1º Passo - Importação de Dados

Aqui eu utilizei uma biblioteca de comando para exportar a base de dados Questionário_Estresse, e assim gerar a base de dados dentro do R. A base possui 95 observações de 10 variavéis

library(readxl)
Questionario_Estresse <- read_excel("C:/Users/User/Desktop/Faculdade/Adm P/8 Periodo/Estatistica/Base_de_dados-master/Base_de_dados-master/Questionario_Estresse.xls")
head(Questionario_Estresse)
# A tibble: 6 x 10
  Aluno Turma Mora_pais    RJ Namorado_a Trabalha Desempenho Estresse Créditos
  <dbl> <dbl>     <dbl> <dbl>      <dbl>    <dbl>      <dbl>    <dbl>    <dbl>
1     1     1         2     2          2        2       8.89       23       27
2     2     1         1     1          2        2       8.8        24       28
3     3     1         2     2          2        2       8          25       25
4     4     1         2     2          1        1       8.8        38       21
5     5     1         2     2          2        1       8.9        41       18
6     6     1         2     2          1        1       8.1        25       29
# ... with 1 more variable: Horas_estudo <dbl>

2º Passo - Inspecionar os Dados com o comando str

De acordo com a Inspecção as observações são todas númericas, e as variavéis são qualitativas nominais.

str(Questionario_Estresse)
tibble [95 x 10] (S3: tbl_df/tbl/data.frame)
 $ Aluno       : num [1:95] 1 2 3 4 5 6 7 8 9 10 ...
 $ Turma       : num [1:95] 1 1 1 1 1 1 1 1 1 1 ...
 $ Mora_pais   : num [1:95] 2 1 2 2 2 2 2 1 1 1 ...
 $ RJ          : num [1:95] 2 1 2 2 2 2 2 1 1 1 ...
 $ Namorado_a  : num [1:95] 2 2 2 1 2 1 2 1 2 2 ...
 $ Trabalha    : num [1:95] 2 2 2 1 1 1 2 1 1 1 ...
 $ Desempenho  : num [1:95] 8.89 8.8 8 8.8 8.9 8.1 9.2 8.5 8.7 8.3 ...
 $ Estresse    : num [1:95] 23 24 25 38 41 25 41 20 26 36 ...
 $ Créditos    : num [1:95] 27 28 25 21 18 29 26 24 20 49 ...
 $ Horas_estudo: num [1:95] 27 28 25 30 20 32 25 25 25 59 ...

3º Passo - Gerar gráficos de Pizza

Neste passo eu gerei vetores para transformar os dados e assim conseguir utlizar os comandos do pie, que é responsável por gerar a vizualização em gráfico de Pizza. Aqui temos vetores de coordenada de x, os labels para cada fatia do gráfico, tabelas tratradas com comando ifelse e vetor, e alguns comandos para mudar parametros das legendas do gráfico, das cores do gráfico e do tamanho da fonte.

Turmas

Abaixo temos a tabela e o gráfico com o números de alunos por turma

table(Questionario_Estresse$Turma)

 1  2  3 
28 32 35 
x <- c(28,32,35)
labels <- round(100*x/sum(x), 1)
Turma <- table(Questionario_Estresse$Turma)
pie(x, labels, Turma, main = "Pessoas nas Turmas", col = c("#301934","#DFFF00","#FFBF00"))
legend("topright", c("Turma 1", "Turma 2", "Turma 3"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFBF00"))

Estudantes que moram com os Pais

Abaixo temos o gráfico e a tabela que ilustram o número de estudantes de moram com os pais

Questionario_Estresse$Mora_pais <- ifelse(Questionario_Estresse$Mora_pais==2,"Sim", "Não")
table(Questionario_Estresse$Mora_pais)

Não Sim 
 44  51 
Turma_1 <- table(Questionario_Estresse$Mora_pais)
x <- c(51, 44)
labels_1 <- round(100*x/sum(x), 1)
pie(x, labels_1, Turma_1, main = "Pessoas que moram com os pais", col = c("#301934","#DFFF00","#FFBF00"))
legend("topright", c("Sim", "Não"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFBF00"))

Estudantes que moram no Rio de Janeiro, RJ

Abaixo temos o número de Estudantes que moram na Capital do Rio de Janeiro

Questionario_Estresse$RJ <- ifelse(Questionario_Estresse$RJ==2,"Sim", "Não")
table(Questionario_Estresse$RJ)

Não Sim 
 33  62 
Turma_2 <- table(Questionario_Estresse$RJ)
x <- c(62, 33)
labels_2 <- round(100*x/sum(x), 1)
pie(x,labels_2, Turma_2, main = "Pessoas que moram no RJ", col = c("#301934","#DFFF00","#FFBF00"))
legend("topright", c("Sim", "Não"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFBF00"))

Estudantes que namoram

Abaixo temos gráfico e a tabela com número de Estudantes que namoram

Questionario_Estresse$Namorado_a <- ifelse(Questionario_Estresse$Namorado_a==2,"Sim", "Não")
table(Questionario_Estresse$Namorado_a)

Não Sim 
 47  48 
Turma_3 <- table(Questionario_Estresse$Namorado_a)
x <- c(48,47)
labels_3 <- round(100*x/sum(x), 1)
pie(x, labels_3, Turma_3, main = "Pessoas que Namoram", col = c("#301934","#DFFF00","#FFBF00"))
legend("topright", c("Sim", "Não"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFBF00"))

Estudantes que trabalham

Abaixo temos o gráfico e a tabela com número de Estudantes que trabalham

Questionario_Estresse$Trabalha <- ifelse(Questionario_Estresse$Trabalha==2,"Sim", "Não")
table(Questionario_Estresse$Trabalha)

Não Sim 
 36  59 
Turma_4 <- table(Questionario_Estresse$Namorado_a)
x <- c(59,36)
labels_4 <- round(100*x/sum(x), 1)
pie(x, labels_4, Turma_4, main = "Pessoas que Trabalham", col = c("#301934","#DFFF00","#FFBF00"))
legend("topright", c("Sim", "Não"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFBF00"))

4º Passo - Descrever os gráficos, e fazer um resumo do que foi analisado

Podemos perceber dos gráficos analisados os estudantes dessa base de dados, em sua maioria são pessoas que moram com os pais(53.7 %), Que moram no RJ(65.3%), Que Namoram(50.5%), e que trabalham(62.1%). O que nos mostra que o perfil do Estudante nessa base de dados, é de pessoas que moram com os pais, mas também namoram e trabalham, um perfil muito tipico de estudantes universitários. Das 95 pessoas analisadas, 59 trabalham e 36 não trabalham. Dessas 95, 48 namoram e 47 são solteiras. Desses 95 casos, 62 pessoas moram na capital do Rio de Janeiro e 33 não moram. E por ultimo destes 95, 51 moram com os pais e 44 não moram. Existem 3 Turmas e das Trmas existentes temos que: A Turma 1 possui 28 estudantes(29.5%), A Turma 2 possui 32 estudantes(33.7%) e a maior turma, A Turma 3 possui 35 alunos(36.8%).