Enunciado

  1. Uma pesquisa com usuários de transporte coletivo na cidade de São Paulo indagou sobre os diferentes tipos usados nas suas locomoções diárias. Dentre ônibus, metrô e trem, o número de diferentes meios de transporte utilizados encontra-se na planilha tranpostes.csv.

    1. Construa uma tabela de frequência para a variável Transportes.
    2. Faça uma representação gráfica.
    3. Admitindo que essa amostra represente bem o comportamento do usuário paulistano, você acha que a porcentagem dos usuários que utilizam mais de um tipo de transporte é grande?

Resolução

Primeiro carregamos o banco de dados para a memória e verificamos as seis primeiras observações:

transportes <- read.csv(file = "transportes.csv", sep = ";", dec = ",")
head(transportes)

Agora construimos uma tabela de frequências para os dados:

counts <- table(transportes$Transportes)
counts

 1  2  3 
14 12  4 

Com as frequências dadas pela tabela podemos construir um gráfico de barras:

barplot(counts, main = "Gráfico de barras para comparação de quantidades de transportes",
        xlab = "Quantidade de meios de transporte",
        ylim = c(0,20), names.arg = c('1', '2', '3'))

Como podemos observar, a maior parte dos paulistanos utiliza apenas um meio de transporte para sua locomoção diária, porém o número de paulistanos que dependem de dois meios de transportes se aproxima da quantidade dos que utilizam apenas um.

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