Gráficos para dados em escala LIKERT simples e por grupo
Leoni, R. C. Professor Dr.
Dissertação do Prof. Jesus - AMAN
#install.packages("knitr", dependencies = TRUE)
#library (devtools)
#install.packages('knitr', repos = c('http://rforge.net', 'http://cran.rstudio.org'),type = 'source')
#install_github('knitr')likert_q1 <- likert(dados[,c(1:12)], nlevels = 5)
likert.bar.plot(likert_q1,plot.percents=F,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Questões", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Item | low | neutral | high |
|---|---|---|---|
| Questão_02 | 13,33 | 0,00 | 86,67 |
| Questão_06 | 13,33 | 0,00 | 86,67 |
| Questão_03 | 13,33 | 6,67 | 80,00 |
| Questão_07 | 13,33 | 6,67 | 80,00 |
| Questão_11 | 6,67 | 13,33 | 80,00 |
| Questão_05 | 20,00 | 6,67 | 73,33 |
| Questão_08 | 6,67 | 20,00 | 73,33 |
| Questão_10 | 13,33 | 20,00 | 66,67 |
| Questão_12 | 13,33 | 20,00 | 66,67 |
| Questão_01 | 20,00 | 13,33 | 66,67 |
| Questão_04 | 26,67 | 20,00 | 53,33 |
| Questão_09 | 26,67 | 20,00 | 53,33 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Cargo)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Cargo no órgão de vinculação", y = "Porcentagem", size=12) + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| Chefe | Questão_01 | 20,00 | 20,00 |
| Chefe | Questão_02 | 20,00 | 0,00 |
| Chefe | Questão_03 | 0,00 | 20,00 |
| Chefe | Questão_04 | 20,00 | 20,00 |
| Chefe | Questão_05 | 20,00 | 20,00 |
| Chefe | Questão_06 | 0,00 | 0,00 |
| Chefe | Questão_07 | 20,00 | 0,00 |
| Chefe | Questão_08 | 0,00 | 40,00 |
| Chefe | Questão_09 | 20,00 | 20,00 |
| Chefe | Questão_10 | 20,00 | 20,00 |
| Chefe | Questão_11 | 0,00 | 20,00 |
| Chefe | Questão_12 | 20,00 | 20,00 |
| Direção | Questão_01 | 0,00 | 0,00 |
| Direção | Questão_02 | 0,00 | 0,00 |
| Direção | Questão_03 | 0,00 | 0,00 |
| Direção | Questão_04 | 66,67 | 0,00 |
| Direção | Questão_05 | 0,00 | 0,00 |
| Direção | Questão_06 | 0,00 | 0,00 |
| Direção | Questão_07 | 0,00 | 0,00 |
| Direção | Questão_08 | 0,00 | 0,00 |
| Direção | Questão_09 | 0,00 | 0,00 |
| Direção | Questão_10 | 0,00 | 0,00 |
| Direção | Questão_11 | 0,00 | 0,00 |
| Direção | Questão_12 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_01 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_02 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_03 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_04 | 0,00 | 25,00 |
| Lider/Vice Líder | Questão_05 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_06 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_07 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_08 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_09 | 0,00 | 50,00 |
| Lider/Vice Líder | Questão_10 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_11 | 0,00 | 0,00 |
| Lider/Vice Líder | Questão_12 | 0,00 | 25,00 |
| Técnico | Questão_01 | 66,67 | 33,33 |
| Técnico | Questão_02 | 33,33 | 0,00 |
| Técnico | Questão_03 | 66,67 | 0,00 |
| Técnico | Questão_04 | 33,33 | 33,33 |
| Técnico | Questão_05 | 66,67 | 0,00 |
| Técnico | Questão_06 | 66,67 | 0,00 |
| Técnico | Questão_07 | 33,33 | 33,33 |
| Técnico | Questão_08 | 33,33 | 33,33 |
| Técnico | Questão_09 | 100,00 | 0,00 |
| Técnico | Questão_10 | 33,33 | 66,67 |
| Técnico | Questão_11 | 33,33 | 33,33 |
| Técnico | Questão_12 | 33,33 | 33,33 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Qualificação)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = " Nível de qualificação acadêmica", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| Doutorado | Questão_01 | 0,00 | 0,00 |
| Doutorado | Questão_02 | 0,00 | 0,00 |
| Doutorado | Questão_03 | 0,00 | 0,00 |
| Doutorado | Questão_04 | 100,00 | 0,00 |
| Doutorado | Questão_05 | 0,00 | 0,00 |
| Doutorado | Questão_06 | 0,00 | 0,00 |
| Doutorado | Questão_07 | 0,00 | 0,00 |
| Doutorado | Questão_08 | 0,00 | 0,00 |
| Doutorado | Questão_09 | 0,00 | 0,00 |
| Doutorado | Questão_10 | 0,00 | 0,00 |
| Doutorado | Questão_11 | 0,00 | 0,00 |
| Doutorado | Questão_12 | 0,00 | 0,00 |
| Doutorando | Questão_01 | 33,33 | 0,00 |
| Doutorando | Questão_02 | 0,00 | 0,00 |
| Doutorando | Questão_03 | 0,00 | 33,33 |
| Doutorando | Questão_04 | 33,33 | 66,67 |
| Doutorando | Questão_05 | 33,33 | 0,00 |
| Doutorando | Questão_06 | 0,00 | 0,00 |
| Doutorando | Questão_07 | 33,33 | 0,00 |
| Doutorando | Questão_08 | 0,00 | 33,33 |
| Doutorando | Questão_09 | 33,33 | 66,67 |
| Doutorando | Questão_10 | 33,33 | 33,33 |
| Doutorando | Questão_11 | 0,00 | 33,33 |
| Doutorando | Questão_12 | 33,33 | 33,33 |
| Especialização | Questão_01 | 50,00 | 0,00 |
| Especialização | Questão_02 | 0,00 | 0,00 |
| Especialização | Questão_03 | 50,00 | 0,00 |
| Especialização | Questão_04 | 100,00 | 0,00 |
| Especialização | Questão_05 | 50,00 | 0,00 |
| Especialização | Questão_06 | 50,00 | 0,00 |
| Especialização | Questão_07 | 0,00 | 50,00 |
| Especialização | Questão_08 | 0,00 | 50,00 |
| Especialização | Questão_09 | 50,00 | 0,00 |
| Especialização | Questão_10 | 50,00 | 0,00 |
| Especialização | Questão_11 | 50,00 | 0,00 |
| Especialização | Questão_12 | 50,00 | 0,00 |
| Mestrado | Questão_01 | 12,50 | 12,50 |
| Mestrado | Questão_02 | 12,50 | 0,00 |
| Mestrado | Questão_03 | 0,00 | 0,00 |
| Mestrado | Questão_04 | 0,00 | 0,00 |
| Mestrado | Questão_05 | 0,00 | 12,50 |
| Mestrado | Questão_06 | 0,00 | 0,00 |
| Mestrado | Questão_07 | 0,00 | 0,00 |
| Mestrado | Questão_08 | 0,00 | 12,50 |
| Mestrado | Questão_09 | 12,50 | 12,50 |
| Mestrado | Questão_10 | 0,00 | 12,50 |
| Mestrado | Questão_11 | 0,00 | 0,00 |
| Mestrado | Questão_12 | 0,00 | 12,50 |
| Mestrando | Questão_01 | 0,00 | 100,00 |
| Mestrando | Questão_02 | 100,00 | 0,00 |
| Mestrando | Questão_03 | 100,00 | 0,00 |
| Mestrando | Questão_04 | 0,00 | 100,00 |
| Mestrando | Questão_05 | 100,00 | 0,00 |
| Mestrando | Questão_06 | 100,00 | 0,00 |
| Mestrando | Questão_07 | 100,00 | 0,00 |
| Mestrando | Questão_08 | 100,00 | 0,00 |
| Mestrando | Questão_09 | 100,00 | 0,00 |
| Mestrando | Questão_10 | 0,00 | 100,00 |
| Mestrando | Questão_11 | 0,00 | 100,00 |
| Mestrando | Questão_12 | 0,00 | 100,00 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Tempo)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Tempo em que você está no órgão de vinculação", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| 00 –| 05 anos | Questão_01 | 60 | 0,00 |
| 00 –| 05 anos | Questão_02 | 0 | 0,00 |
| 00 –| 05 anos | Questão_03 | 20 | 20,00 |
| 00 –| 05 anos | Questão_04 | 60 | 20,00 |
| 00 –| 05 anos | Questão_05 | 40 | 0,00 |
| 00 –| 05 anos | Questão_06 | 20 | 0,00 |
| 00 –| 05 anos | Questão_07 | 20 | 20,00 |
| 00 –| 05 anos | Questão_08 | 0 | 40,00 |
| 00 –| 05 anos | Questão_09 | 60 | 20,00 |
| 00 –| 05 anos | Questão_10 | 40 | 40,00 |
| 00 –| 05 anos | Questão_11 | 20 | 20,00 |
| 00 –| 05 anos | Questão_12 | 40 | 20,00 |
| 05 –| 10 anos | Questão_01 | 0 | 0,00 |
| 05 –| 10 anos | Questão_02 | 50 | 0,00 |
| 05 –| 10 anos | Questão_03 | 0 | 0,00 |
| 05 –| 10 anos | Questão_04 | 0 | 0,00 |
| 05 –| 10 anos | Questão_05 | 0 | 0,00 |
| 05 –| 10 anos | Questão_06 | 0 | 0,00 |
| 05 –| 10 anos | Questão_07 | 0 | 0,00 |
| 05 –| 10 anos | Questão_08 | 0 | 0,00 |
| 05 –| 10 anos | Questão_09 | 0 | 0,00 |
| 05 –| 10 anos | Questão_10 | 0 | 0,00 |
| 05 –| 10 anos | Questão_11 | 0 | 0,00 |
| 05 –| 10 anos | Questão_12 | 0 | 0,00 |
| 10 –| 20 anos | Questão_01 | 0 | 25,00 |
| 10 –| 20 anos | Questão_02 | 25 | 0,00 |
| 10 –| 20 anos | Questão_03 | 25 | 0,00 |
| 10 –| 20 anos | Questão_04 | 25 | 25,00 |
| 10 –| 20 anos | Questão_05 | 25 | 0,00 |
| 10 –| 20 anos | Questão_06 | 25 | 0,00 |
| 10 –| 20 anos | Questão_07 | 25 | 0,00 |
| 10 –| 20 anos | Questão_08 | 25 | 0,00 |
| 10 –| 20 anos | Questão_09 | 25 | 0,00 |
| 10 –| 20 anos | Questão_10 | 0 | 25,00 |
| 10 –| 20 anos | Questão_11 | 0 | 25,00 |
| 10 –| 20 anos | Questão_12 | 0 | 25,00 |
| 20 –| 30 anos | Questão_01 | 0 | 0,00 |
| 20 –| 30 anos | Questão_02 | 0 | 0,00 |
| 20 –| 30 anos | Questão_03 | 0 | 0,00 |
| 20 –| 30 anos | Questão_04 | 0 | 100,00 |
| 20 –| 30 anos | Questão_05 | 0 | 0,00 |
| 20 –| 30 anos | Questão_06 | 0 | 0,00 |
| 20 –| 30 anos | Questão_07 | 0 | 0,00 |
| 20 –| 30 anos | Questão_08 | 0 | 0,00 |
| 20 –| 30 anos | Questão_09 | 0 | 100,00 |
| 20 –| 30 anos | Questão_10 | 0 | 0,00 |
| 20 –| 30 anos | Questão_11 | 0 | 0,00 |
| 20 –| 30 anos | Questão_12 | 0 | 0,00 |
| 30 anos ou mais | Questão_01 | 0 | 33,33 |
| 30 anos ou mais | Questão_02 | 0 | 0,00 |
| 30 anos ou mais | Questão_03 | 0 | 0,00 |
| 30 anos ou mais | Questão_04 | 0 | 0,00 |
| 30 anos ou mais | Questão_05 | 0 | 33,33 |
| 30 anos ou mais | Questão_06 | 0 | 0,00 |
| 30 anos ou mais | Questão_07 | 0 | 0,00 |
| 30 anos ou mais | Questão_08 | 0 | 33,33 |
| 30 anos ou mais | Questão_09 | 0 | 33,33 |
| 30 anos ou mais | Questão_10 | 0 | 0,00 |
| 30 anos ou mais | Questão_11 | 0 | 0,00 |
| 30 anos ou mais | Questão_12 | 0 | 33,33 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Idade)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Faixa de idade", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| De 35 a 45 anos | Questão_01 | 42,86 | 0,00 |
| De 35 a 45 anos | Questão_02 | 0,00 | 0,00 |
| De 35 a 45 anos | Questão_03 | 14,29 | 14,29 |
| De 35 a 45 anos | Questão_04 | 57,14 | 28,57 |
| De 35 a 45 anos | Questão_05 | 28,57 | 0,00 |
| De 35 a 45 anos | Questão_06 | 14,29 | 0,00 |
| De 35 a 45 anos | Questão_07 | 14,29 | 14,29 |
| De 35 a 45 anos | Questão_08 | 0,00 | 28,57 |
| De 35 a 45 anos | Questão_09 | 42,86 | 28,57 |
| De 35 a 45 anos | Questão_10 | 28,57 | 28,57 |
| De 35 a 45 anos | Questão_11 | 14,29 | 14,29 |
| De 35 a 45 anos | Questão_12 | 28,57 | 14,29 |
| De 45 a 60 anos | Questão_01 | 0,00 | 25,00 |
| De 45 a 60 anos | Questão_02 | 25,00 | 0,00 |
| De 45 a 60 anos | Questão_03 | 12,50 | 0,00 |
| De 45 a 60 anos | Questão_04 | 0,00 | 12,50 |
| De 45 a 60 anos | Questão_05 | 12,50 | 12,50 |
| De 45 a 60 anos | Questão_06 | 12,50 | 0,00 |
| De 45 a 60 anos | Questão_07 | 12,50 | 0,00 |
| De 45 a 60 anos | Questão_08 | 12,50 | 12,50 |
| De 45 a 60 anos | Questão_09 | 12,50 | 12,50 |
| De 45 a 60 anos | Questão_10 | 0,00 | 12,50 |
| De 45 a 60 anos | Questão_11 | 0,00 | 12,50 |
| De 45 a 60 anos | Questão_12 | 0,00 | 25,00 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$`Lei de Inovação`)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "O senhor(a) tem conhecimento sobre a Lei de Inovação?", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| Não | Questão_01 | 0,00 | 66,67 |
| Não | Questão_02 | 66,67 | 0,00 |
| Não | Questão_03 | 33,33 | 0,00 |
| Não | Questão_04 | 0,00 | 33,33 |
| Não | Questão_05 | 33,33 | 33,33 |
| Não | Questão_06 | 33,33 | 0,00 |
| Não | Questão_07 | 33,33 | 0,00 |
| Não | Questão_08 | 33,33 | 33,33 |
| Não | Questão_09 | 33,33 | 0,00 |
| Não | Questão_10 | 0,00 | 33,33 |
| Não | Questão_11 | 0,00 | 33,33 |
| Não | Questão_12 | 0,00 | 33,33 |
| Sim | Questão_01 | 25,00 | 0,00 |
| Sim | Questão_02 | 0,00 | 0,00 |
| Sim | Questão_03 | 8,33 | 8,33 |
| Sim | Questão_04 | 33,33 | 16,67 |
| Sim | Questão_05 | 16,67 | 0,00 |
| Sim | Questão_06 | 8,33 | 0,00 |
| Sim | Questão_07 | 8,33 | 8,33 |
| Sim | Questão_08 | 0,00 | 16,67 |
| Sim | Questão_09 | 25,00 | 25,00 |
| Sim | Questão_10 | 16,67 | 16,67 |
| Sim | Questão_11 | 8,33 | 8,33 |
| Sim | Questão_12 | 16,67 | 16,67 |
#likert.heat.plot(likert_q1)likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$`Funções ICT e ou NIT`)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "O senhor(a) acredita que a AMAN possa ter funções relativas a um ICT e/ou NIT?", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
| Group | Item | low | neutral |
|---|---|---|---|
| Nâo | Questão_01 | 0,00 | 100,00 |
| Nâo | Questão_02 | 0,00 | 0,00 |
| Nâo | Questão_03 | 0,00 | 0,00 |
| Nâo | Questão_04 | 0,00 | 0,00 |
| Nâo | Questão_05 | 0,00 | 100,00 |
| Nâo | Questão_06 | 0,00 | 0,00 |
| Nâo | Questão_07 | 0,00 | 0,00 |
| Nâo | Questão_08 | 0,00 | 100,00 |
| Nâo | Questão_09 | 0,00 | 0,00 |
| Nâo | Questão_10 | 0,00 | 0,00 |
| Nâo | Questão_11 | 0,00 | 0,00 |
| Nâo | Questão_12 | 0,00 | 0,00 |
| Sim | Questão_01 | 21,43 | 7,14 |
| Sim | Questão_02 | 14,29 | 0,00 |
| Sim | Questão_03 | 14,29 | 7,14 |
| Sim | Questão_04 | 28,57 | 21,43 |
| Sim | Questão_05 | 21,43 | 0,00 |
| Sim | Questão_06 | 14,29 | 0,00 |
| Sim | Questão_07 | 14,29 | 7,14 |
| Sim | Questão_08 | 7,14 | 14,29 |
| Sim | Questão_09 | 28,57 | 21,43 |
| Sim | Questão_10 | 14,29 | 21,43 |
| Sim | Questão_11 | 7,14 | 14,29 |
| Sim | Questão_12 | 14,29 | 21,43 |
#likert.heat.plot(likert_q1)---
title: 'Gráficos para dados em escala LIKERT simples e por grupo '
author: "Leoni, R. C. Professor Dr."
output:
  html_notebook: 
    code_folding: hide
  html_document:
    df_print: paged
  pdf_document: default
  word_document: default
---

***
##  Dissertação do Prof. Jesus - AMAN

```{r}
#install.packages("knitr", dependencies = TRUE)
#library (devtools)
#install.packages('knitr', repos = c('http://rforge.net', 'http://cran.rstudio.org'),type = 'source')
#install_github('knitr')
```

```{r echo=FALSE, warning=FALSE}
# É necessário instalar os pacotes a seguir. 
# install.packages("devtools")
# install.packages("plyer")
# library (devtools)
# install_github('likert', 'jbryer')
rm(list=ls(all=TRUE))
library(knitr)
library(ggplot2)
library(xtable)
library(likert)
library(readxl)
library(plyr)

```

```{r  echo=FALSE, warning=FALSE}

dados <- read_excel("dados.xlsx")
dados <- as.data.frame(dados)

Q1 <- "A AMAN enquanto ICT (realiza ensino, pesquisa e extensão) deve ter um NIT ou órgão equivalente para gerir sua política de inovação?"
Q2 <- "A AMAN deve zelar pela manutenção da política institucional de estímulo à proteção das criações, licenciamento, inovação e outras formas de transferência de tecnologia?"
Q3 <- "A AMAN deve avaliar e classificar os resultados decorrentes de atividades e projetos de pesquisa para o atendimento das disposições desta Lei?"
Q4 <- "A AMAN deve avaliar solicitação de inventor independente que comprove depósito de pedido de patente para adoção de sua criação por ICT pública (AMAN), que decidirá quanto à conveniência e à oportunidade da solicitação e à elaboração de projeto voltado à avaliação da criação para futuro desenvolvimento, incubação, utilização, industrialização e inserção no mercado?"
Q5 <- "A AMAN deve opinar pela conveniência e promover a proteção das criações desenvolvidas na instituição?"
Q6 <- "A AMAN deve opinar quanto à conveniência de divulgação das criações desenvolvidas na instituição, passíveis de proteção intelectual?"
Q7 <- "A AMAN deve acompanhar o processamento dos pedidos e a manutenção dos títulos de propriedade intelectual da instituição?"
Q8 <- "A AMAN deve facilitar a identificação de riscos em projetos elaborando cenários sobre os quais estes podem ocorrer."
Q9 <- "A AMAN deve desenvolver estudos de prospecção tecnológica e de inteligência competitiva no campo da propriedade industrial, de forma a orientar as ações de inovação da ICT?"
Q10 <- "A AMAN deve desenvolver estudos e estratégias para a transferência de inovação gerada pela ICT?"
Q11 <- "A AMAN deve promover e acompanhar o relacionamento da ICT com empresas, em especial para as atividades previstas nos arts. 6º a 9ºda Lei 10973/04?"
Q12 <- "A AMAN deve negociar e gerir os acordos de transferência de tecnologia oriunda da ICT?"


# 
dados$`Questão_01`<-factor(dados$`Questão_01`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_02`<-factor(dados$`Questão_02`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_03`<-factor(dados$`Questão_03`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_04`<-factor(dados$`Questão_04`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_05`<-factor(dados$`Questão_05`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_06`<-factor(dados$`Questão_06`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_07`<-factor(dados$`Questão_07`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_08`<-factor(dados$`Questão_08`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_09`<-factor(dados$`Questão_09`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_10`<-factor(dados$`Questão_10`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_11`<-factor(dados$`Questão_11`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
dados$`Questão_12`<-factor(dados$`Questão_12`, levels = c("1","2","3","4","5"), labels =c("Discordo totalmente","Discordo parcialmente","Indiferente ou não se aplica ","Concordo parcialmente", "Concordo totalmente"))
```

#  

```{r fig.height=5, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5)
likert.bar.plot(likert_q1,plot.percents=F,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Questões", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))

#likert.heat.plot(likert_q1)
```

```{r fig.height=18, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Cargo)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Cargo no órgão de vinculação", y = "Porcentagem", size=12) + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```


```{r fig.height=18, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Qualificação)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = " Nível de qualificação acadêmica", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```


```{r fig.height=18, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Tempo)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Tempo em que você está no órgão de vinculação", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```

```{r fig.height=12, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$Idade)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "Faixa de idade", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```

```{r fig.height=12, fig.width=11}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$`Lei de Inovação`)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "O senhor(a) tem conhecimento sobre a Lei de Inovação?", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```

```{r fig.height=12, fig.width=10}
likert_q1 <- likert(dados[,c(1:12)], nlevels = 5, grouping = dados$`Funções ICT e ou NIT`)
likert.bar.plot(likert_q1,plot.percents=TRUE,legend = "Legenda", low.color = "red", text.size=4) + ggtitle("") + labs( x = "O senhor(a) acredita que a AMAN possa ter funções relativas a um ICT e/ou NIT?", y = "Porcentagem") + theme_minimal() + theme(legend.position = "bottom")
kable(summary(likert_q1)[,1:4],digits =2, row.names = F,longtable = TRUE, align=c('c', 'c', 'c', 'c'), booktabs = T, format.args = list(decimal.mark = ","))
#likert.heat.plot(likert_q1)
```