2.1 Transformação das variáveis

total$sexo   <- as.factor(total$sexo )
total$origem <- as.factor(total$origem)
total$civil  <- as.factor(total$civil)
total$forma  <- as.factor(total$forma)

######################################

box$sexo   <- as.factor(box$sexo )
box$origem <- as.factor(box$origem)
box$civil  <- as.factor(box$civil)
box$forma  <- as.factor(box$forma)

######################################

trad$sexo   <- as.factor(trad$sexo )
trad$origem <- as.factor(trad$origem)
trad$civil  <- as.factor(trad$civil)
trad$forma  <- as.factor(trad$forma)

levels(total$sexo)   <- c("Feminino","Masculino")
levels(total$origem) <- c("Rio de Janeiro","Minas Gerais")
levels(total$civil)  <- c("Solteiro","Casado")
levels(total$forma)  <- c("Sozinho","Acompanhado")

######################################

levels(trad$sexo)   <- c("Feminino","Masculino")
levels(trad$origem) <- c("Rio de Janeiro","Minas Gerais")
levels(trad$civil)  <- c("Solteiro","Casado")
levels(trad$forma)  <- c("Sozinho","Acompanhado")

######################################

levels(box$sexo)   <- c("Feminino","Masculino")
levels(box$origem) <- c("Rio de Janeiro","Minas Gerais")
levels(box$civil)  <- c("Solteiro","Casado")
levels(box$forma)  <- c("Sozinho","Acompanhado")

3.1 Dados faltantes

falt = rbind(sum(is.na(box)),sum(is.na(trad)),sum(is.na(total)))
rownames(falt) = c("Total","Tradicional","Box")
colnames(falt) = "Dados faltantes"
kable(falt)%>%kable_styling()

Não há dados faltantes

3.2 Dimensões corretas

glimpse(total)

## Observations: 604
## Variables: 11
## $ sexo        <fct> Masculino, Masculino, Masculino, Masculino, Femini...
## $ origem      <fct> Rio de Janeiro, Rio de Janeiro, Rio de Janeiro, Ri...
## $ idade       <dbl> 27, 39, 25, 29, 62, 35, 46, 36, 29, 29, 37, 32, 30...
## $ imc         <dbl> 28.75434, 31.14187, 25.05931, 22.14533, 24.34176, ...
## $ civil       <fct> Solteiro, Casado, Solteiro, Solteiro, Solteiro, So...
## $ forma       <fct> Sozinho, Sozinho, Acompanhado, Sozinho, Sozinho, S...
## $ diversao    <dbl> 35, 25, 24, 40, 38, 24, 36, 31, 30, 34, 40, 15, 25...
## $ competencia <dbl> 24, 9, 15, 19, 24, 11, 26, 22, 11, 21, 24, 10, 16,...
## $ aparencia   <dbl> 34, 29, 26, 37, 40, 25, 39, 29, 34, 28, 34, 32, 33...
## $ saude       <dbl> 35, 31, 29, 35, 35, 30, 35, 35, 28, 34, 35, 28, 35...
## $ social      <dbl> 5, 6, 7, 13, 9, 6, 23, 19, 11, 20, 20, 7, 8, 7, 26...

glimpse(trad)

## Observations: 302
## Variables: 11
## $ sexo        <fct> Masculino, Masculino, Masculino, Masculino, Femini...
## $ origem      <fct> Rio de Janeiro, Rio de Janeiro, Rio de Janeiro, Ri...
## $ idade       <dbl> 27, 39, 25, 29, 62, 35, 46, 36, 29, 29, 37, 32, 30...
## $ imc         <dbl> 28.75434, 31.14187, 25.05931, 22.14533, 24.34176, ...
## $ civil       <fct> Solteiro, Casado, Solteiro, Solteiro, Solteiro, So...
## $ forma       <fct> Sozinho, Sozinho, Acompanhado, Sozinho, Sozinho, S...
## $ diversao    <dbl> 35, 25, 24, 40, 38, 24, 36, 31, 30, 34, 40, 15, 25...
## $ competencia <dbl> 24, 9, 15, 19, 24, 11, 26, 22, 11, 21, 24, 10, 16,...
## $ aparencia   <dbl> 34, 29, 26, 37, 40, 25, 39, 29, 34, 28, 34, 32, 33...
## $ saude       <dbl> 35, 31, 29, 35, 35, 30, 35, 35, 28, 34, 35, 28, 35...
## $ social      <dbl> 5, 6, 7, 13, 9, 6, 23, 19, 11, 20, 20, 7, 8, 7, 26...

glimpse(box)

## Observations: 302
## Variables: 11
## $ sexo        <fct> Feminino, Masculino, Feminino, Masculino, Masculin...
## $ origem      <fct> Rio de Janeiro, Rio de Janeiro, Rio de Janeiro, Ri...
## $ idade       <dbl> 22, 42, 22, 24, 31, 24, 35, 27, 29, 37, 32, 25, 26...
## $ imc         <dbl> 20.95727, 29.64951, 25.85937, 21.67211, 29.38776, ...
## $ civil       <fct> Solteiro, Casado, Solteiro, Solteiro, Solteiro, So...
## $ forma       <fct> Sozinho, Acompanhado, Acompanhado, Acompanhado, Ac...
## $ diversao    <dbl> 36, 31, 34, 32, 18, 36, 42, 38, 35, 30, 39, 34, 34...
## $ competencia <dbl> 21, 25, 16, 24, 16, 24, 28, 27, 25, 10, 28, 22, 27...
## $ aparencia   <dbl> 36, 23, 37, 29, 41, 36, 29, 27, 33, 19, 33, 33, 42...
## $ saude       <dbl> 32, 30, 31, 32, 34, 35, 35, 33, 34, 24, 35, 31, 35...
## $ social      <dbl> 13, 11, 15, 16, 10, 12, 20, 14, 14, 7, 16, 19, 19,...

As tabelas box e trad possuem 11 variáveis e 302 observações. A tabela total possue 11 variáveis e 604 observações. As dimensões estão corretas.

4.1 Medidas resumo

kable(table(trad$sexo))%>%kable_styling()

kable(table(trad$origem))%>%kable_styling()

kable(table(trad$civil))%>%kable_styling()

kable(table(trad$forma))%>%kable_styling()

As proporções apontam que não há desbalanceamento dos dados, o que é positivo.

resp1 = rbind(summary(trad$idade),summary(trad$imc))
rownames(resp1) = c("Idade","IMC")
kable(resp1)%>%kable_styling()

As variáveis resposta contínua apresentam consistência para as academias tradicionais. Não há menores de idade na amostra e a pessoa mais idosa tem 76 anos, a média encontra-se em torno de 33 anos de idade. Já consierando o IMC, verifica-se que não há usuários classificados como muito abaixo do peso, no entando, o máximo amostral observado foi classificado como Obesidade Mórbida (48,84)

resp = (rbind(summary(trad$diversao),summary(trad$competencia),summary(trad$aparencia),summary(trad$saude),summary(trad$social)))
rownames(resp) = c("Diversão","Competência","Aparência","Saúde","Social");
kable(resp)%>%kable_styling()

Aqui estamos interessados em verificar dados que possam estar errados, por exemplo, valores negativos. Como todos estão dentro do mínimo e do máximo, conclui-se que estão corretos.