Trabalho Final
Lucas Justin e Manuela Martins
16/02/2022
#Para iniciar todo o trabalho carregaremos todas as bibliotecas que serão usadas em algum momento da pesquisa
library(kableExtra)
library(readxl)
library(dplyr)##
## Attaching package: 'dplyr'## The following object is masked from 'package:kableExtra':
##
## group_rows## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(RColorBrewer)
library(corrplot)## corrplot 0.92 loaded#Serão utilizadas as seguintes cores ao longo da pesquisa
brewer.pal(4, "Reds")## [1] "#FEE5D9" "#FCAE91" "#FB6A4A" "#CB181D"brewer.pal(4, "Blues")## [1] "#EFF3FF" "#BDD7E7" "#6BAED6" "#2171B5"1. Introdução
A realidade do Rio de Janeiro é muito dura. Há muita pouca gente em universidade pública. Há poucas vagas e elas são destinadas, em sua grande maioria, a pessoas de alta renda, que tendem a ter um estudo melhor durante o ensino médio.Um exemplo de políticas públicas que tenta mudar essa realidade é a lei de cotas, que separa uma parte das vagas em universidades públicas para pessoas de baixa renda. Porém, ela sozinha não é o suficiente.
Diante dessa ideia que os pré vestibulares sociais/comunitários/populares atuam. Seu objetivo principal é dar a oportunidade para pessoas de baixa renda a entrar em uma universidade e realizar o sonho de muitas famílias. Através de um grupo de voluntários que tem alguma ligação com as matérias do ensino médio, em sua maioria focados na prova do ENEM, e um local favorável, essas pessoas se disponibilizam para dar aula, sem qualquer tipo de recompensa financeira, para pessoas que não tiveram a oportunidade de estudarem em bons colégios e não tem condições de pagar um curso preparatório.
Esses aspectos escancaram que o Rio de Janeiro é extremamente desigual e essa desigualdade é marcada geograficamente. O munícipio foi estratégicamente planejado para separar os “pobres dos ricos”. A “alta sociedade” não tem interesse em se misturar com a “ralé”. Os interesses público e as redes de comunicação e a maioria dos investimentos públicos costumam se concentrar nas regiões mais ricas. Mas isso não pode ser assim.
As políticas públicas e assistências sociais devem estar onde precisa e não onde são mais bem visto pela mídia ou onde fica mais cômodo para o burguês. Não adianta investir em zonas ricas que já tem bastante suporte de capital privado, o Estado tem o dever de garantir educação para todos e para isso é necessário prestar mais atenção em áreas que necessitam.
2. Objetivo
O objetivo do presente estudo é contribuir para a pesquisa e ampliar o conhecimento dos pré vestibulares da cidade do Rio de Janeiro. Através de dados de renda per capita e da explanação dos pré vestibulares por Zonas do Rio, pretende-se entender se eles estão distribuiudos corretamente, atendendo a população que mais precisa (de baixa renda), ou confrome os interesses do corpo escolar.
2.1 Hipótese
A hispótese do trabalho consiste primeiramente no entendendimento de alguns fatos. Como já explicado
3. Metodologia
Por se tratarem de iniciativas autônomas, coletivas, não institucionalizadas, sem financiamento e que dependem do trabalho voluntário, existem poucas pesquisas e poucos estudos sobre o assunto, visto que o município do Rio de Janeio não existe uma organização, coletivo ou grupo de pesquisa que faça esse levantamento e acompanhamento periódico. Assim, a pesquisadora Angela Cristina da Silva Santos, sob a orientação de Priscila Saemi Matsunaga, no Programa de Pós-graduação em Tecnologia para o Desenvolvimento Social - NIDES/UFRJ, desenvolveram o Pensando estratégias para o enfrentamento da evasão em pré-vestibulares populares: um estudo de caso na Maré – Rio de Janeiro/RJ que tem como extensão um mapeamento dos pré vestibulares voluntário do RJ e que servirá de base para esta pesquisa, disponível no link.O mapeamento, de onde foi tirada a tabela utilizada pode ser acessado através do link
#Carregar base de dados objeto da pesquisa
PreVest_Zonas <- read_excel("C:/Users/manue/Base_de_dados-master/PreVest_Zonas.xlsx")
View(PreVest_Zonas)#Execução e manipulação da tabela
kable(PreVest_Zonas, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T)| Zoneamento da Cidade do Rio de Janeiro | Quantidades de pre vestibulares | Percentual |
|---|---|---|
| Zona Norte | 83 | 0.47 |
| Zona Oeste | 55 | 0.31 |
| Zona Sul | 20 | 0.11 |
| Zona Central | 19 | 0.11 |
| Total | 177 | 1.00 |
Para estudo de comparação, foi utilizado uma planilha disponibilizada pela Wikipédia e manipulada para que pudesse ser devidamente comparada com as (escassas) informações a respeito do mapeamento dos pré vestibulares. A planilha disponibilizada apresentava a renda per capita por bairro e ainda apresentava qual região cada bairro estava presendo. Sendo assim foi condensada e formou a panilha abaixo.
#Carregar base de dados objeto da pesquisa
ZonasRenda <- read_excel("C:/Users/manue/Base_de_dados-master/ZonasRenda.xlsx")
View(ZonasRenda)#Execução e manipulação da tabela
PreVestRenda = ZonasRenda %>% inner_join(PreVest_Zonas)## Joining, by = "Zoneamento da Cidade\r\ndo Rio de Janeiro"View (PreVestRenda)
kable(ZonasRenda, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T)| Zoneamento da Cidade do Rio de Janeiro | Renda per Capita (R$) |
|---|---|
| Zona Norte | 1610.0 |
| Zona Oeste | 1856.0 |
| Zona Sul | 3542.0 |
| Zona Central | 1234.0 |
| Média Total | 2060.5 |
A partir dessa tabela que partirá o presente estudo. Entretanto é necessário condensa-las para que facilite a comparação dos dados. Formando então uma nova tabela.
kable(PreVestRenda, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T)| Zoneamento da Cidade do Rio de Janeiro | Renda per Capita (R$) | Quantidades de pre vestibulares | Percentual |
|---|---|---|---|
| Zona Norte | 1610 | 83 | 0.47 |
| Zona Oeste | 1856 | 55 | 0.31 |
| Zona Sul | 3542 | 20 | 0.11 |
| Zona Central | 1234 | 19 | 0.11 |
4. Resultados e Discussões
#Para facilitar na manipulação de todos os dados vamos renomear as planilhas
PreVestRenda <- rename(PreVestRenda, Renda = 'Renda per Capita (R$)')
PreVestRenda <- rename(PreVestRenda, Qnt = 'Quantidades de pre vestibulares')
PreVestRenda <- rename(PreVestRenda, Zona = `Zoneamento da Cidade\r\ndo Rio de Janeiro`)4.1 Barplot
Para esse gráfico é preciso i
4.1.1 Quantidade por Zonas
Foram utilizadas duas variáveis, qualitativa e quantitativa e elaborados gráficos Barplot para visualização da relação entre os dados.
barplot(Qnt ~ Zona, data=PreVestRenda, col= c("#FEE5D9", "#FCAE91", "#FB6A4A", "#CB181D"),
main= "Grafico de Qnt de PreVest por Zonas",
horiz=T,legend.text= rownames(PreVestRenda),
xlim=c(0,100),
args.legend = list(x = "topright"))
A partir da análise dos gráficos observamos que há uma diferença entre a quantidade de pré-vestibulares populares pelas zonas do estado. Sendo claramente a zona norte a região contendo a maior quantidade desses pré-vestibulares, depois a zona oeste seguida da zona sul e, por último, a região contendo o menor número de pré vestibulares populares, a zona central.
4.1.2 Renda por Zonas
A segunda análise foi com as variáveis Renda e Zona
barplot(Renda ~ Zona, data=PreVestRenda, col= c("#EFF3FF", "#BDD7E7", "#6BAED6", "#2171B5"),
main= "Grafico de Renda por Zonas",
horiz=T,legend.text= rownames(PreVestRenda),
xlim=c(0,4000),
args.legend = list(x = "topright"))
É possível observar que a zona sul é de longe a região com a maior renda per capita, depois dela vem a zona oeste, seguida da zona norte e, por último, a zona central.
4.2 Diagrama de dispersão
Agora relacionamos as variáveis quantitativas Renda e Quantidade de Pré-vestibulares e elaboramos um Diagrama de Dispersão para uma melhor visualização dos dados
par(bg="#EFF3FF")
par(cex=1.4)
plot(PreVestRenda$Qnt, PreVestRenda$Renda, pch=16, col = "#CB181D",
main = "Diagrama Dispersão - Renda/Quantidad Pre Vest",
ylab = "Renda", xlab = "Quantidade Pre Vestibulares")
abline(lsfit(PreVestRenda$Qnt, PreVestRenda$Renda),col= "#CB181D")
No plano cartesiano temos quatro pontos que representam as zonas do estado, sendo elas as zonas central, sul, oeste e norte, lidas da esquerda para a direita. Analisando o diagrama percebe-se que a zona com menor renda per capita (zona central) é também a zona com a menor quantidade de pré vestibulares populares, evidenciando uma incoerência, pois partimos do pressuposto de que uma zona mais carente de renda deveria ser a que mais necessita do auxilio que o pré vestibular popular oferece.
4.3 Matriz de Correlação
selecao = c("Qnt","Renda")
cor_prevest = cor(PreVestRenda[,selecao])
cor_prevest## Qnt Renda
## Qnt 1.0000000 -0.3684261
## Renda -0.3684261 1.0000000par(cex=0.5)
corrplot(cor_prevest)
4.4 Teste de Hipótese
Teste de correlação
Serão utilizadas as variáveis quantitativas de Renda e Quantidade de pré-vestibulares para fazer essa comparação. O objetivo desse teste é descobrir se tais variáveis estão correlacionadas.
- Primeiramente, para fazer o teste de hipótese precisamos verificar se a distribuição do dados é normal. Começamos a fazer isso através do Teste de Normalidade da quantidade de pré-vestibulares.
Vale ressaltar que o alpha é equivalente a aproximadamente 0,05 devido probabilidade irrelevante abaixo dela retirada da curva da normal.
- A renda tem distribuição normal?
H0: Os dados seguem uma distribuição normal
H1: Os dados não seguem uma distribuição normal
alpha: 0, 05
Se pvalor < alpha, rejeita H0
Se pvalor > alpha, não rejeita H0*
shapiro.test(PreVestRenda$Qnt)##
## Shapiro-Wilk normality test
##
## data: PreVestRenda$Qnt
## W = 0.87264, p-value = 0.3082pvalor (lê-se, p-value) = 0.3082
Portanto a quantidade de pré-vestibulares tem distribuição normal!
- Em seguida fazemos o mesmo processo para processo para a Renda per Capita.
- A renda tem distribuição normal?
H0: Os dados seguem uma distribuição normal
H1: Os dados não seguem uma distribuição normal
alpha: 0, 05
Se pvalor < alpha, rejeita H0
Se pvalor > alpha, não rejeita H0
shapiro.test(PreVestRenda$Renda)##
## Shapiro-Wilk normality test
##
## data: PreVestRenda$Renda
## W = 0.84783, p-value = 0.2192pvalor (lê-se, p-value) = 0.2192
Portanto, a renda tem distribuição normal!
- Visto que as duas variaveis são normais aplicamos o Teste de Pearson Em que teremos as seguintes premissas:
H0: rho = 0
H1: rho != 0
alpha: 0, 05
Se pvalor < alpha, rejeita H0
Se pvalor > alpha, não rejeita H0
cor.test (PreVestRenda$Renda,PreVestRenda$Qnt,
method = "pearson", conf.level = 0.95)##
## Pearson's product-moment correlation
##
## data: PreVestRenda$Renda and PreVestRenda$Qnt
## t = -0.56046, df = 2, p-value = 0.6316
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.9818503 0.9175591
## sample estimates:
## cor
## -0.3684261pvalor (lê-se, p-value) = 0.6316
Portantp, diferente de 0, logo as variáveis tem correlação!