Passo 1 - Introdução e Carregamento de Dados

Comandos utlizados - read.csv e view

Neste passo irei exportar por meio de read.csv a base de dado(dados_capacete_motocicleta_UFPR) e dar vizualização nela através da função view

dados_capacete_motocicleta_UFPR <- read.csv("C:/Users/User/Desktop/Faculdade/Adm P/8 Periodo/Estatistica/Base_de_dados-master/Base_de_dados-master/dados_capacete_motocicleta_UFPR.csv")

head(dados_capacete_motocicleta_UFPR)
          y capacete        engate    genero  posicao
1   correto  modular    serrilhado masculino condutor
2 incorreto  fechado naoserrilhado masculino condutor
3   correto  fechado naoserrilhado masculino condutor
4   correto  modular naoserrilhado masculino condutor
5   correto  fechado    serrilhado masculino condutor
6 incorreto  fechado naoserrilhado masculino condutor

Passo 2 - Criação de Tabelas

Comandos Utilizados - table

Neste Passo estou criando tabelas para poder inserir os valores corretos e correspondente nos gráficos de pizza. Neste ponto criei vizualizações de tabelas para dar coesão visual aos dados dentro da amostra. Em ordem respectiva temos as variavéis: 1-y, 2-capacete, 3-engate, 4-genero e 5-posicao

table(dados_capacete_motocicleta_UFPR$y)

  correto incorreto 
     2420      1589 
table(dados_capacete_motocicleta_UFPR$capacete)

 aberto fechado modular 
    178    3361     470 
table(dados_capacete_motocicleta_UFPR$engate)

    duploanel indeterminado naoserrilhado    serrilhado 
          141           960          1719          1189 
table(dados_capacete_motocicleta_UFPR$genero)

 feminino masculino 
      354      3655 
table(dados_capacete_motocicleta_UFPR$posicao)

  condutor passageiro 
      3738        271

Passo 3 - Transformar Dados, Destacar Porcentagem e dar Paramêtros gráficos

Comandos e funções utilizados - par, round e <-

Neste Passo eu configurei o fundo dos plots, destaquei as porcentagens de cada parte das variavéis no gráficos, configurei as estruturas numéricas e criei conjuntos referentes a cada variavél para dar melhorias gráficas e visuais aos plots de pizza.

tabela1 <- table(dados_capacete_motocicleta_UFPR$y)

round(prop.table(tabela1)*100,2)

  correto incorreto 
    60.36     39.64 
tabela2 <- table(dados_capacete_motocicleta_UFPR$capacete)

round(prop.table(tabela2)*100,2)

 aberto fechado modular 
   4.44   83.84   11.72 
tabela3 <- table(dados_capacete_motocicleta_UFPR$engate)

round(prop.table(tabela3)*100,2)

    duploanel indeterminado naoserrilhado    serrilhado 
         3.52         23.95         42.88         29.66 
tabela4 <- table(dados_capacete_motocicleta_UFPR$genero)

round(prop.table(tabela4)*100,2)

 feminino masculino 
     8.83     91.17 
tabela5 <- table(dados_capacete_motocicleta_UFPR$posicao)

round(prop.table(tabela5)*100,2)

  condutor passageiro 
     93.24       6.76 
X1 <- c(2420, 1589)

X2 <- c(178, 3361, 470)

X3 <- c(141, 960, 1719, 1189)

X4 <- c(354, 3655)

X5 <- c(3738, 271)

Passo 4 - Gerar os gráficos de Pizza

Comandos utilizados - pie, legend and fill

Gráfico 1

Neste Gráfico estamos tratando das pessoas que dirigem de maneira correta ou incorreta. Podemos perceber que dessas pessoas, 2420(60.36%) dirigem de maneira correta e 1589(39.64%) dirigem de maneira incorreta.

par(bg="#12e049")

pie(X1, tabela1, main = "Nº de Pessoas que dirigem de maneira Correta ou Incorreta", col = c("#301934","#DFFF00"))
legend("topright", c("Correto", "Incorreto"), cex = 0.8,
        fill = c("#301934","#DFFF00"))

Gráfico 2

Neste Gráfico temos os tipos de capacetes que as pessoas utilizam. Dessas pessoas, 3361(83.84%) utilizam o capacete fechado, 470(11.72%) usam o modular e 178(4.44%) restantes possuem capacete aberto.

par(bg="#12e049")

pie(X2, tabela2, main = "Nº de Pessoas por Tipos de Capacete", col = c("#301934","#DFFF00","#FFA500"))
legend("topright", c("Aberto", "Fechado","Modular"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFA500"))

Gráfico 3

Neste Gráfico temos os vários tipos de engate que as pessoas utilizam. De todas as observações, 1719(42.88%) tem Engate Não Serrilhado, 1189(29.66%) utilizam o Serrilhado, 960(23.95%) deram resposta indeterminada e os 141(3.52%) restantes afirmaram usar Duplo Anel.

par(bg="#12e049")

pie(X3, tabela3, main = "Nº de Pessoas por Tipos de Engate", col = c("#301934","#DFFF00","#FFA500","#cc27e8"))
legend("topright", c("Duplo Anel", "Indeterminado", "Não Serrilhado", "Serrilhado"), cex = 0.8,
       fill = c("#301934","#DFFF00","#FFA500","#cc27e8"))

Gráfico 4

Neste Gráfico temos as pessoas avaliadas por gênero. Em geral 3655(91.17%) variavéis são do gênero masculino e os 354(8.83%) restantes são do gênero feminino.

par(bg="#12e049")

pie(X4, tabela4, main = "Nº de Pessoas por Gênero", col = c("#301934","#DFFF00"))
legend("topright", c("Feminino", "Masculino"), cex = 0.8,
       fill = c("#301934","#DFFF00"))

Gráfico 5

Neste Gráfico temos as pessoas avaliadas em Condutores ou Passageiros. De todos eles, 3738(93.24%) são Condutores e os 271(6.76%) restantes são Passageiros.

par(bg="#12e049")

pie(X5, tabela5, main = "Nº de Pessoas que são condutores ou passageiros", col = c("#301934","#DFFF00"))
legend("topright", c("Condutor", "Passageiro"), cex = 0.8,
       fill = c("#301934","#DFFF00"))

Conclusão

Diante da Conclusão obtido podemos perceber que os dados em geral são de natureza qualitativa(ou categóricas) nominais, e o que isso quer dizer? São dados que normalmente classificam grupos ou indíviduos, e não possuem números. Além disso por serem Nominais, isso implica em dizer que os dados não possuem ordenação entre os grupos ou categorias distintas.

Diante dos dados obtidos, podemos concluir também que a maior parte das variavéis dessa amostra são compostas de pessoas que dirigem de maneira correta, que usam capacete fechado, que usam engate Não Serrilhado e que são do gênero Masculino. A Variavel com maior porcentagem dentre os gráficos é a variavel Condutores a qual detém 93.24% e a variavel com a menor porcentagem foi Duplo Anel com 3.52%.