Aqui vamos fazer uma análise com duas variáveis:

Passo 1 - Importação

library(readxl)
Familias <- read_excel("C:/Users/loren/Downloads/Estatistica/Base_de_dados-master/Familias.xls")
#View(Familias)
head(Familias)
# A tibble: 6 x 6
  familia local       p.a.p   instr                tam renda
    <dbl> <chr>       <chr>   <chr>              <dbl> <dbl>
1       1 Monte Verde Não usa Ensino médio           4  10.3
2       2 Monte Verde Não usa Ensino médio           4  15.4
3       3 Monte Verde Usa     Ensino fundamental     4   9.6
4       4 Monte Verde Não usa Ensino fundamental     5   5.5
5       5 Monte Verde Usa     Ensino médio           4   9  
6       6 Monte Verde Usa     Sem Instrução          1   2.4
SERVPRO <- read_excel("C:/Users/loren/Downloads/Estatistica/Base_de_dados-master/SERVPRO_2018_1.xlsx")
#View(SERVPRO)
head(SERVPRO)
# A tibble: 6 x 9
     id grau_pagamento  sexo  raca casado idade anos_trabalho desempenho salário
  <dbl>          <dbl> <dbl> <dbl>  <dbl> <dbl>         <dbl>      <dbl>   <dbl>
1     1              1     1     1      0    NA           0.5          2     890
2     2              1     1     0      0    25           2.4          3    1100
3     3              2     1     0      0    23           3.6          7    1070
4     4              1     0     1      0    26           1.9          3    1190
5     5              2     1     0      1    22           3.4          6    1290
6     6              1     1     1      1    23           2.8          4    1010

Passo 2 - Transformando dados

SERVPRO$sexo <- ifelse(SERVPRO$sexo==0,"Masculino","Feminino")
SERVPRO$raca <- ifelse(SERVPRO$raca==1,"Minoria","Não Minoria")
SERVPRO$casado <- ifelse(SERVPRO$casado==1,"Casado_a","Solteiro_a")
SERVPRO$grau_pagamento <- ifelse( SERVPRO$grau_pagamento==1,"Junior",
                                  ifelse(SERVPRO$grau_pagamento==2,"Pleno","Senior"))

Passo 3 - Apresentando Operador Pipe (%>%)

library(dplyr)

Attaching package: 'dplyr'
The following objects are masked from 'package:stats':

    filter, lag
The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union
table(SERVPRO$grau_pagamento)

Junior  Pleno Senior 
   174    123    123 
SERVPRO %>% pull (grau_pagamento) %>% table
.
Junior  Pleno Senior 
   174    123    123 
prop.table(table(SERVPRO$grau_pagamento))*100

  Junior    Pleno   Senior 
41.42857 29.28571 29.28571 
round(prop.table(table(SERVPRO$grau_pagamento))*100,2)

Junior  Pleno Senior 
 41.43  29.29  29.29

Passo 4 - Craindo Tabelas

prop.table(table(SERVPRO$grau_pagamento))*100

  Junior    Pleno   Senior 
41.42857 29.28571 29.28571 
round(prop.table(table(SERVPRO$grau_pagamento))*100,2)

Junior  Pleno Senior 
 41.43  29.29  29.29 
SERVPRO %>% pull(grau_pagamento) %>% table()
.
Junior  Pleno Senior 
   174    123    123 
SERVPRO %>% pull(grau_pagamento) %>% 
  table() %>% prop.table() %>% round(2)
.
Junior  Pleno Senior 
  0.41   0.29   0.29 
SERVPRO %>% pull(grau_pagamento) %>% 
  table() %>% barplot()

# Ajustando a base Familia
#Número Absoluto
Familias %>% select(local,p.a.p) %>% table() 
                    p.a.p
local                Não usa Usa
  Encosta do Morro        12  25
  Monte Verde             18  22
  Parque da Figueira      12  31
#Numero relativo - linha
Familias %>% select(local,p.a.p) %>% table() %>% prop.table(1)*100
                    p.a.p
local                 Não usa      Usa
  Encosta do Morro   32.43243 67.56757
  Monte Verde        45.00000 55.00000
  Parque da Figueira 27.90698 72.09302
#Numero relativo - coluna
Familias %>% select(local,p.a.p) %>% table() %>% prop.table(2)*100
                    p.a.p
local                 Não usa      Usa
  Encosta do Morro   28.57143 32.05128
  Monte Verde        42.85714 28.20513
  Parque da Figueira 28.57143 39.74359

Usando Flextable

library(flextable)
# Passo 4 - estatisticas
# Tabela em num abs
Familias %>% select(local,p.a.p) %>% table() %>% data.frame() %>% flextable()