This script uses Texas BRFSS data from 2011–2023 to construct a binary exercise indicator, define a diagnosed-diabetes outcome, and estimate survey-weighted logistic regressions of diabetes on exercise status for each year. The resulting coefficients are compared across years to evaluate the stability and strength of the exercise–diabetes association over time.

This script loads Texas BRFSS 2011–2023, harmonizes smoking status into consistent categories, constructs a binary diagnosed-diabetes outcome, and runs survey-weighted logistic regressions of diabetes on smoking status for each year. It then extracts the smoking coefficients year by year to assess the stability and magnitude of associations over time.

Presentation for the Data Science Capstone course in the Johns Hopkins' Data Science Specialization

This script loads Texas BRFSS data from 2011–2023, constructs a cleaned continuous BMI measure from reported height and weight, defines a binary diagnosed-diabetes outcome, and estimates survey-weighted logistic regressions of diabetes on BMI for each year. It then compares the magnitude and statistical strength of the BMI coefficient across years and pooled periods to assess the stability of the BMI–diabetes association over time.

--- title: "PROVA FINAL – CDBD" output: flexdashboard::flex_dashboard: orientation: rows vertical_layout: scroll theme: cosmo source_code: embed --- <style> .navbar-inverse { background-color: #000000 !important; border-bottom: 4px solid #B3A369 !important; border-top: 4px solid #BDB76B !important; } .navbar-nav > li.active > a { background-color: #BDB76B !important; color: #ffffff !important; } .header-box { display: flex; align-items: center; gap: 20px; padding: 20px 24px; margin-bottom: 26px; background: #f8f8f8; border-left: 6px solid #BDB76B; border-bottom: 1px solid #BDB76B; } .header-title { font-size: 22px; font-weight: 700; color: #222; } .header-subtitle { font-size: 14px; color: #555; } .header-caption { font-size: 13px; color: #777; margin-top: 6px; } </style> <div class="header-box"> <img src="1.png" style="height:90px;"> <div> <div class="header-title">VISUALIZAÇÃO DE DADOS</div> <div class="header-subtitle">Especialização em Ciência de Dados e Big Data</div> <div class="header-caption">Prova Final – CDBD | Entrega: 16/12/2025</div> <div class="header-caption"> Jean Marcos de Paula Hott | jeanhott15@gmail.com | CPF 108.000.926-43 | N.PM 172.457-4 </div> </div> </div> ```{r setup, include=FALSE} library(flexdashboard) library(ggplot2) library(dplyr) if(!require(gridExtra)) install.packages("gridExtra") library(gridExtra) ``` # Introdução Este dashboard constitui a avaliação final da disciplina CDBD – Visualização de Dados, integrante da Especialização em Ciência de Dados e Big Data. O projeto visa demonstrar a aplicação prática dos fundamentos de visualização analítica utilizando a linguagem R e o ecossistema ggplot2. A visualização de dados é aqui tratada como uma ferramenta estratégica de comunicação. O objetivo central é converter estruturas de dados abstratas em representações visuais que permitam a cognição imediata de padrões, tendências e anomalias. Adota-se o princípio da eficiência gráfica, priorizando a clareza e a redução da carga cognitiva em detrimento de elementos puramente decorativos. O trabalho estrutura-se em exercícios práticos que abordam: 1.Análise de Correlação: Uso de gráficos de dispersão para variáveis contínuas. 2.Análise de Frequência: Uso de gráficos de barras ordenados para variáveis categóricas. 3.Análise de Distribuição: Uso de boxplots para medidas de posição e dispersão. 4.Fundamentos Teóricos: Discussão sobre Overplotting e a Gramática dos Gráficos. Os exemplos utilizam os datasets clássicos mtcars e diamonds. # Exercício 1.1 Relação entre Peso e Consumo de Combustível Row ------------------------------------- ### Interpretação {.column width=35%} **Interpretação Analítica** O gráfico de dispersão (scatter plot) revela uma correlação linear negativa forte entre o peso do veículo (wt) e a eficiência de combustível (mpg). Isso indica estatisticamente que o aumento da massa do veículo é um fator determinante para a redução da sua autonomia por galão. **Segmentação por Cilindros** A inclusão da variável categórica cyl (cilindros) através do mapeamento de cores permite identificar clusters distintos: - **4 cilindros (azul):** Veículos mais leves e com alta eficiência energética. - **6 cilindros(verde):** Cluster intermediário. - **8 cilindros (vermelho):** Veículos pesados e com baixo rendimento (maior consumo). **Conclusão** Conclui-se que tanto o peso do veículo quanto o número de cilindros exercem influência significativa no consumo de combustível. Veículos mais leves e com menor número de cilindros tendem a apresentar melhor desempenho energético. ### Gráfico de Dispersão {.column width=65%} ```{r} ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) + geom_point(size = 3, alpha = 0.8) + labs( title = "Relação entre Peso e Consumo de Combustível", x = "Peso do Veículo (wt)", y = "Consumo (mpg)", color = "Cilindros" ) + theme_minimal() + theme(legend.position = "bottom") ``` # Exercício 1.2 Frequência de Cortes Row ------------------------------------- ### Interpretação {.column width=35%} **Interpretação Analítica** Este gráfico de barras ilustra a frequência absoluta dos diferentes tipos de corte (cut) na base de dados diamonds. A ordenação decrescente das barras é uma decisão de design crucial, pois facilita a comparação imediata entre as categorias. **Insights Visuais** - O corte "Ideal" é o mais frequente, sugerindo uma predominância de pedras de alta qualidade de lapidação nesta amostra. - O corte "Fair" (Justo) é o menos representativo. - A visualização respeita o princípio de que dados nominais devem ser ordenados por valor (frequência) e não alfabeticamente. **Conclusão** A análise gráfica confirma a predominância significativa de diamantes com corte "Ideal", sugerindo um viés de alta qualidade na amostra. A ordenação decrescente das barras otimiza a legibilidade, permitindo a identificação imediata das categorias de menor frequência, enquanto os rótulos diretos eliminam a ambiguidade na leitura dos valores exatos. ### Gráfico de Barras {.column width=65%} ```{r} diamonds %>% count(cut) %>% arrange(desc(n)) %>% ggplot(aes(x = reorder(cut, n), y = n, fill = cut)) + geom_col(show.legend = FALSE) + geom_text(aes(label = n), vjust = -0.5, size = 3.5) + scale_fill_brewer(palette = "Spectral") + labs( title = "Contagem de Diamantes por Corte", subtitle = "Ordenado por frequência decrescente", x = "Tipo de Corte", y = "Quantidade" ) + theme_minimal() + coord_cartesian(ylim = c(0, 23000)) ``` # Exercício 1.3 Distribuição de Preços Row ------------------------------------- ### Interpretação {.column width=35%} **Interpretação Analítica** O Boxplot é utilizado aqui para comparar a distribuição estatística dos preços (price) condicionada ao tipo de corte (cut). **Insights Visuais** - Variabilidade: Cortes como "Premium" apresentam uma amplitude interquartil maior (caixa maior), indicando maior variação de preços. - Mediana: Curiosamente, os cortes "Ideal" possuem uma mediana de preço ligeiramente inferior a cortes "Fair". - Outliers: A grande quantidade de pontos acima do "bigode" superior indica uma distribuição assimétrica à direita. **Conclusão** O boxplot revela que, paradoxalmente, cortes de maior qualidade técnica podem apresentar medianas de preço inferiores (provavelmente devido ao tamanho menor das pedras). A visualização é eficaz em destacar a alta variabilidade nos cortes "Premium" e a presença massiva de outliers na cauda superior, indicando que existem diamantes excepcionalmente caros em todas as categorias de corte. ### Boxplot {.column width=65%} ```{r} ggplot(diamonds, aes(x = cut, y = price, fill = cut)) + geom_boxplot(alpha = 0.7, show.legend = FALSE) + scale_fill_brewer(palette = "Set2") + labs( title = "Distribuição de Preços por Tipo de Corte", x = "Qualidade do Corte", y = "Preço (USD)" ) + theme_minimal() + theme(axis.text.x = element_text(angle = 45, hjust = 1)) ``` # Exercício 1.4 Conceitos Fundamentais Row {data-height=180} ------------------------------------- ### Letra A – O Problema do Overplotting Diferença Técnica Em grandes conjuntos de dados ou quando variáveis são discretas (como o número de cilindros), ocorre o fenômeno do Overplotting (sobreposição). Múltiplos pontos ocupam exatamente a mesma coordenada cartesiana. - **`geom_point()`** Plota os dados com precisão matemática exata. No exemplo abaixo (lado esquerdo), parece haver poucos carros devido à sobreposição dos pontos. - **`geom_jitter()`** Aplica um pequeno deslocamento aleatório. No exemplo abaixo (lado direito), a "nuvem" de pontos revela a quantidade real de observações. Row {data-height=400} ------------------------------------- ### Comparação Visual ```{r} library(ggplot2) library(gridExtra) p1 <- ggplot(mtcars, aes(x = factor(cyl), y = mpg)) + geom_point(size = 4, color = "#1f77b4", alpha = 0.6) + coord_cartesian(ylim = c(10, 35)) + labs( title = "geom_point() – Sobreposição", x = "Cilindros", y = "Consumo (mpg)" ) + theme_minimal() p2 <- ggplot(mtcars, aes(x = factor(cyl), y = mpg)) + geom_jitter(width = 0.25, height = 0, size = 4, color = "#d62728", alpha = 0.6) + coord_cartesian(ylim = c(10, 35)) + labs( title = "geom_jitter() – Dispersão", x = "Cilindros", y = NULL ) + theme_minimal() grid.arrange(p1, p2, ncol = 2) ``` Row {data-height=350} ------------------------------------- ### Letra B – Gramática dos Gráficos Teoria da Visualização A Gramática dos Gráficos (The Grammar of Graphics) Desenvolvido por Leland Wilkinson, este conceito define que um gráfico não é uma figura estática, mas uma construção lógica. O ggplot2 implementa essa gramática através de camadas (layers) conectadas pelo operador + : 1. Dados (Data): O dataframe base. 2. Estética (Aesthetics): Mapeamento visual (X, Y, Cor). 3. Geometrias (Geoms): A forma visual (pontos, barras). 4. Facetas: Sub-painéis. 5. Estatísticas: Transformações. 6. Coordenadas: Espaço do desenho. 7. Temas: Elementos visuais.

This script loads Texas BRFSS 2011–2023, harmonizes sex coding across years, constructs a binary diagnosed diabetes outcome, and estimates survey weighted logistic regressions of diabetes on sex for each year using the BRFSS sampling design. It then extracts the sex coefficient from each year’s model and compiles the estimates to examine the stability and magnitude of sex differences in diagnosed diabetes over time.

Especialização em Ciência de Dados e Big Data Prova Final – CDBD | Entrega: 16/12/2025

Costos_Totales