Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/tnleite/covid19-brasil-statistics

Este repositório contém uma análise estatística descritiva e de séries temporais dos dados de COVID-19 no Brasil.
https://github.com/tnleite/covid19-brasil-statistics

Last synced: about 1 month ago
JSON representation

Este repositório contém uma análise estatística descritiva e de séries temporais dos dados de COVID-19 no Brasil.

Awesome Lists containing this project

README 

        
# 🦠  Análise Estatística e Temporal da COVID-19






[![Python Version](https://img.shields.io/badge/Python-3.8-blue?logo=python&logoColor=white)](https://www.python.org/)

[![Jupyter Version](https://img.shields.io/badge/Jupyter-Notebook-orange?logo=jupyter)](https://jupyter.org/)

[![Project Status](https://img.shields.io/badge/Status-Completed-green)]()

[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)



## 📝 Descrição do Projeto  

Este projeto faz parte do módulo de **Estatística** do **Santander Coders 2024**, desenvolvido com o objetivo de aplicar técnicas de **análise estatística descritiva** e **análise de séries temporais** para entender a evolução dos casos de **COVID-19 no Brasil**. O projeto explora um dataset real de COVID-19, disponível publicamente, e foca em duas abordagens principais:



1. **Análise Estatística Descritiva**: Entendimento das variáveis envolvidas e identificação de padrões, outliers e correlações.

2. **Análise de Séries Temporais**: Estudo da evolução dos casos confirmados e novos casos ao longo do tempo, com decomposição das séries para extrair componentes de tendência, sazonalidade e resíduos.



O projeto exemplifica o uso de ferramentas como **Pandas**, **Matplotlib** e **Seaborn** para realizar análises estatísticas e visualizações que ajudam a capturar a dinâmica da pandemia no Brasil, desde o início até o final de 2022.





  GIF Análise




## 🗂️ Estrutura do Repositório

Este repositório está organizado da seguinte forma:

- **01_Base_de_Dados**: Contém os arquivos de dados brutos utilizados para análise.

- **02_Analise**: Contém o arquivo Jupyter com a análise.

- **03_Recursos**: Contém recursos utilizados no projeto.



## 🔍 Estrutura do Projeto



### Parte 1: Análise Estatística Descritiva

- **Distribuição de Casos e Mortes Confirmadas**: Análise da assimetria das distribuições de casos e mortes, bem como a presença de outliers significativos.

- **Correlação Entre Variáveis**: Análise da correlação entre o total de casos confirmados e o total de mortes confirmadas, e a correlação com a população estimada por estado.

- **Identificação de Outliers**: Investigação dos períodos com surtos intensos de COVID-19 e como eles influenciaram o comportamento geral da pandemia.



### Parte 2: Análise de Séries Temporais

- **Comportamento Temporal**: Análise do crescimento exponencial de casos confirmados, seguida de estabilização no final de 2022.

- **Decomposição da Série Temporal**: Estudo dos componentes de tendência, sazonalidade e resíduos, tanto para o total de casos confirmados quanto para os novos casos diários.

- **Verificação de Estacionariedade**: Aplicação de testes de estacionariedade e transformações para garantir que as séries possam ser utilizadas em análises preditivas, como o uso da transformação logarítmica.

- **Análise de Resíduos**: Verificação da normalidade dos resíduos para identificar se há fatores não capturados que impactaram a propagação da doença.



## 💾 Demonstração e Uso

Para explorar a análise, você pode seguir uma das opções abaixo:



1. **Visualização Direta no GitHub**:

   - Vá até a pasta **02-Analise** e abra o arquivo **Jupyter Notebook** diretamente no GitHub para visualizar a análise sem precisar baixar.

   - [Clique aqui para acessar a pasta de análise](02-Analise/projeto_estatistica.ipynb).



2. **Download do Notebook**:

   - Caso a visualização no GitHub não funcione adequadamente ou prefira trabalhar localmente, você pode baixar o arquivo que está no caminho anterior.



3. **Instruções de Uso Local**:

   - Após baixar, abra o notebook no Jupyter ou em uma plataforma que suporte notebooks IPython.

   - Execute as células sequencialmente para visualizar as análises e gráficos.



## 🛠️ Tecnologias Utilizadas

- [Python](https://www.python.org/)

- [Jupyter Notebook](https://jupyter.org/)

- [Pandas](https://pandas.pydata.org/)

- [Matplotlib](https://matplotlib.org/)

- [Seaborn](https://seaborn.pydata.org/)



## 🏗️ Arquitetura e Fluxo de Análise




O fluxo de análise do projeto segue a estrutura abaixo:



1. **Coleta de Dados**: Utilizamos dados abertos sobre a COVID-19 no Brasil, contendo informações diárias de casos confirmados e mortes por estado.

2. **Manipulação e Limpeza de Dados**: Utilizamos a biblioteca **Pandas** para limpar, formatar e preparar os dados, removendo valores inconsistentes e tratando dados ausentes.

3. **Visualização Gráfica**: Criamos visualizações descritivas e temporais com **Matplotlib** e **Seaborn**, destacando padrões e tendências presentes no dataset.

4. **Análise Temporal**: Aplicamos decomposição de séries temporais, verificando componentes de tendência, sazonalidade e resíduos, além de transformações como log para garantir a estacionariedade.

5. **Insights**: A partir das análises visuais e temporais, geramos insights que contribuem para o entendimento da evolução da pandemia no Brasil.



## 📈 Impacto e Resultados



- **Análise Detalhada da Pandemia**: O projeto permitiu uma visualização clara do comportamento da COVID-19 no Brasil ao longo do tempo, com insights sobre surtos e períodos de estabilização.

- **Compreensão de Surtos**: Através da análise de séries temporais, conseguimos identificar os principais momentos críticos da pandemia, além de avaliar as variações sazonais no número de novos casos.

- **Validação de Conhecimentos em Estatística**: Aplicamos técnicas estatísticas fundamentais para validar hipóteses e entender a evolução da pandemia, demonstrando o aprendizado adquirido ao longo do curso.



## 🖼️ Screenshots

Aqui estão algumas capturas de tela das análises:






















## 📞 Contato

- 📫 Você pode entrar em contato comigo pelo meu [e-mail](mailto:[email protected]).

- 💼 Meu perfil no [LinkedIn](https://www.linkedin.com/in/tnleite/) para acompanhar meu progresso e projetos.

- ✍🏻 Meu perfil no [Medium](https://medium.com/@thiago.leit) para ver artigos publicados.

- 🌐 Meu [Portfólio](https://thiagoleitedata.com.br) para visualizar outros projetos.