library(readr)
microdados <- read_csv("C:/Users/02aci/Downloads/microdados.csv")
library(dplyr)
library(flextable)
library(DT)
library(ggplot2)
microdados2 <-microdados %>% filter(ano==1984 | ano==2016)
microdados2 <-microdados2 %>%
mutate(
anosexo = case_when(
ano == 1984 & sexo =="F" ~ "Feminino_1984",
ano == 1984 & sexo =="M" ~ "Masculino_1984",
ano == 2016 & sexo =="F" ~ "Feminino_2016",
ano == 2016 & sexo =="M" ~ "Masculino_2016",
TRUE ~ "outros"))
microdados3 <-microdados %>% filter(ano==1984)
microdados3 <-microdados3 %>%
mutate(
anosexo = case_when(
ano == 1984 & sexo =="F" ~ "Feminino_1984",
ano == 1984 & sexo =="M" ~ "Masculino_1984",
TRUE ~ "outros"))
microdados4 <-microdados %>% filter(ano==2016)
microdados4 <-microdados4 %>%
mutate(
anosexo = case_when(
ano == 2016 & sexo =="F" ~ "Feminino_2016",
ano == 2016 & sexo =="M" ~ "Masculino_2016",
TRUE ~ "outros"))
datatable(microdados2)
tabela <- table(microdados2$anosexo, microdados2$medalha) %>% data.frame()
tabela <- tabela %>% rename (sexo_ano=Var1, medalhas=Var2, quantidade=Freq)
tabela %>% flextable() %>% theme_zebra()
sexo_ano | medalhas | quantidade |
Feminino_1984 | Bronze | 182 |
Feminino_2016 | Bronze | 331 |
Masculino_1984 | Bronze | 394 |
Masculino_2016 | Bronze | 372 |
Feminino_1984 | Gold | 188 |
Feminino_2016 | Gold | 318 |
Masculino_1984 | Gold | 383 |
Masculino_2016 | Gold | 347 |
Feminino_1984 | Silver | 178 |
Feminino_2016 | Silver | 320 |
Masculino_1984 | Silver | 373 |
Masculino_2016 | Silver | 335 |
tabela18 <- table(microdados2$anosexo, microdados2$medalha)
barplot(tabela18,beside=TRUE, col=c("red","pink","lightblue3","steelblue"),
horiz = FALSE,
legend.text = rownames(tabela18),
args.legend = list(x = "topright"),
main="MEDALHAS POR SEXO")
tabela1 <- table(microdados2$ano, microdados2$sexo) %>% data.frame()
tabela1 <- tabela1 %>% rename (Ano=Var1, Sexo=Var2, quantidade=Freq)
tabela1 %>% flextable() %>% theme_zebra()
Ano | Sexo | quantidade |
1984 | F | 2,983 |
2016 | F | 6,223 |
1984 | M | 8,605 |
2016 | M | 7,465 |
ggplot(microdados2) +
aes(x = ano, fill = sexo) +
geom_bar(position = "dodge") +
scale_fill_viridis_d(option = "cividis",
direction = 1) +
labs(x = ".", y = "Frequência", title = "ANO X SEXO") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", hjust = 0.5), axis.title.y = element_text(face = "bold"))
microdados3 %>% select(anosexo,idade) %>% group_by(anosexo) %>%
summarise(Mediana=median(idade), Minimo=min(idade), Maximo=max(idade), Media=mean(idade),desvio_padrao=round(sd(idade),2))%>% flextable() %>% theme_zebra()
anosexo | Mediana | Minimo | Maximo | Media | desvio_padrao |
Feminino_1984 | |||||
Masculino_1984 |
microdados4 %>% select(anosexo,idade) %>% group_by(anosexo) %>%
summarise(Mediana=median(idade), Minimo=min(idade), Maximo=max(idade), Media=mean(idade),desvio_padrao=round(sd(idade),2))%>% flextable() %>% theme_zebra()
anosexo | Mediana | Minimo | Maximo | Media | desvio_padrao |
Feminino_2016 | 25 | 13 | 62 | 25.57287 | 5.48 |
Masculino_2016 | 26 | 14 | 60 | 26.73731 | 5.57 |