Relatório de Ciência de Dados
Matheus Bastos
2026-05-12
Introdução
Este relatório apresenta uma análise simples utilizando a linguagem R
e conceitos básicos de ciência de dados. O objetivo é demonstrar o
carregamento, tratamento, manipulação e visualização de dados, além da
criação de uma tabela interativa com o pacote DT.
Também são apresentadas equações matemáticas em LaTeX, figuras relacionadas à ciência de dados e referências bibliográficas.
1. Manipulação dos Dados
Carregamento dos pacotes
library(dplyr)
library(ggplot2)
library(DT)Nesta etapa, foram carregados os pacotes necessários para a análise.
O pacote dplyr será utilizado para manipulação dos
dados, o ggplot2 para criação de gráficos e o
DT para construção de tabelas interativas.
Carregamento da base de dados
dados <- airquality
head(dados)## Ozone Solar.R Wind Temp Month Day
## 1 41 190 7.4 67 5 1
## 2 36 118 8.0 72 5 2
## 3 12 149 12.6 74 5 3
## 4 18 313 11.5 62 5 4
## 5 NA NA 14.3 56 5 5
## 6 28 NA 14.9 66 5 6O conjunto de dados utilizado foi o airquality,
disponível nativamente no R. Essa base contém informações diárias sobre
a qualidade do ar em Nova York, incluindo concentração de ozônio,
radiação solar, velocidade do vento, temperatura, mês e dia.
As principais variáveis da base são:
Ozone: concentração de ozônio;Solar.R: radiação solar;Wind: velocidade do vento;Temp: temperatura em Fahrenheit;Month: mês da observação;Day: dia da observação.
Estrutura dos dados
str(dados)## 'data.frame': 153 obs. of 6 variables:
## $ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
## $ Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...
## $ Wind : num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
## $ Temp : int 67 72 74 62 56 66 65 59 61 69 ...
## $ Month : int 5 5 5 5 5 5 5 5 5 5 ...
## $ Day : int 1 2 3 4 5 6 7 8 9 10 ...A função str() permite visualizar a estrutura do
conjunto de dados, mostrando o tipo de cada variável e uma prévia dos
valores armazenados.
Nesse caso, é possível observar que todas as variáveis são numéricas.
Resumo estatístico
summary(dados)## Ozone Solar.R Wind Temp
## Min. : 1.00 Min. : 7.0 Min. : 1.700 Min. :56.00
## 1st Qu.: 18.00 1st Qu.:115.8 1st Qu.: 7.400 1st Qu.:72.00
## Median : 31.50 Median :205.0 Median : 9.700 Median :79.00
## Mean : 42.13 Mean :185.9 Mean : 9.958 Mean :77.88
## 3rd Qu.: 63.25 3rd Qu.:258.8 3rd Qu.:11.500 3rd Qu.:85.00
## Max. :168.00 Max. :334.0 Max. :20.700 Max. :97.00
## NA's :37 NA's :7
## Month Day
## Min. :5.000 Min. : 1.0
## 1st Qu.:6.000 1st Qu.: 8.0
## Median :7.000 Median :16.0
## Mean :6.993 Mean :15.8
## 3rd Qu.:8.000 3rd Qu.:23.0
## Max. :9.000 Max. :31.0
## A função summary() apresenta um resumo estatístico das
variáveis, incluindo valores mínimos, máximos, média, mediana e
quartis.
Também é possível perceber que existem valores ausentes em algumas
variáveis, principalmente em Ozone e
Solar.R.
Tratamento de valores ausentes
dados_tratados <- dados %>%
filter(!is.na(Ozone), !is.na(Solar.R))
summary(dados_tratados)## Ozone Solar.R Wind Temp
## Min. : 1.0 Min. : 7.0 Min. : 2.30 Min. :57.00
## 1st Qu.: 18.0 1st Qu.:113.5 1st Qu.: 7.40 1st Qu.:71.00
## Median : 31.0 Median :207.0 Median : 9.70 Median :79.00
## Mean : 42.1 Mean :184.8 Mean : 9.94 Mean :77.79
## 3rd Qu.: 62.0 3rd Qu.:255.5 3rd Qu.:11.50 3rd Qu.:84.50
## Max. :168.0 Max. :334.0 Max. :20.70 Max. :97.00
## Month Day
## Min. :5.000 Min. : 1.00
## 1st Qu.:6.000 1st Qu.: 9.00
## Median :7.000 Median :16.00
## Mean :7.216 Mean :15.95
## 3rd Qu.:9.000 3rd Qu.:22.50
## Max. :9.000 Max. :31.00Nesta etapa, foram removidas as linhas com valores ausentes nas
variáveis Ozone e Solar.R.
Esse tratamento foi necessário porque valores ausentes podem prejudicar a análise e dificultar a interpretação dos resultados.
Criação de novas variáveis
dados_tratados <- dados_tratados %>%
mutate(
Temperatura_Celsius = (Temp - 32) * 5/9,
Qualidade_Ar = case_when(
Ozone <= 30 ~ "Boa",
Ozone <= 70 ~ "Moderada",
TRUE ~ "Ruim"
)
)
head(dados_tratados)## Ozone Solar.R Wind Temp Month Day Temperatura_Celsius Qualidade_Ar
## 1 41 190 7.4 67 5 1 19.44444 Moderada
## 2 36 118 8.0 72 5 2 22.22222 Moderada
## 3 12 149 12.6 74 5 3 23.33333 Boa
## 4 18 313 11.5 62 5 4 16.66667 Boa
## 5 23 299 8.6 65 5 7 18.33333 Boa
## 6 19 99 13.8 59 5 8 15.00000 BoaForam criadas duas novas variáveis:
Temperatura_Celsius: conversão da temperatura de Fahrenheit para Celsius;Qualidade_Ar: classificação da qualidade do ar com base na concentração de ozônio.
A classificação foi feita da seguinte forma:
- até 30: qualidade do ar boa;
- de 31 até 70: qualidade do ar moderada;
- acima de 70: qualidade do ar ruim.
Filtragem dos dados
dias_ruins <- dados_tratados %>%
filter(Qualidade_Ar == "Ruim")
dias_ruins## Ozone Solar.R Wind Temp Month Day Temperatura_Celsius Qualidade_Ar
## 1 115 223 5.7 79 5 30 26.11111 Ruim
## 2 71 291 13.8 90 6 9 32.22222 Ruim
## 3 135 269 4.1 84 7 1 28.88889 Ruim
## 4 77 276 5.1 88 7 7 31.11111 Ruim
## 5 97 267 6.3 92 7 8 33.33333 Ruim
## 6 97 272 5.7 92 7 9 33.33333 Ruim
## 7 85 175 7.4 89 7 10 31.66667 Ruim
## 8 79 187 5.1 87 7 19 30.55556 Ruim
## 9 80 294 8.6 86 7 24 30.00000 Ruim
## 10 108 223 8.0 85 7 25 29.44444 Ruim
## 11 82 213 7.4 88 7 28 31.11111 Ruim
## 12 122 255 4.0 89 8 7 31.66667 Ruim
## 13 89 229 10.3 90 8 8 32.22222 Ruim
## 14 110 207 8.0 90 8 9 32.22222 Ruim
## 15 168 238 3.4 81 8 25 27.22222 Ruim
## 16 73 215 8.0 86 8 26 30.00000 Ruim
## 17 76 203 9.7 97 8 28 36.11111 Ruim
## 18 118 225 2.3 94 8 29 34.44444 Ruim
## 19 84 237 6.3 96 8 30 35.55556 Ruim
## 20 85 188 6.3 94 8 31 34.44444 Ruim
## 21 96 167 6.9 91 9 1 32.77778 Ruim
## 22 78 197 5.1 92 9 2 33.33333 Ruim
## 23 73 183 2.8 93 9 3 33.88889 Ruim
## 24 91 189 4.6 93 9 4 33.88889 RuimNesta etapa, foram selecionados apenas os dias classificados como tendo qualidade do ar ruim.
Esse filtro permite analisar especificamente os dias com maiores concentrações de ozônio.
Ordenação dos dados
dados_ordenados <- dados_tratados %>%
arrange(desc(Ozone))
head(dados_ordenados)## Ozone Solar.R Wind Temp Month Day Temperatura_Celsius Qualidade_Ar
## 1 168 238 3.4 81 8 25 27.22222 Ruim
## 2 135 269 4.1 84 7 1 28.88889 Ruim
## 3 122 255 4.0 89 8 7 31.66667 Ruim
## 4 118 225 2.3 94 8 29 34.44444 Ruim
## 5 115 223 5.7 79 5 30 26.11111 Ruim
## 6 110 207 8.0 90 8 9 32.22222 RuimOs dados foram ordenados em ordem decrescente pela variável
Ozone.
Dessa forma, os dias com maior concentração de ozônio aparecem nas primeiras linhas da tabela.
Agrupamento por qualidade do ar
resumo_qualidade <- dados_tratados %>%
group_by(Qualidade_Ar) %>%
summarise(
Quantidade_Dias = n(),
Media_Ozonio = mean(Ozone),
Media_Temperatura = mean(Temperatura_Celsius)
)
resumo_qualidade## # A tibble: 3 × 4
## Qualidade_Ar Quantidade_Dias Media_Ozonio Media_Temperatura
## <chr> <int> <dbl> <dbl>
## 1 Boa 55 17.0 22.0
## 2 Moderada 32 45.3 26.6
## 3 Ruim 24 95.4 31.9Aqui foi feito um resumo agrupado pela variável
Qualidade_Ar.
A tabela mostra a quantidade de dias em cada categoria, a média de ozônio e a média de temperatura em Celsius.
Esse resultado permite comparar o comportamento médio dos dias com qualidade do ar boa, moderada e ruim.
Gráfico da qualidade do ar
ggplot(resumo_qualidade, aes(x = Qualidade_Ar, y = Quantidade_Dias)) +
geom_col(fill = "steelblue") +
labs(
title = "Quantidade de dias por classificação da qualidade do ar",
x = "Classificação da qualidade do ar",
y = "Quantidade de dias"
) +
theme_minimal()
O gráfico apresenta a quantidade de dias em cada classificação de qualidade do ar.
Ele facilita a comparação visual entre as categorias boa, moderada e ruim.
Relação entre temperatura e ozônio
ggplot(dados_tratados, aes(x = Temperatura_Celsius, y = Ozone)) +
geom_point() +
labs(
title = "Relação entre temperatura e concentração de ozônio",
x = "Temperatura em Celsius",
y = "Concentração de ozônio"
) +
theme_minimal()
O gráfico de dispersão mostra a relação entre temperatura e concentração de ozônio.
De modo geral, esse tipo de gráfico ajuda a observar se existe algum padrão ou tendência entre duas variáveis numéricas.
2. Tabela Interativa com DT
Tabela interativa
datatable(
dados_ordenados,
options = list(
pageLength = 10,
searching = TRUE,
ordering = TRUE,
paging = TRUE
),
caption = "Tabela interativa dos dados de qualidade do ar"
)A tabela interativa foi construída utilizando o pacote
DT.
Ela permite:
- ordenar colunas;
- pesquisar valores específicos;
- navegar entre páginas;
- visualizar os dados de maneira mais dinâmica.
Esse tipo de tabela é útil quando se trabalha com relatórios em HTML, pois melhora a exploração dos dados pelo leitor.
3. Equações em LaTeX
Média aritmética
\[ \bar{x} = \frac{1}{n}\sum_{i=1}^{n}x_i \]
A média aritmética representa o valor médio de um conjunto de dados.
Ela é calculada somando todos os valores e dividindo pela quantidade total de observações.
Variância amostral
\[ s^2 = \frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1} \]
A variância amostral mede o grau de dispersão dos dados em relação à média.
Quanto maior a variância, maior é a distância dos valores em relação ao valor médio.
Desvio padrão
\[ s = \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1}} \]
O desvio padrão é a raiz quadrada da variância.
Ele indica o quanto os valores de uma variável estão espalhados em relação à média.
Correlação de Pearson
\[ r = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})} {\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2 \sum_{i=1}^{n}(y_i - \bar{y})^2}} \]
A correlação de Pearson mede a força e a direção da relação linear entre duas variáveis.
Se o valor for próximo de 1, a relação é positiva forte. Se for próximo de -1, a relação é negativa forte. Se for próximo de 0, indica pouca ou nenhuma relação linear.
Regressão linear simples
\[ Y = \beta_0 + \beta_1X + \varepsilon \]
A regressão linear simples é usada para modelar a relação entre uma
variável dependente Y e uma variável independente
X.
Nessa equação:
Yrepresenta a variável resposta;Xrepresenta a variável explicativa;β₀é o intercepto;β₁é o coeficiente angular;εrepresenta o erro do modelo.
4. Figuras Relacionadas à Ciência de Dados
Figura 1: Relação entre temperatura e ozônio
Nesta figura, é apresentada a relação entre a temperatura e a concentração de ozônio presente no conjunto de dados.
ggplot(dados_tratados, aes(x = Temperatura_Celsius, y = Ozone)) +
geom_point(size = 3, color = "darkblue") +
geom_smooth(method = "lm", se = FALSE, color = "red") +
labs(
title = "Relação entre temperatura e concentração de ozônio",
x = "Temperatura em Celsius",
y = "Concentração de ozônio"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
O gráfico de dispersão mostra que temperaturas mais altas tendem a estar associadas a maiores concentrações de ozônio.
Figura 2: Distribuição da qualidade do ar
A figura abaixo apresenta a quantidade de dias classificados em cada categoria de qualidade do ar.
ggplot(dados_tratados, aes(x = Qualidade_Ar, fill = Qualidade_Ar)) +
geom_bar() +
labs(
title = "Distribuição da qualidade do ar",
x = "Classificação",
y = "Quantidade de dias"
) +
theme_minimal()
O gráfico permite visualizar a frequência de dias classificados como qualidade do ar boa, moderada e ruim.
5. Referências Bibliográficas
Referências
R CORE TEAM. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.
WICKHAM, Hadley; GROLEMUND, Garrett. R for Data Science. O’Reilly Media.
WICKHAM, Hadley. ggplot2: Elegant Graphics for Data Analysis. Springer.
XIE, Yihui. Dynamic Documents with R and knitr. Chapman and Hall/CRC.
CHENG, Joe; XIE, Yihui. DT: A Wrapper of the JavaScript Library DataTables. CRAN.
Conclusão
O relatório apresentou uma análise simples utilizando o conjunto de
dados airquality.
Foram realizadas etapas básicas de ciência de dados, como carregamento da base, análise da estrutura, tratamento de valores ausentes, criação de novas variáveis, filtragem, ordenação, agrupamento e visualização gráfica.
Além disso, foi criada uma tabela interativa com o pacote
DT, foram apresentadas equações matemáticas em LaTeX,
figuras relacionadas à ciência de dados e referências
bibliográficas.
Dessa forma, o relatório demonstra como o R Markdown pode ser usado para unir texto, código, resultados, gráficos e referências em um único documento organizado.