Atividade 4 de Estatística de 2022
Felipe Fernandes de Araujo
25/05/2022
1º Passo - Importar dados
Comandos usados - library e head
Aqui estamos utilizando a base de dados Questionario_Estresse
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 - Realizar um Summary
Comandos usados - summary
Aqui podemos perceber que o mínimo de alunos é 1 e o máximo é 95, a média e a mediana são iguais com o valor de 48, primeiro e terceiro quartil representam 24.5 e 71,5. Em geral das tabelas de Turma, Mora_pais, RJ, Namorado_a, Trabalha não possuem valor de máximo acima de 3, suas medianas e primeiros quartis são iguais, com valor 2 e 1 respectivamente.
summary(Questionario_Estresse) Aluno Turma Mora_pais RJ Namorado_a
Min. : 1.0 Min. :1.000 Min. :1.000 Min. :1.000 Min. :1.000
1st Qu.:24.5 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
Median :48.0 Median :2.000 Median :2.000 Median :2.000 Median :2.000
Mean :48.0 Mean :2.074 Mean :1.537 Mean :1.653 Mean :1.505
3rd Qu.:71.5 3rd Qu.:3.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:2.000
Max. :95.0 Max. :3.000 Max. :2.000 Max. :2.000 Max. :2.000
Trabalha Desempenho Estresse Créditos
Min. :1.000 Min. :5.820 Min. :12.00 Min. :15.00
1st Qu.:1.000 1st Qu.:8.500 1st Qu.:22.50 1st Qu.:23.00
Median :2.000 Median :8.700 Median :27.00 Median :24.00
Mean :1.621 Mean :8.594 Mean :27.82 Mean :24.95
3rd Qu.:2.000 3rd Qu.:9.050 3rd Qu.:33.00 3rd Qu.:27.00
Max. :2.000 Max. :9.700 Max. :44.00 Max. :49.00
NA's :1
Horas_estudo
Min. :19.00
1st Qu.:25.00
Median :30.00
Mean :30.73
3rd Qu.:35.00
Max. :60.00
3º Passo - Inspecionar os dados
Comandos usados - str
Aqui podemos perceber que os dados são inicialmente todos númericos dentro da importação de base de dados
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 ...4º Passo - Transformar e Refinar os dados
Comandos usados - ifelse e table
Aqui nós colocamos condições para facilitar a leitura e a tabulação dos dados no R, através de ifelse, com dados que indicam sim ou não. Usamos os dados para quem Namora, Mora com os Pais, Mora no RJ e quem Trabalha
Questionario_Estresse$Namorado_a <- ifelse(Questionario_Estresse$Namorado_a==2,"Namora", "Solteiro")
table_Solteiros <- table(Questionario_Estresse$Turma, Questionario_Estresse$Namorado_a)
Questionario_Estresse$Mora_pais <- ifelse(Questionario_Estresse$Mora_pais==2, "Moram com os Pais", "Moram sem os pais")
table_Moradia <- table(Questionario_Estresse$Turma, Questionario_Estresse$Mora_pais)
Questionario_Estresse$RJ <- ifelse(Questionario_Estresse$RJ==2, "Moram no RJ", "Moram fora do RJ")
table_MoraRj <- table(Questionario_Estresse$Turma, Questionario_Estresse$RJ)
Questionario_Estresse$Trabalha <- ifelse(Questionario_Estresse$Trabalha==2, "Trabalha", "Desempregado")
table_trabalho <- table(Questionario_Estresse$Turma, Questionario_Estresse$Trabalha)5º Passo - Gerar Tabelas com os dados refinados
Comandos usados - table, par, rainbow, barplot e legend
Aqui nos temos a vizualização dos dados obtidos em forma de tabelas. Nesta tabelas podemos analisar elas da seguinte forma. Para cada variavél existem 3 tabelas. a 1ª sendo a tabela númerica dos alunos, a 2ª a Proporção Percentual de Alunos por grupos diferentes para cada Turma e temos a 3ª tabela que mostra Proporção Percentual por mesmo tipo de grupo de todas as Turmas.
Solteiro ou Namorado
Neste conjunto de dados nós temos que em termos de proporção a turma com maior proporção de pessoas que namoram é da Turma 1 e 3 com 17 alunos cada e com 35.412% cada, e em relação somente a Turma 1, as pessoas que namoram detem 60.714% da sala. Já os Solteiros eles em proporção se encontram em maior quantidade na Turma 2 e 3 com 18 alunos cada e com 38.297% cada, enquanto que somente na Turma 2, eles detêm a maior porcentagem de Solteiros, que é de 56.250%. Isso nós mostra que por pouco os Namoradeiros não ganham dos Solteiros em números.
table_Solteiros
Namora Solteiro
1 17 11
2 14 18
3 17 18prop.table(table_Solteiros, 1)*100
Namora Solteiro
1 60.71429 39.28571
2 43.75000 56.25000
3 48.57143 51.42857prop.table(table_Solteiros, 2)*100
Namora Solteiro
1 35.41667 23.40426
2 29.16667 38.29787
3 35.41667 38.29787par(bg = "#FFBF00")
par(cex = 0.8)
COL <- rainbow(3)
barplot(table_Solteiros, col = COL, ylim = c(0,60), beside = TRUE)
legend("top", c("Turma 1", "Turma 2", "Turma 3"), cex = 1.0,
fill = c(COL))
Moram com os Pais ou Moram sem os Pais
Aqui nós temos que as Turmas com as maiores porcentagens de pessoas que moram com os pais é da Turma 2 com 19 alunos e com 37.254%. E dentro da Turma 2 nós temos que a porcentagem de pessoas que moram com os pais é de 59.375%. Já as pessoas que não moram com os pais as maiores porcentagens entre as turmas se encontram na Turma 3 com 19 alunos e com 43.181%, e Dentro da turma 3, a porcentagem de pessoas que não moram com os pais é de 54.285%. O que nós mostra que a maior parte dos alunos moram com os pais.
table_Moradia
Moram com os Pais Moram sem os pais
1 16 12
2 19 13
3 16 19prop.table(table_Moradia, 1)*100
Moram com os Pais Moram sem os pais
1 57.14286 42.85714
2 59.37500 40.62500
3 45.71429 54.28571prop.table(table_Moradia, 2)*100
Moram com os Pais Moram sem os pais
1 31.37255 27.27273
2 37.25490 29.54545
3 31.37255 43.18182par(bg = "#FFBF00")
par(cex = 0.8)
COL <- rainbow(3)
barplot(table_Moradia,col = COL, ylim = c(0,60), beside = TRUE)
legend("top", c("Turma 1", "Turma 2", "Turma 3"), cex = 1.0,
fill = c(COL))
Moram no RJ ou não moram no RJ
Aqui nós temos dentre as turmas, que as pessoas que moram no RJ em grande parte se encontram em peso na Turma 3 com 23 alunos e com 37.096% e dentro desta turma a porcentagem de pessoas que moram no RJ, é de 65.714%. Já para quem não mora no RJ, as turmas com as maiores proporções de pessoas desse tipo são da Turma 3 com 12, e nela temos que a porcentagem de pessoas que não moram no RJ é de 34.285%. O que nós mostra que em peso temos mais pessoas que moram no RJ do que pessoas de fora do RJ.
table_MoraRj
Moram fora do RJ Moram no RJ
1 11 17
2 10 22
3 12 23prop.table(table_MoraRj, 1)*100
Moram fora do RJ Moram no RJ
1 39.28571 60.71429
2 31.25000 68.75000
3 34.28571 65.71429prop.table(table_MoraRj, 2)*100
Moram fora do RJ Moram no RJ
1 33.33333 27.41935
2 30.30303 35.48387
3 36.36364 37.09677par(bg = "#FFBF00")
par(cex = 0.8)
COL <- rainbow(3)
barplot(table_MoraRj, col = COL, ylim = c(0,60), beside = TRUE)
legend("top", c("Turma 1", "Turma 2", "Turma 3"), cex = 1.0,
fill = c(COL))
Trabalham ou não Trabalham
Aqui temos que dentre todas as turmas, as proporções de pessoas que trabalham vem da Turma 2 com 26 alunos e com 44.067%. E dentro da Turma 2, a porcentagem de alunos que trabalham é de 81.250%. Para os desempregados, dentre todas as Turmas, as maiores porcentagens vem das Turmas 1 e 2 com 41.666%. E dentro da Turma 1, a proporção de Desempregados é de 53.571%. Podemos dizer que a maior proporção de alunos é de pessoas que trabalham.
table_trabalho
Desempregado Trabalha
1 15 13
2 6 26
3 15 20prop.table(table_trabalho, 1)*100
Desempregado Trabalha
1 53.57143 46.42857
2 18.75000 81.25000
3 42.85714 57.14286prop.table(table_trabalho, 2)*100
Desempregado Trabalha
1 41.66667 22.03390
2 16.66667 44.06780
3 41.66667 33.89831par(bg = "#FFBF00")
par(cex = 0.8)
COL <- rainbow(3)
barplot(table_trabalho, col = COL, ylim = c(0,60), beside = TRUE)
legend("top", c("Turma 1", "Turma 2", "Turma 3"), cex = 1.0,
fill = c(COL))
6º Passo - Conclusões
Podemos dizer que em tese é mais provavel que caso você escolha 1 aluno aleatoriamente, você acabe por escolher alguém que Namora, ou Moram com os Pais, ou Moram no RJ ou que Trabalham, já que as maiores proporções destas três turmas indicaram maiores números destes tipos de alunos. Então de acordo com esta análise de dados. Nesta amostra é perceptível que os alunos possuem uma carga pesada de compromissos como trabalho, relacionamento e ainda assim existe grupos que vivem com os pais ou então que moram no RJ, e este último grupo tem um sentido lógico-estatistico já que a amostra destes dados trata de uma escola no RJ.