1. Introducao

Este relatorio apresenta a atividade Exercicio 11 [Storytelling & R Markdown], integrando analise de dados em R com comunicacao visual e narrativa. O foco esta em organizar resultados de forma clara, criar visualizacoes que destaquem insights e estruturar o documento em R Markdown para publicacao.

2. Preparacao dos dados

2.1 Carregamento de arquivos locais

arquivos_esperados <- c(
  "Treatment.csv",
  "Catfish.csv",
  "Forbes2000_V2.csv",
  "Universal2023_ResultadoPreliminar.xls"
)

disponibilidade <- tibble(
  arquivo = arquivos_esperados,
  existe = file.exists(arquivos_esperados)
)

DT::datatable(disponibilidade, options = list(pageLength = 10))

2.2 Bases de fallback

data("Forbes2000", package = "HSAUR")
forbes <- Forbes2000

forbes_ranking <- forbes %>%
  arrange(desc(marketvalue), name) %>%
  mutate(ranking = row_number())

forbes_ranking %>%
  select(ranking, name, category, marketvalue) %>%
  slice(1:10) %>%
  DT::datatable(options = list(pageLength = 10))

3. Resolucao das atividades

3.1 Expressoes regulares

texto <- c(
  "Joao tem 27 anos e telefone (555) 123-4567.",
  "Maria tem 35 anos, email maria.silva@exemplo.com e telefone 555-999-1111."
)

padrao_idade <- "\\b\\d+\\s+anos\\b"
padrao_telefone <- "(?:\\(\\d{3}\\)\\s?\\d{3}-\\d{4}|\\d{3}-\\d{3}-\\d{4})"
padrao_email <- "[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}"

idades <- stringr::str_extract_all(texto, padrao_idade)
telefones <- stringr::str_extract_all(texto, padrao_telefone)
emails <- stringr::str_extract_all(texto, padrao_email)

list(idades = idades, telefones = telefones, emails = emails)

## $idades
## $idades[[1]]
## [1] "27 anos"
## 
## $idades[[2]]
## [1] "35 anos"
## 
## 
## $telefones
## $telefones[[1]]
## [1] "(555) 123-4567"
## 
## $telefones[[2]]
## [1] "555-999-1111"
## 
## 
## $emails
## $emails[[1]]
## character(0)
## 
## $emails[[2]]
## [1] "maria.silva@exemplo.com"

3.2 Consultas em bases

# Forbes2000 (fallback HSAUR)
resp_1234 <- forbes_ranking %>% filter(ranking == 1234) %>% select(name, category)
resp_198 <- forbes_ranking %>% filter(ranking == 198) %>% select(name, category)
resp_45_tech <- forbes_ranking %>%
  filter(category == "Technology hardware & equipment", ranking == 45) %>%
  select(name)

list(resp_1234 = resp_1234, resp_198 = resp_198, resp_45_tech = resp_45_tech)

## $resp_1234
##                 name category
## 1038 Doral Financial  Banking
## 
## $resp_198
##        name category
## 306 Gannett    Media
## 
## $resp_45_tech
## [1] name
## <0 linhas> (ou row.names de comprimento 0)

media_price <- ggplot2::diamonds %>%
  filter(cut == "Very Good", carat > 0.7) %>%
  summarise(media = mean(price, na.rm = TRUE))

cor_menor_price <- ggplot2::diamonds %>%
  filter(carat > 0.5) %>%
  arrange(price) %>%
  slice(1) %>%
  pull(color)

prop_premium <- mean(ggplot2::diamonds$cut == "Premium")

list(media_price = media_price, cor_menor_price = cor_menor_price, prop_premium = prop_premium)

## $media_price
## # A tibble: 1 × 1
##   media
##   <dbl>
## 1 6512.
## 
## $cor_menor_price
## [1] H
## Levels: D < E < F < G < H < I < J
## 
## $prop_premium
## [1] 0.255673

data("Fertility", package = "AER")

trecho_fertility <- Fertility %>% select(age, work) %>% slice(35:50)
prop_morekids_work30 <- Fertility %>%
  filter(work > 30) %>%
  summarise(prop = mean(morekids == "yes", na.rm = TRUE))
prop_male_22_24 <- Fertility %>%
  filter(age >= 22, age <= 24) %>%
  summarise(prop = mean(gender1 == "male", na.rm = TRUE))

list(
  trecho = trecho_fertility,
  prop_morekids_work30 = prop_morekids_work30,
  prop_male_22_24 = prop_male_22_24
)

## $trecho
##    age work
## 1   28   20
## 2   33   12
## 3   32    0
## 4   26   52
## 5   32   52
## 6   28    0
## 7   32   40
## 8   35    0
## 9   33    0
## 10  32   42
## 11  29    0
## 12  29   52
## 13  31    0
## 14  30   51
## 15  28    0
## 16  29    0
## 
## $prop_morekids_work30
##        prop
## 1 0.3065813
## 
## $prop_male_22_24
##        prop
## 1 0.5036608

4. Visualizacoes e formulas

4.1 Tabela interativa

forbes_ranking %>%
  select(ranking, name, country, category, marketvalue) %>%
  slice(1:100) %>%
  DT::datatable(options = list(pageLength = 10, scrollX = TRUE))

4.2 Duas figuras

ggplot(ggplot2::diamonds, aes(carat, price, color = cut)) +
  geom_point(alpha = 0.2, size = 0.6) +
  labs(title = "Relacao entre carat e preco", x = "Carat", y = "Preco") +
  theme_minimal()

forbes_ranking %>%
  count(category, sort = TRUE) %>%
  slice(1:10) %>%
  ggplot(aes(reorder(category, n), n)) +
  geom_col(fill = "#2C7FB8") +
  coord_flip() +
  labs(title = "Top 10 categorias em Forbes2000", x = "Categoria", y = "Quantidade") +
  theme_minimal()

4.3 Cinco equacoes em LaTeX

Media amostral: \(\bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i\)
Proporcao: \(\hat{p} = \frac{x}{n}\)
Variancia amostral: \(s^2 = \frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}\)
Regressao linear: \(y = \beta_0 + \beta_1x + \varepsilon\)
Acuracia: \(Acc = \frac{TP + TN}{TP + TN + FP + FN}\)

5. Storytelling e conclusao

No storytelling com dados, a narrativa orienta o leitor, a visualizacao destaca o padrao, e os dados sustentam a argumentacao. Assim, os resultados deixam de ser apenas numeros e passam a apoiar decisao.

Referencias

Wickham, H. et al. tidyverse.
Hothorn, T.; Everitt, B. S. A Handbook of Statistical Analyses Using R.
Kleiber, C.; Zeileis, A. Applied Econometrics with R.
Xie, Y. R Markdown: The Definitive Guide.
Knaflic, C. N. Storytelling with Data.

Exercicio 11 - Storytelling e R Markdown (Versao para Entrega)

Arthur Fillipe de Lira Aleixo

2026-05-12