Trabalho Final Estatística
Jhenifer Victória Mattos Ramos e João Marcos Porto Rapozo Silva
22/09/2021
Introdução
Diante da análise de uma planilha a respeito dos colaboradores de uma empresa, é possível observar o gênero, grau de instrução, número de filhos, idade, altura e salário dos funcionários. Para além das informações oferecidas em tal banco de dados, é válido questionar também, a estrutura política, econômica e social que conduziu o caminho dos mesmos a suas posições e cargos. Fatos como a Revolução Industrial, a entrada das mulheres no mercado de trabalho e o difícil acesso à Educação de qualidade corroboram para o cenário do quadro de funcionários da empresa supracitada.
OBJETIVO
O objetivo desta pesquisa, é constatar quais possíveis acontecimentos históricos levaram os funcionários em questão a sua atual realidade. Através da exploração de acontecimentos do passado, fatores do presente e avaliação visual de gráficos, será possível obter um embasamento que nos leve a possíveis cenários resultantes de tal realidade.
METODOLOGIA
Inicialmente, foi necessário selecionar e carregar a base de dados para o ambiente do RStudio. A fonte selecionada é uma base de dados acerca dos funcionários de uma empresa e suas informações pessoais e profissionais.
As variáveis de interesse utilizadas no estudo desta base de dados são: ## Gênero dos colaboradores ## Grau de Instrução ## Salário ## Idade ## Número de filhos ## Altura
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, unionlibrary(flextable)
library(reactable)
library(RColorBrewer)
library(flextable)
library(corrplot)## corrplot 0.90 loadedlibrary(readxl)
Banco_de_Dados_2 <- read_excel("C:/Users/jheni/Downloads/Banco de Dados 2.xlsx")
View(Banco_de_Dados_2)
head(Banco_de_Dados_2)## # A tibble: 6 x 7
## Sujeito Genero Grau_de_Instruçao N_Filhos Idade Altura Salario
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1 M Superior 1 31 160 4.1
## 2 2 F Superior 0 25 160 2.65
## 3 3 M Superior 0 33 157 4.7
## 4 4 M Ens Fundamental 0 20 163 1.45
## 5 5 F Ensino Médio 0 23 163 1.85
## 6 6 F Superior 2 37 155 2.2Após isso, foram elaborados os gráficos do tipo Pizza, a respeito do número de filhos dos colaboradores, Gráfico de Barras a respeito das alturas, Boxplot de Idade, Gráfico de correlação de salários da base de dados. Em prosseguimento avaliamos e organizamos tabelas e informações sobre a média de cada categoria dos dados, desvio de padrão, variância e histograma. Por fim foram realizadas pesquisas na web, a respeito da Revolução Industrial, a entrada das mulheres no mercado de trabalho e o difícil acesso à Educação.
coleta de dados:
tabela_1 <- table(Banco_de_Dados_2$Idade)
tabela_1##
## 20 23 25 26 27 29 30 31 32 33 34 35 36 37 38 40 41 42 43 46
## 1 1 1 2 1 1 2 2 1 2 2 2 1 2 1 2 2 1 2 1media_1 <- median(Banco_de_Dados_2$Idade)
table(Banco_de_Dados_2$N_Filhos)##
## 0 1 2 3 4
## 15 7 6 1 1tabela_2 <- table(Banco_de_Dados_2$N_Filhos)
tabela_2##
## 0 1 2 3 4
## 15 7 6 1 1median(Banco_de_Dados_2$N_Filhos)## [1] 0.5media_2 <- median(Banco_de_Dados_2$N_Filhos)
table(Banco_de_Dados_2$Grau_de_Instruçao)##
## Ens Fundamental Ensino Médio Superior
## 6 10 14tabela_3 <- table(Banco_de_Dados_2$Grau_de_Instruçao)
tabela_3##
## Ens Fundamental Ensino Médio Superior
## 6 10 14table(Banco_de_Dados_2$Salario)##
## 1 1.45 1.6 1.7 1.85 1.9 2.05 2.1 2.2 2.3 2.35 2.65 2.7 2.75 2.9 3
## 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 3.1 3.2 3.3 3.4 3.45 3.65 4 4.1 4.15 4.3 4.7 5.8
## 1 1 1 1 1 2 1 1 1 1 1 1tabela_4 <- table(Banco_de_Dados_2$Salario)
tabela_4##
## 1 1.45 1.6 1.7 1.85 1.9 2.05 2.1 2.2 2.3 2.35 2.65 2.7 2.75 2.9 3
## 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 3.1 3.2 3.3 3.4 3.45 3.65 4 4.1 4.15 4.3 4.7 5.8
## 1 1 1 1 1 2 1 1 1 1 1 1median(Banco_de_Dados_2$Salario)## [1] 2.825media_4 <- median(Banco_de_Dados_2$Salario)
table(Banco_de_Dados_2$Altura)##
## 145 155 157 160 163 165 168 170 173 175 183 185 188 191 193
## 1 1 3 3 4 3 2 3 3 2 1 1 1 1 1tabela_5 <- table(Banco_de_Dados_2$Altura)
tabela_5##
## 145 155 157 160 163 165 168 170 173 175 183 185 188 191 193
## 1 1 3 3 4 3 2 3 3 2 1 1 1 1 1median(Banco_de_Dados_2$Altura)## [1] 166.5media_5 <- median(Banco_de_Dados_2$Altura)1. Gráfico pizza do número de filhos de cada funcionário
Quando relacionamos os membros da empresa e o número de filhos é possível observar no gráfico de pizza abaixo que a maioria dos membros da equipe da empresa não possuem filhos, enquanto somente um funcionário da empresa possui 4 filhos. Para construir esse gráfico usamos o código “pie”
pie(tabela_2)
pie(tabela_2,main = "Gráfico 1 - Número de Filhos",col = c("#8bf0a9","#f08be1")) 
2. Gráfico de barras da altura dos funcionários
Quando a análise em questão é a altura de cada funcionário, o gráfico de barra nos mostra que a altura masi comum na empresa está na faixa de 1.63, seguidos de números próximos a 1.57 e a 1.73. Para construir esse gráfico usamos o código “barplot”.
barplot(table(Banco_de_Dados_2$Altura),
col=c("#f0b58b","#f0c78b","#f09d8b"),
main="Gráfico 2- Altura dos funcionários")
# 3. Gráfico Bloxplot da idade dos funcionários No gráfico boxplot é possivel observar a mediada mais afastada do terceiro quartil e mais próxima do primeiro quartil. Sendo assim, podemos observar que a mediana (segundo quartil) da idade dos funcionários está entre 30 e 35 anos. No boxplot, quando se tem um outlier, valores atípicos, facilmente conseguimos visualizá-los através do asterisco apresentado no boxplot, mas isso não ocorre no gráfico. Nesse sentido, analisamos que o membro mais velho da empresa tem 46 anos, enquato o membro mais novo da empresa tem 20.
boxplot(Banco_de_Dados_2$Idade,col = "#988bf0",
main="Gráfico 3 - Boxplot da idade dos funcionários")
4. Diagrama de Correlação
Neste gráfico analisamos também a relação entre funcionários e número de filhos. Analisamos ser um gráfico sem correlação com tendência positiva fraca através da linha.
plot(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos ,pch=19,col="#f08bb3",
main="Gráfico 4- Correlação entre Número de Filhos e Salário dos Funcionários", xlab = "Número de Filhos", ylab = "Salário")
abline(lsfit(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos),col="#8be1f0")
cor(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos)## [1] 0.21399425. Histograma
Um histograma é representado por um de gráfico de barras que demonstra uma distribuição de frequências.Nesse sentido, o gráfico abaixo é a relação do salario recebido por cada funcionário e sua frequência.
hist(Banco_de_Dados_2$Salario, col = c("#93e6b8"), main="Gráfico 5 - Histograma do Salário dos Funcionários",
xlab = "Salário",ylab = "Frequência")
# 6. desvio padrão O desvio padrão é uma medida que expressa o grau de dispersão de um conjunto de dados. Ele indica o quanto um conjunto de dados é uniforme. Quanto mais próximo de 0 for o desvio padrão, mais homogêneo são os dados. Através dele é possivél analisar que o desvio padrão da categoria Salários é de 1.09, e sua média é de 2.905.
media_salario <- mean(Banco_de_Dados_2$Salario)
desvio_padrao_salario <- sd(Banco_de_Dados_2$Salario)
media_salario## [1] 2.905desvio_padrao_salario## [1] 1.090504DISCUSSÃO
A priori, as problemáticas atuais tangentes à Revolução Industrial, podem ser observadas no conceito de “mais valia”, apontado como peça central no mecanismo do acúmulo de capital, nos levando a entender no que se sustenta essa dinâmica. Diante de uma situação, a qual o trabalhador sofre o processo de “alienação”, assim denominado pelo intelectual Karl Marx, o mesmo passa a ser parte do processo de produção, orientando apenas comandos de máquinas, de modo a levar o empregado a não saber ao certo o valor de seu trabalho. Nesse viés, o acúmulo de capital se perpetua diante de um salário muito baixo do funcionário comparado ao valor produzido pela empresa. Nesse contexto, torna-se cada vez mais perceptível a distância entre a inflação e os salários estabelecidos nas negociações de trabalho. Em segunda análise, a entrada da mulher no mercado de trabalho tem ligação direta com o banco de dados analisado, tendo em vista que 50% dos funcionários dessa empresa são do gênero feminino. Indo contra as concepções sociais antigas, hoje, entre as inúmeras preocupações da mulher, seja ela casada ou solteira, a inserção no mercado de trabalho é uma delas. Historicamente, desde os períodos de Guerra Mundial, ocorre uma valorização da mão de obra feminina, tendo em vista que no contexto histórico citado as mulheres assumiram papéis profissionais e sociais, como trabalhadoras e chefes de família que anteriormente eram executados apenas por homens. Paralelamente às Guerras Mundiais, as mulheres continuam exercendo papéis importantes na sociedade, estando no mercado de trabalho e sendo mães presentes que precisam sustentar seus filhos, mesmo que continue havendo diferenças salariais. Tal fato se revela de extrema importância, pelo mesmo possibilitar que as mulheres tenham poder de escolha diante das adversidades da vida e de situações de ameaça, infelizmente tão comuns no brasil, como os casos agressão domiciliares, os quais muitas mulheres se submetem por serem dependentes financeira. Outrossim, o difícil acesso a de educação de qualidade no Brasil, acarretam em discrepâncias salariais, quando relacionadas com o grau de instrução dos funcionários. Na empresa em questão, mais da metade dos empregados não obtém em seu currículo, ensino superior, de modo a denunciar as deficiências educacionais brasileiras. É de conhecimento geral que o acesso à educação é um direito inquestionável do homem, porém, no Brasil, tal direito é desmerecido quando se trata dos extratos mais pobres da sociedade, pelo fato dos mesmos não gozarem de insumos necessários para que sejam aprovados no Exame Nacional do Ensino Médio, de modo a gerar uma emancipação profissional precoce, o alcance de salários e cargos inferiores nas empresas e a baixa mobilidade social.
CONCLUSÃO
Fica claro, portanto, que por trás dos dados analisados existe um contexto, fatores resultantes e questões sociais. O que parecia ser apenas gênero, grau de instrução, número de filhos, idade, altura e salário dos funcionários, nos leva a eventos como as Guerras Mundiais, Revolução Industrial e entrada da mulher no mercado de trabalho. Da mesma maneira que mudanças e revoluções levaram a estrutura social do Brasil moderno, é possível acreditar que o ser humano é capaz de promover novas estruturações sociais e inovar o sistema vigente.
REFERÊNCIAS
DUTT-ROSS,Steven. Aulas de Estatística. UNIRIO- Administração Pública. 2021.
LEAL, Joana. Inserção da mulher no mercado de trabalho foi passo importante para novas configurações sociais. Disponivel em: http://www.usp.br/aunantigo/exibir?id=7501&ed=1302&f=23. Acesso em: 24 Set. 2021.
JORNAL ESTADÃO. Salários não acompanham a inflação. Disponivel em: https://opiniao.estadao.com.br/noticias/editorial-economico,salarios-nao-acompanham-a-inflacao,70003691970. Acesso em: 22 Set. 2021
SOCIOLOGIA ANIMADA. Karl Marx - Luta de classes e mais-valia. Disponível em: https://www.youtube.com/watch?v=8l6n_6NALY0. Acesso em: 24 Sept 2021 VIZIN, A.R. As desigualdades no acesso ao ensino de qualidade no Brasil.
ANEXOS
library(dplyr)
library(flextable)
library(reactable)
library(RColorBrewer)
library(flextable)
library(corrplot)
library(readxl)
Banco_de_Dados_2 <- read_excel("C:/Users/jheni/Downloads/Banco de Dados 2.xlsx")
View(Banco_de_Dados_2)
head(Banco_de_Dados_2)## # A tibble: 6 x 7
## Sujeito Genero Grau_de_Instruçao N_Filhos Idade Altura Salario
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1 M Superior 1 31 160 4.1
## 2 2 F Superior 0 25 160 2.65
## 3 3 M Superior 0 33 157 4.7
## 4 4 M Ens Fundamental 0 20 163 1.45
## 5 5 F Ensino Médio 0 23 163 1.85
## 6 6 F Superior 2 37 155 2.2summary(Banco_de_Dados_2)## Sujeito Genero Grau_de_Instruçao N_Filhos
## Min. : 1.00 Length:30 Length:30 Min. :0.0000
## 1st Qu.: 8.25 Class :character Class :character 1st Qu.:0.0000
## Median :15.50 Mode :character Mode :character Median :0.5000
## Mean :15.50 Mean :0.8667
## 3rd Qu.:22.75 3rd Qu.:1.7500
## Max. :30.00 Max. :4.0000
## Idade Altura Salario
## Min. :20.00 Min. :145.0 Min. :1.000
## 1st Qu.:30.00 1st Qu.:160.8 1st Qu.:2.062
## Median :34.00 Median :166.5 Median :2.825
## Mean :33.93 Mean :168.4 Mean :2.905
## 3rd Qu.:39.50 3rd Qu.:173.0 3rd Qu.:3.600
## Max. :46.00 Max. :193.0 Max. :5.800summary(Banco_de_Dados_2$Grau_de_Instruçao)## Length Class Mode
## 30 character charactersummary(Banco_de_Dados_2$N_Filhos)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.0000 0.5000 0.8667 1.7500 4.0000summary(Banco_de_Dados_2$Idade)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 20.00 30.00 34.00 33.93 39.50 46.00summary(Banco_de_Dados_2$Altura)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 145.0 160.8 166.5 168.4 173.0 193.0summary(Banco_de_Dados_2$Salario)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 2.062 2.825 2.905 3.600 5.800tabela_1 <- table(Banco_de_Dados_2$Idade)
tabela_1##
## 20 23 25 26 27 29 30 31 32 33 34 35 36 37 38 40 41 42 43 46
## 1 1 1 2 1 1 2 2 1 2 2 2 1 2 1 2 2 1 2 1media_1 <- median(Banco_de_Dados_2$Idade)
table(Banco_de_Dados_2$N_Filhos)##
## 0 1 2 3 4
## 15 7 6 1 1tabela_2 <- table(Banco_de_Dados_2$N_Filhos)
tabela_2##
## 0 1 2 3 4
## 15 7 6 1 1median(Banco_de_Dados_2$N_Filhos)## [1] 0.5media_2 <- median(Banco_de_Dados_2$N_Filhos)
table(Banco_de_Dados_2$Grau_de_Instruçao)##
## Ens Fundamental Ensino Médio Superior
## 6 10 14tabela_3 <- table(Banco_de_Dados_2$Grau_de_Instruçao)
tabela_3##
## Ens Fundamental Ensino Médio Superior
## 6 10 14table(Banco_de_Dados_2$Salario)##
## 1 1.45 1.6 1.7 1.85 1.9 2.05 2.1 2.2 2.3 2.35 2.65 2.7 2.75 2.9 3
## 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 3.1 3.2 3.3 3.4 3.45 3.65 4 4.1 4.15 4.3 4.7 5.8
## 1 1 1 1 1 2 1 1 1 1 1 1tabela_4 <- table(Banco_de_Dados_2$Salario)
tabela_4##
## 1 1.45 1.6 1.7 1.85 1.9 2.05 2.1 2.2 2.3 2.35 2.65 2.7 2.75 2.9 3
## 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1
## 3.1 3.2 3.3 3.4 3.45 3.65 4 4.1 4.15 4.3 4.7 5.8
## 1 1 1 1 1 2 1 1 1 1 1 1median(Banco_de_Dados_2$Salario)## [1] 2.825media_4 <- median(Banco_de_Dados_2$Salario)
table(Banco_de_Dados_2$Altura)##
## 145 155 157 160 163 165 168 170 173 175 183 185 188 191 193
## 1 1 3 3 4 3 2 3 3 2 1 1 1 1 1tabela_5 <- table(Banco_de_Dados_2$Altura)
tabela_5##
## 145 155 157 160 163 165 168 170 173 175 183 185 188 191 193
## 1 1 3 3 4 3 2 3 3 2 1 1 1 1 1median(Banco_de_Dados_2$Altura)## [1] 166.5media_5 <- median(Banco_de_Dados_2$Altura)
prop.table(tabela_1)*100##
## 20 23 25 26 27 29 30 31
## 3.333333 3.333333 3.333333 6.666667 3.333333 3.333333 6.666667 6.666667
## 32 33 34 35 36 37 38 40
## 3.333333 6.666667 6.666667 6.666667 3.333333 6.666667 3.333333 6.666667
## 41 42 43 46
## 6.666667 3.333333 6.666667 3.333333prop.table(tabela_2)*100##
## 0 1 2 3 4
## 50.000000 23.333333 20.000000 3.333333 3.333333prop.table(tabela_3)*100##
## Ens Fundamental Ensino Médio Superior
## 20.00000 33.33333 46.66667prop.table(tabela_4)*100##
## 1 1.45 1.6 1.7 1.85 1.9 2.05 2.1
## 3.333333 3.333333 3.333333 3.333333 6.666667 3.333333 3.333333 3.333333
## 2.2 2.3 2.35 2.65 2.7 2.75 2.9 3
## 3.333333 3.333333 3.333333 3.333333 3.333333 3.333333 3.333333 3.333333
## 3.1 3.2 3.3 3.4 3.45 3.65 4 4.1
## 3.333333 3.333333 3.333333 3.333333 3.333333 6.666667 3.333333 3.333333
## 4.15 4.3 4.7 5.8
## 3.333333 3.333333 3.333333 3.333333prop.table(tabela_5)*100##
## 145 155 157 160 163 165 168 170
## 3.333333 3.333333 10.000000 10.000000 13.333333 10.000000 6.666667 10.000000
## 173 175 183 185 188 191 193
## 10.000000 6.666667 3.333333 3.333333 3.333333 3.333333 3.333333pie(tabela_2)
pie(tabela_2,main = "Gráfico 1 - Número de Filhos",col = c("#8bf0a9","#f08be1"))
barplot(table(Banco_de_Dados_2$Altura),
col=c("#f0b58b","#f0c78b","#f09d8b"),
main="Gráfico 2- Altura dos funcionários")
boxplot(Banco_de_Dados_2$Idade,col = "#988bf0",
main="Gráfico 3 - Boxplot da idade dos funcionários")
plot(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos ,pch=19,col="#f08bb3",
main="Gráfico 4- Correlação entre Número de Filhos e Salário dos Funcionários", xlab = "Número de Filhos", ylab = "Salário")
abline(lsfit(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos),col="#8be1f0")
cor(Banco_de_Dados_2$Salario, Banco_de_Dados_2$N_Filhos)## [1] 0.2139942hist(Banco_de_Dados_2$Salario, col = c("#93e6b8"), main="Gráfico 5 - Histograma do Salário dos Funcionários",
xlab = "Salário",ylab = "Frequência")
media_salario <- mean(Banco_de_Dados_2$Salario)
desvio_padrao_salario <- sd(Banco_de_Dados_2$Salario)
media_salario## [1] 2.905desvio_padrao_salario## [1] 1.090504