Introdução

Vamos carregar base de dados Pokemon e Titanic, construir tabelas e gráficos a partir de suas variáveis qualitativas

Passo Zero - Carregar base de dados

Carregar as bases de dados Pokémon e Titanic > df_Pokemon > Titanic

load("C:/Estatistica/Base_de_dados-master/Titanic.RData")
load("C:/Estatistica/Base_de_dados-master/df_pokemon.RData")

Passo Um - Construir as tabelas

Aqui vamos atribuir valores para as 4 variáveis qualitativas a serem analisadas

#Passo Um - Construir as tabelas
poke_type1<-table(df$type_1)
poke_type2<-table(df$type_2)

tnic1<-table(Titanic$Sexo)
tnic2<-table(Titanic$Sobreviveu)

Passo Dois - Formatação

Aqui será atribuído um valor para a variável “pokecolor”, cruzando os dados de cores presentes da base da dados com os dados dos tipos de Pokémons, a fim de padronizar as cores no gráfico para cada tipo respectivo existente no banco de dados.

pokecolor<-unique(df$color_1)

Passo Três - Gráfico de Pizza x Gráfico de Barras

Item 1: Tabela Pokémon

Serão mostradas as variáveis do tipo Primário e Secundário dos Pokemons, primeiramente atráves de um gráfico de pizza e posteriormente em um gráfico de barras.

pie(poke_type1,
    main = "Distruição de Pokemons por tipo Primário",
    col = pokecolor,
    radius = c(1.0))

a = barplot(poke_type1,
            main = "Distruição de Pokemons por tipo Primário",
            ylim = c(0,120), 
            space = c(0.4),
            las = 2,
            col = pokecolor)
text(a,poke_type1 + 6, labels = poke_type1)

pie(poke_type2,
        main = "Distribuição dos Pokémons por tipo Secundário",
        col = pokecolor,
        radius = c(1.0))

a = barplot(poke_type2,
            main = "Distribuição dos Pokémons por tipo Secundário",
            ylim = c(0,120), 
            space = c(0.4),
            las = 2,
            col = pokecolor)
text(a,poke_type2 + 6, labels = poke_type2)

Item 2: Tabela Titanic

Desta vez usaremos a Tabela Titanic para representar 2 variáveis, primeiramente atráves do gráfico de pizza e posteriormente através do gráfico de barras.

##Gráfico de barras da tabela Titanic
pie(tnic1,
    main = "Sexo dos passageiros do Titanic",
    col = c("222", "555"),
    radius = c(1.0))

barplot(tnic1,
        main = "Sexo dos passageiros do Titanic",
        col = c("222", "555"),
        ylim = c(0,2000),
        cex.names = c("0.8"))

pie(tnic2,
    tnic2,
    main = "Sobreviventes dos passageiros do Titanic",
    col = c("#FA0306", "#07B7F2"),
    radius = c(1.0))

barplot(tnic2,
        main = "Sobreviventes dos passageiros do Titanic",
        col = c("#FA0306", "#07B7F2"),
        ylim = c(0,2000),
        cex.names = c("0.8"))

Conclusão

Foram apresentadas 4 variáveis qualitativas de 2 diferentes base de dados, primeiramente através do gráfico de pizza e posteriormente através do gráfico de barras. Conseguimos observar que na primeira amostragem, em casos de similaridade de fatias e/ou com um número elevado delas, a compreensão do gráfico fica prejudicada, sendo muito mais clara a utilização do segundo tipo de gráfico. Apesar da clara compreensão do gráfico de pizza em casos como o item 2, são várias as lacunas deixadas por ele, sendo assim, visando conservar a confiabilidade das informações, o gráfico de barras é a melhor escolha para a representação dessas variáveis.