> PopulaçãoFluminense <-
+ readXL("C:/Users/Mariana/SkyDrive/Faculdade/BIOESTATISTICA/adultos_do_Noroeste Fluminense.xlsx",
+ rownames=FALSE, header=TRUE, na="", sheet="banco", stringsAsFactors=TRUE)
Error: 'C:/Users/Mariana/SkyDrive/Faculdade/BIOESTATISTICA/adultos_do_Noroeste Fluminense.xlsx' does not exist.
INTRODUÇÃO:
O noroeste fluminense é composto por Aperibé, Bom Jesus do Itabapoana, Cambuci, Italva, Itaocara, Itaperuna, Laje do Muriaé, Miracema, Natividade, Porciúncula, Santo Antônio de Pádua, São José de Ubá e Varre-Sai, somando ao todo treze municípios.
O desbravamento da região começou na época da colonização portuguesa para o plantio de cana de açúcar, que posteriormente foi substituída pela lavoura de café no século XIX, predominando na região até meados dos anos 30.
Atualmente a localidade possui uma economia diversificada, contando com a fruticultura, a criação de gado e a produção leiteira, a agro-indústria sucroalcooleira, e as indústrias de doces, aguardente, produção de arroz, calcário, cimento e pedras em geral.
Em relação a população, o Noroeste Fluminense possui 324.013 habitantes de acordo com os dados do IBGE de 2015. Sendo assim, é necessária uma avaliação do perfil populacional dessa região para melhor diagnóstico e elaboração de políticas públicas.
OBJETIVO:
Realizar a análise do perfil populacional do Noroeste Fluminense segundo os dados descritos na base "População Adulta do Noroeste Fluminense".
Baseado nisso, fazer o diagnóstico da população, pontos positivos e negativos, a fim de elaborar políticas públicas ao ministro de saúde.
METODOLOGIA:
A pesquisa foi realizada através das informações obtidas no censo preparado pelo setor de pesquisa aplicada, no qual foram entrevistados 32.561 adultos do noroeste fluminense.
A coleta de dados abrange a idade, ocupação, salário em 12 meses, escolaridade, anos de estudo, situação conjugal, setor, raça, sexo, horas de trabalho na semana e local.
Foi estabelecida uma relação entre as variáveis através de gráficos executados com o software R. Sendo aplicadas funções do software, como: Gráfico de pizza, gráfico de barras, histograma, boxplot, diagrama de dispersão, matriz de correlação.
RESULTADOS E DISCUSSÃO
DISTRIBUIÇÃO DE FREQUÊNCIA:
O teste foi realizado a fim de obter um panorâma mais completo, permitindo traçar um diagnóstico condizente a essa população.
Escolaridade:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Escolaridade))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Escolaridade
Analfabeto Doutorado Fundamental Completo
51 413 514
Fundamental Incompleto Médio Completo Médio Incompleto
1147 10501 2541
Mestrado Mestrado Incompleto Superior Completo
576 1723 5355
Superior Incompleto Técnico
2449 7291
percentages:
Escolaridade
Analfabeto Doutorado Fundamental Completo
0.16 1.27 1.58
Fundamental Incompleto Médio Completo Médio Incompleto
3.52 32.25 7.80
Mestrado Mestrado Incompleto Superior Completo
1.77 5.29 16.45
Superior Incompleto Técnico
7.52 22.39
Ocupação:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Ocupação))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Ocupação
Autônomo Conta-Própria Desempregado
2541 1116 1835
Empresa Privada Funcionário Público Nunca Trabalhou
22696 1298 7
Servidor do Estado Servidor do Município Trabalho Voluntário
960 2093 14
percentages:
Ocupação
Autônomo Conta-Própria Desempregado
7.80 3.43 5.64
Empresa Privada Funcionário Público Nunca Trabalhou
69.71 3.99 0.02
Servidor do Estado Servidor do Município Trabalho Voluntário
2.95 6.43 0.04
Local:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Local))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Local
Local 1 Local 10 Local 11
312 178 83
Local 12 Local 2 Local 3
29170 248 686
Local 4 Local 5 Local 6
377 170 229
Local 7 Local 8 Local 9
364 63 98
Local não informado
583
percentages:
Local
Local 1 Local 10 Local 11
0.96 0.55 0.25
Local 12 Local 2 Local 3
89.59 0.76 2.11
Local 4 Local 5 Local 6
1.16 0.52 0.70
Local 7 Local 8 Local 9
1.12 0.19 0.30
Local não informado
1.79
IMC:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(IMC))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
IMC
<=30Imc >30Imc
24720 7841
percentages:
IMC
<=30Imc >30Imc
75.92 24.08
Raça:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Raça))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Raça
Amarelo Branco Indígena Outra Preto
1039 27816 311 271 3124
percentages:
Raça
Amarelo Branco Indígena Outra Preto
3.19 85.43 0.96 0.83 9.59
Setor:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Setor))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Setor
Agropecuária Consultor Junior Consultor Sênior Forças Armadas
994 928 4140 9
Gerente Industria tipo 1 Industria tipo 2 Mecânico
4066 1370 2002 4099
Outros Religioso Segurança Tecnologia
3295 3770 649 149
Transporte Vendas
1597 3650
percentages:
Setor
Agropecuária Consultor Junior Consultor Sênior Forças Armadas
3.24 3.02 13.48 0.03
Gerente Industria tipo 1 Industria tipo 2 Mecânico
13.24 4.46 6.52 13.34
Outros Religioso Segurança Tecnologia
10.73 12.27 2.11 0.49
Transporte Vendas
5.20 11.88
Sexo:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Sexo))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Sexo
Homem Mulher
21790 10771
percentages:
Sexo
Homem Mulher
66.92 33.08
Situação Conjugal:
```r
> local({
+ .Table <- with(PopulaçãoFluminense, table(Situação.Conjugal))
+ cat("\ncounts:\n")
+ print(.Table)
+ cat("\npercentages:\n")
+ print(round(100*.Table/sum(.Table), 2))
+ })
counts:
Situação.Conjugal
Casamento Civil Casamento Civil e Religioso
14976 418
Casamento Religioso Divorciado(a)
23 4443
Nunca Casou Separado(a)
10683 1025
Viúvo(a)
993
percentages:
Situação.Conjugal
Casamento Civil Casamento Civil e Religioso
45.99 1.28
Casamento Religioso Divorciado(a)
0.07 13.65
Nunca Casou Separado(a)
32.81 3.15
Viúvo(a)
3.05
Gráfico de Pizza - Porcentagem de escolaridade:
```r
> require(plotrix)
> contagem = table(PopulaçãoFluminense$Escolaridade)
> nomes = levels(PopulaçãoFluminense$Escolaridade)
> porcent = round(contagem/sum(contagem)*100,2)
> rotulo=paste(nomes," (",porcent,"%",")",sep="")
> pie(table(PopulaçãoFluminense$Escolaridade),labels=rotulo, main="Escolaridade",cex=0.7, col=c("#2ba82d", "#2ba846", "#2ba86b", "#2ba88e", "#2ba1a8", "#2b80a8", "#2b56a8", "#2b56a8", "#5d2ba8", "#882ba8", "#a82b99"))
A partir desse gráfico vericamos que a maioria da população do noroeste fluminense possui um nível médio de escolaridade. Tendo prevalência de ensino médio completo (32,25%), seguido por técnico (22,39%) e superior completo (16,45%). É notável que os níveis mais altos e baixos de escolaridade possuem as menores porcentagens, como exemplo a taxa de doutorado é de 1,27% e a de analfabetismo, que é a menor parte da parcela da população, é de 0,16%.
Gráfico de Pizza - Ocupação
> color <- colorRampPalette(c("pink","yellow"))
> contagem = table(PopulaçãoFluminense$Ocupação)
> nomes = levels(PopulaçãoFluminense$Ocupação)
> porcent = round(contagem/sum(contagem)*100,2)
> rotulo=paste(nomes," (",porcent,"%",")",sep="")
> pie(table(PopulaçãoFluminense$Ocupação),labels=rotulo, main="Ocupação",cex=0.8, col=color(7))
É possível observar que 69,71% dos entrevistados trabalham em empresas privadas e apenas 0,02% nunca trabalhou. É importante destacar que o trabalho em empresa privada se diversifica nos mais diversos setores, como por exemplo Consultor Sênior e Mecânico, as áreas de maior predomínio no noroeste fluminense.
Gráfico de Barras - Porcentagem de Escolaridade x Sexo
> with(PopulaçãoFluminense, Barplot(Escolaridade, by=Sexo, style="parallel", legend.pos="above",
+ xlab="Escolaridade", ylab="Percent", main="<Escolaridade e Sexo>", scale="percent",col=c("lightcyan3","lightcoral"),cex.names=0.6))
Coluna de porcentagem:
> local({
+ .Table <- xtabs(~Escolaridade+Sexo, data=PopulaçãoFluminense)
+ cat("\nFrequency table:\n")
+ print(.Table)
+ cat("\nRow percentages:\n")
+ print(rowPercents(.Table))
+ .Test <- chisq.test(.Table, correct=FALSE)
+ print(.Test)
+ })
Frequency table:
Sexo
Escolaridade Homem Mulher
Analfabeto 35 16
Doutorado 327 86
Fundamental Completo 370 144
Fundamental Incompleto 857 290
Médio Completo 7111 3390
Médio Incompleto 1670 871
Mestrado 484 92
Mestrado Incompleto 1187 536
Superior Completo 3736 1619
Superior Incompleto 1528 921
Técnico 4485 2806
Row percentages:
Sexo
Escolaridade Homem Mulher Total Count
Analfabeto 68.6 31.4 100 51
Doutorado 79.2 20.8 100 413
Fundamental Completo 72.0 28.0 100 514
Fundamental Incompleto 74.7 25.3 100 1147
Médio Completo 67.7 32.3 100 10501
Médio Incompleto 65.7 34.3 100 2541
Mestrado 84.0 16.0 100 576
Mestrado Incompleto 68.9 31.1 100 1723
Superior Completo 69.8 30.2 100 5355
Superior Incompleto 62.4 37.6 100 2449
Técnico 61.5 38.5 100 7291
Pearson's Chi-squared test
data: .Table
X-squared = 287.91, df = 10, p-value < 2.2e-16
Para analisar esse gráfico foi levado em conta que a maioria dos entrevistados é homem (66,92%) e a minoria mulher (33,08%), o que reflete na escolaridade. Foi observado que a maior disparidade entre homens e mulheres está nos níveis escolares mais altos, sendo 79,2% dos que fazem doutorado homens e apenas 20,8% mulheres, e 84% dos que fazem mestrado são homens contra 16% que são mulheres. Esses percentuais não se justificam pela maioria homem, mas provavelmente por uma desigualdade de gênero, tendo menos mulheres chegando a níveis escolares altos.
Gráfico de Barras - Porcentagem de IMC x Sexo
> with(PopulaçãoFluminense, Barplot(Sexo, by=IMC, style="parallel", legend.pos="above", xlab="Sexo", ylab="Percent", main="<Sexo e IMC>", scale="percent",
+ col=c("lightcyan3","lightcoral")))
Coluna de porcentagem:
> local({
+ .Table <- xtabs(~Sexo+IMC, data=PopulaçãoFluminense)
+ cat("\nFrequency table:\n")
+ print(.Table)
+ cat("\nRow percentages:\n")
+ print(rowPercents(.Table))
+ .Test <- chisq.test(.Table, correct=FALSE)
+ print(.Test)
+ })
Frequency table:
IMC
Sexo <=30Imc >30Imc
Homem 15128 6662
Mulher 9592 1179
Row percentages:
IMC
Sexo <=30Imc >30Imc Total Count
Homem 69.4 30.6 100 21790
Mulher 89.1 10.9 100 10771
Pearson's Chi-squared test
data: .Table
X-squared = 1518.9, df = 1, p-value < 2.2e-16
O IMC é utilizado para avaliar o peso do indivíduo em relação a sua altura e, a partir disso, indicar se esse está dentro do peso ideal ou não. Um IMC acima de 30 categoriza obesidade. A partir do gráfico é possível constatar que o IMC abaixo de 30 é prevalente entre homens (69,4%) e mulheres (89,1%). Apesar disso, é alarmante a taxa de 30,6% dos homens estarem com o IMC acima de 30, contra apenas 10,9% das mulheres. É notável a diferença entre homens e mulheres com o IMC acima de 30, 30,6% e 10,9%, respectivamente.
Boxplot - Sexo x Horas de Trabalho na Semana
> Boxplot(Horas.de.trabalho.na.semana~Sexo, data=PopulaçãoFluminense, id.method="none",
+ xlab="<Sexo>", ylab="<Horas de trabalho na semana>",
+ main="<Sexo x Horas de trabalho na semana>", col="sienna2")
> numSummary(PopulaçãoFluminense[,"Horas.de.trabalho.na.semana", drop=FALSE],
+ groups=PopulaçãoFluminense$Sexo, statistics=c("mean", "sd", "IQR", "quantiles", "cv"),
+ quantiles=c(0,.25,.5,.75,1))
mean sd IQR cv 0% 25% 50% 75% 100%
Homem 42.42809 12.11976 9 0.2856541 1 40 40 49 99
Mulher 36.41036 11.81130 10 0.3243939 1 30 40 40 99
Horas.de.trabalho.na.semana:n
Homem 21790
Mulher 10771
Observamos que o mínimo de horas trabalhadas por mulheres (0.3243939) é um pouco maior do que por homens (0.2856541) e o máximo de horas trabalhadas pelos dois sexos é o mesmo (99). Porém a média de horas trabalhadas por homens é maior do que a por mulheres, 42.42809 e 36.41036, respectivamente.
Histograma - IMC x Horas de trabalho na Semana
> with(PopulaçãoFluminense, Hist(Horas.de.trabalho.na.semana, groups=IMC, scale="percent",
+ breaks="Sturges", col="palegreen"))
Nesse histograma observamos que pessoas que trabalham até 40 horas tem em sua maioria o IMC abaixo de 30. Porém no intervalo de 40 a 70 horas de trabalho semanal os adultos do noroeste fluminense tenderam a ter um IMC acima de 30, caracterizado por obesidade.
As cargas horárias maiores influênciam no estresse e tempo de planejamentoe/execução de refeições sendo esse um possível motivo para o IMC mais elevado nos homens, já que foi constatado que esses trabalham em média mais que as mulheres.
Gráfico de Barras - Divisão dos sexos por ocupação
> with(PopulaçãoFluminense, Barplot(Sexo, by=Ocupação, style="parallel", legend.pos="center",
+ xlab="Sexo", ylab="Porcentagem", main="Divisão dos sexos por ocupação", scale="percent",
+ col=c("darkred", "darkblue", "darkolivegreen1", "deeppink3", "darkviolet", "darkturquoise",
+ "darkkhaki", "darkgrey", "lemonchiffon2") ,ylim=c(0,80)))
> library(abind, pos=17)
> local({
+ .Table <- xtabs(~Sexo+Ocupação, data=PopulaçãoFluminense)
+ cat("\nFrequency table:\n")
+ print(.Table)
+ cat("\nColumn percentages:\n")
+ print(colPercents(.Table))
+ .Test <- chisq.test(.Table, correct=FALSE)
+ print(.Test)
+ })
Frequency table:
Ocupação
Sexo Autônomo Conta-Própria Desempregado Empresa Privada
Homem 2142 981 996 14944
Mulher 399 135 839 7752
Ocupação
Sexo Funcionário Público Nunca Trabalhou Servidor do Estado
Homem 809 5 645
Mulher 489 2 315
Ocupação
Sexo Servidor do Município Trabalho Voluntário
Homem 1258 9
Mulher 835 5
Column percentages:
Ocupação
Sexo Autônomo Conta-Própria Desempregado Empresa Privada
Homem 84.3 87.9 54.3 65.8
Mulher 15.7 12.1 45.7 34.2
Total 100.0 100.0 100.0 100.0
Count 2541.0 1116.0 1835.0 22696.0
Ocupação
Sexo Funcionário Público Nunca Trabalhou Servidor do Estado
Homem 62.3 71.4 67.2
Mulher 37.7 28.6 32.8
Total 100.0 100.0 100.0
Count 1298.0 7.0 960.0
Ocupação
Sexo Servidor do Município Trabalho Voluntário
Homem 60.1 64.3
Mulher 39.9 35.7
Total 100.0 100.0
Count 2093.0 14.0
Warning in chisq.test(.Table, correct = FALSE): Chi-squared approximation
may be incorrect
Pearson's Chi-squared test
data: .Table
X-squared = 769.35, df = 8, p-value < 2.2e-16
Esse gráfico de divisão dos sexos por ocupação mostra que a maior parte dos homens (14944) e das mulheres (7752) trabalham em empresas privadas. Pode-se perceber que uma classe que está bem equilibrada entre os sexos é a de desempregado, com um total de 1835 pessoas desempregadas. Desses desempregados, 996 são homens (54,3%) e 839 (45,7%). Levando também em conta que, dos estrevistados a maioria é homem e a minoria é mulher, essa diferença também reflete na divisão das ocupações. Justo por haver essa diferença devido ao maior número de homens entrevistados do que mulheres, os dados acabam por mostrar também uma maior diferença quanto a presença masculina nas ocupações em relação as mulheres.
Matriz de Correlação - Anos de estudo x Renda
> cor(PopulaçãoFluminense[,c("Anos.de.estudo","Salário..em.12meses.")], use="complete")
Anos.de.estudo Salário..em.12meses.
Anos.de.estudo 1.00000000 -0.04319463
Salário..em.12meses. -0.04319463 1.00000000
> M<-cor(PopulaçãoFluminense[,c("Anos.de.estudo","Salário..em.12meses.")], use="complete")
> M<-cor(PopulaçãoFluminense[,c("Anos.de.estudo","Salário..em.12meses.")], use="complete")
> M
Anos.de.estudo Salário..em.12meses.
Anos.de.estudo 1.00000000 -0.04319463
Salário..em.12meses. -0.04319463 1.00000000
> require(corrplot)
> require(corrplot)
```r
> corrplot(M,addCoef.col=TRUE,number.cex=0.7)
A correlação foi realizada pelo método de Pearson, também chamado de “Produto momento de Pearson”.
O valor da correlação obtido foi de -0,04, um valor que não é considerado forte.
Isso significa que os anos de estudo não influenciam na renda.
Com esta analise podemos concluir que a relação de crescimento entre variáveis não é diretamente proporcional.
Diagrama de Dispersão - Anos de estudo x Renda
> scatterplot(Salário..em.12meses.~Anos.de.estudo, reg.line=lm, smooth=FALSE, spread=TRUE,
+ boxplots='xy', span=0.5, ellipse=FALSE, levels=c(.5, .9), data=PopulaçãoFluminense)
A análise do diagrama de dispersão mostra que essas variáveis não possuem relação. Ou seja, uma não possui impacto na outra, os anos de estudo não influenciam na renda. A linha de quadrados minimos é uma reta decrescente
Histograma - IMC x Idade
> with(PopulaçãoFluminense, Hist(IDADE, groups=IMC, scale="percent", breaks="Sturges",
+ col="darkred", xlab="Idade", ylab="Porcentagem", main="IMC por idade"))
A análise desses histogramas revelam que a porcentagem dos indivíduos com IMC < 30 sobe a partir dos 20 anos de idade, porém, vai decaindo nitidamente com o passar dos anos.
A porcentagem dos indivíduos com IMC > 30 sobe também a partir dos 20 anos, quando chega na faixa dos 35-45 anos se mantem mas, ao ultrapassar essa faixa, a porcentagem vai decrescendo nitidamente
Conforme vão avançando com a idade, novas responsabilidades aparecem e fica mais difícil da pessoa manter um padrão de vida saudável e isso se reflete nesses resultados ilustrados pelo gráfico. No início cresce rapidamente, mas com o passar dos anos vai decrescendo.
Poucas pessoas conseguem manter um padrão de vida saudável durante o decorrer de suas vidas.
Conclusão Através da análise de gráficos sobre os hábitos da população do Noroeste Fluminense é possível concluir que a qualidade da alimentação das pessoas está diretamente ligada a sua rotina de trabalho/estudo. As pessoas passam a maior parte do seu dia no local de trabalho, falta tempo para planejamento e preparo do alimento, logo, as opções ficam reduzidas a: preparo de comidas rápidas, frituras ou congelados e fazer as refeições em restaurantes e self-services. Essas práticas causam prejuízos não só a saúde do indivíduo como também ao seu desempenho profissional. Para o tratamento da obesidade o ideal é ter uma equipe interdisciplinar: médicos (várias especialidades como psiquiatra e endocrinologista), nutricionistas, psicólogos, educadores físicos, fisioterapeutas. Isto seria o ideal, mas precisamos começar com o que é possível campanhas de conscientização sobre hábitos alimentares e exercícios físicos devem ser recorrentes. O alto índice de IMC elevado é problema não só da população do Noroeste Fluminense, mas de todo o país. A interpretação dos gráficos nos permite também a percepção sobre o cenário educacional da região, onde o percentual da população com ensino superior fica em terceiro lugar, atrás dos ensinos médio e técnico. O problema da ocupação das vagas em ensinos superiores também é uma questão que o país, como um todo veio resolvendo ao longo dos anos, porém os dados acima demonstram que ainda há o que fazer, que o ensino médio ainda precisa ser reforçado para dar base ao ingresso dos estudantes às universidades. Diante dos dados analisados fica evidente que os hábitos interferem na saúde do indivíduo, porém o ambiente, sociedade em que vive e as condições sociais também fazem parte da construção do histórico das pessoas.
> PopulaçãoFluminense <- readXL("C:/Users/perei/Desktop/adultos_do_Noroeste Fluminense.xlsx",
+ rownames=FALSE, header=TRUE, na="", sheet="banco", stringsAsFactors=TRUE)