SOBRE OS DADOS

O dataset Ultimate Student Productivity contém informações sobre 5.000 estudantes de diferentes níveis acadêmicos (Ensino Médio, Graduação e Pós-Graduação). Os dados foram coletados para analisar o impacto de hábitos diários — como horas de estudo, sono, uso de redes sociais, consumo de cafeína e prática de exercícios — sobre o desempenho acadêmico e a produtividade dos estudantes.

O conjunto de dados possui 21 variáveis, classificadas em:

• Variáveis Qualitativas Nominais: Gênero (gender) e Emprego de meio período (part_time_job)
• Variáveis Qualitativas Ordinais: Nível acadêmico (academic_level) e Qualidade da internet (internet_quality)
• Variáveis Quantitativas Discretas: Pontuação de saúde mental (mental_health_score) e Consumo de cafeína (caffeine_intake_mg)
• Variáveis Quantitativas Contínuas: Horas de estudo (study_hours), Horas de sono (sleep_hours), Pontuação de produtividade (productivity_score) e Nota no exame (exam_score)

Cada aba deste dashboard apresenta dois gráficos de uma mesma categoria de variável, com suas respectivas explicações estatísticas.

SOBRE A AUTORA

Nome: Tayná
Idade: 20 anos
Período: 5º período — ADS
Campus: IFRO — Ji-Paraná

Este dashboard foi desenvolvido como projeto da disciplina de Probabilidade e Estatística, com o objetivo de explorar graficamente diferentes tipos de variáveis estatísticas utilizando a linguagem R e o pacote flexdashboard.

Os gráficos foram construídos com ggplot2 e os dados utilizados são públicos, provenientes do dataset Ultimate Student Productivity.

Gráfico 1 — Distribuição por Gênero

Gráfico 2 — Emprego de Meio Período

Explicando o Gráfico 1 — Gênero (Variável Qualitativa Nominal)

O que é uma variável qualitativa nominal?
É uma variável cujas categorias não possuem ordem ou hierarquia entre si. No caso do gênero, as categorias Feminino, Masculino e Outro são simplesmente rótulos distintos — não faz sentido dizer que uma categoria é “maior” ou “melhor” do que outra.

Por que usamos gráfico de pizza (setores)?
O gráfico de setores é ideal para variáveis nominais com poucas categorias (2 a 5), pois permite visualizar a proporção de cada grupo em relação ao todo de forma intuitiva. Cada fatia representa a participação percentual de um gênero no conjunto de dados.

Interpretação:
O gráfico revela a distribuição de gênero dos 5.000 estudantes. A presença de três categorias reflete uma coleta de dados inclusiva, que reconhece identidades além do binário tradicional. Diferenças nas proporções podem indicar padrões de participação acadêmica por gênero.

Explicando o Gráfico 2 — Emprego de Meio Período (Variável Qualitativa Nominal)

Por que é nominal?
A variável part_time_job registra apenas se o estudante tem ou não emprego de meio período (Sim / Não). Trata-se de uma variável binária nominal — as duas categorias não têm relação de ordem entre si.

Por que usamos gráfico de barras?
O gráfico de barras é a representação mais clara para comparar frequências absolutas entre categorias nominais. A altura de cada barra representa o total de estudantes em cada grupo, facilitando a comparação direta.

Interpretação:
Observar a proporção de estudantes trabalhadores é relevante pois o emprego de meio período pode impactar diretamente as horas de estudo, o sono e, consequentemente, o desempenho acadêmico — conexão que pode ser explorada nas abas seguintes do dashboard.

Gráfico 3 — Nível Acadêmico dos Estudantes

Gráfico 4 — Qualidade da Conexão à Internet

Explicando o Gráfico 3 — Nível Acadêmico (Variável Qualitativa Ordinal)

O que é uma variável qualitativa ordinal?
É uma variável cujas categorias possuem uma ordem natural e significativa entre si, mas a distância entre elas não é necessariamente igual nem mensurável numericamente. O nível acadêmico é um exemplo clássico: Ensino Médio < Graduação < Pós-Graduação — há uma progressão hierárquica clara.

Por que mantemos a ordem no gráfico?
Ao contrário de variáveis nominais, em variáveis ordinais a posição das barras importa. Apresentar as categorias na ordem correta (da menor à maior) facilita a leitura e respeita a natureza ordinal dos dados. A escala de verde mais claro para mais escuro também reforça visualmente essa progressão.

Interpretação:
A distribuição entre os três níveis acadêmicos mostra como o dataset está composto. Diferenças nas proporções podem influenciar padrões de produtividade, pois estudantes de pós-graduação tendem a ter perfis de estudo distintos dos do ensino médio.

Explicando o Gráfico 4 — Qualidade da Internet (Variável Qualitativa Ordinal)

Por que é ordinal?
A variável internet_quality classifica a conexão em Ruim, Regular e Boa — há uma ordem crescente de qualidade. Porém, não sabemos numericamente “quanto” melhor é Boa em relação a Regular, o que a diferencia de variáveis quantitativas.

Cores como ferramenta semiótica:
O uso de vermelho (ruim), amarelo (regular) e verde (boa) não é aleatório — segue uma convenção semântica amplamente reconhecida (como em semáforos), reforçando a ordem ordinal e tornando a leitura mais intuitiva.

Interpretação:
A qualidade da internet impacta diretamente o acesso a aulas online. Estudantes com conexão ruim podem ter desvantagens no aprendizado remoto, o que torna essa variável relevante para análises de equidade educacional.

Gráfico 5 — Pontuação de Saúde Mental

Gráfico 6 — Consumo de Cafeína (mg)

Explicando o Gráfico 5 — Saúde Mental (Variável Quantitativa Discreta)

O que é uma variável quantitativa discreta?
É uma variável numérica cujos valores são contáveis e finitos — ou seja, só assume valores inteiros específicos, sem frações entre eles. A pontuação de saúde mental varia de 1 a 10 em números inteiros, sendo um exemplo típico de variável discreta.

Por que usamos gráfico de barras e não histograma?
O gráfico de barras (com espaços entre as barras) é mais adequado para variáveis discretas porque cada valor é isolado e distinto. Um histograma seria mais apropriado para variáveis contínuas, onde os valores se distribuem em intervalos contínuos.

Interpretação:
A distribuição da saúde mental entre os estudantes revela como esse fator se distribui na amostra. Se os valores se concentrarem nos extremos, isso pode indicar polarização no bem-estar dos estudantes; se concentrados no centro, sugere uma população com saúde mental moderada.

Explicando o Gráfico 6 — Cafeína (Variável Quantitativa Discreta)

Por que é discreta?
O consumo de cafeína (caffeine_intake_mg) é registrado em miligramas inteiras (0, 1, 2, …, 499 mg). Embora o intervalo de valores seja amplo, cada observação é um número inteiro contável — característica que define a discretude.

Por que usamos histograma aqui?
Quando uma variável discreta tem muitos valores possíveis (500 valores distintos, de 0 a 499), agrupá-los em intervalos (bins) por meio de um histograma é a melhor forma de visualizar a distribuição geral. A linha tracejada vermelha indica a média, facilitando a comparação da distribuição em relação ao valor central.

Interpretação:
Uma distribuição aproximadamente uniforme do consumo de cafeína sugere que os hábitos variam bastante entre os estudantes. A média e a forma da distribuição ajudam a entender se há um padrão dominante de consumo na amostra.

Gráfico 7 — Distribuição das Horas de Sono

Gráfico 8 — Horas de Estudo × Nota no Exame

Explicando o Gráfico 7 — Horas de Sono (Variável Quantitativa Contínua)

O que é uma variável quantitativa contínua?
É uma variável numérica que pode assumir qualquer valor dentro de um intervalo, incluindo decimais — não há “saltos” entre os valores possíveis. As horas de sono variam de 4,0 a 10,0 horas com qualquer valor fracionário possível (ex: 6,73h), o que caracteriza a continuidade.

Histograma + Curva de Densidade:
Para variáveis contínuas, o histograma com curva de densidade é a visualização mais completa: o histograma mostra a frequência em intervalos, enquanto a curva suaviza a distribuição revelando seu formato geral (simétrico, assimétrico, bimodal, etc.). As linhas de média e mediana permitem avaliar a tendência central.

Interpretação:
A distribuição das horas de sono revela o padrão de descanso dos estudantes. Quando média e mediana estão próximas, a distribuição tende a ser simétrica. Se a maioria dos estudantes dorme abaixo de 7–8 horas (recomendação médica), isso pode ser um fator de risco para a produtividade e saúde.

Explicando o Gráfico 8 — Estudo × Nota no Exame (Variável Quantitativa Contínua)

Por que é contínua?
Tanto as horas de estudo quanto a nota no exame são variáveis que assumem valores decimais dentro de intervalos contínuos — horas de estudo de 0 a ~12h e notas de 1 a ~64 pontos com qualquer valor fracionário.

Gráfico de Dispersão (Scatterplot):
É a ferramenta ideal para analisar a relação entre duas variáveis contínuas. Cada ponto representa um estudante. A linha de regressão linear (vermelha) indica a tendência geral da relação, e o intervalo sombreado representa o intervalo de confiança de 95% — quanto mais estreito, mais precisa é a estimativa.

Interpretação:
A inclinação da reta de regressão indica se há associação positiva (mais estudo → nota maior) ou negativa entre as variáveis. A dispersão dos pontos ao redor da reta indica o quão forte é essa relação: pontos muito espalhados sugerem que outros fatores além das horas de estudo influenciam a nota. ```