Trabalho Final
Vitor Bessa Alcântara de Barros
02/05/2021
Introdução
Nesse trabalho, inspirado pela série de TV Game of Thrones, analisaremos algumas hipóteses relacionadas, em sua maioria, às mortes dos personagens. Para esse processo iremos dispor de alguns mecanismos estatísticos, como testes de hipóteses.
Declaração dos objetivos e hipóteses
O objetivo desse trabalho é analisar dois bancos de dados, feitos baseados na série de TV Game of Thrones. Um dos bancos de dados traz informações sobre os personagens da série, como de que casa pertence, sexo, se está vivo, entre outras. O outro banco de dados é sobre os episódios em si, como nome do episódio, duração, etc. Com a análise desses dados, vamos conferir se algumas hipóteses levantadas aqui se confirmam ou não.
Hipóteses
1-É mais provável um personagem plebeu ou nobre morrer?
2-Qual religião perdeu mais adeptos?
3-Há relação entre o sexo do personagem e se ele morre ou não?
4-Qual episódio e temporada foram os mais sangrentos da série? Morreram mais personagens.
5-Há relação entre o personagem ter traído e ter maior chance de morrer?
6-Há alguma casa que ganha mais tempo de tela do que as outras casas?
Metodologia
Fonte dos Dados
https://figshare.com/articles/dataset/Game_of_Thrones_mortality_and_survival_dataset/8259680
Descrição do conjunto de dados
library(readxl)
library(knitr)
Tabela_Var <- read_excel("C:/Users/vitor/Desktop/vitor/Unirio/Estatistica/Trabalho final/op2/Tabela Var.xlsx")
kable(Tabela_Var)| Variáveis | Significado | Valores |
|---|---|---|
| id | Número de 3 dígitos de identificação do personagem | NA |
| name | Nome do personagem | NA |
| sex | Sexo do personagem | 1-Homem; 2-Mulher; 9-Desconhecido/Incerto |
| religion | Religião do personagem na hora da morte ou última vista | 1-Great Stallion; 2-Lord of Light; 3-Faith of the Seven; 4-Old Gods; 5-Drowned God; 6-Many Faced God; 7-Other; 9-Desconhecido/Incerto |
| occupation | Tipo de ocupação do personagem na hora da morte ou última vista | 1-Civil; 2-Soldado; 9-Desconhecido/Incerto |
| social_status | Status social do personagem na hora da morte ou última vista | 1-Nobre; 2-Plebeu; 9-Desconhecido/Incerto |
| allegiance_last | A qual Casa o personagem era fiel na hora da morte ou última vista | 1-Stark; 2-Targaryan; 3-Night’s Watch; 4-Lannister; 5-Greyjoy; 6-Bolton; 7-Frey; 8-Outra; 9-Desconhecido/Incerto |
| allegiance_switched | O personagem trocou a quem era fiel na série? | 1-Não; 2-Sim; 9-Desconhecido/Incerto |
| intro_season | Número da temporada que o personagem aparece pela primeira vez | NA |
| intro_episode | Número do episódio que o personagem aparece pela primeira vez | NA |
| intro_time_sec | Tempo decorrido acumulado até o personagem aparecer(Em segundos) | NA |
| intro_time_hrs | Tempo decorrido acumulado até o personagem aparecer(Em horas) | NA |
| dth_flag | O personagem morreu? | 0-Não; 1-Sim |
| dth_season | Número da temporada que o personagem morreu | NA |
| dth_episode | Número do episódio que o personagem morreu | NA |
| dth_time_sec | Tempo decorrido acumulado até a morte do personagem(Em segundos) | NA |
| dth_time_hrs | Tempo decorrido acumulado até a morte do personagem(Em horas) | NA |
| censor_time_sec | Tempo decorrido acumulado até a morte do personagem ou até o final da série(Em segundos) | NA |
| censor_time_hrs | Tempo decorrido acumulado até a morte do personagem ou até o final da série(Em horas) | NA |
| exp_season | Número de temporadas que o personagem sobreviveu | NA |
| exp_episode | Número de episódios que o personagem sobreviveu | NA |
| exp_time_sec | Tempo que o personagem sobreviveu(Em segundos) | NA |
| exp_time_hrs | Tempo que o personagem sobreviveu(Em horas) | NA |
| featured_episode_count | Número de episódios que o personagem participa | NA |
| prominence | Métrica para a proeminência do personagem | NA |
| dth_description | Texto breve da descrição da morte do personagem | NA |
| icd10_dx_code | Código principal da ICD-10 para o diagnóstico da morte do personagem | NA |
| icd10_dx_text | Nome principal da ICD-10 para o diagnóstico da morte do personagem | NA |
| icd10_cause_code | Código da ICD-10 para a causa externa da morte do personagem | NA |
| icd10_cause_text | Nome da ICD-10 para a causa externa da morte do personagem | NA |
| icd10_place_code | Código da ICD-10 para o local da morte do personagem | NA |
| icd10_place_text | Nome da ICD-10 para o local da morte do personagem | NA |
| top_location | Localização topográfica de onde o personagem morreu | 1-Dentro de alguma construção; 2-Fora; 9-Desconhecido/Incerto |
| geo_location | Localização geográfica de onde o personagem morreu | 1-Westeros; 2-Essos; 9-Desconhecido/Incerto |
| time_of_day | Era dia ou noite quando o personagem morreu? | 1-Dia; 2-Noite; 9-Desconhecido/Incerto |
| season | Número da temporada | NA |
| episode_number | Número do episódio | NA |
| episode_name | Nome do episódio | NA |
| gross_running_time | Tamanho do episódio(Em segundos) | NA |
| opening_credits_time | Tempo da abertura do episódio(Em segundos) | NA |
| closing_credits_time | Tempo do encerramento do episódio(Em segundos) | NA |
| net_running_time | Tamanho do episódio sem abertura e encerramento(Em segundos) | NA |
| cumulative_net_running_time | Tempo acumulado do ‘net_running_time’ do primeiro episódio até o atual(Em segundos) | NA |
Metodologia Utilizada
library(readr)
library(dplyr)
personagens_info <- read_csv("C:/Users/vitor/Desktop/vitor/Unirio/Estatistica/Trabalho final/op2/character_data_S01-S08.csv",
col_names = c('id','name','sex','religion',
'occupation','social_status','allegiance_last',
'allegiance_switched','intro_season','intro_episode',
'intro_time_sec','intro_time_hrs','dth_flag',
'dth_season','dth_episode','dth_time_sec',
'dth_time_hrs','censor_time_sec','censor_time_hrs',
'exp_season','exp_episode','exp_time_sec',
'exp_time_hrs','featured_episode_count','prominence',
'dth_description','icd10_dx_code','icd10_dx_text',
'icd10_cause_code','icd10_cause_text','icd10_place_code',
'icd10_place_text','top_location','geo_location','time_of_day',
'x36','x37','x38','x39','x40','x41'))
episodios_info <- read_csv("C:/Users/vitor/Desktop/vitor/Unirio/Estatistica/Trabalho final/op2/episode_data.csv")
personagens_info$religion <- ifelse(personagens_info$religion==1,"Grande Garanhão",
ifelse(personagens_info$religion==2,"Senhor da Luz",
ifelse(personagens_info$religion==3,"Fé dos Sete",
ifelse(personagens_info$religion==4,"Deuses Antigos",
ifelse(personagens_info$religion==5,"Deus Afogado",
ifelse(personagens_info$religion==6,"Deus das Muitas Faces", ifelse(personagens_info$religion==7,"Outros","Desconhecidos") ))))))
personagens_info$religion <- as.factor(personagens_info$religion)
personagens_info$dth_flag <- ifelse(personagens_info$dth_flag==1,"Morto(a)","Vivo(a)")
personagens_info$sex <- ifelse(personagens_info$sex==1,"Masculino",
ifelse(personagens_info$sex==2,"Feminino","Desconhecido"))
personagens_info$occupation <- ifelse(personagens_info$occupation==1,"Civil",
ifelse(personagens_info$occupation==2,"Soldado","Desconhecido"))
personagens_info$social_status <- ifelse(personagens_info$social_status==1,"Nobre",
ifelse(personagens_info$social_status==2,"Plebeu","Desconhecido"))
personagens_info$allegiance_last <- ifelse(personagens_info$allegiance_last==1,"Stark",
ifelse(personagens_info$allegiance_last==2,"Targaryen",
ifelse(personagens_info$allegiance_last==3,"Patrulha da Noite",
ifelse(personagens_info$allegiance_last==4,"Lannister",
ifelse(personagens_info$allegiance_last==5,"Greyjoy", ifelse(personagens_info$allegiance_last==6,"Bolton",
ifelse(personagens_info$allegiance_last==7,"Frey",
ifelse(personagens_info$allegiance_last==8,"Outros","Desconhecido"))))))))
personagens_info$allegiance_last <- as.factor(personagens_info$allegiance_last)
personagens_info$allegiance_switched <- ifelse(personagens_info$allegiance_switched==1,"Não", ifelse(personagens_info$allegiance_switched==2,"Sim","Desconhecido"))
personagens_info$featured_episode_count <- as.double(personagens_info$featured_episode_count, na.rm=TRUE)Hipótese 01
Na primeira hipótese, queremos saber se é mais provável um personagem nobre morrer do que um personagem plebeu, para isso faremos duas tabelas que relacionam a variável “dth_flag”(personagem morto ou vivo) e a variável “social_status”(Status social do personagem). A primeira tabela com os valores inteiros e a segunda com os valores proporcionais, depois disso faremos gráficos de barras para mostrar os resultados.
tabela1 <- table(personagens_info$dth_flag,personagens_info$social_status)
tabela1
Desconhecido Nobre Plebeu
Morto(a) 0 67 145
Vivo(a) 1 45 102tabela_prop1 <- round(prop.table(tabela1, 2)*100, 1)
tabela_prop1
Desconhecido Nobre Plebeu
Morto(a) 0.0 59.8 58.7
Vivo(a) 100.0 40.2 41.3barplot(tabela1, beside = TRUE,
main = "Gráfico da Quantidade Total",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,150))
barplot(tabela_prop1, beside = TRUE,
main = "Gráfico da Proporção entre Mortos e Vivos em relação ao Status Social",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,100))
Agora veremos se há relação entre as duas variáveis. Como só há 1 amostra em “Desconhecidos” e como temos uma tabela maior do que 2x2, faremos um Teste exato de Fisher com mais de duas categorias.
#H0: Não há associação entre o status social e a sobrevivência
#H1: Há associação
#alpha: 0,05
#p-value <= alpha, Rej H0
#p-value > alpha, NÃO Rej H0
teste_hipo1 <- fisher.test(tabela1, hybrid = TRUE)
teste_hipo1
Fisher's Exact Test for Count Data hybrid using asym.chisq. iff
(exp=5, perc=80, Emin=1)
data: tabela1
p-value = 0.5706
alternative hypothesis: two.sided#p-value = 0.5706
#NÃO Rej H0, não há associação entre o status social e a probabilidade de morrerHipótese 02
Nessa hipótese, queremos saber qual religião perdeu mais adeptos, para isso faremos duas tabelas relacionando a variável “dth_flag”(se o personagem morreu ou não) com a variável “religion”(qual religião o personagem segue). A primeira tabela será com o números inteiros de personagens mortos e que sobreviveram de cada religião, a segunda será uma tabela proporcional desse cenário. Após criar as tabelas, faremos um gráfico de barras para cada uma para visualizarmos melhor as informações.
tabela2 <- table(personagens_info$dth_flag,personagens_info$religion)
tabela2
Desconhecidos Deus Afogado Deus das Muitas Faces Deuses Antigos
Morto(a) 122 12 3 22
Vivo(a) 112 2 3 9
Fé dos Sete Grande Garanhão Outros Senhor da Luz
Morto(a) 28 12 4 9
Vivo(a) 7 7 3 5tabela_prop2 <- round(prop.table(tabela2, 2)*100, 1)
tabela_prop2
Desconhecidos Deus Afogado Deus das Muitas Faces Deuses Antigos
Morto(a) 52.1 85.7 50.0 71.0
Vivo(a) 47.9 14.3 50.0 29.0
Fé dos Sete Grande Garanhão Outros Senhor da Luz
Morto(a) 80.0 63.2 57.1 64.3
Vivo(a) 20.0 36.8 42.9 35.7barplot(tabela2, beside = TRUE,
main = "Gráfico da Quantidade Total",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"))
barplot(tabela_prop2, beside = TRUE,
main = "Gráfico da Proporção entre Mortos e Vivos em relação à Religião",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,100))
Hipótese 03
Nessa hipótese queremos descobrir se há mais chances de um personagem masculino ou um personagem feminino morrer. Para descobrirmos isso, faremos os mesmo passos que da hipótese 01, mas agora com as variáveis “dth_flag”(personagem vivo ou morto) e “sex”(sexo do personagem).
tabela3 <- table(personagens_info$dth_flag,personagens_info$sex)
tabela3
Desconhecido Feminino Masculino
Morto(a) 0 44 168
Vivo(a) 1 61 86tabela_prop3 <- round(prop.table(tabela3, 2)*100, 1)
barplot(tabela3, beside = TRUE,
main = "Gráfico da Quantidade Total",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,200))
barplot(tabela_prop3, beside = TRUE,
main = "Gráfico da Proporção entre Mortos e Vivos em relação ao Sexo",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,100))
Agora faremos o teste de hipótese de Fisher para saber se há relação entre o sexo dos personagens e a chance de sobreviver.
#H0: Não há associação entre o sexo e a sobrevivência
#H1: Há associação
#alpha: 0,05
#p-value <= alpha, Rej H0
#p-value > alpha, NÃO Rej H0
teste_hipo3 <- fisher.test(tabela3, hybrid = TRUE)
teste_hipo3
Fisher's Exact Test for Count Data hybrid using asym.chisq. iff
(exp=5, perc=80, Emin=1)
data: tabela3
p-value = 1.981e-05
alternative hypothesis: two.sided#p-value = 0.00001981
# Rej H0, há associação entre o sexo e a probabilidade de morrerHipótese 04
personagens_info$dth_season <- as.factor(personagens_info$dth_season)
personagens_info$dth_episode <- as.factor(personagens_info$dth_episode)
summary(personagens_info) id name sex religion
Length:360 Length:360 Length:360 Desconhecidos :234
Class :character Class :character Class :character Fé dos Sete : 35
Mode :character Mode :character Mode :character Deuses Antigos : 31
Grande Garanhão: 19
Deus Afogado : 14
Senhor da Luz : 14
(Other) : 13
occupation social_status allegiance_last
Length:360 Length:360 Outros :135
Class :character Class :character Stark : 60
Mode :character Mode :character Desconhecido : 38
Lannister : 34
Patrulha da Noite: 27
Targaryen : 21
(Other) : 45
allegiance_switched intro_season intro_episode intro_time_sec
Length:360 Length:360 Length:360 Length:360
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
intro_time_hrs dth_flag dth_season dth_episode
Length:360 Length:360 6 : 53 72 : 16
Class :character Class :character 2 : 33 20 : 14
Mode :character Mode :character 4 : 29 60 : 13
8 : 26 54 : 8
1 : 20 58 : 8
(Other): 52 (Other):154
NA's :147 NA's :147
dth_time_sec dth_time_hrs censor_time_sec censor_time_hrs
Length:360 Length:360 Length:360 Length:360
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
exp_season exp_episode exp_time_sec exp_time_hrs
Length:360 Length:360 Length:360 Length:360
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
featured_episode_count prominence dth_description
Min. : 1.000 Length:360 Length:360
1st Qu.: 1.000 Class :character Class :character
Median : 3.000 Mode :character Mode :character
Mean : 7.805
3rd Qu.: 8.000
Max. :67.000
NA's :1
icd10_dx_code icd10_dx_text icd10_cause_code icd10_cause_text
Length:360 Length:360 Length:360 Length:360
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
icd10_place_code icd10_place_text top_location geo_location
Length:360 Length:360 Length:360 Length:360
Class :character Class :character Class :character Class :character
Mode :character Mode :character Mode :character Mode :character
time_of_day x36 x37 x38 x39
Length:360 Mode:logical Mode:logical Mode:logical Mode:logical
Class :character NA's:360 NA's:360 NA's:360 NA's:360
Mode :character
x40 x41
Mode:logical Mode:logical
NA's:360 NA's:360
episodios_info %>% filter(episode_number==72)# A tibble: 1 x 8
season episode_number episode_name gross_running_time opening_credits_time
<dbl> <dbl> <chr> <dbl> <dbl>
1 8 72 "\"The Bells\"" 4656 113
# ... with 3 more variables: closing_credits_time <dbl>,
# net_running_time <dbl>, cumulative_net_running_time <dbl>Hipótese 05
Aqui queremos saber se personagens que trocaram a que casas eram leais tem mais chance de morrer do que personagens leais a sua primeira casa, como são duas variáveis qualitativas, “dth_flag” e “allegiance_switched”, faremos os mesmo passos da hipótese 01 e 03.
tabela5 <- table(personagens_info$dth_flag,personagens_info$allegiance_switched)
tabela5
Desconhecido Não Sim
Morto(a) 0 181 31
Vivo(a) 1 123 24tabela_prop5 <- round(prop.table(tabela5, 2)*100, 1)
barplot(tabela5, beside = TRUE,
main = "Gráfico dos números totais",
sub = "Relação entre a sobrevivência e o personagem ter traído ou não",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,200))
barplot(tabela_prop5, beside = TRUE,
main = "Gráfico da Proporção entre Mortos e Vivos em relação a ter trocado de aliança ou não",
col = c("darkgray","royalblue"),
legend.text = c("Morto(a)","Vivo(a)"),
ylim = c(0,100))
Faremos agora o Teste exato de Fisher com mais de duas categorias para saber se há relação entre as duas variáveis.
#H0: Não há associação entre o status social e a sobrevivência
#H1: Há associação
#alpha: 0,05
#p-value <= alpha, Rej H0
#p-value > alpha, NÃO Rej H0
teste_hipo5 <- fisher.test(tabela5, hybrid = TRUE)
teste_hipo5
Fisher's Exact Test for Count Data hybrid using asym.chisq. iff
(exp=5, perc=80, Emin=1)
data: tabela5
p-value = 0.4607
alternative hypothesis: two.sided#p-value = 0.4607
#NÃO Rej H0, não há associação entre o personagem ter trocado de lealdade e a probabilidade de morrerHipótese 06
Nessa hipótese, queremos saber se personagens de uma certa casa tem preferência em tempo de tela do que personagens de outras casas. Como a variável “censor_time_sec” marca o tempo que o personagem apareceu até a sua morte ou fim da série, mesmo que ele não estivesse em cena, usaremos a variável “featured_episode_count”(quantidade de episódios que o personagem apareceu) junto com a variável “allegiance_last”(a que casa o personagem era leal no fim). Agruparemos as variáveis em relação as Casas que são fieis, depois pegaremos a média, desvio padrão e mediana de cada casa e mostraremos o resultado disso num Boxplot.
personagens_info %>% group_by(allegiance_last) %>% summarise(media=mean(featured_episode_count),
desvio_padrao=sd(featured_episode_count),
mediana=median(featured_episode_count))# A tibble: 9 x 4
allegiance_last media desvio_padrao mediana
<fct> <dbl> <dbl> <dbl>
1 Bolton 5.77 6.57 3
2 Desconhecido NA NA NA
3 Frey 2.17 1.76 1
4 Greyjoy 3.14 3.98 1.5
5 Lannister 10.4 14.6 4
6 Outros 5.70 7.07 3
7 Patrulha da Noite 10.1 13.3 6
8 Stark 14.4 18.0 5
9 Targaryen 14.8 17.7 7 boxplot(personagens_info$featured_episode_count~personagens_info$allegiance_last, main="Boxplot da quantidade de episódios participados por casa",
col=c("red","royalblue","green","yellow","grey","purple","pink","white","orange"),
ylim=c(0,50),
xlab="Casas",
ylab = "Quantidade de episódios")
Agora faremos o teste de hipótese, primeiramente conferindo se as variáveis seguem uma distruibuição normal.
modelo <- aov(featured_episode_count~allegiance_last, data = personagens_info)
residuos <- residuals(modelo)
#H0: segue uma distribuição normal
#H1: NÃO segue uma distribuição normal
#alpha = 0,05
#Se pvalor for menor que 0,05 Rej H0
#Se pvalor for maior que 0,05 NÃO Rej H0
shapiro.test(residuos)
Shapiro-Wilk normality test
data: residuos
W = 0.78008, p-value < 2.2e-16#p-value < 2.2e-16
#Rej H0, não segue uma distribuição normalComo as variáveis não tem uma distruibuição normal, faremos o Teste de Kruskal para saber se todas as casas possuem a mesma distruibuição em relação à quantidade de episódios que algum personagem dessa casa aparece. Caso forem diferentes, mostraremos uma tabela relacionando cada casa 1 a 1.
#H0: Todas as casas tem a mesma distribuição de quantidade de episódios em que aparecem
#H1: Existe pelo menos uma casa com distruibuição diferente
#alpha = 0,05
#Se pvalor for menor que 0,05 Rej H0
#Se pvalor for maior que 0,05 NÃO Rej H0
kruskal.test(personagens_info$featured_episode_count~personagens_info$allegiance_last)
Kruskal-Wallis rank sum test
data: personagens_info$featured_episode_count by personagens_info$allegiance_last
Kruskal-Wallis chi-squared = 37.314, df = 8, p-value = 1.007e-05#-value = 1.007e-05
#Rej H0, há pelo menos uma casa com distruibuição diferente
PMW <- pairwise.wilcox.test(personagens_info$featured_episode_count, personagens_info$allegiance_last,
p.adjust.method = "fdr")
PMW
Pairwise comparisons using Wilcoxon rank sum test with continuity correction
data: personagens_info$featured_episode_count and personagens_info$allegiance_last
Bolton Desconhecido Frey Greyjoy Lannister Outros
Desconhecido 0.0721 - - - - -
Frey 0.1536 0.9432 - - - -
Greyjoy 0.3425 0.5817 0.7645 - - -
Lannister 0.6043 0.0021 0.0306 0.0883 - -
Outros 1.0000 0.0017 0.0317 0.1613 0.3425 -
Patrulha da Noite 0.6168 0.0140 0.0421 0.1427 1.0000 0.3425
Stark 0.4086 0.0017 0.0168 0.0721 0.7051 0.0849
Targaryen 0.2829 0.0021 0.0140 0.0373 0.4471 0.0774
Patrulha da Noite Stark
Desconhecido - -
Frey - -
Greyjoy - -
Lannister - -
Outros - -
Patrulha da Noite - -
Stark 0.6528 -
Targaryen 0.5195 0.7664
P value adjustment method: fdr Análise dos Resultados
Hipótese 01
Após analisarmos essa hipótese, descobrimos que não há associação entre o Status Social do personagem e a chance de ele morrer ou não, ou seja, tanto faz se o personagem é nobre ou plebel, a chance de morrer nessa relação são as mesmas.
Hipótese 02
Com os resultados encontrados, podemos ver que em “Outros” é onde há mais personagens que morreram, em segundo lugar foi a Fé dos Sete. Já proporcinalmente, a religião que perdeu mais adeptos foi a do Deus Afogado, seguida pela Fé dos Sete.
Hipótese 03
Após a realização dos testes vimos que há relação entre o sexo e probabilidade de morte do personagem, ou seja, em GoT, personagens masculinos tem mais chance de morrer do que personagens femininos.
Hipótese 04
Com uma simples análise dos bancos de dados, podemos ver que a temporada em que mais morreram personagens na série foi a 6 e o episódio foi o 72, de nome “The Bells”
Hipótese 05
Após os testes vimos que não há uma relação entre o personagem ter trocado sua lealdade e ter mais ou menos chance de sobreviver. Antes mesmo do teste de hipótese dava para ver pelo gráfico proporcionalo quão próximos eram os valores para as duas variáveis.
Hipótese 06
Concluímos com nossa análise que há casas “principais” que aparecem em uma quantidade maior de episódios, nesse caso as casas Stark e Targaryen são as que mais apareceram.
Discussão e Conclusão
Com a finalização dessas análises conseguimos matar algumas dúvidas e responder nossas hipóteses levantadas anteriormente. Vimos que não faz diferença se um personagem é nobre ou plebel na chance dele morrer, porém o sexo influencia nisso, personagens femininos tem menor possibilidade de morte do que personagens masculinos. Vimos também que religiões perderam mais adeptos(morte), tanto na quantidade como proporcionalmente, descobrimos qual foi o episódio mais sangrento e qual a temporada mais sangrenta, percebemos que não há relação entre um personagem trocar sua aliança e a probabilidade de morrer e, por último, notamos que GoT da preferência para personagens das famílias Stark e Targaryan aparecem na trama.