Relatorio Final
Emmanuel Sader Filho
16/03/2021
UNIVERSIDADE FEDERAL FLUMINENSE
ESCOLA DE ENGENHARIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL
Trabalho Final de Estatística
ANALISE COMPARATIVA DOS AFASTAMENTOS OCUPACIONAIS
Aluno:EMMANUEL SADER FILHO
Disciplina: Estatística Aplicada à Engenharia
Docente: STEVEN DUT ROSS
Matrícula: M015.220.004
Niterói
2021 1. Introdução
A iniciativa conjunta do MPT e da OIT Brasil deu origem à Plataforma SmartLab, que tem fortalecido a cooperação com organizações governamentais, não-governamentais e internacionais que atuam na promoção dessa agenda e que precisam de informações para tomar decisões sobre as ações que desenvolvem. Por meio de Observatórios Digitais, a plataforma beneficia também a comunidade científica, que passa a ter acesso a informações com facilidade sem precedentes para pesquisa. O Observatório do Trabalho Decente nos municípios passa a contar com importante ferramenta pra medir a dinâmica do mercado formal no contexto da PANDEMIA COVID-19: o Termômetro do Mercado Formal, atualizado até 1/1/2021, de acordo com o último trimestre disponível de informações do Cadastro Geral de Empregados e Desempregados (CAGED)
2. Objetivo
A classificação dos acidentes de trabalho por CNAE (classificação Nacional de Atividade Economica)possibilita o entendimento, para cada ocupação, da tipificação da natureza do eventual afastamento e suas consequencias previdenciárias. Nesse contexto, buscaremos correlacionar CNAEs variados, de atividades Rurais-Artesanais com Atividades Industriais-Serviços, de forma a proporcionar entendimento de suas diferenças e semelhanças no que tange os afastamentos e/ou consequencias.
3. Base de dados
A base de dados utilizada foi obtida na plataforma SmartLab,com n= 76 com a seguinte composição relativa às variaveis:
TIPO E QUANTIDADE- Tratam-se de 9 variáveis sendo 7 quantitativas(Incidencia Total, Incidencia de doença ocupacional, Incidencia de acidentes tipicos, Incidencia de incapacidade, Taxa de mortalidade, Taxa de letalidade e Acidentalidade entre 16 e 34 anos) e 2 qualitativas(CNAE e Natureza da ocupação)
MÉDIAS, DESVIOS-PADRÃO, 1 QUARTIL, 3 QUARTIL E MEDIANAS (apresentados em sequencia)
4. Metodologia
As etapas que constituem a Metodologia da pesquisa desenvolvida neste trabalho serão expostas neste tópico.
Inicialmente, foi necessário selecionar e carregar a base de dados para o ambiente do RStudio.
A fonte selecionada é uma base de dados do Plataforma SmartLab, que tem fortalecido a cooperação com organizações governamentais, não-governamentais e internacionais que atuam na promoção dessa agenda, iniciativa conjunta do MPT e da OIT Brasil que contém informações sobre população, indicadores de tipificação de acidentes suas consequencias, discriminados por CNAE, relativas aos anos de 2017-2019.
Na tabela a seguir, está a base de dados utilizada.
library(readxl)
AcidentesCNAE <- read_excel("D:/MESTRADO UFF 2020/Academico 2020/CIVIL/Estatistica/Artigo Steven/AcidentesCNAE.xls")
library(kableExtra)
kable(AcidentesCNAE, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "600px")| CNAE | Artesanal-Industrial | Incidencia | Doenca_Ocupacional | Acidentes_Típicos | Incapacidade | Mortalidade | Letalidade | Acidentes-16-34-anos |
|---|---|---|---|---|---|---|---|---|
| 0111 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0113 | 0 | 9.55 | 0.00 | 4.78 | 9.55 | 0.00 | 0.00 | 50.00 |
| 0116 | 0 | 1.31 | 0.00 | 1.31 | 1.31 | 0.00 | 0.00 | 0.00 |
| 0121 | 0 | 1.96 | 0.00 | 1.96 | 1.96 | 0.00 | 0.00 | 33.33 |
| 0122 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0133 | 0 | 6.14 | 0.00 | 6.14 | 6.14 | 0.00 | 0.00 | 0.00 |
| 0134 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0139 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0151 | 0 | 2.24 | 0.13 | 1.98 | 2.24 | 0.00 | 0.00 | 29.41 |
| 0152 | 0 | 5.56 | 0.00 | 3.71 | 5.56 | 0.00 | 0.00 | 66.67 |
| 0155 | 0 | 9.51 | 0.00 | 5.94 | 9.51 | 0.00 | 0.00 | 62.50 |
| 0159 | 0 | 3.14 | 0.00 | 3.14 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0161 | 0 | 1.48 | 0.00 | 1.32 | 1.48 | 0.00 | 0.00 | 22.22 |
| 0162 | 0 | 0.50 | 0.00 | 0.00 | 0.50 | 0.00 | 0.00 | 0.00 |
| 0210 | 0 | 31.73 | 0.00 | 31.73 | 31.73 | 0.00 | 0.00 | 25.00 |
| 0220 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0230 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0311 | 1 | 0.88 | 0.00 | 0.88 | 1.77 | 88.30 | 1000.00 | 100.00 |
| 0322 | 1 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0600 | 1 | 19.42 | 0.14 | 16.78 | 5.41 | 0.00 | 0.00 | 28.93 |
| 0710 | 1 | 17.59 | 0.00 | 8.79 | 5.86 | 0.00 | 0.00 | 33.33 |
| 0810 | 1 | 15.16 | 0.66 | 10.54 | 12.85 | 0.00 | 0.00 | 30.43 |
| 0892 | 0 | 23.31 | 0.00 | 16.31 | 20.97 | 0.00 | 0.00 | 60.00 |
| 0893 | 1 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 0910 | 1 | 21.19 | 0.84 | 16.69 | 7.11 | 28.16 | 13.29 | 50.83 |
| 1011 | 1 | 12.55 | 0.00 | 9.41 | 12.10 | 0.00 | 0.00 | 35.71 |
| 1012 | 0 | 8.73 | 0.26 | 5.39 | 8.47 | 0.00 | 0.00 | 52.94 |
| 1013 | 1 | 21.59 | 0.76 | 15.15 | 17.43 | 0.00 | 0.00 | 43.86 |
| 1020 | 1 | 22.01 | 0.00 | 11.65 | 22.01 | 0.00 | 0.00 | 47.06 |
| 1031 | 0 | 7.73 | 0.00 | 3.87 | 7.73 | 0.00 | 0.00 | 100.00 |
| 1032 | 1 | 13.81 | 0.00 | 13.81 | 13.81 | 0.00 | 0.00 | 66.67 |
| 1033 | 1 | 22.87 | 0.00 | 9.15 | 22.87 | 457.32 | 200.00 | 20.00 |
| 1051 | 1 | 8.02 | 0.00 | 4.81 | 8.02 | 0.00 | 0.00 | 80.00 |
| 1052 | 1 | 10.16 | 0.00 | 7.25 | 10.16 | 0.00 | 0.00 | 33.33 |
| 1053 | 1 | 7.48 | 0.00 | 6.73 | 6.73 | 0.00 | 0.00 | 40.00 |
| 1061 | 1 | 10.19 | 0.00 | 8.49 | 10.19 | 0.00 | 0.00 | 66.67 |
| 1062 | 1 | 13.88 | 0.00 | 11.10 | 13.88 | 0.00 | 0.00 | 80.00 |
| 1064 | 1 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 1066 | 1 | 16.15 | 0.00 | 16.15 | 19.38 | 0.00 | 0.00 | 20.00 |
| 1069 | 1 | 61.40 | 0.00 | 52.63 | 61.40 | 0.00 | 0.00 | 42.86 |
| 1071 | 1 | 16.05 | 0.00 | 10.22 | 16.05 | 0.00 | 0.00 | 36.36 |
| 1081 | 1 | 3.08 | 0.00 | 3.08 | 3.08 | 0.00 | 0.00 | 100.00 |
| 1091 | 1 | 7.21 | 0.08 | 4.48 | 7.05 | 0.00 | 0.00 | 51.72 |
| 1092 | 1 | 19.18 | 1.92 | 9.59 | 17.27 | 0.00 | 0.00 | 70.00 |
| 1093 | 1 | 7.89 | 0.00 | 4.73 | 6.31 | 0.00 | 0.00 | 20.00 |
| 1094 | 1 | 8.94 | 0.20 | 5.69 | 8.73 | 0.00 | 0.00 | 36.36 |
| 1095 | 1 | 10.72 | 4.29 | 6.43 | 10.72 | 0.00 | 0.00 | 0.00 |
| 1096 | 1 | 40.90 | 0.00 | 33.47 | 33.47 | 0.00 | 0.00 | 63.64 |
| 1099 | 1 | 13.56 | 0.00 | 10.51 | 12.99 | 0.00 | 0.00 | 42.25 |
| 1111 | 1 | 4.93 | 0.00 | 4.11 | 4.93 | 0.00 | 0.00 | 50.00 |
| 1113 | 1 | 5.11 | 0.00 | 3.50 | 4.04 | 0.00 | 0.00 | 44.74 |
| 1121 | 1 | 12.27 | 0.00 | 11.15 | 11.15 | 0.00 | 0.00 | 63.64 |
| 1122 | 1 | 11.92 | 0.00 | 8.85 | 9.59 | 12.29 | 10.31 | 36.08 |
| 1220 | 1 | 15.73 | 0.00 | 11.80 | 15.73 | 0.00 | 0.00 | 50.00 |
| 1311 | 1 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 1322 | 0 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 1323 | 1 | 8.58 | 0.00 | 6.44 | 8.58 | 0.00 | 0.00 | 50.00 |
| 1330 | 1 | 49.47 | 20.47 | 22.17 | 29.00 | 0.00 | 0.00 | 17.24 |
| 1340 | 1 | 5.94 | 2.38 | 2.38 | 2.38 | 0.00 | 0.00 | 40.00 |
| 1351 | 1 | 7.28 | 0.00 | 5.82 | 7.28 | 0.00 | 0.00 | 80.00 |
| 1353 | 1 | 65.57 | 0.00 | 52.46 | 59.02 | 0.00 | 0.00 | 70.00 |
| 1354 | 1 | 15.08 | 0.00 | 9.05 | 12.06 | 0.00 | 0.00 | 60.00 |
| 1359 | 1 | 15.02 | 0.56 | 11.13 | 14.47 | 0.00 | 0.00 | 48.15 |
| 1411 | 1 | 13.27 | 0.00 | 9.61 | 13.21 | 0.00 | 0.00 | 70.69 |
| 1412 | 1 | 4.38 | 0.13 | 2.56 | 4.25 | 0.00 | 0.00 | 45.71 |
| 1413 | 1 | 5.82 | 0.00 | 2.18 | 5.82 | 0.00 | 0.00 | 12.50 |
| 1414 | 1 | 2.21 | 0.00 | 2.21 | 2.21 | 0.00 | 0.00 | 66.67 |
| 1422 | 1 | 26.66 | 0.00 | 19.04 | 26.66 | 0.00 | 0.00 | 85.71 |
| 1521 | 1 | 4.87 | 0.00 | 2.43 | 4.26 | 0.00 | 0.00 | 12.50 |
| 1529 | 1 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 1531 | 1 | 8.13 | 0.00 | 4.06 | 8.13 | 0.00 | 0.00 | 0.00 |
| 1540 | 1 | 39.34 | 0.00 | 35.77 | 32.19 | 0.00 | 0.00 | 63.64 |
| 1610 | 1 | 17.88 | 0.00 | 8.94 | 17.88 | 447.09 | 250.00 | 50.00 |
| 1622 | 1 | 8.21 | 0.00 | 5.13 | 8.21 | 0.00 | 0.00 | 87.50 |
| 1623 | 1 | 2.88 | 0.00 | 2.88 | 2.88 | 0.00 | 0.00 | 100.00 |
| 1629 | 1 | 6.72 | 0.00 | 6.72 | 6.72 | 0.00 | 0.00 | 75.00 |
options(scipen = 999)library(readxl)
Dicionario_AcidentesCNAE <- read_excel("D:/MESTRADO UFF 2020/Academico 2020/CIVIL/Estatistica/Artigo Steven/Dicionario-AcidentesCNAE.xlsx")
library(DT)
DT::datatable(Dicionario_AcidentesCNAE, rownames = FALSE, colnames = FALSE)5. Transformação de Variáves
AcidentesCNAE$`Artesanal-Industrial`<-ifelse(AcidentesCNAE$`Artesanal-Industrial`==1,"Artesanal","Industrial")summary(AcidentesCNAE)
```r
class(AcidentesCNAE$CNAE)## [1] "character"class(AcidentesCNAE$`Artesanal-Industrial`)## [1] "character"class(AcidentesCNAE$`Acidentes-16-34-anos`)## [1] "numeric"
# 6. Execução dos Boxlots
## 6.1 Boxplot Doença Ocupacional x Atividade Artesanal-Industrial
```r
boxplot(Doenca_Ocupacional ~ `Artesanal-Industrial`,data=AcidentesCNAE,col=c("red","#faa005","#1bc704","#0f8efc","yellow"), main="Tipo de atividade x Doenca Ocupacional")
Analíse do boxplot evidencia que as atividades artesanais apresentam estatisticamente uma variabilidade de atividades muito maior que originam doenças ocupacionais(presença de muitos outliers) quando comparado com as atividades industriais que, apresentam a amostra sem outliers.
6.2 Boxplot Mortalidade x Atividade Artesanal-Industrial
boxplot(Mortalidade ~ `Artesanal-Industrial`,data=AcidentesCNAE,col=c("red","#faa005","#1bc704","#0f8efc","yellow"), main="Tipo de atividade X - Mortalidade")
Analíse do boxplot evidencia que as atividades artesanais apresentam estatisticamente uma variabilidade de atividades muito maior que redundam em mortes(presença de muitos outliers) quando comparado com as atividades industriais que, apresentam a amostra sem outliers.Sugerindo-se com isso que o controle de SMS na industria, embora as atividades ocorram em escala muito maior de funcionários, colabora com os resultados apresentados.
7.Construindo Histogramas
7.1 Construindo Histograma da variável Doença Ocupacional
hist(AcidentesCNAE$Doenca_Ocupacional, col = "red", main = "Grafico III - HISTOGRAMA DOENÇA OCUPACIONAL", xlab = "DOENÇA OCUPACIONAL", ylab = "Frequencia")
Analíse do Histograma evidencia que as atividades geradoras de doenças ocupacionais que geram incidencia de afastamentos entre 0-5 dias é muito alta, sendo nula, para esta amostra, para afastamentos entre 10-20 dias.
7.2 Construindo Histograma da variável Mortalidade
hist(AcidentesCNAE$Mortalidade, col = "#1E90FF", main = "Grafico IV - HISTOGRAMA MORTALIDADE", xlab = "MORTALIDADE", ylab = "Frequencia")
Analíse do Histograma evidencia que as atividades geradoras de mortalidade de até 50 pessoas são muito mais frequentes do que aquelas atividades que podem levar a óbito 400-500 trabalhadores.
library(corrplot)## corrplot 0.84 loadedplot(AcidentesCNAE$Mortalidade, AcidentesCNAE$Doenca_Ocupacional, pch=19, col = "#452a73",
xlab = "Receita bruta",
ylab = "Patrimônio líquido",
main = "Diagrama I - Diagrama de dispersão ano de 2013")
abline(lsfit(AcidentesCNAE$Mortalidade, AcidentesCNAE$Doenca_Ocupacional),col="red")
cor(AcidentesCNAE$Mortalidade, AcidentesCNAE$Doenca_Ocupacional)## [1] -0.031889278. Matriz de Correlação
8.1 Matriz de Correlação variaveis: Mortalidade, Doença Ocupacional, Letalidade
variaveis_quanti<-c("Mortalidade","Doenca_Ocupacional","Letalidade")
AcidentesCNAE[,variaveis_quanti]## # A tibble: 76 x 3
## Mortalidade Doenca_Ocupacional Letalidade
## <dbl> <dbl> <dbl>
## 1 0 0 0
## 2 0 0 0
## 3 0 0 0
## 4 0 0 0
## 5 0 0 0
## 6 0 0 0
## 7 0 0 0
## 8 0 0 0
## 9 0 0.13 0
## 10 0 0 0
## # ... with 66 more rowscor(AcidentesCNAE[,variaveis_quanti])## Mortalidade Doenca_Ocupacional Letalidade
## Mortalidade 1.00000000 -0.03188927 0.4130364
## Doenca_Ocupacional -0.03188927 1.00000000 -0.0289286
## Letalidade 0.41303641 -0.02892860 1.0000000correlacao_CNAE<-cor(AcidentesCNAE[,variaveis_quanti])
correlacao_CNAE## Mortalidade Doenca_Ocupacional Letalidade
## Mortalidade 1.00000000 -0.03188927 0.4130364
## Doenca_Ocupacional -0.03188927 1.00000000 -0.0289286
## Letalidade 0.41303641 -0.02892860 1.0000000par(mfrow=c(1,1))
corrplot(correlacao_CNAE,method = "number")
MC <-cor(AcidentesCNAE[,c("Mortalidade","Doenca_Ocupacional","Letalidade")])
corrplot.mixed(MC)
8.2 Matriz de Correlação variaveis: Mortalidade, Doença Ocupacional, Acidentes 16-34 anos
par(mfrow=c(1,1))
corrplot(correlacao_CNAE,method = "number")
MC <-cor(AcidentesCNAE[,c("Mortalidade","Doenca_Ocupacional","Acidentes-16-34-anos")])
corrplot.mixed(MC)
9. Testes de Hipóteses
Foram executados testes de hipóteses para avaliar se a variável Doença Ocupacional interfere nas variáveis Mortalidade, Letalidade e Acidentes-16-34 anos. Adotou-se alpha=0,05 para todos os testes realizados. Dessa forma, a regra de decisão foi definida como:
Se p-value ≤ alpha, rejeita H0. Se p-value > alpha, não rejeita H0.
O primeiro teste de hipóteses realizado com as variáveis teve como objetivo a verificação do pressuposto de normalidade, por meio do teste de Shapiro Wilk, o qual parte do pressuposto de que as observações são independentes e apresenta as seguintes hipóteses:
H0:os dados seguem uma distribuição normal. H1:os dados não seguem uma distribuição normal.
9.1 Shapiro Wilk Test
shapiro.test(AcidentesCNAE$Doenca_Ocupacional)##
## Shapiro-Wilk normality test
##
## data: AcidentesCNAE$Doenca_Ocupacional
## W = 0.17181, p-value < 0.00000000000000022modelo <- aov(Doenca_Ocupacional~Letalidade, data=AcidentesCNAE)
residuos <- residuals(modelo)
residuos## 1 2 3 4 5 6 7
## -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269
## 8 9 10 11 12 13 14
## -0.4431269 -0.3131269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269
## 15 16 17 18 19 20 21
## -0.4431269 -0.4431269 -0.4431269 0.1388809 -0.4431269 -0.3031269 -0.4431269
## 22 23 24 25 26 27 28
## 0.2168731 -0.4431269 -0.4431269 0.4046080 -0.4431269 -0.1831269 0.3168731
## 29 30 31 32 33 34 35
## -0.4431269 -0.4431269 -0.4431269 -0.3267254 -0.4431269 -0.4431269 -0.4431269
## 36 37 38 39 40 41 42
## -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269
## 43 44 45 46 47 48 49
## -0.3631269 1.4768731 -0.4431269 -0.2431269 3.8468731 -0.4431269 -0.4431269
## 50 51 52 53 54 55 56
## -0.4431269 -0.4431269 -0.4431269 -0.4371264 -0.4431269 -0.4431269 -0.4431269
## 57 58 59 60 61 62 63
## -0.4431269 20.0268731 1.9368731 -0.4431269 -0.4431269 -0.4431269 0.1168731
## 64 65 66 67 68 69 70
## -0.4431269 -0.3131269 -0.4431269 -0.4431269 -0.4431269 -0.4431269 -0.4431269
## 71 72 73 74 75 76
## -0.4431269 -0.4431269 -0.2976250 -0.4431269 -0.4431269 -0.4431269shapiro.test(residuos)##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.17603, p-value < 0.00000000000000022qqnorm(residuos, col = "#2719c2", xlab = "Doenca_Ocupacional",
ylab = "Letalidade", main = "Gráfico-Doenca_Ocupacional x Letalidade")
qqline(residuos, col=2)
Após a verificação do pressuposto de normalidade, executou-se, para os dados que não seguem distribuição normal, o teste de Kruskal- Wallis com as hipóteses:
H0: os grupos são amostrados de populações com distribuições idênticas. H1: os grupos são amostrados de populações com diferentes distribuições.
9.2 Kruskal test
kruskal.test(AcidentesCNAE$Doenca_Ocupacional~AcidentesCNAE$Letalidade)##
## Kruskal-Wallis rank sum test
##
## data: AcidentesCNAE$Doenca_Ocupacional by AcidentesCNAE$Letalidade
## Kruskal-Wallis chi-squared = 5.9155, df = 5, p-value = 0.3145Como pvalor>Alpha( 0.3145>0.05), a hipótese nula H0 é aceita Portanto, os grupos são amostrados de populações com distribuições identicas, ou seja, a taxa da população com Doença Ocupacional e a taxa de Letalidade possuem distribuição semelhante para os CNAE analisados. Assim, existe nexo causal entre DO exercendo influência sobre a taxa da mortalidade dos trabalhadores.
9.3 Wilcoxon test
E em seguida, executou-se o teste de Comparações Múltiplas de Wilcoxon.
PMW1 <- pairwise.wilcox.test(AcidentesCNAE$Doenca_Ocupacional, AcidentesCNAE$Letalidade, p.adjust.method="fdr") # Adjusts p-values for multiple comparisons; ## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with tiesPMW1##
## Pairwise comparisons using Wilcoxon rank sum test with continuity correction
##
## data: AcidentesCNAE$Doenca_Ocupacional and AcidentesCNAE$Letalidade
##
## 0 10.31 13.29 200 250
## 10.31 1.00 - - - -
## 13.29 0.28 1.00 - - -
## 200 1.00 - 1.00 - -
## 250 1.00 - 1.00 - -
## 1000 1.00 - 1.00 - -
##
## P value adjustment method: fdr9.4 Teste de correlação de Spearman
Teste da correlação de Spearman #H0(Hipótese nula): se o valor de rho = 0: não há correlação entre as variáveis.
H1(Hipótese alternativa): se o valor de rho for diferente de zero: há correlação entre as variáveis. #alpha = 0,05
Se Pvalor ≤ alpha: rejeita-se H0 #Se Pvalor > alpha: não se rejeita H0 # Aplicando Spearman para Letalidade e Doença Ocupacional.
cor.test(AcidentesCNAE$Doenca_Ocupacional, AcidentesCNAE$Letalidade,method = "spearman")## Warning in cor.test.default(AcidentesCNAE$Doenca_Ocupacional,
## AcidentesCNAE$Letalidade, : Cannot compute exact p-value with ties##
## Spearman's rank correlation rho
##
## data: AcidentesCNAE$Doenca_Ocupacional and AcidentesCNAE$Letalidade
## S = 71990, p-value = 0.8919
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.01585558