Indicadores no R: informações de nascimento e projeções - SINASC
Caio Gonçalves - caio.goncalves@fjp.mg.gov.br
05-setembro-2023
O Sistema de Informações sobre Nascidos Vivos (SINASC) possui como objetivo de coletar dados sobre os nascimentos ocorridos em todo o território nacional e fornecer informações sobre natalidade para todos os níveis do Sistema de Saúde. O objetivo desse tutorial é coletar o total de nascimentos, calcular alguns indicadores relacionados e comparar com a natalidade nas projeções populacionais.
SINASC
Leitura dos pacotes
Carregue o pacote “microdatasus” e outros bibliotecas a serem usadas:
library(microdatasus)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readxl)
library(writexl)
library(zoo)##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(ggplot2)Microdados
Acesse os microdados de nascimentos especificando o período de análise e a UF a ser estudada:
dados_sinasc <- fetch_datasus(year_start = 2000,
year_end = 2021,
uf = "DF",
information_system = "SINASC",
vars=c("DTNASC","IDADEMAE","SEXO"))## Your local Internet connection seems to be ok.## DataSUS FTP server seems to be up. Starting download...Processe os dados do SINASC criando variáveis com a função process_sinasc:
dados_sinasc$SEXO[which(dados_sinasc$SEXO=="M")] <- 1
dados_sinasc$SEXO[which(dados_sinasc$SEXO=="F")] <- 2
dados_sinasc <- process_sinasc(dados_sinasc)Crie a variável de faixa etária:
dados_sinasc<- dados_sinasc %>% mutate(nasc = 1,
ano = as.numeric(substr(DTNASC,1,4)),
faixa_idade_mae = cut(as.numeric(IDADEMAE),c(-Inf,4,9,14,19,24,29,34,39,
44,49,54,59,64,69,74,79,Inf),
labels = c("até 4 anos","5 a 9 anos","10 a 14 anos",
"15 a 19 anos","20 a 24 anos",
"25 a 29 anos","30 a 34 anos","35 a 39 anos",
"40 a 44 anos","45 a 49 anos","50 a 54 anos",
"55 a 59 anos","60 a 64 anos","65 a 69 anos",
"70 a 74 anos","75 a 79 anos","80 anos ou mais")),
faixa_idade_mae_15_49 = cut(as.numeric(IDADEMAE),c(-Inf,19,
24,29,34,
39,44,49),
labels = c("15 a 19 anos","20 a 24 anos",
"25 a 29 anos","30 a 34 anos","35 a 39 anos",
"40 a 44 anos","45 a 49 anos"))
)Projeções populacionais
Lendo os dados das projeções populacionais especialmente da Unidade da Federação escolhida. O arquivo auxiliar está disponível aqui. Para todas as UFs, o arquivo do IBGE pode ser acessado aqui.
proj_ibge<- read_excel("indicadores_projecoes_DF_IBGE.xlsx")
proj_ibge<-ts(proj_ibge,start = 2010,frequency = 1)
proj_ibge<-window(proj_ibge,start = 2010,end=2030,frequency = 1)Indicadores demográficos
Total de nascimentos
Sintetize um total de nascimentos para a Unidade da Federação escolhida:
# total de nascimentos para DF
aggregate(data=dados_sinasc,nasc~ano, FUN= sum) ## ano nasc
## 1 2000 47991
## 2 2001 46891
## 3 2002 45799
## 4 2003 46097
## 5 2004 45593
## 6 2005 45917
## 7 2006 45152
## 8 2007 44098
## 9 2008 44173
## 10 2009 43932
## 11 2010 44251
## 12 2011 43465
## 13 2012 43497
## 14 2013 44530
## 15 2014 44721
## 16 2015 46122
## 17 2016 43340
## 18 2017 44568
## 19 2018 44195
## 20 2019 42422
## 21 2020 39361
## 22 2021 38035Organize uma table com o total de nascimentos por sexo para a UF escolhida:
# tabela 1 - total de nascimentos e por sexo
tab1 <-dados_sinasc %>%
group_by(ano) %>%
summarise(nasc = n())
tab1a<-dados_sinasc %>%
filter(SEXO=="Masculino")%>%
group_by(ano) %>%
summarise(nasc_masc = n())
tabela1<-merge(tab1,tab1a,by="ano")
rm(tab1,tab1a)
tab1b<-dados_sinasc %>%
filter(SEXO=="Feminino")%>%
group_by(ano) %>%
summarise(nasc_fem = n())
tabela1<-merge(tabela1,tab1b,by="ano")
rm(tab1b)
# ajuste com NA
tabela1$nasc_masc_ajust<-round(tabela1$nasc_masc/(tabela1$nasc_masc+tabela1$nasc_fem)*tabela1$nasc)
tabela1$nasc_fem_ajust<-round(tabela1$nasc_fem/(tabela1$nasc_masc+tabela1$nasc_fem)*tabela1$nasc)
# verifica se a soma é verdadeira
tabela1$nasc_fem_ajust+tabela1$nasc_masc_ajust==tabela1$nasc## [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [16] TRUE TRUE TRUE TRUE TRUE TRUE TRUEtabela1## ano nasc nasc_masc nasc_fem nasc_masc_ajust nasc_fem_ajust
## 1 2000 47991 24577 23375 24597 23394
## 2 2001 46891 23828 23001 23860 23031
## 3 2002 45799 23390 22378 23406 22393
## 4 2003 46097 23320 22646 23386 22711
## 5 2004 45593 23313 22227 23340 22253
## 6 2005 45917 23434 22454 23449 22468
## 7 2006 45152 23125 22024 23127 22025
## 8 2007 44098 22537 21559 22538 21560
## 9 2008 44173 22699 21470 22701 21472
## 10 2009 43932 22768 21157 22772 21160
## 11 2010 44251 22765 21480 22768 21483
## 12 2011 43465 22370 21090 22373 21092
## 13 2012 43497 22257 21231 22262 21235
## 14 2013 44530 22678 21835 22687 21843
## 15 2014 44721 22871 21843 22875 21846
## 16 2015 46122 23690 22419 23697 22425
## 17 2016 43340 22056 21280 22058 21282
## 18 2017 44568 22701 21859 22705 21863
## 19 2018 44195 22411 21773 22417 21778
## 20 2019 42422 21684 20729 21689 20733
## 21 2020 39361 20139 19217 20142 19219
## 22 2021 38035 19371 18658 19374 18661write_xlsx(tabela1,"Tabela 1a - Total de nascimentos.xlsx")Suavizando os dados com uma média móvel e plotando um gráfico:
tabela1<-ts(tabela1,start = 2000,frequency = 1)
tabela1m<-rollmean(x = tabela1,k = 3)
write_xlsx(as.data.frame(tabela1m),"Tabela 1b - Total de nascimentos com média móvel.xlsx")
ggplot(as.data.frame(tabela1m), aes(x=ano, y=nasc)) +
geom_line( color="steelblue") +
geom_point() +
xlab("Ano")+
ylab("Nascimentos")+
ggtitle("Total de nascidos vivos - DF - 2000-2020 ")
Como você descreveria essa trajetória?
Com os dados das Projeções Populacionais, qual o total de nascimentos projetado até 2030?
ggplot(as.data.frame(proj_ibge), aes(x=ano, y=nasc)) +
geom_line( color="steelblue") +
geom_point() +
xlab("Ano")+
ylab("Nascimentos")+
ggtitle("Total de nascidos vivos - DF - 2000-2020 ")
Comparando o total de nascimentos por fontes, tem-se:
ano1<-2010:2030
var1<-c(round(as.data.frame(tabela1)$nasc[11:21]),rep(NA,10))
var2<-c(round(as.data.frame(tabela1m)$nasc[10:19]),rep(NA,11))
var3<-as.data.frame(proj_ibge)$nasc
data1<-data.frame(ano1,var1,var2,var3)
p1<-ggplot(data1, aes(x=ano1)) +
geom_line(aes(y=var1, col="SINASC"),linetype=1,size=1.2) +
geom_line(aes(y=var2, col="SINASC-média móvel"),linetype=1,size=1.2) +
geom_line(aes(y=var3, col="Proj. IBGE"),linetype=1,size=1.2) +
labs(title="Total de nascidos vivos por fonte de dados - DF - 2010-2030", y="Total de nascidos vivos",x=element_blank()) +
scale_color_manual(name="",
values = c("SINASC"="coral4",
"SINASC-média móvel"="coral3",
"Proj. IBGE"="darkblue")) +
# ylim(0,NA)+
theme(legend.position="bottom",axis.text.x = element_text(angle = 90))+
scale_x_continuous(breaks=ano1, labels=ano1)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.p1## Warning: Removed 10 rows containing missing values (`geom_line()`).## Warning: Removed 11 rows containing missing values (`geom_line()`).
png(filename = "Total de nascidos vivos por fonte de dados - DF - 2010-2030.png",
width = 15, height = 8,
units = "cm",res = 1200)
p1## Warning: Removed 10 rows containing missing values (`geom_line()`).
## Removed 11 rows containing missing values (`geom_line()`).dev.off()## png
## 2write_xlsx(data1,"Tabela 1c - Total de nascimentos por fontes.xlsx")Taxa Bruta de Natalidade
Calculando a Taxa Bruta de Natalidade:
# taxa bruta de natalidade
ano2<-2010:2030
var1<-c(round(as.data.frame(tabela1)$nasc[11:21]),rep(NA,10))/
as.data.frame(proj_ibge)$pop_total*1000
var2<-c(round(as.data.frame(tabela1m)$nasc[10:19]),rep(NA,11))/
as.data.frame(proj_ibge)$pop_total*1000
var3<-as.data.frame(proj_ibge)$tbn
data2<-data.frame(ano2,var1,var2,var3)
p2<-ggplot(data2, aes(x=ano2)) +
geom_line(aes(y=var1, col="SINASC"),linetype=1,size=1.2) +
geom_line(aes(y=var2, col="SINASC-média móvel"),linetype=1,size=1.2) +
geom_line(aes(y=var3, col="Proj. IBGE"),linetype=1,size=1.2) +
labs(title="Taxa Bruta de Natalidade por fonte de dados - DF - 2010-2030",
y="TBN",x=element_blank()) +
scale_color_manual(name="",
values = c("SINASC"="coral4",
"SINASC-média móvel"="coral3",
"Proj. IBGE"="darkblue")) +
# ylim(0,NA)+
theme(legend.position="bottom",axis.text.x = element_text(angle = 90))+
scale_x_continuous(breaks=ano2, labels=ano2)
p2## Warning: Removed 10 rows containing missing values (`geom_line()`).## Warning: Removed 11 rows containing missing values (`geom_line()`).
png(filename = "Taxa Bruta de Natalidade por fonte de dados - DF - 2010-2030.png",
width = 15, height = 8,
units = "cm",res = 1200)
p2## Warning: Removed 10 rows containing missing values (`geom_line()`).
## Removed 11 rows containing missing values (`geom_line()`).dev.off()## png
## 2write_xlsx(data2,"Tabela 1d - Taxa Bruta de Natalidade por fontes.xlsx")Taxa de Fecundidade Geral
Para o cálculo a seguir, será necessário arquivo auxiliar com o total populacional das mulheres de 15 a 49 anos disponível aqui. O arquivo foi organizado a partir dos dados divulgados pelas Projeções Populacionais disponível aqui Calculando a taxa de fecundidade geral:
# taxa de fecundidade geral
library(readxl)
pop_m_15_49 <- read_excel("pop_m_15-49.xlsx")
pop_m_15_49<-ts(pop_m_15_49,start = 2010,frequency = 1)
pop_m_15_49<-window(pop_m_15_49,start=2010,end=2030)
ano3<-2010:2030
var1<-c(round(as.data.frame(tabela1)$nasc[11:21]),rep(NA,10))/
as.data.frame(pop_m_15_49)$pop_m_15_49*1000
var2<-c(round(as.data.frame(tabela1m)$nasc[10:19]),rep(NA,11))/
as.data.frame(pop_m_15_49)$pop_m_15_49*1000
var3<-as.data.frame(proj_ibge)$nasc/
as.data.frame(pop_m_15_49)$pop_m_15_49*1000
data3<-data.frame(ano3,var1,var2,var3)
p3<-ggplot(data3, aes(x=ano3)) +
geom_line(aes(y=var1, col="SINASC"),linetype=1,size=1.2) +
geom_line(aes(y=var2, col="SINASC-média móvel"),linetype=1,size=1.2) +
geom_line(aes(y=var3, col="Proj. IBGE"),linetype=1,size=1.2) +
labs(title="Taxa de Fecundidade Geral por fonte de dados - DF - 2010-2030",
y="TFG",x=element_blank()) +
scale_color_manual(name="",
values = c("SINASC"="coral4",
"SINASC-média móvel"="coral3",
"Proj. IBGE"="darkblue")) +
# ylim(0,NA)+
theme(legend.position="bottom",axis.text.x = element_text(angle = 90))+
scale_x_continuous(breaks=ano1, labels=ano1)
p3## Warning: Removed 10 rows containing missing values (`geom_line()`).## Warning: Removed 11 rows containing missing values (`geom_line()`).
png(filename = "Taxa de Fecundidade Geral por fonte de dados - DF - 2010-2030.png",
width = 15, height = 8,
units = "cm",res = 1200)
p3## Warning: Removed 10 rows containing missing values (`geom_line()`).
## Removed 11 rows containing missing values (`geom_line()`).dev.off()## png
## 2write_xlsx(data3,"Tabela 1e - Taxa de Fecundidade Geral por fontes.xlsx")Calculando o total de nascimentos por faixa etária da mãe:
# total de nascimentos para DF por faixa etaria da mae
tab2 <- dados_sinasc %>%
group_by(ano,faixa_idade_mae_15_49) %>%
summarise(
nasc = n())## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.tab2a <- dados_sinasc %>%
filter(SEXO=="Masculino")%>%
group_by(ano,faixa_idade_mae_15_49) %>%
summarise(
nasc_h = n())## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.tabela2<-merge(tab2,tab2a,by=c("ano","faixa_idade_mae_15_49"))
rm(tab2,tab2a)
tab2b <- dados_sinasc %>%
filter(SEXO=="Feminino")%>%
group_by(ano,faixa_idade_mae_15_49) %>%
summarise(
nasc_m = n())## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.tabela2<-merge(tabela2,tab2b,by=c("ano","faixa_idade_mae_15_49"))
rm(tab2b)
# visualizando para dois anos específicos
subset(tabela2,ano==2019)## ano faixa_idade_mae_15_49 nasc nasc_h nasc_m
## 151 2019 15 a 19 anos 4361 2168 2192
## 152 2019 20 a 24 anos 8682 4556 4124
## 153 2019 25 a 29 anos 9512 4883 4628
## 154 2019 30 a 34 anos 10128 5173 4954
## 155 2019 35 a 39 anos 7516 3820 3692
## 156 2019 40 a 44 anos 2078 1021 1057
## 157 2019 45 a 49 anos 129 55 74
## 158 2019 <NA> 16 8 8subset(tabela2,ano==2020)## ano faixa_idade_mae_15_49 nasc nasc_h nasc_m
## 159 2020 15 a 19 anos 3772 1910 1861
## 160 2020 20 a 24 anos 8053 4113 3937
## 161 2020 25 a 29 anos 8986 4615 4370
## 162 2020 30 a 34 anos 9209 4713 4496
## 163 2020 35 a 39 anos 7173 3678 3495
## 164 2020 40 a 44 anos 2017 1041 976
## 165 2020 45 a 49 anos 136 64 72
## 166 2020 <NA> 15 5 10subset(tabela2,ano==2021)## ano faixa_idade_mae_15_49 nasc nasc_h nasc_m
## 167 2021 15 a 19 anos 3323 1739 1582
## 168 2021 20 a 24 anos 7616 3903 3713
## 169 2021 25 a 29 anos 9027 4609 4417
## 170 2021 30 a 34 anos 8956 4490 4465
## 171 2021 35 a 39 anos 6915 3525 3390
## 172 2021 40 a 44 anos 2048 1023 1023
## 173 2021 45 a 49 anos 136 77 59
## 174 2021 <NA> 14 5 9# faz ajuste de NA - faixa da idade da mãe
table1<-as.data.frame(tabela1[,c("ano","nasc")])
colnames(table1)<-c("ano","nasc_total")
tabela2<-merge(tabela2,table1,by=c("ano"))
rm(table1)
table2 <- tabela2 %>%
filter(!is.na(faixa_idade_mae_15_49))%>%
group_by(ano) %>%
summarise(
nasc_sem_na = sum(nasc))
tabela2<-merge(tabela2,table2,by=c("ano"))
tabela2$part<-tabela2$nasc/tabela2$nasc_sem_na
tabela2$nasc_ajust<-round(tabela2$part*tabela2$nasc_total)
# quase arredondou para todos
tabela2 %>%
filter(!is.na(faixa_idade_mae_15_49))%>%
group_by(ano) %>%
summarise(
nasc_conf = sum(nasc_ajust))## # A tibble: 22 × 2
## ano nasc_conf
## <dbl> <dbl>
## 1 2000 47990
## 2 2001 46892
## 3 2002 45799
## 4 2003 46097
## 5 2004 45592
## 6 2005 45917
## 7 2006 45153
## 8 2007 44098
## 9 2008 44173
## 10 2009 43931
## # ℹ 12 more rowstabela2$nasc_h_ajust<-round(tabela2$nasc_h/(tabela2$nasc_h+tabela2$nasc_m)*tabela2$nasc_ajust)
tabela2$nasc_m_ajust<-round(tabela2$nasc_m/(tabela2$nasc_h+tabela2$nasc_m)*tabela2$nasc_ajust)
# conferencia
tabela2$nasc_h_ajust+tabela2$nasc_m_ajust==tabela2$nasc_ajust## [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [13] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [25] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [37] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [49] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [61] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [73] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [85] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [97] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [109] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [121] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [133] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [145] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [157] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [169] TRUE TRUE TRUE FALSE TRUE TRUE# traz dados de população por faixa etária
colnames(pop_m_15_49)## [1] "ano" "pop_m_15_49" "pop_m_15_19" "pop_m_20_24" "pop_m_25_29"
## [6] "pop_m_30_34" "pop_m_35_39" "pop_m_40_44" "pop_m_45_49"library(tidyr)##
## Attaching package: 'tidyr'
##
## The following object is masked _by_ '.GlobalEnv':
##
## table2pop_m_wide<-as.data.frame(pop_m_15_49)
colnames(pop_m_wide)<- c("ano","15 a 49 anos" ,"15 a 19 anos" ,"20 a 24 anos",
"25 a 29 anos", "30 a 34 anos", "35 a 39 anos",
"40 a 44 anos",
"45 a 49 anos")
pop_m_long <- pop_m_wide %>% gather(faixa_idade_mae_15_49, pop_m, -c(ano)) # para fazer o merge coloca o nome faixa_idade_mae_15_49
tabela2<-merge(tabela2,pop_m_long,by=c("ano","faixa_idade_mae_15_49"))Taxas Específicas de Fecundidade
Calculando as taxas específicas de fecundidade:
# Taxas Específicas de Fecundidade (TEFs) por idade (nfx)
tabela2$tef<-tabela2$nasc_ajust/tabela2$pop_m
table2<-spread(tabela2[,c("ano","faixa_idade_mae_15_49","nasc_ajust")],faixa_idade_mae_15_49,nasc_ajust)
table2<-ts(table2,start = 2010,frequency = 1)
table2m<-rollmean(x = table2,k = 3)
table2m<-as.data.frame(table2m) %>% gather(faixa_idade_mae_15_49, nasc_ajust_m, -c(ano)) # para fazer o merge coloca o nome faixa_idade_mae_15_49
tabela2<-merge(tabela2,table2m,by=c("ano","faixa_idade_mae_15_49"),all.x = TRUE)
tabela2$tef_m<-tabela2$nasc_ajust_m/tabela2$pop_m
tabela2$ano<-as.character(tabela2$ano)
data<-subset(tabela2,ano!=2010&ano!=2020)
p4<-ggplot(data, aes(x=faixa_idade_mae_15_49, y=tef_m,group=ano,color=ano)) +
geom_line(linetype=1,size=1.2) +
labs(title="Taxas Específicas de Fecundidade por ano - DF - 2010-2020",
y="TEF",x=element_blank()) +
# ylim(0,NA)+
theme(legend.position="bottom",axis.text.x = element_text(angle = 90))
p4## Warning: Removed 7 rows containing missing values (`geom_line()`).
png(filename = "Taxas Específicas de Fecundidade por ano - DF - 2010-2020.png",
width = 15, height = 12,
units = "cm",res = 1200)
p4## Warning: Removed 7 rows containing missing values (`geom_line()`).dev.off()## png
## 2write_xlsx(tabela2,"Tabela 1f - Taxas Específicas de Fecundidade.xlsx")Taxa de Fecundidade Total
Calculando a taxa de fecundidade total:
# Taxa de Fecundidade Total (TFT)
tabela3<-tabela2 %>%
filter(!is.na(faixa_idade_mae_15_49))%>%
group_by(ano) %>%
summarise(
tft = 5*sum(tef),
tft_m = 5*sum(tef_m))
ano4<-2010:2030
var1<-c(tabela3$tft,rep(NA,9))
var2<-c(tabela3$tft_m,rep(NA,9))
var3<-as.data.frame(proj_ibge)$tft
data4<-data.frame(ano4,var1,var2,var3)
p5<- ggplot(data4, aes(x=ano4)) +
geom_line(aes(y=var1, col="SINASC"),linetype=1,size=1.2) +
geom_line(aes(y=var2, col="SINASC-média móvel"),linetype=1,size=1.2) +
geom_line(aes(y=var3, col="Proj. IBGE"),linetype=1,size=1.2) +
labs(title="Taxa de Fecundidade Total por fonte de dados - DF - 2010-2030",
y="TFT",x=element_blank()) +
scale_color_manual(name="",
values = c(
"SINASC"="coral4",
"SINASC-média móvel"="coral3",
"Proj. IBGE"="darkblue")) +
# ylim(0,NA)+
theme(legend.position="bottom",axis.text.x = element_text(angle = 90))+
scale_x_continuous(breaks=ano4, labels=ano4)
p5## Warning: Removed 9 rows containing missing values (`geom_line()`).## Warning: Removed 11 rows containing missing values (`geom_line()`).
png(filename = "Taxa de Fecundidade Total por fonte de dados - DF - 2010-2030.png",
width = 15, height = 12,
units = "cm",res = 1200)
p5## Warning: Removed 9 rows containing missing values (`geom_line()`).
## Removed 11 rows containing missing values (`geom_line()`).dev.off()## png
## 2write_xlsx(data4,"Tabela 1g - Taxa de Fecundidade Total por fontes.xlsx")