library(dplyr)
library(ggplot2)
library(plotly)
library(fdth)
library(boot)Relatório de Análise de Dados – EST 128
1 Identificação do grupo
- Disciplina: EST 128 – Pacotes Estatísticos II
- Grupo: 2 - Saúde Clínica
- Integrantes: Ana Beatriz, Paula e Raquel Mendonça
- Base de dados utilizada: grupo2_saude_clinica.csv
2 1. Introdução
Apresente o contexto do problema, descreva brevemente o conjunto de dados e informe os objetivos da análise.
3 2. Leitura e inspeção inicial da base
# Ajuste o nome do arquivo conforme a base do grupo
dados <- read.csv("grupo2_saude_clinica.csv", stringsAsFactors = FALSE)
head(dados) id_paciente sexo faixa_etaria atividade_fisica horas_sono imc
1 1 M 30-44 Moderada 7.0 29.7
2 2 F 45-60 Moderada 7.8 27.9
3 3 F 18-29 Baixa 8.7 34.8
4 4 F 30-44 Moderada 6.3 22.5
5 5 F 18-29 Moderada 8.0 20.6
6 6 M 18-29 Baixa 6.8 24.1
pressao_sistolica hdl adesao_tratamento risco_cardiometabolico
1 123 47.4 Media Baixo
2 142 42.8 Media Alto
3 149 50.9 Media Alto
4 100 45.2 Media Baixo
5 119 55.8 Alta Baixo
6 126 52.9 Baixa Baixodim(dados)[1] 96 10names(dados) [1] "id_paciente" "sexo" "faixa_etaria"
[4] "atividade_fisica" "horas_sono" "imc"
[7] "pressao_sistolica" "hdl" "adesao_tratamento"
[10] "risco_cardiometabolico"str(dados)'data.frame': 96 obs. of 10 variables:
$ id_paciente : int 1 2 3 4 5 6 7 8 9 10 ...
$ sexo : chr "M" "F" "F" "F" ...
$ faixa_etaria : chr "30-44" "45-60" "18-29" "30-44" ...
$ atividade_fisica : chr "Moderada" "Moderada" "Baixa" "Moderada" ...
$ horas_sono : num 7 7.8 8.7 6.3 8 6.8 6.6 7.8 7.5 4.9 ...
$ imc : num 29.7 27.9 34.8 22.5 20.6 24.1 26.8 28 26 29.8 ...
$ pressao_sistolica : int 123 142 149 100 119 126 118 140 119 135 ...
$ hdl : num 47.4 42.8 50.9 45.2 55.8 52.9 62 55 51.4 57.2 ...
$ adesao_tratamento : chr "Media" "Media" "Media" "Media" ...
$ risco_cardiometabolico: chr "Baixo" "Alto" "Alto" "Baixo" ...summary(dados) 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 dadosExplique 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)Interprete os resultados.
5.2 4.2 Variáveis quantitativas
# Exemplo: medidas resumo
# mean(dados$variavel)
# median(dados$variavel)
# sd(dados$variavel)
# IQR(dados$variavel)# Exemplo: gráfico
# ggplot(dados, aes(x = variavel)) +
# geom_histogram(bins = 20)Interprete os resultados.
6 5. Análise descritiva bivariada
Escolha relações relevantes entre duas variáveis e apresente tabelas, gráficos e interpretações.
Sugestões: - qualitativa × qualitativa; - qualitativa × quantitativa; - quantitativa × quantitativa.
# Inserir análises bivariadasInterprete os resultados.
7 6. Procedimento inferencial
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 escolhido7.3 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.
8.1 7.1 Objetivo da etapa computacional
Descreva o que será feito e por quê.
8.2 7.2 Código
# Exemplo: bootstrap da média
# set.seed(123)
# medias_boot <- replicate(
# 2000,
# mean(sample(dados$variavel, size = nrow(dados), replace = TRUE))
# )8.3 7.3 Apresentação dos resultados
# Exemplo: histograma da distribuição bootstrap
# tibble(media_boot = medias_boot) %>%
# ggplot(aes(x = media_boot)) +
# geom_histogram(bins = 20)Interprete os resultados.
9 8. Conclusão
Apresente uma conclusão final do relatório, destacando: - principais achados; - limitações da análise; - possíveis desdobramentos.
10 9. Referências
Liste as referências utilizadas, quando houver.