Relatório sobre a Escolarização de 6 a 14 anos e o Índice de Desenvolvimento Humano Municipal (IDHM) no Estado do Ceará
Alessandro Gouveia Nunes (Nunes, A. G.)
2023-10-03
1 Introdução
A alfabetização é um dos pilares fundamentais para o desenvolvimento educacional e social de uma sociedade. No Brasil, a garantia da alfabetização de crianças e jovens de 6 a 14 anos é uma preocupação constante, uma vez que o domínio da leitura e da escrita é essencial para o pleno exercício da cidadania e para o acesso a oportunidades econômicas e sociais. Nesse contexto, este relatório se propõe a analisar a situação da alfabetização de crianças e jovens com idades entre 6 e 14 anos no estado do Ceará, bem como sua relação com o Índice de Desenvolvimento Humano Municipal (IDHM).
1.1 Situação da Escolarização no Ceará
O estado do Ceará enfrenta desafios significativos no que diz respeito à alfabetização de crianças e jovens. Embora tenha havido avanços nas últimas décadas, ainda persistem índices preocupantes de analfabetismo entre essa faixa etária. O acesso à educação de qualidade é um dos principais fatores que influenciam a alfabetização, e o Ceará tem se esforçado para melhorar a infraestrutura e a qualidade do ensino nas escolas públicas.
1.2 IDHM nos Municípios do Ceará
O Índice de Desenvolvimento Humano Municipal (IDHM) é uma medida que reflete não apenas os aspectos educacionais, mas também a renda e a longevidade da população. Ele é calculado para os municípios e permite uma análise mais detalhada das disparidades regionais em um estado. No Ceará, observa-se uma variação significativa nos valores do IDHM entre os municípios. Alguns municípios têm IDHMs elevados, refletindo um maior acesso à educação, melhores condições de vida e maior expectativa de vida, enquanto outros apresentam índices mais baixos, indicando desafios socioeconômicos e educacionais mais complexos.
1.3 Relação entre Escolarização e IDHM
Existe uma forte correlação entre a alfabetização de crianças e jovens e o IDHM dos municípios. Municípios com IDHMs mais elevados geralmente apresentam taxas de alfabetização mais altas, pois têm acesso a recursos educacionais melhores e sistemas de saúde mais eficazes. Por outro lado, os municípios com IDHMs mais baixos enfrentam obstáculos adicionais na promoção da alfabetização, como a falta de infraestrutura educacional adequada e desafios socioeconômicos.
2 Métodos de Análise e Material
2.1 Bibliotécas Importadas
# Importando as bibliotecas
library(readxl)
library(ggplot2)
library(fBasics)Neste estudo, foram utilizadas três bibliotecas do ambiente de
programação R, a saber:
readxl para importar dados de um arquivo Excel,
ggplot2 para a criação de gráficos,
fBasics para a obtenção de estatísticas básicas.
2.2 Importação do Banco de Dados
O banco de dados foi importado a partir de um arquivo Excel (xlsx) e passou por um processo de tratamento para permitir a classificação crescente dos indicadores. Este procedimento garante que os dados estejam em uma forma adequada para análise.
# A variável meuxlsx recebe o banco de dados classificado para Escolarização
meuxlsx <- "data-CE.xlsx"# A variável meuxlsx recebe o banco de dados classificado para IDHM
meuxlsx <- "data-CE_2.xlsx"# A variável meuxlsx recebe o banco de dados classificado para PIB per Capita
meuxlsx <- "data-CE_3.xlsx"O banco de dados base ultilizado neste processo foi importado do
Instituto Brasileiro de Geografia e Estatística IBGE
2.3 Comandos Estatísticos
A fim de compreender e visualizar melhor os dados, uma série de
comandos estatísticos foram utilizados:
str(dados) Estrutura do dataframe, fornecendo informações
sobre os tipos de dados e as variáveis presentes,
summary(dados) Fornece um resumo estatístico das
variáveis presentes nos dados, incluindo medidas de tendência central e
dispersão.
round(basicStats(dados[, 4:9]), 2) Calcula estatísticas
básicas, como média, mediana e desvio padrão, para um subconjunto das
variáveis do dataframe.
dim(dados) Retorna as dimensões do dataframe, o número
de linhas e colunas.
boxplot(dados$variavel) Visualizar a distribuição e
detecção de outliers em uma variável específica.
plot(dados$variavel) Gera gráficos de dispersão para
visualizar a relação entre duas variáveis.
rank20 <- head(dados, 20) Seleciona os 20 primeiros
registros do dataframe, que representam os municípios de maior destaque
de acordo com os indicadores analisados.
2.3 Geração de Gráficos
Com esses comandos, criamos gráficos de barras horizontais que representa os nossos indicadores (Escolarização, IDHM, PIB per Capita) para os municípios presentes no dataframe rank20:
ggplot() Função do pacote ggplot2 inicia a criação de um
gráfico.
rank20 Dataframe que contém os dados que serão usados para
criar o gráfico.
aes() Função define a estética do gráfico, como os dados
serão mapeados para os elementos visuais do gráfico.
x= Mun Mapeia a variável “Mun” (municípios) no eixo x do
gráfico.
y= Coluna Mapeia a variável “Coluna” no eixo y do
gráfico.
geom_bar() Adiciona um gráfico de barras ao gráfico
base.
stat="identity"Indica que os valores de altura das barras
já estão predefinidos nos dados, não precisam ser calculados.
width = .5 Define a largura das barras no gráfico.
fill="color" Define a cor de preenchimento das
barras.
coord_flip() Inverte os eixos x e y do gráfico,
transformando-o em um gráfico de barras horizontal.
ggtitle("...") Titulo do Gráfico.
xlab("...") e ylab("...") Rotulo dos eixos x e
y, respectivamente.
theme(legend.position = "none") Remove a legenda do
gráfico, já que não é necessária neste caso.
3 Aplicação
A análise realizada neste relatório teve como base a utilização de dados provenientes de dois censos realizados em 2010: o Índice de Desenvolvimento Humano Municipal (IDHM) e a Escolarização do Ensino Fundamental, ambos referentes ao estado do Ceará. O objetivo principal da análise foi identificar a correlação entre esses dois indicadores e, posteriormente, selecionar os 20 municípios mais bem posicionados nessa correlação.
Coleta de Dados: Foram coletados dados referentes ao IDHM e à Escolarização do Ensino Fundamental dos municípios do Ceará, com informações do censo de 2010.
Correlação entre IDHM e Escolarização: Foi realizada uma análise de correlação entre o IDHM e a Escolarização do Ensino Fundamental nos municípios. Isso permitiu avaliar como esses dois indicadores estavam relacionados e se havia uma tendência positiva entre eles.
Seleção dos 20 Melhores Municípios: Com base na análise de correlação, os 20 municípios que apresentaram os melhores resultados conjuntos de IDHM e Escolarização foram selecionados. Esses municípios foram identificados como os de maior destaque em termos de desenvolvimento humano e educação.
Análise do PIB em 2020: Após a seleção dos 20 municípios, foi verificado se essas localidades também figuravam no ranking de Produto Interno Bruto (PIB) em 2020. Isso significaria que, ao longo dos anos, esses municípios mantiveram seu alto desenvolvimento humano e educação, ou conseguiram se manter no ranking devido a melhorias nesses indicadores.
# Importando a biblioteca
library(readxl)
library(ggplot2)
library(fBasics)
# banco de dados
meuxlsx <- "data-CE.xlsx"
# aba
Dados <- read_excel(path = meuxlsx, sheet = 1)
# dataframe
dados <- as.data.frame(Dados)
head(dados)## Mun Gentílico Pref_2021
## 1 Itaiçaba itaiçabense FRANK GOMES FREITAS
## 2 Farias Brito fariasbritense FRANCISCO AUSTRAGEZIO SALES
## 3 Deputado Irapuan Pinheiro irapuense FRANCISCO GILDECARLOS PINHEIRO
## 4 São João do Jaguaribe jaguaribense RAIMUNDO CESAR MORAIS MAIA
## 5 Monsenhor Tabosa taboense FRANCISCO SALOMÃO DE ARAÚJO SOUSA
## 6 Graça gracense MARIA IRALDICE DE ALCÂNTARA
## Pop resid_2022 Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020
## 1 7536 35.28 99.5 0.656 10.99
## 2 18217 34.34 99.3 0.633 28.93
## 3 8932 18.96 99.3 0.609 0.00
## 4 5855 20.95 99.2 0.654 0.00
## 5 17149 19.21 99.2 0.610 24.75
## 6 13801 53.30 99.1 0.570 22.22
## PIB_PC_2020
## 1 9726.35
## 2 10748.94
## 3 9105.25
## 4 13595.79
## 5 8588.52
## 6 8107.93# estatisticos
str(dados)## 'data.frame': 184 obs. of 9 variables:
## $ Mun : chr "Itaiçaba" "Farias Brito" "Deputado Irapuan Pinheiro" "São João do Jaguaribe" ...
## $ Gentílico : chr "itaiçabense" "fariasbritense" "irapuense" "jaguaribense" ...
## $ Pref_2021 : chr "FRANK GOMES FREITAS" "FRANCISCO AUSTRAGEZIO SALES" "FRANCISCO GILDECARLOS PINHEIRO" "RAIMUNDO CESAR MORAIS MAIA" ...
## $ Pop resid_2022 : num 7536 18217 8932 5855 17149 ...
## $ Dens. d. hab/km²_2022: num 35.3 34.3 19 20.9 19.2 ...
## $ Esc_6_14_2010 : num 99.5 99.3 99.3 99.2 99.2 99.1 98.9 98.9 98.8 98.8 ...
## $ IDHM_2010 : num 0.656 0.633 0.609 0.654 0.61 0.57 0.623 0.59 0.652 0.585 ...
## $ Mort Infant_2020 : num 11 28.9 0 0 24.8 ...
## $ PIB_PC_2020 : num 9726 10749 9105 13596 8589 ...summary(dados)## Mun Gentílico Pref_2021 Pop resid_2022
## Length:184 Length:184 Length:184 Min. : 4841
## Class :character Class :character Class :character 1st Qu.: 13787
## Mode :character Mode :character Mode :character Median : 20913
## Mean : 47781
## 3rd Qu.: 40184
## Max. :2428678
## Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020
## Min. : 5.77 Min. :91.40 Min. :0.5400 Min. : 0.000
## 1st Qu.: 21.25 1st Qu.:96.70 1st Qu.:0.5988 1st Qu.: 7.183
## Median : 37.44 Median :97.50 Median :0.6120 Median :10.620
## Mean : 123.49 Mean :97.24 Mean :0.6166 Mean :11.887
## 3rd Qu.: 75.91 3rd Qu.:98.00 3rd Qu.:0.6322 3rd Qu.:15.505
## Max. :7775.43 Max. :99.50 Max. :0.7540 Max. :32.610
## PIB_PC_2020
## Min. : 6695
## 1st Qu.: 8673
## Median :10444
## Mean :12505
## 3rd Qu.:13215
## Max. :83473round(basicStats(dados[, 4:9]),2)## Pop.resid_2022 Dens..d..hab.km._2022 Esc_6_14_2010 IDHM_2010
## nobs 1.840000e+02 184.00 184.00 184.00
## NAs 0.000000e+00 0.00 0.00 0.00
## Minimum 4.841000e+03 5.77 91.40 0.54
## Maximum 2.428678e+06 7775.43 99.50 0.75
## 1. Quartile 1.378725e+04 21.25 96.70 0.60
## 3. Quartile 4.018400e+04 75.90 98.00 0.63
## Mean 4.778091e+04 123.49 97.24 0.62
## Median 2.091300e+04 37.44 97.50 0.61
## Sum 8.791688e+06 22722.87 17892.00 113.46
## SE Mean 1.339645e+04 44.40 0.09 0.00
## LCL Mean 2.134956e+04 35.89 97.05 0.61
## UCL Mean 7.421226e+04 211.09 97.42 0.62
## Variance 3.302153e+10 362711.66 1.62 0.00
## Stdev 1.817183e+05 602.26 1.27 0.03
## Skewness 1.227000e+01 11.42 -1.65 0.93
## Kurtosis 1.572300e+02 139.50 4.59 1.95
## Mort.Infant_2020 PIB_PC_2020
## nobs 184.00 184.00
## NAs 0.00 0.00
## Minimum 0.00 6695.21
## Maximum 32.61 83473.11
## 1. Quartile 7.18 8673.45
## 3. Quartile 15.51 13215.40
## Mean 11.89 12504.51
## Median 10.62 10444.44
## Sum 2187.18 2300830.20
## SE Mean 0.53 593.01
## LCL Mean 10.84 11334.49
## UCL Mean 12.93 13674.53
## Variance 51.92 64705895.31
## Stdev 7.21 8044.00
## Skewness 0.58 5.40
## Kurtosis -0.14 38.13dim(dados)## [1] 184 9boxplot(dados$Esc_6_14_2010)
plot(dados$`Esc_6_14_2010`)
rank20 <- head(dados, 20)
# Gerando gráficos
ggplot(rank20, aes(x= Mun, y=`Esc_6_14_2010`)) +
geom_bar (stat="identity",width = .5,fill="red") +
coord_flip() +
ggtitle("Escolarização - EF [2010]") + xlab("Municipios") + ylab("Porcentagem (%)") +
theme(legend.position = "none")
# Importando a biblioteca
library(readxl)
library(ggplot2)
library(fBasics)
# banco de dados
meuxlsx <- "data-CE_2.xlsx"
# aba
Dados <- read_excel(path = meuxlsx, sheet = 1)
# dados recebe a Dados tranformando em um data frame
dados <- as.data.frame(Dados)
head(dados)## Mun Gentílico Pref_2021 Pop resid_2022
## 1 Fortaleza fortalezense JOSÉ SARTO NOGUEIRA MOREIRA 2428678
## 2 Sobral sobralense IVO FERREIRA GOMES 203023
## 3 Crato cratense JOSÉ AILTON DE SOUSA BRASIL 131050
## 4 Eusébio eusebiano ACILON GONÇALVES PINTO JUNIOR 74170
## 5 Juazeiro do Norte juazeirense GLÊDSON LIMA BEZERRA 286120
## 6 Maracanaú maracanauense ROBERTO SOARES PESSOA 234392
## Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020 PIB_PC_2020
## 1 7775.43 96.1 0.754 12.02 24253.93
## 2 98.15 97.9 0.714 10.62 21343.10
## 3 115.14 97.8 0.713 10.00 12922.73
## 4 941.03 98.3 0.701 9.17 58604.18
## 5 1105.62 97.3 0.694 13.56 17354.57
## 6 2230.80 97.4 0.686 9.43 43116.46# dataframe
str(dados)## 'data.frame': 184 obs. of 9 variables:
## $ Mun : chr "Fortaleza" "Sobral" "Crato" "Eusébio" ...
## $ Gentílico : chr "fortalezense" "sobralense" "cratense" "eusebiano" ...
## $ Pref_2021 : chr "JOSÉ SARTO NOGUEIRA MOREIRA" "IVO FERREIRA GOMES" "JOSÉ AILTON DE SOUSA BRASIL" "ACILON GONÇALVES PINTO JUNIOR" ...
## $ Pop resid_2022 : num 2428678 203023 131050 74170 286120 ...
## $ Dens. d. hab/km²_2022: num 7775.4 98.2 115.1 941 1105.6 ...
## $ Esc_6_14_2010 : num 96.1 97.9 97.8 98.3 97.3 97.4 98.3 98 96.3 96.8 ...
## $ IDHM_2010 : num 0.754 0.714 0.713 0.701 0.694 0.686 0.683 0.682 0.682 0.677 ...
## $ Mort Infant_2020 : num 12.02 10.62 10 9.17 13.56 ...
## $ PIB_PC_2020 : num 24254 21343 12923 58604 17355 ...summary(dados)## Mun Gentílico Pref_2021 Pop resid_2022
## Length:184 Length:184 Length:184 Min. : 4841
## Class :character Class :character Class :character 1st Qu.: 13787
## Mode :character Mode :character Mode :character Median : 20913
## Mean : 47781
## 3rd Qu.: 40184
## Max. :2428678
## Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020
## Min. : 5.77 Min. :91.40 Min. :0.5400 Min. : 0.000
## 1st Qu.: 21.25 1st Qu.:96.70 1st Qu.:0.5988 1st Qu.: 7.183
## Median : 37.44 Median :97.50 Median :0.6120 Median :10.620
## Mean : 123.49 Mean :97.24 Mean :0.6166 Mean :11.887
## 3rd Qu.: 75.91 3rd Qu.:98.00 3rd Qu.:0.6322 3rd Qu.:15.505
## Max. :7775.43 Max. :99.50 Max. :0.7540 Max. :32.610
## PIB_PC_2020
## Min. : 6695
## 1st Qu.: 8673
## Median :10444
## Mean :12505
## 3rd Qu.:13215
## Max. :83473round(basicStats(dados[, 4:9]),2)## Pop.resid_2022 Dens..d..hab.km._2022 Esc_6_14_2010 IDHM_2010
## nobs 1.840000e+02 184.00 184.00 184.00
## NAs 0.000000e+00 0.00 0.00 0.00
## Minimum 4.841000e+03 5.77 91.40 0.54
## Maximum 2.428678e+06 7775.43 99.50 0.75
## 1. Quartile 1.378725e+04 21.25 96.70 0.60
## 3. Quartile 4.018400e+04 75.90 98.00 0.63
## Mean 4.778091e+04 123.49 97.24 0.62
## Median 2.091300e+04 37.44 97.50 0.61
## Sum 8.791688e+06 22722.87 17892.00 113.46
## SE Mean 1.339645e+04 44.40 0.09 0.00
## LCL Mean 2.134956e+04 35.89 97.05 0.61
## UCL Mean 7.421226e+04 211.09 97.42 0.62
## Variance 3.302153e+10 362711.66 1.62 0.00
## Stdev 1.817183e+05 602.26 1.27 0.03
## Skewness 1.227000e+01 11.42 -1.65 0.93
## Kurtosis 1.572300e+02 139.50 4.59 1.95
## Mort.Infant_2020 PIB_PC_2020
## nobs 184.00 184.00
## NAs 0.00 0.00
## Minimum 0.00 6695.21
## Maximum 32.61 83473.11
## 1. Quartile 7.18 8673.45
## 3. Quartile 15.51 13215.40
## Mean 11.89 12504.51
## Median 10.62 10444.44
## Sum 2187.18 2300830.20
## SE Mean 0.53 593.01
## LCL Mean 10.84 11334.49
## UCL Mean 12.93 13674.53
## Variance 51.92 64705895.31
## Stdev 7.21 8044.00
## Skewness 0.58 5.40
## Kurtosis -0.14 38.13dim(dados)## [1] 184 9boxplot(dados$IDHM_2010)
plot(dados$`IDHM_2010`)
rank20 <- head(dados, 20)
# Gerando gráficos
ggplot(rank20, aes(x= Mun, y=IDHM_2010)) +
geom_bar (stat="identity",width = .5,fill="purple") +
coord_flip() +
ggtitle("Índice de Desenvolvimento Humano Municipal [2010]") + xlab("Municipios") + ylab("IDHM") +
theme(legend.position = "none")
# Importando a biblioteca
library(readxl)
library(ggplot2)
library(fBasics)
# banco de dados
meuxlsx <- "data-CE_3.xlsx"
# aba
Dados <- read_excel(path = meuxlsx, sheet = 1)
# dados recebe a Dados tranformando em um data frame
dados <- as.data.frame(Dados)
head(dados)## Mun Gentílico Pref_2021
## 1 São Gonçalo do Amarante gonçalense MARCELO FERREIRA TELES
## 2 Eusébio eusebiano ACILON GONÇALVES PINTO JUNIOR
## 3 Maracanaú maracanauense ROBERTO SOARES PESSOA
## 4 Aquiraz aquirazense BRUNO BARROS GONÇALVES
## 5 Pereiro pereirense RAIMUNDO ESTEVAM NETO
## 6 Horizonte horizontino MANOEL GOMES DE FARIAS NETO
## Pop resid_2022 Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020
## 1 54021 64.11 98.1 0.665 7.26
## 2 74170 941.03 98.3 0.701 9.17
## 3 234392 2230.80 97.4 0.686 9.43
## 4 80243 167.09 96.5 0.641 14.23
## 5 15274 35.04 97.9 0.601 10.42
## 6 74754 465.59 97.1 0.658 9.70
## PIB_PC_2020
## 1 83473.11
## 2 58604.18
## 3 43116.46
## 4 42147.15
## 5 25214.91
## 6 25074.33# dataframe
str(dados)## 'data.frame': 184 obs. of 9 variables:
## $ Mun : chr "São Gonçalo do Amarante" "Eusébio" "Maracanaú" "Aquiraz" ...
## $ Gentílico : chr "gonçalense" "eusebiano" "maracanauense" "aquirazense" ...
## $ Pref_2021 : chr "MARCELO FERREIRA TELES" "ACILON GONÇALVES PINTO JUNIOR" "ROBERTO SOARES PESSOA" "BRUNO BARROS GONÇALVES" ...
## $ Pop resid_2022 : num 54021 74170 234392 80243 15274 ...
## $ Dens. d. hab/km²_2022: num 64.1 941 2230.8 167.1 35 ...
## $ Esc_6_14_2010 : num 98.1 98.3 97.4 96.5 97.9 97.1 96.1 91.4 97.9 98.8 ...
## $ IDHM_2010 : num 0.665 0.701 0.686 0.641 0.601 0.658 0.754 0.626 0.714 0.652 ...
## $ Mort Infant_2020 : num 7.26 9.17 9.43 14.23 10.42 ...
## $ PIB_PC_2020 : num 83473 58604 43116 42147 25215 ...summary(dados)## Mun Gentílico Pref_2021 Pop resid_2022
## Length:184 Length:184 Length:184 Min. : 4841
## Class :character Class :character Class :character 1st Qu.: 13787
## Mode :character Mode :character Mode :character Median : 20913
## Mean : 47781
## 3rd Qu.: 40184
## Max. :2428678
## Dens. d. hab/km²_2022 Esc_6_14_2010 IDHM_2010 Mort Infant_2020
## Min. : 5.77 Min. :91.40 Min. :0.5400 Min. : 0.000
## 1st Qu.: 21.25 1st Qu.:96.70 1st Qu.:0.5988 1st Qu.: 7.183
## Median : 37.44 Median :97.50 Median :0.6120 Median :10.620
## Mean : 123.49 Mean :97.24 Mean :0.6166 Mean :11.887
## 3rd Qu.: 75.91 3rd Qu.:98.00 3rd Qu.:0.6322 3rd Qu.:15.505
## Max. :7775.43 Max. :99.50 Max. :0.7540 Max. :32.610
## PIB_PC_2020
## Min. : 6695
## 1st Qu.: 8673
## Median :10444
## Mean :12505
## 3rd Qu.:13215
## Max. :83473round(basicStats(dados[, 4:9]),2)## Pop.resid_2022 Dens..d..hab.km._2022 Esc_6_14_2010 IDHM_2010
## nobs 1.840000e+02 184.00 184.00 184.00
## NAs 0.000000e+00 0.00 0.00 0.00
## Minimum 4.841000e+03 5.77 91.40 0.54
## Maximum 2.428678e+06 7775.43 99.50 0.75
## 1. Quartile 1.378725e+04 21.25 96.70 0.60
## 3. Quartile 4.018400e+04 75.90 98.00 0.63
## Mean 4.778091e+04 123.49 97.24 0.62
## Median 2.091300e+04 37.44 97.50 0.61
## Sum 8.791688e+06 22722.87 17892.00 113.46
## SE Mean 1.339645e+04 44.40 0.09 0.00
## LCL Mean 2.134956e+04 35.89 97.05 0.61
## UCL Mean 7.421226e+04 211.09 97.42 0.62
## Variance 3.302153e+10 362711.66 1.62 0.00
## Stdev 1.817183e+05 602.26 1.27 0.03
## Skewness 1.227000e+01 11.42 -1.65 0.93
## Kurtosis 1.572300e+02 139.50 4.59 1.95
## Mort.Infant_2020 PIB_PC_2020
## nobs 184.00 184.00
## NAs 0.00 0.00
## Minimum 0.00 6695.21
## Maximum 32.61 83473.11
## 1. Quartile 7.18 8673.45
## 3. Quartile 15.51 13215.40
## Mean 11.89 12504.51
## Median 10.62 10444.44
## Sum 2187.18 2300830.20
## SE Mean 0.53 593.01
## LCL Mean 10.84 11334.49
## UCL Mean 12.93 13674.53
## Variance 51.92 64705895.31
## Stdev 7.21 8044.00
## Skewness 0.58 5.40
## Kurtosis -0.14 38.13dim(dados)## [1] 184 9boxplot(dados$`PIB_PC_2020`)
plot(dados$`PIB_PC_2020`)
rank20 <- head(dados, 20)
# Gerando gráficos
ggplot(rank20, aes(x= Mun, y=PIB_PC_2020)) +
geom_bar (stat="identity",width = .5,fill="blue") +
coord_flip() +
ggtitle("PIB per Capita [2020]") + xlab("Municipios") + ylab("Valor (R$)") +
theme(legend.position = "none")
4 Conclusão
Cidades que estiveram nos ranks de 2010 (IDHM e Escolarização) e também estão presentes no rank de 2020 (PIB): São Gonçalo do Amarante, Jijoca de Jericoacoara, Aracati, Sobral, Maracanaú, Limoeiro do Norte, Horizonte, Fortaleza, Eusébio, Caucaia e Barbalha.
Cidade que esteve nos ranks de 2010 (IDHM e Escolarização) mas não está no de 2020 (PIB): Itaiçaba.
Esse método permitiu identificar municípios que não apenas
apresentaram bom desempenho em educação e desenvolvimento humano em
2010, mas também mantiveram ou aprimoraram esses indicadores ao longo da
década, refletindo-se em seu PIB em 2020. Essa análise fornece insights
valiosos sobre o progresso socioeconômico e educacional dessas
localidades no estado do Ceará.