Tech Challenge Fase 3 — Pós-graduação em Data Analytics — FIAP
Autores: Edgard Joseph Kiriyama e Matheus Pavani
- Sobre o Projeto
- Estrutura do Repositório
- Base de Dados
- Variáveis Selecionadas
- Tecnologias Utilizadas
- Como Reproduzir
- Banco de Dados em Nuvem
- Análise e Resultados
- Recomendações ao Hospital
- Referências
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
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
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/
Foram selecionadas 20 variáveis organizadas em três eixos temáticos, conforme exigência do projeto.
| 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? |
| 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? |
| 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 |
| 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 |
- Conta Google (Gmail)
- Acesso ao Google Colab: https://colab.research.google.com
- Acesso ao Google Cloud: https://console.cloud.google.com
- Arquivos de microdados baixados do IBGE
- Acesse https://console.cloud.google.com
- Crie um novo projeto com o nome
pnad-covid-fiap - Anote o ID do projeto gerado (ex:
pnad-covid-19-494513) - Acesse o BigQuery e crie um dataset chamado
pnad_covid
- Acesse https://colab.research.google.com
- Abra o notebook
tech_challenge_fase3_pnad_covid.ipynb - Faça upload dos três arquivos CSV dos microdados
!pip install pandas matplotlib seaborn plotly google-cloud-bigquery db-dtypes openpyxl pandas-gbqfrom 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)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)pandas_gbq.to_gbq(
df,
destination_table='pnad_covid.microdados',
project_id=PROJECT_ID,
if_exists='replace',
progress_bar=True
)-- 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, regiaoOs 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
- 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
- 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
- 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
Com base na análise dos dados, as principais recomendações para planejamento hospitalar em caso de novo surto são:
- Ampliar capacidade de atendimento respiratório — manter estoque adequado de oxigênio e equipamentos de ventilação mecânica
- Preparar para alta demanda do SUS — mais de 90% da população depende do sistema público
- Priorizar faixa etária de 30 a 59 anos — maior número absoluto de casos
- Protocolos específicos para idosos — maior risco de complicações graves acima de 60 anos
- Atendimento humanizado para população vulnerável — baixa renda e ausência de plano de saúde aumentam vulnerabilidade
- Implementar monitoramento contínuo — dados mostram que novembro sinalizou crescimento de casos em múltiplas regiões
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.
Este projeto foi desenvolvido para fins acadêmicos como parte da pós-graduação em Data Analytics da FIAP.