
"ciências agrárias" = "Ciências Agrárias",
"ciências sociais" = "Ciências Sociais",
"contabilidade" = "Contabilidade",
"delegado" = "Polícia",
"design" = "Design",
"designer" = "Design",
"direito/perita criminal" = "Direito",
"dublador" = "Dublador",
"edificações - arquiteto" = "Arquitetura e urbanismo",
"empresário" = "Empresário",
"engenharia aeroespacial" = "Engenharias",
"engenharia de hardware" = "Engenharias",
"engenharia de áudio" = "Engenharias",
"engenharia eletrônica" = "Engenharias",
"espanhol" = "Idiomas",
"estilista" = "Moda",
"farmácia" = "Farmácia",
"filosofia/psicologia" = "Filosofia/psicologia",
"finanças" = "Administração",
"fisica" = "Fisica",
"fotografa" = "Fotografia",
"gastronomia" = "Gastronomia",
"geografia - professor" = "Geografia",
"geologia" = "Geologia",
"história" = "História",
"história/professor de história" = "História",
"intercambio" = "Intercambio",
"investigador civil - detetive" = "Detetive",
"markting" = "Markting",
"matemática" = "Matemática",
"professor de matemática" = "Matemática",
"músico" = "Música",
"nutrição" = "Nutrição",
"perícia criminal" = "Perícia",
"perícia forense digital" = "Perícia Forense",
"polícia forense" = "Polícia Forense",
"português" = "Idiomas",
"prf" = "Polícia",
"educação física" = "Educação Física",
"professor de educação física" = "Educação Física",
"quimica organica / micro quimica" = "Química",
"sistemas da informação" = "Computação",
"trabalho" = "Trabalho"
# Adicione outros mapeamentos conforme necessário
)
# Processar todos os dados
escolha_2opc_profissoes_grupos <- atvProfissoes %>%
select(Prof2) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_2opc_profissoes_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_2opc_profissoes_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_areas_com_total_2opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 2ª Opção", n = total_areas_diferentes$n))
print(contagem_areas_com_total_2opc)## # A tibble: 25 × 2
## areas n
## <chr> <int>
## 1 Computação 28
## 2 Medicina 4
## 3 Biomedicina 3
## 4 Design 2
## 5 Direito 2
## 6 Engenharias 2
## 7 Medicina Veterinária 2
## 8 Odontologia 2
## 9 Relações Internacionais 2
## 10 Administração 1
## # ℹ 15 more rowswrite_csv2(contagem_areas_com_total_2opc, "contagem_areas_com_total_2opc.csv")
# Processar dados femininos
escolha_2opc_profissoes_mulheres_grupos <- atvProfissoes_mulheres %>%
select(Prof2) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_2opc_profissoes_mulheres_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_2opc_profissoes_mulheres_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_mulheres_areas_com_total_2opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 2ª Opção - Mulheres", n = total_areas_diferentes$n))
print(contagem_mulheres_areas_com_total_2opc)## # A tibble: 19 × 2
## areas n
## <chr> <int>
## 1 Computação 11
## 2 Biomedicina 2
## 3 Design 2
## 4 Direito 2
## 5 Odontologia 2
## 6 Administração 1
## 7 Arquitetura e urbanismo 1
## 8 Ciências Sociais 1
## 9 Engenharias 1
## 10 Fotografia 1
## 11 Gastronomia 1
## 12 Medicina 1
## 13 Medicina Veterinária 1
## 14 Pedagogia 1
## 15 Polícia 1
## 16 Psicologia 1
## 17 Publicidade e Propaganda 1
## 18 Relações Internacionais 1
## 19 Total de Áreas Diferentes para 2ª Opção - Mulheres 18write_csv2(contagem_mulheres_areas_com_total_2opc, "contagem_mulheres_areas_com_total_2opc.csv")
# Processar dados masculinos
escolha_2opc_profissoes_homens_grupos <- atvProfissoes_homens %>%
select(Prof2) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_2opc_profissoes_homens_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_2opc_profissoes_homens_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_homens_areas_com_total_2opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 2ª Opção - Homens", n = total_areas_diferentes$n))
print(contagem_homens_areas_com_total_2opc)## # A tibble: 13 × 2
## areas n
## <chr> <int>
## 1 Computação 17
## 2 Medicina 3
## 3 Biomedicina 1
## 4 Bombeiro 1
## 5 Ciências Agrárias 1
## 6 Dublador 1
## 7 Engenharias 1
## 8 Idiomas 1
## 9 Medicina Veterinária 1
## 10 Relações Internacionais 1
## 11 engenharia da computacao - dev 1
## 12 medicina - médico 1
## 13 Total de Áreas Diferentes para 2ª Opção - Homens 12write_csv2(contagem_homens_areas_com_total_2opc, "contagem_homens_areas_com_total_2opc.csv")Analisando apenas a 3ª opção de profissão indicada
# Lista de valores inválidos
valores_invalidos <- c(".", "não tenho", "ainda não", "não sei", "não", "", " ", "Não tenho", "Não tenho ", "Nenhum", "Ainda Não sei")
# Mapeamento para áreas ou cargos
mapeamento_areas <- c(
"medicina" = "Medicina",
"ciência da computação" = "Computação",
"engenharia da computação" = "Computação",
"engenharia de software" = "Computação",
"ads (análise de desenvolvimento de sistemas)" = "Computação",
"informática" = "Computação",
"programador" = "Computação",
"analista de requisitos" = "Computação",
"análise de desenvolvimento de software" = "Computação",
"web designer" = "Computação",
"ciência da computacao - dev" = "Computação",
"ciência da computação - professor" = "Computação",
"ciência de computação - programador(a)" = "Computação",
"ciência de computação - programador" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência de computação - programadora" = "Computação",
"ciência da computação - programador" = "Computação",
"ciência de dados / cientista de dados" = "Computação",
"desenvolvedor" = "Computação",
"desenvolvimento mobile" = "Computação",
"informática/ cientista da computação" = "Computação",
"manutenção de aparelhos eletrônicos" = "Computação",
"programação" = "Computação",
"ads" = "Computação",
"análise de desenvolvimento de sistemas" = "Computação",
"cinecias da computação programador" = "Computação",
"cinecias da computação programador" = "Computação",
"direito" = "Direito",
"medicina veterinária" = "Medicina Veterinária",
"veterinária" = "Medicina Veterinária",
"odontologia" = "Odontologia",
"psicologia" = "Psicologia",
"professor(a)" = "Pedagogia",
"professor" = "Pedagogia",
"professora" = "Pedagogia",
"administração" = "Administração",
"biomedicina" = "Biomedicina",
"engenharia civil" = "Engenharias",
"inglês" = "Idiomas",
"letras" = "Idiomas",
"arquitetura e urbanismo" = "Arquitetura e urbanismo",
"design gráfico" = "Design",
"enfermagem" = "Enfermagem",
"engenharia elétrica" = "Engenharias",
"policial" = "Polícia",
"publicidade e propaganda" = "Publicidade e Propaganda",
"relações internacionais" = "Relações Internacionais",
"advogada" = "Advocacia",
"arquitetura" = "Arquitetura e urbanismo",
"atleta de vôlei" = "Atleta",
"biologia" = "Biologia",
"bombeiro" = "Bombeiro",
"carpinteiro" = "Carpinteiro",
"ciências agrárias" = "Ciências Agrárias",
"ciências sociais" = "Ciências Sociais",
"contabilidade" = "Contabilidade",
"delegado" = "Polícia",
"design" = "Design",
"designer" = "Design",
"direito/perita criminal" = "Direito",
"dublador" = "Dublador",
"edificações - arquiteto" = "Arquitetura e urbanismo",
"empresário" = "Empresário",
"engenharia aeroespacial" = "Engenharias",
"engenharia de hardware" = "Engenharias",
"engenharia de áudio" = "Engenharias",
"engenharia eletrônica" = "Engenharias",
"espanhol" = "Idiomas",
"estilista" = "Moda",
"farmácia" = "Farmácia",
"filosofia/psicologia" = "Filosofia/psicologia",
"finanças" = "Administração",
"fisica" = "Fisica",
"fotografa" = "Fotografia",
"gastronomia" = "Gastronomia",
"geografia - professor" = "Geografia",
"geologia" = "Geologia",
"história" = "História",
"história/professor de história" = "História",
"intercambio" = "Intercambio",
"investigador civil - detetive" = "Detetive",
"markting" = "Markting",
"matemática" = "Matemática",
"professor de matemática" = "Matemática",
"músico" = "Música",
"nutrição" = "Nutrição",
"perícia criminal" = "Perícia",
"perícia forense digital" = "Perícia Forense",
"polícia forense" = "Polícia Forense",
"português" = "Idiomas",
"prf" = "Polícia",
"educação física" = "Educação Física",
"professor de educação física" = "Educação Física",
"quimica organica / micro quimica" = "Química",
"sistemas da informação" = "Computação",
"trabalho" = "Trabalho"
# Adicione outros mapeamentos conforme necessário
)
# Processar todos os dados
escolha_3opc_profissoes_grupos <- atvProfissoes %>%
select(Prof3) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_3opc_profissoes_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_3opc_profissoes_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_areas_com_total_3opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 3ª Opção", n = total_areas_diferentes$n))
print(contagem_areas_com_total_3opc)## # A tibble: 27 × 2
## areas n
## <chr> <int>
## 1 Computação 17
## 2 Direito 3
## 3 Engenharias 3
## 4 Idiomas 3
## 5 Administração 2
## 6 Arquitetura e urbanismo 2
## 7 Educação Física 2
## 8 Medicina Veterinária 2
## 9 Pedagogia 2
## 10 Advocacia 1
## # ℹ 17 more rowswrite_csv2(contagem_areas_com_total_3opc, "contagem_areas_com_total_3opc.csv")
# Processar dados femininos
escolha_3opc_profissoes_mulheres_grupos <- atvProfissoes_mulheres %>%
select(Prof3) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_3opc_profissoes_mulheres_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_3opc_profissoes_mulheres_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_mulheres_areas_com_total_3opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 3ª Opção - Mulheres", n = total_areas_diferentes$n))
print(contagem_mulheres_areas_com_total_3opc)## # A tibble: 18 × 2
## areas n
## <chr> <int>
## 1 Computação 5
## 2 Administração 2
## 3 Arquitetura e urbanismo 2
## 4 Idiomas 2
## 5 Medicina Veterinária 2
## 6 Pedagogia 2
## 7 Advocacia 1
## 8 Biologia 1
## 9 Contabilidade 1
## 10 Direito 1
## 11 Enfermagem 1
## 12 Engenharias 1
## 13 Farmácia 1
## 14 Markting 1
## 15 Medicina 1
## 16 Nutrição 1
## 17 Polícia Forense 1
## 18 Total de Áreas Diferentes para 3ª Opção - Mulheres 17write_csv2(contagem_mulheres_areas_com_total_3opc, "contagem_mulheres_areas_com_total_3opc.csv")
# Processar dados masculinos
escolha_3opc_profissoes_homens_grupos <- atvProfissoes_homens %>%
select(Prof3) %>%
pivot_longer(cols = everything(), names_to = NULL, values_to = "profissoes") %>%
mutate(profissoes = trimws(tolower(profissoes))) %>%
filter(!profissoes %in% tolower(valores_invalidos)) %>%
mutate(areas = recode(profissoes, !!!mapeamento_areas))
# Contar a frequência de cada área ou cargo
contagem_areas <- escolha_3opc_profissoes_homens_grupos %>%
count(areas, sort = TRUE)
# Contar o total de áreas diferentes (cada área informada contando como 1)
total_areas_diferentes <- escolha_3opc_profissoes_homens_grupos %>%
distinct(areas) %>%
count()
# Adicionar a linha de total ao dataframe de contagem
contagem_homens_areas_com_total_3opc <- contagem_areas %>%
bind_rows(data.frame(areas = "Total de Áreas Diferentes para 3ª Opção - Homens", n = total_areas_diferentes$n))
print(contagem_homens_areas_com_total_3opc)## # A tibble: 14 × 2
## areas n
## <chr> <int>
## 1 Computação 12
## 2 Direito 2
## 3 Educação Física 2
## 4 Engenharias 2
## 5 Atleta 1
## 6 Fisica 1
## 7 Geologia 1
## 8 Idiomas 1
## 9 Matemática 1
## 10 Música 1
## 11 Odontologia 1
## 12 Polícia 1
## 13 letras - professor 1
## 14 Total de Áreas Diferentes para 3ª Opção - Homens 13write_csv2(contagem_homens_areas_com_total_3opc, "contagem_homens_areas_com_total_3opc.csv")#1. Definir as profissões relacionadas à computação
computacao_profissoes <- c("ciência da computação", "engenharia da computação", "engenharia de software", "ads (análise de desenvolvimento de sistemas)", "informática", "programador", "analista de requisitos", "análise de desenvolvimento de software", "web designer", "ciência da computacao - dev", "ciência da computação - professor", "ciência de computação - programador(a)", "ciência de computação - programador", "ciência de computação - programadora", "ciência de computação - programadora", "ciência de dados / cientista de dados", "desenvolvedor", "desenvolvimento mobile", "informática/ cientista da computação", "manutenção de aparelhos eletrônicos", "programação", "ads", "análise de desenvolvimento de sistemas", "cinecias da computação programador", "cinecias da computação programador")
atvProfissoes_mulheres_Parte <- subset(atvProfissoes_mulheres, select = c(Série, Prof1, Prof2, Prof3, Prof4, Prof5))
# 2. Criar uma função para verificar se a profissão está na área de computação
eh_computacao <- function(profissao) {
any(sapply(computacao_profissoes, function(x) grepl(x, profissao, ignore.case = TRUE)))
}
# 3. Criar uma nova coluna para cada profissão, identificando se ela é da área de computação
atvProfissoes_mulheres_Parte$Prof1_Computacao <- sapply(atvProfissoes_mulheres_Parte$Prof1, eh_computacao)
atvProfissoes_mulheres_Parte$Prof2_Computacao <- sapply(atvProfissoes_mulheres_Parte$Prof2, eh_computacao)
atvProfissoes_mulheres_Parte$Prof3_Computacao <- sapply(atvProfissoes_mulheres_Parte$Prof3, eh_computacao)
atvProfissoes_mulheres_Parte$Prof4_Computacao <- sapply(atvProfissoes_mulheres_Parte$Prof4, eh_computacao)
atvProfissoes_mulheres_Parte$Prof5_Computacao <- sapply(atvProfissoes_mulheres_Parte$Prof5, eh_computacao)
# 4. Criar uma coluna de 'computacao_total' que soma quantas profissões da área de computação estão presentes em cada linha
atvProfissoes_mulheres_Parte$computacao_total <- rowSums(atvProfissoes_mulheres_Parte[, c("Prof1_Computacao", "Prof2_Computacao", "Prof3_Computacao", "Prof4_Computacao", "Prof5_Computacao")])
# 5. Filtrar estudantes que escolheram pelo menos uma profissão em computação
df_computacao <- atvProfissoes_mulheres_Parte[atvProfissoes_mulheres_Parte$computacao_total >= 1, ]
print(df_computacao)## Série Prof1
## 1 2 Medicina
## 2 2 Engenharia da Computação
## 3 2 Ciência da Computação
## 6 2 Matemática
## 8 2 Medicina
## 10 3 Web Designer
## 11 3 Ciência de computação - Programadora
## 13 3 Ciência da Computação
## 15 3 Letras - português
## 17 3 Ciência da Computação
## 18 3 Ciência da Computação
## 20 3 Perícia Forense digital
## 28 1 Investigador Civil - Detetive
## 30 1 Publicidade e propaganda
## 32 1 Programação
## 33 2 Ciência da Computação
## Prof2
## 1 Ciência da Computação
## 2 Ciência da Computação
## 3 Medicina
## 6 Ciência da computação
## 8 Odontologia
## 10 Engenharia da Computação
## 11 Engenharia da computação
## 13 Relações Internacionais
## 15 Ciência da Computação
## 17 Engenharia da computação
## 18
## 20 Analista de requisitos
## 28 Ciência da Computação - Programador
## 30 Engenharia de Software
## 32 Design Gráfico
## 33 Engenharia da Computação
## Prof3 Prof4
## 1 Nutrição
## 2 ADS (Análise de desenvolvimento de Sistemas) Inglês - letras
## 3 Professor
## 6 contabilidade
## 8 Ciência da Computação
## 10 Ciência da Computação
## 11 ADS (Análise de desenvolvimento de Sistemas)
## 13 Finanças Medicina
## 15 Engenharia de Software História
## 17 Medicina Veterinária
## 18
## 20
## 28
## 30 Letras
## 32 Arquitetura e Urbanismo
## 33 Arquitetura e Urbanismo
## Prof5 Prof1_Computacao Prof2_Computacao Prof3_Computacao
## 1 FALSE TRUE FALSE
## 2 Intercambio TRUE TRUE TRUE
## 3 TRUE FALSE FALSE
## 6 FALSE TRUE FALSE
## 8 FALSE FALSE TRUE
## 10 TRUE TRUE TRUE
## 11 TRUE TRUE TRUE
## 13 Direito TRUE FALSE FALSE
## 15 Filosofia/Psicologia FALSE TRUE TRUE
## 17 TRUE TRUE FALSE
## 18 TRUE FALSE FALSE
## 20 FALSE TRUE FALSE
## 28 FALSE TRUE FALSE
## 30 FALSE TRUE FALSE
## 32 TRUE FALSE FALSE
## 33 TRUE TRUE FALSE
## Prof4_Computacao Prof5_Computacao computacao_total
## 1 FALSE FALSE 1
## 2 FALSE FALSE 3
## 3 FALSE FALSE 1
## 6 FALSE FALSE 1
## 8 FALSE FALSE 1
## 10 FALSE FALSE 3
## 11 FALSE FALSE 3
## 13 FALSE FALSE 1
## 15 FALSE FALSE 2
## 17 FALSE FALSE 2
## 18 FALSE FALSE 1
## 20 FALSE FALSE 1
## 28 FALSE FALSE 1
## 30 FALSE FALSE 1
## 32 FALSE FALSE 1
## 33 FALSE FALSE 2# 6. Agrupar por Série e calcular os valores desejados
library(dplyr)
df_agrupado <- df_computacao %>%
group_by(Série) %>%
summarise(
total_estudantes = n(), # Total de estudantes que escolheram profissões em computação por série
pelo_menos_uma = sum(computacao_total >= 1), # Estudantes que informaram pelo menos uma profissão
duas_ou_mais = sum(computacao_total >= 2) # Estudantes que informaram duas ou mais profissões
)
# 7. Calcular os percentuais
df_agrupado <- df_agrupado %>%
mutate(
perc_pelo_menos_uma = (pelo_menos_uma / 25) * 100, # 25 é o total de estudantes que escolheram profissões em computação
perc_duas_ou_mais = (duas_ou_mais / 25) * 100
)
# Visualizar o resultado
print(df_agrupado)## # A tibble: 3 × 6
## Série total_estudantes pelo_menos_uma duas_ou_mais perc_pelo_menos_uma
## <int> <int> <int> <int> <dbl>
## 1 1 3 3 0 12
## 2 2 6 6 2 24
## 3 3 7 7 4 28
## # ℹ 1 more variable: perc_duas_ou_mais <dbl># 7. Calcular os percentuais para o total de 34 estudantes
# Total de estudantes: 34 (você pode ajustar esse número se necessário)
total_estudantes <- 34
# Calcular percentuais totais
total_pelo_menos_uma <- sum(df_computacao$computacao_total >= 1)
total_duas_ou_mais <- sum(df_computacao$computacao_total >= 2)
# Criar o dataframe com os percentuais totais
df_percentuais_totais <- tibble(
perc_pelo_menos_uma_total = (total_pelo_menos_uma / total_estudantes) * 100,
perc_duas_ou_mais_total = (total_duas_ou_mais / total_estudantes) * 100
)
# Visualizar o resultado
print(df_percentuais_totais)## # A tibble: 1 × 2
## perc_pelo_menos_uma_total perc_duas_ou_mais_total
## <dbl> <dbl>
## 1 47.1 17.6# Definir os grupos de profissões
grupo1 <- c("Ciência da Computação", "Ciência da computação", "Engenharia de Computação", "Engenharia da Computação", "Redes de Computadores",
"ciência da computação - programador", "Ciência da Computação - Programador",
"ciência de computação - programadora", "Ciência de computação - Programadora")
grupo2 <- c("Informática", "Sistemas de Informação")
grupo3 <- c("Analista de Sistemas", "ADS (Análise de desenvolvimento de Sistemas)", "ADS", "Computação", "Desenvolvedor de aplicativos", "Engenharia de Software", "Programação", "Programador", "Robótica", "Webdesigner", "Web Designer", "algo na área de informática", "trabalhar na área de informática em uma empresa", "Seguiria a premissa de Ciência da Computação (eu acho) com mais programação que foi a única coisa que eu me identifiquei mais no curso; tem excelente remuneração; agregaria no currículo")
#unique(atvProfissoes_mulheres)
# Remover as colunas desnecessárias
#atvProfissoes_mulheres_Parte <- subset(atvProfissoes_mulheres, select= -c(Prof1_Computacao, Prof2_Computacao, Prof3_Computacao, Prof4_Computacao, Prof5_Computacao, computacao_total))
# Transformar as colunas Prof1, Prof2, ..., Prof5 em um formato longo (long format)
df_long <- atvProfissoes_mulheres %>%
pivot_longer(cols = starts_with("Prof"), names_to = "Profissao", values_to = "Escolha")
# Agora, vamos contar as estudantes únicas que escolheram profissões dentro de cada grupo
# Grupo 1: Ciência da Computação, Engenharia de Computação, Redes de Computadores
grupo1_count <- df_long %>%
filter(Escolha %in% grupo1) %>%
distinct(Sexo, Série) %>% # Conta as estudantes únicas (por Sexo e Série)
summarise(Contagem_Grupo1 = n())
# Grupo 2: Informática, Sistemas de Informação
grupo2_count <- df_long %>%
filter(Escolha %in% grupo2) %>%
distinct(Sexo, Série) %>% # Conta as estudantes únicas (por Sexo e Série)
summarise(Contagem_Grupo2 = n())
# Grupo 3: Analista de Sistemas, Computação, etc.
grupo3_count <- df_long %>%
filter(Escolha %in% grupo3) %>%
distinct(Sexo, Série) %>% # Conta as estudantes únicas (por Sexo e Série)
summarise(Contagem_Grupo3 = n())
# Exibir os resultados
print(grupo1_count)## # A tibble: 1 × 1
## Contagem_Grupo1
## <int>
## 1 3print(grupo2_count)## # A tibble: 1 × 1
## Contagem_Grupo2
## <int>
## 1 0print(grupo3_count)## # A tibble: 1 × 1
## Contagem_Grupo3
## <int>
## 1 2