Skip to content

About

A análise dos dados da PNAD-COVID 19 do IBGE oferece informações valiosas para o planejamento hospitalar em situações de pandemia.

Resources

Stars

3 stars

Watchers

0 watching

Forks

Latest commit

 

History

4 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Análise do Comportamento da População Brasileira Durante a Pandemia de COVID-19

Python BigQuery Colab FIAP Status

Tech Challenge Fase 3 — Pós-graduação em Data Analytics — FIAP
Autores: Edgard Joseph Kiriyama e Matheus Pavani


Sumário


Sobre o Projeto

Este projeto foi desenvolvido como entregável obrigatório do Tech Challenge Fase 3 da pós-graduação em Data Analytics da FIAP. O objetivo é analisar o comportamento da população brasileira durante a pandemia de COVID-19, com base nos microdados da PNAD-COVID 19 do IBGE, identificando indicadores clínicos, comportamentais e econômicos relevantes para o planejamento hospitalar em caso de novo surto da doença.

O projeto simula o trabalho de um Expert em Data Analytics contratado por um grande hospital para:

  • Entender o comportamento da população na época da pandemia
  • Identificar indicadores importantes para planejamento hospitalar
  • Organizar uma base de dados em nuvem para análise contínua
  • Gerar insights acionáveis para tomada de decisão

Estrutura do Repositório

pnad-covid-analise/
│
├── notebook/
│   └── tech_challenge_fase3_pnad_covid.ipynb   # Notebook principal no Google Colab
│
├── graficos/
│   ├── grafico_01_sintomas_por_mes.png
│   ├── grafico_02_sintomas_por_sexo.png
│   ├── grafico_03_faixa_etaria.png
│   ├── grafico_04_regioes.png
│   ├── grafico_05_perfil_economico.png
│   ├── grafico_05b_trabalho.png
│   ├── grafico_06_plano_hospital.png
│   └── grafico_07_cor_raca.png
│
├── relatorio/
│   └── tech_challenge_fase3_relatorio.pdf      # Relatório final em ABNT
│
└── README.md

Base de Dados

Os dados utilizados são os microdados mensais da PNAD-COVID 19, disponibilizados pelo IBGE.

Mês Arquivo Entrevistados
Setembro/2020 PNAD_COVID_092020.csv 387.298
Outubro/2020 PNAD_COVID_102020.csv 380.461
Novembro/2020 PNAD_COVID_112020.csv 381.438
Total 1.149.197

Download dos microdados: https://covid19.ibge.gov.br/pnad-covid/


Variáveis Selecionadas

Foram selecionadas 20 variáveis organizadas em três eixos temáticos, conforme exigência do projeto.

Sintomas Clínicos

Variável Descrição
B0011 Teve febre?
B0012 Teve tosse?
B0013 Teve dificuldade para respirar?
B0014 Teve dor de cabeça?
B0015 Teve dor no peito?
B002 Teve algum sintoma na semana passada?
B0103 Buscou atendimento em hospital?

Comportamento da População

Variável Descrição
A002 Idade
A003 Sexo
A004 Cor ou raça
B006 Ficou em casa na semana passada?
B009B Tipo de estabelecimento de saúde buscado
B0101 Buscou atendimento em posto de saúde?
B011 Tem plano de saúde?

Características Econômicas

Variável Descrição
C001 Trabalhou na semana passada?
C002 Foi afastado do trabalho?
C007 Setor de atividade
C01012 Rendimento habitual do trabalho (R$)
D0011 Número de moradores no domicílio
UF Unidade da Federação

Tecnologias Utilizadas

Ferramenta Uso Custo
Python 3.10+ Linguagem principal de análise Gratuito
Google Colab Ambiente de desenvolvimento Gratuito
Google BigQuery Banco de dados em nuvem Gratuito (até 10 GB)
Google Cloud Plataforma de nuvem Gratuito
pandas Manipulação de dados Gratuito
matplotlib Visualização de dados Gratuito
seaborn Visualização estatística Gratuito
plotly Gráficos interativos Gratuito

Como Reproduzir

Pré-requisitos

Passo 1 — Configurar o Google Cloud

  1. Acesse https://console.cloud.google.com
  2. Crie um novo projeto com o nome pnad-covid-fiap
  3. Anote o ID do projeto gerado (ex: pnad-covid-19-494513)
  4. Acesse o BigQuery e crie um dataset chamado pnad_covid

Passo 2 — Configurar o Google Colab

  1. Acesse https://colab.research.google.com
  2. Abra o notebook tech_challenge_fase3_pnad_covid.ipynb
  3. Faça upload dos três arquivos CSV dos microdados

Passo 3 — Instalar as dependências

!pip install pandas matplotlib seaborn plotly google-cloud-bigquery db-dtypes openpyxl pandas-gbq

Passo 4 — Autenticar e conectar ao BigQuery

from google.colab import auth
from google.cloud import bigquery
import pandas_gbq

auth.authenticate_user()

PROJECT_ID = "seu-projeto-id"
client = bigquery.Client(project=PROJECT_ID)

Passo 5 — Carregar os dados

colunas = [
    'UF', 'A002', 'A003', 'A004',
    'B0011', 'B0012', 'B0013', 'B0014', 'B0015',
    'B002', 'B0103', 'B006', 'B009B', 'B0101', 'B011',
    'C001', 'C002', 'C007', 'C01012', 'D0011'
]

import pandas as pd

df_set = pd.read_csv('PNAD_COVID_092020.csv', sep=',', usecols=colunas)
df_set['mes'] = 'Setembro'
df_set['mes_num'] = 9

df_out = pd.read_csv('PNAD_COVID_102020.csv', sep=',', usecols=colunas)
df_out['mes'] = 'Outubro'
df_out['mes_num'] = 10

df_nov = pd.read_csv('PNAD_COVID_112020.csv', sep=',', usecols=colunas)
df_nov['mes'] = 'Novembro'
df_nov['mes_num'] = 11

df = pd.concat([df_set, df_out, df_nov], ignore_index=True)

Passo 6 — Enviar para o BigQuery

pandas_gbq.to_gbq(
    df,
    destination_table='pnad_covid.microdados',
    project_id=PROJECT_ID,
    if_exists='replace',
    progress_bar=True
)

Passo 7 — Consultas SQL no BigQuery

-- Sintomas por mês
SELECT
  mes,
  mes_num,
  COUNT(*) AS total_entrevistados,
  ROUND(AVG(A002), 1) AS idade_media,
  COUNTIF(B0011 = 1) AS total_com_febre,
  COUNTIF(B0012 = 1) AS total_com_tosse,
  COUNTIF(B0013 = 1) AS total_com_dif_respirar
FROM `projeto-id.pnad_covid.microdados`
GROUP BY mes, mes_num
ORDER BY mes_num
-- Perfil econômico por mês
SELECT
  mes,
  COUNTIF(C001 = 1) AS trabalharam,
  COUNTIF(C001 = 2) AS nao_trabalharam,
  COUNTIF(C002 = 1) AS afastados,
  ROUND(AVG(CASE WHEN C01012 > 0 THEN C01012 END), 2) AS renda_media,
  COUNTIF(B011 = 1) AS tem_plano_saude,
  COUNTIF(B011 = 2) AS nao_tem_plano_saude
FROM `projeto-id.pnad_covid.microdados`
GROUP BY mes, mes_num
ORDER BY mes_num
-- Sintomas por região
SELECT
  regiao,
  mes,
  COUNT(*) AS total,
  COUNTIF(B0011 = 1) AS febre,
  COUNTIF(B0012 = 1) AS tosse,
  COUNTIF(B0013 = 1) AS dif_respirar,
  COUNTIF(B0103 = 1) AS foram_ao_hospital
FROM `projeto-id.pnad_covid.microdados`
GROUP BY regiao, mes, mes_num
ORDER BY mes_num, regiao

Banco de Dados em Nuvem

Os dados foram armazenados no Google BigQuery com a seguinte estrutura:

Projeto: pnad-covid-19-494513
  Dataset: pnad_covid
    Tabela: microdados
      Linhas: 1.149.197
      Colunas: 26

Análise e Resultados

Sintomas Clínicos

  • A dor no peito foi o sintoma com maior prevalência nos três meses
  • A tosse se manteve como segundo sintoma mais frequente
  • A dificuldade para respirar apresentou leve crescimento em novembro, sinalizando agravamento dos casos
  • A faixa etária de 30 a 59 anos concentrou o maior número absoluto de casos

Comportamento da População

  • Mulheres representaram mais de 53% dos casos de febre nos três meses
  • O Nordeste apresentou o maior número absoluto de casos, seguido do Sudeste
  • Novembro registrou crescimento de casos no Nordeste e Sudeste, sinalizando início da segunda onda
  • A população parda concentrou o maior número de casos, refletindo desigualdades sociais

Características Econômicas

  • Apenas 37% da população trabalhava formalmente no período analisado
  • Renda média dos trabalhadores: R$ 2.239 em setembro, R$ 2.217 em outubro e R$ 2.216 em novembro
  • Mais de 90% da população não possuía plano de saúde privado
  • Cerca de 5% dos entrevistados buscou atendimento hospitalar em cada mês

Recomendações ao Hospital

Com base na análise dos dados, as principais recomendações para planejamento hospitalar em caso de novo surto são:

  1. Ampliar capacidade de atendimento respiratório — manter estoque adequado de oxigênio e equipamentos de ventilação mecânica
  2. Preparar para alta demanda do SUS — mais de 90% da população depende do sistema público
  3. Priorizar faixa etária de 30 a 59 anos — maior número absoluto de casos
  4. Protocolos específicos para idosos — maior risco de complicações graves acima de 60 anos
  5. Atendimento humanizado para população vulnerável — baixa renda e ausência de plano de saúde aumentam vulnerabilidade
  6. Implementar monitoramento contínuo — dados mostram que novembro sinalizou crescimento de casos em múltiplas regiões

Referências

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. PNAD COVID19: microdados. Rio de Janeiro: IBGE, 2020. Disponível em: https://covid19.ibge.gov.br/pnad-covid/. Acesso em: 26 abr. 2026.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. PNAD COVID19: nota técnica. Rio de Janeiro: IBGE, 2020. Disponível em: https://covid19.ibge.gov.br/pnad-covid/. Acesso em: 26 abr. 2026.

GOOGLE. BigQuery: data warehouse em nuvem. Disponível em: https://cloud.google.com/bigquery. Acesso em: 26 abr. 2026.

HUNTER, John D. Matplotlib: a 2D graphics environment. Computing in Science and Engineering, v. 9, n. 3, p. 90-95, 2007.

MCKINNEY, Wes. Python para análise de dados. 2. ed. São Paulo: Novatec, 2019.


Licença

Este projeto foi desenvolvido para fins acadêmicos como parte da pós-graduação em Data Analytics da FIAP.

About

A análise dos dados da PNAD-COVID 19 do IBGE oferece informações valiosas para o planejamento hospitalar em situações de pandemia.

Resources

Stars

3 stars

Watchers

0 watching

Forks

Releases

Packages

Used by

Contributors

Languages