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: preencher
- Integrantes: preencher
- Base de dados utilizada: preencher
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("grupo1_desempenho_academico.csv", stringsAsFactors = FALSE)
head(dados) id_estudante turma modalidade horas_estudo_semanais frequencia_pct
1 1 B Presencial 6.7 88
2 2 C Hibrida 9.2 78
3 3 C Hibrida 12.6 81
4 4 B Hibrida 5.3 91
5 5 A Hibrida 9.7 81
6 6 A Hibrida 12.9 88
projetos_concluidos uso_monitoria nota_programacao aprovado
1 3 Sim 9.7 Sim
2 3 Nao 9.2 Sim
3 6 Sim 10.0 Sim
4 5 Nao 7.9 Sim
5 1 Nao 8.4 Sim
6 4 Sim 10.0 Simdim(dados)[1] 90 9names(dados)[1] "id_estudante" "turma" "modalidade"
[4] "horas_estudo_semanais" "frequencia_pct" "projetos_concluidos"
[7] "uso_monitoria" "nota_programacao" "aprovado" str(dados)'data.frame': 90 obs. of 9 variables:
$ id_estudante : int 1 2 3 4 5 6 7 8 9 10 ...
$ turma : chr "B" "C" "C" "B" ...
$ modalidade : chr "Presencial" "Hibrida" "Hibrida" "Hibrida" ...
$ horas_estudo_semanais: num 6.7 9.2 12.6 5.3 9.7 12.9 4.2 10.8 9.8 12.5 ...
$ frequencia_pct : int 88 78 81 91 81 88 86 83 100 92 ...
$ projetos_concluidos : int 3 3 6 5 1 4 3 2 1 2 ...
$ uso_monitoria : chr "Sim" "Nao" "Sim" "Nao" ...
$ nota_programacao : num 9.7 9.2 10 7.9 8.4 10 7.5 8.6 9 10 ...
$ aprovado : chr "Sim" "Sim" "Sim" "Sim" ...summary(dados) id_estudante turma modalidade horas_estudo_semanais
Min. : 1.00 Length:90 Length:90 Min. : 3.400
1st Qu.:23.25 Class :character Class :character 1st Qu.: 7.700
Median :45.50 Mode :character Mode :character Median : 9.900
Mean :45.50 Mean : 9.716
3rd Qu.:67.75 3rd Qu.:11.575
Max. :90.00 Max. :20.000
frequencia_pct projetos_concluidos uso_monitoria nota_programacao
Min. : 61.00 Min. :0.000 Length:90 Min. : 5.700
1st Qu.: 82.25 1st Qu.:2.000 Class :character 1st Qu.: 8.700
Median : 87.00 Median :3.000 Mode :character Median : 9.550
Mean : 86.71 Mean :2.944 Mean : 9.146
3rd Qu.: 92.00 3rd Qu.:4.000 3rd Qu.:10.000
Max. :100.00 Max. :7.000 Max. :10.000
aprovado
Length:90
Class :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.