title: lista de lego author: “Graziela Souza Da Silva” output: word_document: default

pdf_document: default html_document: default

LISTA DE EXERCÍCIOS LEGO 1

CARREGANDO PNAD
library(PNADcIBGE)

CARREGANDO DADOS
dadosP <- get_pnadc(year = 2019, quarter = 1, design = F, labels = F)

RODANDO O PACOTE RIO

library(rio)

EXPORTANDO OS DADOS
export(dadosP, file = "dadosPc2.csv")

IMPORTANDO OS DADOS
dadosP <-
import("C:/Users/grazi/Documents/R/win-library/4.1/markdown/doc/dadospc2.
csv")

```

CARREGANDO PACOTE DPLYR

library(dplyr)

##
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':

##
## filter, lag

## The following objects are masked from 'package:base':

##
## intersect, setdiff, setequal, union

CARREGANDO PACOTE MAGRITTR

library(magrittr)

RENOMEANDO VARIÁVEIS
library(dplyr)
library(tidyverse)

## ── Attaching packages ───────────────────────────────────────

tidyverse 1.3.1 ──
## ✓ ggplot2 3.3.5 ✓ purrr 0.3.4
## ✓ tibble 3.1.6 ✓ stringr 1.4.0
## ✓ tidyr 1.2.0 ✓ forcats 0.5.1
## ✓ readr 2.1.2

## ── Conflicts ──────────────────────────────────────────
tidyverse_conflicts() ──
## x tidyr::extract() masks magrittr::extract()
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
## x purrr::set_names() masks magrittr::set_names()

dadosP <-dadosP %>%

select (V2007, V2010, V2009, VD3005, VD4016, V1028)%>%
rename(sexo = V2007, raxa = V2010, idade = V2009, anosEst = VD3005, renda
= VD4016, peso = V1028)

glimpse(dadosP)

## Rows: 553,308
## Columns: 6
## $ sexo <int> 2, 1, 2, 2, 1, 1, 1, 2, 2, 1, 1, 2, 1, 1, 2, 1, 2, 1,
1, 1, 1,…
## $ raxa <int> 4, 4, 1, 4, 4, 1, 1, 4, 4, 4, 4, 4, 1, 1, 4, 4, 1, 1,
4, 4, 4,…
## $ idade <int> 44, 61, 26, 17, 6, 48, 54, 54, 29, 15, 11, 16, 23, 26,
20, 58,…
## $ anosEst <int> 16, 9, 12, 12, 0, 16, 4, 12, 14, 8, 4, 5, 12, 12, 12,
12, 8, 1…
## $ renda <dbl> 1583, NA, NA, NA, NA, 2800, NA, 1400, NA, NA, NA, NA,
2000, 25…
## $ peso <dbl> 125.3039, 125.3039, 125.3039, 125.3039, 125.3039,
134.0281, 12…

CONHECENDO AS VARIÁVEIS COM A FUNÇÃO SAPPLY

sapply(dadosP, class)

## sexo raxa idade anosEst renda peso

## "integer" "integer" "integer" "integer" "numeric" "numeric"

SUMMARY EM VARIÁVEIS QUALITATIVAS

RAÇA
summary(dadosP$raxa)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 1.000 1.000 4.000 2.676 4.000 9.000

SEXO
summary(dadosP$sexo)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 2.000 1.512 2.000 2.000

O r vai calcular os dados como se os números não fossem representações de elementos

qualitativos, o que não é uma boa forma de analisar as variáveis raça e sexo que estão
sendo representadas por números.

COMANDOS SEPARADOS
MÉDIA
mean(dadosP$idade)

## [1] 35.39333

mean(dadosP$anosEst, na.rm = TRUE)

## [1] 8.263054

mean(dadosP$renda, na.rm = TRUE)

## [1] 1977.273

MEDIANA
median(dadosP$idade)

## [1] 34

median(dadosP$anosEst, na.rm = TRUE)

## [1] 9

median(dadosP$renda, na.rm = TRUE)

## [1] 1200

VARIANCIA
var(dadosP$idade)

## [1] 470.5826

var(dadosP$anosEst, na.rm = TRUE)

## [1] 23.46245

var(dadosP$renda, na.rm = TRUE)

## [1] 8977378

DESVIO PADRÃO
sd(dadosP$idade)

## [1] 21.69292

sd(dadosP$anosEst, na.rm = TRUE)

## [1] 4.843805

sd(dadosP$renda, na.rm = TRUE)

## [1] 2996.227

QUARTIS
quantile(dadosP$idade,na.rm = TRUE)

## 0% 25% 50% 75% 100%

## 0 17 34 52 114

quantile(dadosP$anosEst,na.rm = TRUE)

## 0% 25% 50% 75% 100%

## 0 5 9 12 16

quantile(dadosP$renda,na.rm = TRUE)

## 0% 25% 50% 75% 100%

## 2 954 1200 2000 250000

DECIS
quantile(x = dadosP$idade, probs = seq(0, 1, .1), na.rm = T)

## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 0 7 14 20 27 34 41 48 56 66 114

quantile(x = dadosP$anosEst, probs = seq(0, 1, .1), na.rm = T)

## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 0 1 4 5 7 9 11 12 12 15 16

quantile(x = dadosP$renda, probs = seq(0, 1, .1), na.rm = T)

## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90%

100%
## 2 400 700 998 1000 1200 1500 1950 2500 4000
250000

FREQUÊNCIAS DAS VARIÁVEIS QUALITATIVAS

SEXO
table(dadosP$sexo)

##
## 1 2
## 269827 283481

RACA
table(dadosP$raxa)
##
## 1 2 3 4 5 9
## 212519 47294 2838 288088 2554 15

CARREGANDO PACOTES TIDYVERSE E HMISC

library(tidyverse)
library(Hmisc)

## Carregando pacotes exigidos: lattice

## Carregando pacotes exigidos: survival

## Carregando pacotes exigidos: Formula

##
## Attaching package: 'Hmisc'

## The following objects are masked from 'package:dplyr':

##
## src, summarize

## The following objects are masked from 'package:base':

##
## format.pval, units

CALCULANDO ESTATÍSTICAS AS VARIÁVEIS QUANTITATIVAS COM O PACOTE

HMISC
média
dadosP %>% select(idade, anosEst, renda) %>%
apply(2, wtd.mean, weights = dadosP$peso)

## idade anosEst renda

## 34.089650 8.856269 2197.950286

quantis
dadosP %>% select(idade, anosEst, renda) %>%
apply(2, wtd.quantile, weights = dadosP$peso)

## idade anosEst renda

## 0% 0 0 2
## 25% 17 5 998
## 50% 32 9 1400
## 75% 49 12 2200
## 100% 114 16 250000

variancia
dadosP %>% select(idade, anosEst, renda) %>%
apply(2, wtd.var, weights = dadosP$peso)

## idade anosEst renda

## 4.468390e+02 2.291781e+01 1.155958e+07
desvio padrão
sqrt(wtd.var(x = dadosP$renda, weights = dadosP$peso))

## [1] 3399.939

FREQUENCIAS COM PESO AMOSTRAL DE VARIÁVEIS QUALITATIVAS (RAÇA E

SEXO)
library(tidyverse)
library(dplyr)
a <- dadosP %>% count (dadosP$sexo, weights= peso)

NÚMERO MISSING DE CADA VARIÁVEL

sum(is.na(dadosP$sexo))

## [1] 0

sum(is.na(dadosP$raxa))

## [1] 0

sum(is.na(dadosP$idade))

## [1] 0

sum(is.na(dadosP$anosEst))

## [1] 34898

sum(is.na(dadosP$renda))

## [1] 330715

CALCULANDO NA MÃO
g <- na.omit(dadosP$renda)
h <- dadosP$idade
i <- dadosP$peso

sum((g - mean(g)) ^2/ length(g) -1)

## [1] 8754745

sum((h - mean(h)) ^2 /length(h)-1)

## [1] -552837.4

sum((i - mean(i)) ^2 /length(i)-1)

## [1] -409771.7

CARREGANDO GGPLOT
library(ggplot2)
HISTOGRAMA VARIÁVEL RENDA
library(Hmisc)
library(ggplot2)
library(dplyr)
ggplot (data = dadosP) +
geom_histogram (aes(x=renda))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

##
Histograma variá vel Idade
ggplot (data = dadosP) +
geom_histogram (aes(x = idade))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Histograma Variável Anos de Estudo
ggplot (data = dadosP) +
geom_histogram (aes(x = anosEst))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

## Warning: Removed 34898 rows containing non-finite values (stat_bin).

Gráfico de Barras, Variável Raça
ggplot(data= dadosP)+
geom_bar(aes(x = raxa))
Gráfico de Barras, Variável Sexo
ggplot(data= dadosP)+
geom_bar(aes(x = sexo))

Histograma variável idade com peso amostral

ggplot (data = dadosP) +
geom_histogram (aes(x = idade, weight= peso))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

FILTRANDO BANCO DE DADOS
filtre = dadosP %>%
select(sexo, raxa, idade, anosEst, renda, peso) %>%
filter(idade >=18 & idade <= 64, renda >0)

Observando a classe das variáveis do filtro

sapply(filtre, class)

## sexo raxa idade anosEst renda peso

## "integer" "integer" "integer" "integer" "numeric" "numeric"

RECODIFICANDO VARIÁVEIS
SEXO
filtre$sexo <- factor(filtre$sexo, label = c("Masculino", "Feminino"),
levels = c(1, 2))

glimpse(filtre)

## Rows: 211,242
## Columns: 6
## $ sexo <fct> Feminino, Masculino, Feminino, Masculino, Masculino,
Feminino,…
## $ raxa <int> 4, 1, 4, 1, 1, 4, 1, 4, 4, 4, 4, 1, 4, 4, 4, 4, 1, 4,
4, 4, 4,…
## $ idade <int> 44, 48, 54, 23, 26, 20, 30, 28, 25, 27, 46, 42, 25,
51, 32, 21…
## $ anosEst <int> 16, 16, 12, 12, 12, 12, 12, 16, 12, 9, 12, 16, 12, 9,
12, 9, 1…
## $ renda <dbl> 1583, 2800, 1400, 2000, 2500, 998, 1500, 1800, 998,
1100, 5000…
## $ peso <dbl> 125.3039, 134.0281, 122.4971, 173.4096, 173.4096,
173.4096, 14…

RAÇA
filtre$raxa[filtre$raxa == 1] <- "brancos"
filtre$raxa[filtre$raxa == 2] <- "não brancos "

filtre$raxa[filtre$raxa == 3] <- "brancos"

filtre$raxa[filtre$raxa == 4] <- "não brancos"

filtre$raxa[filtre$raxa == 5] <- "não brancos"

filtre$raxa[filtre$raxa == 9] <- "não brancos"

IDADE
filtre <- filtre %>%
mutate(idade_cut = idade %>%
cut(breaks = c(18, 24, 29, 39, 49, 59, 64),
labels = c("18 a 24 anos", "25 a 29 anos", "30 a 39 anos", "40 a 49
anos", "50 a 59 anos", "60 a 64 anos"), include.lowest = TRUE))

table(filtre$idade_cut)

##
## 18 a 24 anos 25 a 29 anos 30 a 39 anos 40 a 49 anos 50 a 59 anos 60 a
64 anos
## 27107 24558 58331 52285 38791
10170

FAIXAS DE ESCOLARIDADE
filtre <- filtre %>%
mutate(anos_cut = anosEst %>%
cut(breaks = c(0, 1, 7, 10, 14, 16),
labels = c("sem instrução", "fundamento incompleto",
"fundamental completo/medio completo", "medio completo/superior
incompleto", "medio superior/completo"), include.lowest = TRUE))

table(filtre$anos_cut)

##
## sem instrução fundamento
incompleto
## 7898
44952
## fundamental completo/medio completo medio completo/superior
incompleto
## 30776
85483
## medio superior/completo
## 42133

CRIANDO VARIÁVEL LOG DE RENDA

filtre <- filtre %>%
mutate(log_renda = log(renda))

filtre %>%
count(anos_cut, wt = peso) %>%
mutate(prop = n/sum(n))

## anos_cut n prop
## 1 sem instrução 2173842 0.02512954
## 2 fundamento incompleto 14914341 0.17240933
## 3 fundamental completo/medio completo 12304177 0.14223591
## 4 medio completo/superior incompleto 37907967 0.43821495
## 5 medio superior/completo 19205091 0.22201027

filtre %>%
count(idade_cut, wt = peso) %>%
mutate(prop = n/sum(n))

## idade_cut n prop
## 1 18 a 24 anos 11781970 0.13619921
## 2 25 a 29 anos 11534551 0.13333906
## 3 30 a 39 anos 25022055 0.28925419
## 4 40 a 49 anos 20663954 0.23887468
## 5 50 a 59 anos 14036447 0.16226090
## 6 60 a 64 anos 3466441 0.04007196

filtre %>%
select(log_renda) %>%
apply (2, wtd.mean, weight = filtre$peso)

## log_renda
## 7.263901

filtre %>%
select(log_renda) %>%
apply(2, wtd.var, weight = filtre$peso)

## log_renda
## 0.8163726

filtre %>%
select(log_renda) %>%
apply(2, wtd.quantile, weight = filtre$peso)

## log_renda
## 0% 1.386294
## 25% 6.905753
## 50% 7.244228
## 75% 7.696213
## 100% 12.429216

dadosP %>%
select (-raxa, -sexo,-idade,-anosEst,-peso)

ggplot(data = filtre) +
geom_bar(aes(x = anos_cut), width = 0.5, weight = var(filtre$peso))

## Warning: Ignoring unknown parameters: weight

ggplot(data = filtre) +
geom_bar(aes(x = idade_cut), width = 0.5, weight = var(filtre$peso))

## Warning: Ignoring unknown parameters: weight

ggplot(data = filtre) +
geom_histogram(aes(x = log_renda))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

 ###
Conforme visto em sala, utilizar o log de renda pode ser benéfico para efeitos de
visualizaçã o de dados.
ggplot(filtre, aes(x = anosEst, y = renda)) + geom_point()
CALCULANDO A MÉDIA PONDERADA E DIAGRAMA DE DISPERSÃO
dadosn <- filtre %>%
group_by(anosEst) %>%
summarise(renda_media = weighted.mean(renda, peso))

ggplot(dadosn, aes(x = anosEst, y = renda_media)) +

geom_point()

dadosx <- filtre %>%

group_by(anosEst) %>%
summarise(log_renda_media = weighted.mean(log_renda))

ggplot(dadosx, aes(x = anosEst, y = log_renda_media)) +

geom_point()
dadosY <- filtre %>%
group_by(idade_cut) %>%
summarise(renda = weighted.mean(renda))

ggplot(dadosY, aes(x = idade_cut, y = renda)) +

geom_point()
 ### média da
renda
renda_media <- mean(filtre$renda)

Função COR
cor(filtre$anosEst, filtre$renda)

## [1] 0.3105982

cor(filtre$anosEst, filtre$log_renda)

## [1] 0.4619979

CORELAÇÃO DE PEARSON
a <- filtre$anosEst
mean(a)

## [1] 10.46614

sd(a)

## [1] 4.250374

sum(a)

## [1] 2210888

vara <- a - mean(a)

b <- filtre$renda
mean(b)

## [1] 1978.912

sd(b)

## [1] 2887.562

sum(b)

## [1] 418029286

varb <- b - mean(b)

correlacao_person <- sum(vara * varb)/ sqrt(sum(vara ^2) * sum(varb^2))

cor(filtre$anosEst, filtre$renda)

## [1] 0.3105982

library(weights)

Calculando a correlação ponderada e média ponderada com peso amostral

wtd.cor(filtre$idade, filtre$anosEst, weight = filtre$peso)

## correlation std.err t.value p.value

## Y -0.2348575 0.002114908 -111.0486 0

Calculando a média da renda a partir de faixas de escolaridade com pesos

filtrex <- filtre %>%
group_by(anos_cut) %>%
summarise(renda = mean(renda, weight = peso, na.rm= TRUE))

view(filtrex)

Calculando a média de escolaridade por idade

filtren <- filtre %>%
group_by(idade_cut) %>%
summarise(renda = mean(renda, weight = peso, na.rm =TRUE))

Calculando média renda do trabalho para faixas de escolaridade e idade

filtreb <- filtre %>%
group_by(filtre$anos_cut) %>%
summarise(wtd.mean(renda, weights = peso))

Calculando a média da renda do trabalho para faixa de escolaridade/idade

mediarendaie <- filtre %>%
group_by(anos_cut, idade) %>%
summarise(wtd.mean(renda, weights = peso)) %>%
rename(renda_media = "wtd.mean(renda, weights = peso)")
## `summarise()` has grouped output by 'anos_cut'. You can override using
the
## `.groups` argument.

mediarendaie %>%
pivot_wider(names_from = anos_cut, values_from = idade)

## # A tibble: 235 × 6
## renda_media `sem instrução` `fundamento incompleto` `fundamental
completo/m…`
## <dbl> <int> <int>
<int>
## 1 984. 18 NA
NA
## 2 642. 19 NA
NA
## 3 684. 20 NA
NA
## 4 903. 21 NA
NA
## 5 796. 22 NA
NA
## 6 897. 23 NA
NA
## 7 796. 24 NA
NA
## 8 835. 25 NA
NA
## 9 978. 26 NA
NA
## 10 853. 27 NA
NA
## # … with 225 more rows, and 2 more variables:
## # `medio completo/superior incompleto` <int>, `medio
superior/completo` <int>

CARREGANDO GDATOOLS
library(GDAtools)

com numeros absolutos

wtable(mediarendaie$idade, mediarendaie$anos_cut, weights =
mediarendaie$renda_media)

## sem instrução fundamento incompleto fundamental completo/medio

completo
## 18 984.0 653.5
759.6
## 19 642.1 741.5
885.9
## 20 683.8 697.0
955.5
## 21 902.5 822.7
1009.6
## 22 796.1 790.4
1078.8
## 23 897.2 851.3
1142.2
## 24 795.6 995.9
1154.3
## 25 835.5 873.8
1165.9
## 26 977.6 920.2
1153.4
## 27 852.8 971.2
1268.8
## 28 892.9 1003.6
1188.3
## 29 1523.9 942.9
1213.5
## 30 803.7 1063.7
1263.4
## 31 1370.8 1017.2
1277.9
## 32 937.7 970.1
1320.8
## 33 1058.4 977.1
1360.5
## 34 1054.1 974.3
1275.9
## 35 922.6 1066.3
1337.3
## 36 969.2 1054.2
1409.2
## 37 851.9 1099.4
1425.3
## 38 1074.0 1116.1
1458.8
## 39 857.1 1192.5
1479.9
## 40 1239.0 1190.3
1569.2
## 41 780.2 1200.0
1502.4
## 42 853.4 1219.0
1499.5
## 43 1139.6 1250.5
1477.9
## 44 897.8 1200.7
1555.5
## 45 863.2 1384.7
1655.1
## 46 928.7 1322.8
1503.6
## 47 1060.6 1377.7
1654.7
## 48 816.0 1335.0
1552.7
## 49 963.0 1271.0
1574.9
## 50 934.2 1287.7
1710.1
## 51 826.4 1324.0
1685.0
## 52 897.0 1262.8
1714.3
## 53 849.8 1283.2
1683.2
## 54 814.6 1295.2
1706.7
## 55 814.2 1265.4
1617.1
## 56 742.3 1206.7
1681.0
## 57 929.3 1336.7
1640.4
## 58 864.9 1267.7
1735.7
## 59 933.2 1358.3
1899.6
## 60 1058.9 1258.8
1481.1
## 61 926.4 1379.1
2029.6
## 62 948.9 1247.0
1702.7
## 63 825.8 1262.5
1978.4
## 64 957.0 1223.3
1413.7
## Sum 43547.8 52804.9
67809.0
## medio completo/superior incompleto medio superior/completo
Sum
## 18 891.1 1146.8
4434.9
## 19 1004.8 993.1
4267.4
## 20 1063.9 1229.0
4629.1
## 21 1141.1 1229.7
5105.6
## 22 1193.9 1599.9
5459.1
## 23 1311.8 1829.6
6032.2
## 24 1348.7 1922.9
6217.4
## 25 1397.6 2077.8
6350.5
## 26 1405.7 2549.3
7006.3
## 27 1512.0 2660.2
7265.0
## 28 1577.7 3068.1
7730.6
## 29 1583.7 3097.8
8361.8
## 30 1597.4 3510.0
8238.2
## 31 1691.4 3664.1
9021.5
## 32 1706.9 3752.2
8687.7
## 33 1758.7 4101.1
9255.8
## 34 1855.2 4639.0
9798.6
## 35 1867.0 4488.2
9681.5
## 36 1784.1 4685.3
9902.0
## 37 1883.7 6041.0
11301.3
## 38 1848.6 4801.5
10299.1
## 39 1907.4 5105.0
10541.8
## 40 1899.8 5029.6
10927.8
## 41 1957.2 5299.2
10739.1
## 42 1995.1 5057.6
10624.6
## 43 1965.9 5239.1
11073.1
## 44 2270.0 5311.3
11235.3
## 45 2090.2 5452.6
11445.9
## 46 2069.0 5380.1
11204.2
## 47 2164.7 6040.0
12297.7
## 48 2175.9 5763.9
11643.5
## 49 2073.0 5316.0
11197.9
## 50 2208.8 5565.4
11706.3
## 51 2248.2 5725.1
11808.7
## 52 2294.7 5710.2
11879.0
## 53 2487.9 5564.2
11868.4
## 54 2519.5 5846.6
12182.5
## 55 2509.4 6688.1
12894.2
## 56 2333.0 6306.5
12269.5
## 57 2524.7 7166.4
13597.3
## 58 2553.9 7223.9
13646.0
## 59 2281.3 6680.1
13152.6
## 60 2727.7 6261.6
12788.2
## 61 2781.6 7161.3
14277.9
## 62 2394.6 5497.2
11790.4
## 63 2542.4 7077.9
13687.0
## 64 2715.7 5954.3
12264.1
## Sum 91116.8 216509.6
471788.2

POR PORCENTAGENS
wtable(mediarendaie$idade, mediarendaie$anos_cut, weights =
mediarendaie$renda_media, stat = "prop")

## sem instrução fundamento incompleto fundamental completo/medio

completo
## 18 0.2 0.1
0.2
## 19 0.1 0.2
0.2
## 20 0.1 0.1
0.2
## 21 0.2 0.2
0.2
## 22 0.2 0.2
0.2
## 23 0.2 0.2
0.2
## 24 0.2 0.2
0.2
## 25 0.2 0.2
0.2
## 26 0.2 0.2
0.2
## 27 0.2 0.2
0.3
## 28 0.2 0.2
0.3
## 29 0.3 0.2
0.3
## 30 0.2 0.2
0.3
## 31 0.3 0.2
0.3
## 32 0.2 0.2
0.3
## 33 0.2 0.2
0.3
## 34 0.2 0.2
0.3
## 35 0.2 0.2
0.3
## 36 0.2 0.2
0.3
## 37 0.2 0.2
0.3
## 38 0.2 0.2
0.3
## 39 0.2 0.3
0.3
## 40 0.3 0.3
0.3
## 41 0.2 0.3
0.3
## 42 0.2 0.3
0.3
## 43 0.2 0.3
0.3
## 44 0.2 0.3
0.3
## 45 0.2 0.3
0.4
## 46 0.2 0.3
0.3
## 47 0.2 0.3
0.4
## 48 0.2 0.3
0.3
## 49 0.2 0.3
0.3
## 50 0.2 0.3
0.4
## 51 0.2 0.3
0.4
## 52 0.2 0.3
0.4
## 53 0.2 0.3
0.4
## 54 0.2 0.3
0.4
## 55 0.2 0.3
0.3
## 56 0.2 0.3
0.4
## 57 0.2 0.3
0.3
## 58 0.2 0.3
0.4
## 59 0.2 0.3
0.4
## 60 0.2 0.3
0.3
## 61 0.2 0.3
0.4
## 62 0.2 0.3
0.4
## 63 0.2 0.3
0.4
## 64 0.2 0.3
0.3
## Sum 9.2 11.2
14.4
## medio completo/superior incompleto medio superior/completo Sum
## 18 0.2 0.2 0.9
## 19 0.2 0.2 0.9
## 20 0.2 0.3 1.0
## 21 0.2 0.3 1.1
## 22 0.3 0.3 1.2
## 23 0.3 0.4 1.3
## 24 0.3 0.4 1.3
## 25 0.3 0.4 1.3
## 26 0.3 0.5 1.5
## 27 0.3 0.6 1.5
## 28 0.3 0.7 1.6
## 29 0.3 0.7 1.8
## 30 0.3 0.7 1.7
## 31 0.4 0.8 1.9
## 32 0.4 0.8 1.8
## 33 0.4 0.9 2.0
## 34 0.4 1.0 2.1
## 35 0.4 1.0 2.1
## 36 0.4 1.0 2.1
## 37 0.4 1.3 2.4
## 38 0.4 1.0 2.2
## 39 0.4 1.1 2.2
## 40 0.4 1.1 2.3
## 41 0.4 1.1 2.3
## 42 0.4 1.1 2.3
## 43 0.4 1.1 2.3
## 44 0.5 1.1 2.4
## 45 0.4 1.2 2.4
## 46 0.4 1.1 2.4
## 47 0.5 1.3 2.6
## 48 0.5 1.2 2.5
## 49 0.4 1.1 2.4
## 50 0.5 1.2 2.5
## 51 0.5 1.2 2.5
## 52 0.5 1.2 2.5
## 53 0.5 1.2 2.5
## 54 0.5 1.2 2.6
## 55 0.5 1.4 2.7
## 56 0.5 1.3 2.6
## 57 0.5 1.5 2.9
## 58 0.5 1.5 2.9
## 59 0.5 1.4 2.8
## 60 0.6 1.3 2.7
## 61 0.6 1.5 3.0
## 62 0.5 1.2 2.5
## 63 0.5 1.5 2.9
## 64 0.6 1.3 2.6
## Sum 19.3 45.9 100.0

PELO PERCENTUAL DAS LINHAS

wtable(mediarendaie$idade, mediarendaie$anos_cut, weights =
mediarendaie$renda_media, stat = "rprop")

## sem instrução fundamento incompleto fundamental completo/medio

completo
## 18 22.2 14.7
17.1
## 19 15.0 17.4
20.8
## 20 14.8 15.1
20.6
## 21 17.7 16.1
19.8
## 22 14.6 14.5
19.8
## 23 14.9 14.1
18.9
## 24 12.8 16.0
18.6
## 25 13.2 13.8
18.4
## 26 14.0 13.1
16.5
## 27 11.7 13.4
17.5
## 28 11.5 13.0
15.4
## 29 18.2 11.3
14.5
## 30 9.8 12.9
15.3
## 31 15.2 11.3
14.2
## 32 10.8 11.2
15.2
## 33 11.4 10.6
14.7
## 34 10.8 9.9
13.0
## 35 9.5 11.0
13.8
## 36 9.8 10.6
14.2
## 37 7.5 9.7
12.6
## 38 10.4 10.8
14.2
## 39 8.1 11.3
14.0
## 40 11.3 10.9
14.4
## 41 7.3 11.2
14.0
## 42 8.0 11.5
14.1
## 43 10.3 11.3
13.3
## 44 8.0 10.7
13.8
## 45 7.5 12.1
14.5
## 46 8.3 11.8
13.4
## 47 8.6 11.2
13.5
## 48 7.0 11.5
13.3
## 49 8.6 11.4
14.1
## 50 8.0 11.0
14.6
## 51 7.0 11.2
14.3
## 52 7.6 10.6
14.4
## 53 7.2 10.8
14.2
## 54 6.7 10.6
14.0
## 55 6.3 9.8
12.5
## 56 6.1 9.8
13.7
## 57 6.8 9.8
12.1
## 58 6.3 9.3
12.7
## 59 7.1 10.3
14.4
## 60 8.3 9.8
11.6
## 61 6.5 9.7
14.2
## 62 8.0 10.6
14.4
## 63 6.0 9.2
14.5
## 64 7.8 10.0
11.5
## Sum 9.2 11.2
14.4
## medio completo/superior incompleto medio superior/completo Sum
## 18 20.1 25.9 100
## 19 23.5 23.3 100
## 20 23.0 26.5 100
## 21 22.4 24.1 100
## 22 21.9 29.3 100
## 23 21.7 30.3 100
## 24 21.7 30.9 100
## 25 22.0 32.7 100
## 26 20.1 36.4 100
## 27 20.8 36.6 100
## 28 20.4 39.7 100
## 29 18.9 37.0 100
## 30 19.4 42.6 100
## 31 18.7 40.6 100
## 32 19.6 43.2 100
## 33 19.0 44.3 100
## 34 18.9 47.3 100
## 35 19.3 46.4 100
## 36 18.0 47.3 100
## 37 16.7 53.5 100
## 38 17.9 46.6 100
## 39 18.1 48.4 100
## 40 17.4 46.0 100
## 41 18.2 49.3 100
## 42 18.8 47.6 100
## 43 17.8 47.3 100
## 44 20.2 47.3 100
## 45 18.3 47.6 100
## 46 18.5 48.0 100
## 47 17.6 49.1 100
## 48 18.7 49.5 100
## 49 18.5 47.5 100
## 50 18.9 47.5 100
## 51 19.0 48.5 100
## 52 19.3 48.1 100
## 53 21.0 46.9 100
## 54 20.7 48.0 100
## 55 19.5 51.9 100
## 56 19.0 51.4 100
## 57 18.6 52.7 100
## 58 18.7 52.9 100
## 59 17.3 50.8 100
## 60 21.3 49.0 100
## 61 19.5 50.2 100
## 62 20.3 46.6 100
## 63 18.6 51.7 100
## 64 22.1 48.6 100
## Sum 19.3 45.9 100

PELO PERCENTUAL DAS COLUNAS

wtable(mediarendaie$idade, mediarendaie$anos_cut, weights =
mediarendaie$renda_media, stat = "cprop")

## sem instrução fundamento incompleto fundamental completo/medio

completo
## 18 2.3 1.2
1.1
## 19 1.5 1.4
1.3
## 20 1.6 1.3
1.4
## 21 2.1 1.6
1.5
## 22 1.8 1.5
1.6
## 23 2.1 1.6
1.7
## 24 1.8 1.9
1.7
## 25 1.9 1.7
1.7
## 26 2.2 1.7
1.7
## 27 2.0 1.8
1.9
## 28 2.1 1.9
1.8
## 29 3.5 1.8
1.8
## 30 1.8 2.0
1.9
## 31 3.1 1.9
1.9
## 32 2.2 1.8
1.9
## 33 2.4 1.9
2.0
## 34 2.4 1.8
1.9
## 35 2.1 2.0
2.0
## 36 2.2 2.0
2.1
## 37 2.0 2.1
2.1
## 38 2.5 2.1
2.2
## 39 2.0 2.3
2.2
## 40 2.8 2.3
2.3
## 41 1.8 2.3
2.2
## 42 2.0 2.3
2.2
## 43 2.6 2.4
2.2
## 44 2.1 2.3
2.3
## 45 2.0 2.6
2.4
## 46 2.1 2.5
2.2
## 47 2.4 2.6
2.4
## 48 1.9 2.5
2.3
## 49 2.2 2.4
2.3
## 50 2.1 2.4
2.5
## 51 1.9 2.5
2.5
## 52 2.1 2.4
2.5
## 53 2.0 2.4
2.5
## 54 1.9 2.5
2.5
## 55 1.9 2.4
2.4
## 56 1.7 2.3
2.5
## 57 2.1 2.5
2.4
## 58 2.0 2.4
2.6
## 59 2.1 2.6
2.8
## 60 2.4 2.4
2.2
## 61 2.1 2.6
3.0
## 62 2.2 2.4
2.5
## 63 1.9 2.4
2.9
## 64 2.2 2.3
2.1
## Sum 100.0 100.0
100.0
## medio completo/superior incompleto medio superior/completo Sum
## 18 1.0 0.5 0.9
## 19 1.1 0.5 0.9
## 20 1.2 0.6 1.0
## 21 1.3 0.6 1.1
## 22 1.3 0.7 1.2
## 23 1.4 0.8 1.3
## 24 1.5 0.9 1.3
## 25 1.5 1.0 1.3
## 26 1.5 1.2 1.5
## 27 1.7 1.2 1.5
## 28 1.7 1.4 1.6
## 29 1.7 1.4 1.8
## 30 1.8 1.6 1.7
## 31 1.9 1.7 1.9
## 32 1.9 1.7 1.8
## 33 1.9 1.9 2.0
## 34 2.0 2.1 2.1
## 35 2.0 2.1 2.1
## 36 2.0 2.2 2.1
## 37 2.1 2.8 2.4
## 38 2.0 2.2 2.2
## 39 2.1 2.4 2.2
## 40 2.1 2.3 2.3
## 41 2.1 2.4 2.3
## 42 2.2 2.3 2.3
## 43 2.2 2.4 2.3
## 44 2.5 2.5 2.4
## 45 2.3 2.5 2.4
## 46 2.3 2.5 2.4
## 47 2.4 2.8 2.6
## 48 2.4 2.7 2.5
## 49 2.3 2.5 2.4
## 50 2.4 2.6 2.5
## 51 2.5 2.6 2.5
## 52 2.5 2.6 2.5
## 53 2.7 2.6 2.5
## 54 2.8 2.7 2.6
## 55 2.8 3.1 2.7
## 56 2.6 2.9 2.6
## 57 2.8 3.3 2.9
## 58 2.8 3.3 2.9
## 59 2.5 3.1 2.8
## 60 3.0 2.9 2.7
## 61 3.1 3.3 3.0
## 62 2.6 2.5 2.5
## 63 2.8 3.3 2.9
## 64 3.0 2.8 2.6
## Sum 100.0 100.0 100.0

percebe-se que somar em linhas é a melhor forma de somar os percentuais, porque a

comparação é ilustrada de forma mais qualitativa