id_paciente sexo faixa_etaria atividade_fisica
Min. : 1.00 Length:96 Length:96 Length:96
1st Qu.:24.75 Class :character Class :character Class :character
Median :48.50 Mode :character Mode :character Mode :character
Mean :48.50
3rd Qu.:72.25
Max. :96.00
horas_sono imc pressao_sistolica hdl
Min. :4.000 Min. :17.00 Min. : 90.0 Min. :25.00
1st Qu.:6.400 1st Qu.:24.88 1st Qu.:115.0 1st Qu.:45.38
Median :7.050 Median :27.90 Median :124.0 Median :50.55
Mean :7.017 Mean :27.52 Mean :125.5 Mean :51.41
3rd Qu.:7.725 3rd Qu.:29.73 3rd Qu.:136.0 3rd Qu.:57.90
Max. :9.400 Max. :37.00 Max. :159.0 Max. :73.50
adesao_tratamento risco_cardiometabolico
Length:96 Length:96
Class :character Class :character
Mode :character Mode :character
Comente: - número de observações e variáveis; - tipos de variáveis presentes; - possíveis cuidados necessários antes da análise.
4 3. Organização e preparação dos dados
Nesta seção, descreva e execute procedimentos de preparação da base, quando necessários.
Sugestões: - criação ou recodificação de variáveis; - seleção de subconjuntos; - agrupamentos; - ordenação; - tratamento de nomes e categorias.
# Inserir aqui os procedimentos de preparação dos dados
Explique cada transformação realizada e justifique sua necessidade.
5 4. Análise descritiva univariada
Selecione variáveis relevantes da base e apresente: - tabelas de frequência para variáveis qualitativas; - medidas de posição, dispersão e forma para variáveis quantitativas; - gráficos adequados.
5.1 4.1 Variáveis qualitativas
# Exemplo: tabela de frequência# dados %>% count(nome_variavel)
Aplique ao menos um procedimento inferencial compatível com a base e com a pergunta analítica formulada pelo grupo.
Exemplos possíveis: - intervalo de confiança ou teste para média; - intervalo de confiança ou teste para proporção; - análise de variância; - teste Qui-quadrado; - correlação; - regressão linear simples.
7.1 6.1 Formulação do problema
Descreva claramente: - qual pergunta está sendo investigada; - quais são as hipóteses, quando houver; - por que o procedimento escolhido é adequado.
7.2 6.2 Execução
# Inserir aqui o procedimento inferencial escolhido
7.3 6.3 Interpretação
Apresente a interpretação do resultado em linguagem estatística clara e objetiva.
8 7. Simulação numérica ou bootstrap
Utilize pelo menos um recurso computacional estudado na Unidade V.
Você pode, por exemplo: - gerar números pseudo-aleatórios para ilustrar um mecanismo probabilístico; - realizar uma simulação numérica; - aplicar bootstrap a uma estatística de interesse da base.
Apresente uma conclusão final do relatório, destacando: - principais achados; - limitações da análise; - possíveis desdobramentos.
10 9. Referências
Liste as referências utilizadas, quando houver.
Código fonte
---title: "Relatório de Análise de Dados – EST 128"author: "Ana Beatriz, Paula e Raquel"format: html: toc: true toc-location: left number-sections: true theme: cosmo page-layout: full embed-resources: true code-fold: false code-tools: truelang: pt-BReditor: visual---```{r}#| label: pacotes#| message: false#| warning: falselibrary(dplyr)library(ggplot2)library(plotly)library(fdth)library(boot)```# Identificação do grupo- **Disciplina:** EST 128 – Pacotes Estatísticos II\- **Grupo:** preencher\- **Integrantes:** preencher\- **Base de dados utilizada:** preencher# 1. IntroduçãoApresente o contexto do problema, descreva brevemente o conjunto de dados e informe os objetivos da análise.# 2. Leitura e inspeção inicial da base```{r}# Ajuste o nome do arquivo conforme a base do grupodados <-read.csv("grupo2_saude_clinica.csv", stringsAsFactors =FALSE)head(dados)dim(dados)names(dados)str(dados)summary(dados)```Comente: - número de observações e variáveis; - tipos de variáveis presentes; - possíveis cuidados necessários antes da análise.# 3. Organização e preparação dos dadosNesta seção, descreva e execute procedimentos de preparação da base, quando necessários.Sugestões: - criação ou recodificação de variáveis; - seleção de subconjuntos; - agrupamentos; - ordenação; - tratamento de nomes e categorias.```{r}# Inserir aqui os procedimentos de preparação dos dados```Explique cada transformação realizada e justifique sua necessidade.# 4. Análise descritiva univariadaSelecione variáveis relevantes da base e apresente: - tabelas de frequência para variáveis qualitativas; - medidas de posição, dispersão e forma para variáveis quantitativas; - gráficos adequados.## 4.1 Variáveis qualitativas```{r}# Exemplo: tabela de frequência# dados %>% count(nome_variavel)```Interprete os resultados.## 4.2 Variáveis quantitativas```{r}# Exemplo: medidas resumo# mean(dados$variavel)# median(dados$variavel)# sd(dados$variavel)# IQR(dados$variavel)``````{r}# Exemplo: gráfico# ggplot(dados, aes(x = variavel)) +# geom_histogram(bins = 20)```Interprete os resultados.# 5. Análise descritiva bivariadaEscolha relações relevantes entre duas variáveis e apresente tabelas, gráficos e interpretações.Sugestões: - qualitativa × qualitativa; - qualitativa × quantitativa; - quantitativa × quantitativa.```{r}# Inserir análises bivariadas```Interprete os resultados.# 6. Procedimento inferencialAplique ao menos **um procedimento inferencial** compatível com a base e com a pergunta analítica formulada pelo grupo.Exemplos possíveis: - intervalo de confiança ou teste para média; - intervalo de confiança ou teste para proporção; - análise de variância; - teste Qui-quadrado; - correlação; - regressão linear simples.## 6.1 Formulação do problemaDescreva claramente: - qual pergunta está sendo investigada; - quais são as hipóteses, quando houver; - por que o procedimento escolhido é adequado.## 6.2 Execução```{r}# Inserir aqui o procedimento inferencial escolhido```## 6.3 InterpretaçãoApresente a interpretação do resultado em linguagem estatística clara e objetiva.# 7. Simulação numérica ou bootstrapUtilize pelo menos **um recurso computacional** estudado na Unidade V.Você pode, por exemplo: - gerar números pseudo-aleatórios para ilustrar um mecanismo probabilístico; - realizar uma simulação numérica; - aplicar bootstrap a uma estatística de interesse da base.## 7.1 Objetivo da etapa computacionalDescreva o que será feito e por quê.## 7.2 Código```{r}# Exemplo: bootstrap da média# set.seed(123)# medias_boot <- replicate(# 2000,# mean(sample(dados$variavel, size = nrow(dados), replace = TRUE))# )```## 7.3 Apresentação dos resultados```{r}# Exemplo: histograma da distribuição bootstrap# tibble(media_boot = medias_boot) %>%# ggplot(aes(x = media_boot)) +# geom_histogram(bins = 20)```Interprete os resultados.# 8. ConclusãoApresente uma conclusão final do relatório, destacando: - principais achados; - limitações da análise; - possíveis desdobramentos.# 9. ReferênciasListe as referências utilizadas, quando houver.