Análise de dados- Bahia
Lemos, G. L. M.
2023-09-30
Introdução
Este relatório apresenta uma análise detalhada dos dados do IBGE dos municípios da Bahia. A análise foi conduzida usando técnicas estatísticas e visualizações de dados, aproveitando o poder da linguagem de programação R.
Pré- análise
Durante a análise dos dados importados do Instituto Brasileiro de Geografia e Estatística (IBGE), foi percebido algumas coisas inconsistentes . Na coluna de mortalidade valores representados por hífens (“-”), o que faz entender que possa haver dados ausentes ou incorretos na coluna . Além disso, algumas colunas têm nomes como caracteres especiais que podem criar problemas e nomes muito grandes. Dessa forma, foi realizado correções nos nomes das colunas, tirando caracteres e diminuindo o tamanho do nome, e também tirando os hifens das linhas da coluna mortalidade dentro do Excel .
Material e Métodos
Origem dos Dados:
Os dados utilizados neste estudo foram obtidos do Instituto Brasileiro de Geografia e Estatística (IBGE) por meio do site do governo.
Variáveis Utilizadas Foram selecionadas as seguintes variáveis para análise:
- Município= Todos os respectivos nomes de cada município da Bahia.
- Área Territorial = A área territorial em km de cada município.
- População residente = Dados do Censo de pessoas em cada município.
- Densidade demográfica = medida de habitantes de uma determinada área de cada município - hab/km².
- Escolarização= população residente no município de 6 a 14 anos de idade matriculada no ensino regular.
- IDHM = Índice de desenvolvimento humano municipal.
- Mortalidade infantil = “óbitos por mil nascidos vivos”.
- Receitas realizadas= Contas anuais/Receitas orçamentárias realizadas.
- Despesas empenhadas = Despesas orçamentárias empenhadas- R$
(×1000)
- PIB = medida econômica de cada município.
Bibliotecas:
Para realizar esta análise, utilizaremos a linguagem de programação R e suas bibliotecas (readxl, dplyr, ggplot2, knitr) para manipulação e visualização dos dados.
Tratamento de Dados:
Durante a fase de criação dos gráficos, foi deparado com uma situação desafiadora relacionada à identificação inadequada de espaços em nomes das colunas dos dados . A fim de resolver essa questão, foi implementado um processo de renomeação minucioso e cuidadoso, tanto nas linhas quanto nas colunas, com o intuito de facilitar na horas de filtrar algo. Nas linhas de dados, foram aplicadas correções que visavam eliminar a presença de acentos e caracteres especiais, garantindo, assim, uma uniformidade e legibilidade aprimoradas. Esse processo de renomeação solucionou os problemas, facilitando significativamente a criação dos gráficos desejados.
Objetivos da Análise
Os principais objetivos desta análise são os seguintes:
- Comparação de População dos municipios;
- Análise de Desempenho Municipal;
- Analise de receitas e despesas dos municípios ;
- Municípios com maior expectativa de vida e os com menor expectativa (IDHM);
- Média de escolarização do estado;
- Identificando áreas com baixa e alta escolarização;
Aplicaçoes
Carregar pacotes/ bibliotecas:
library(readxl)# para ler em excel
library(dplyr)# pacote para manipulação de dados##
## 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(ggplot2)# visualização de dados
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutCarregamento do banco de dados:
municipios <- read_excel("municipios.xlsx")
View(municipios) Converter para um data frame:
dados <- as.data.frame(municipios)Importar dados de um arquivo:
head(dados)## Município Código Gentílico Prefeito
## 1 Abaíra 2900108 abairense EDVAL LUZ SILVA
## 2 Abaré 2900207 abareense FERNANDO JOSE TEIXEIRA TOLENTINO
## 3 Acajutiba 2900306 acajutibense ALEXSANDRO MENEZES DE FREITAS
## 4 Adustina 2900355 adustinense PAULO SERGIO OLIVEIRA DOS SANTOS
## 5 Água Fria 2900405 água-friense RENAN ARAUJO BARROS
## 6 Érico Cardoso 2900504 érico-cardosense ERALDO FÉLIX DA SILVA
## Área Territorial População residente Densidade demográfica Escolarização
## 1 538.677 7301 13.55 97.2
## 2 1604.923 17639 10.99 96.5
## 3 181.475 13795 76.02 98.0
## 4 629.099 14200 22.57 98.1
## 5 742.775 14497 19.52 97.0
## 6 735.249 10604 14.42 98.8
## IDHM Mortalidade infantil Receitas Despesas PIB
## 1 0.603 21.74 19330.58 18286.42 7734.24
## 2 0.575 9.43 42471.17 42835.65 8479.67
## 3 0.582 25.16 32322.40 31257.69 9048.86
## 4 0.546 20.98 33518.91 29164.00 17815.37
## 5 0.550 7.87 40463.76 39741.16 8400.43
## 6 0.584 27.78 25842.85 24637.12 6888.23library(knitr)
print(dados)## Município Código Gentílico
## 1 Abaíra 2900108 abairense
## 2 Abaré 2900207 abareense
## 3 Acajutiba 2900306 acajutibense
## 4 Adustina 2900355 adustinense
## 5 Água Fria 2900405 água-friense
## 6 Érico Cardoso 2900504 érico-cardosense
## 7 Aiquara 2900603 aiquarense
## 8 Alagoinhas 2900702 alagoinhense
## 9 Alcobaça 2900801 alcobacense
## 10 Almadina 2900900 almadinense
## 11 Amargosa 2901007 amargosense
## 12 Amélia Rodrigues 2901106 ameliense
## 13 América Dourada 2901155 américo-douradense
## 14 Anagé 2901205 anageense
## 15 Andaraí 2901304 andaraiense
## 16 Andorinha 2901353 andorinhense
## 17 Angical 2901403 angicalense
## 18 Anguera 2901502 anguerense
## 19 Antas 2901601 antense
## 20 Antônio Cardoso 2901700 cardosense
## 21 Antônio Gonçalves 2901809 antônio-gonçalvense
## 22 Aporá 2901908 aporense
## 23 Apuarema 2901957 apuaremense
## 24 Aracatu 2902005 aracatuense
## 25 Araçás 2902054 araçaense
## 26 Araci 2902104 araciense
## 27 Aramari 2902203 aramariense
## 28 Arataca 2902252 arataquense
## 29 Aratuípe 2902302 aratuipense
## 30 Aurelino Leal 2902401 aurelinense
## 31 Baianópolis 2902500 baianopolense
## 32 Baixa Grande 2902609 baixa-grandense
## 33 Banzaê 2902658 banzaêense
## 34 Barra 2902708 barrense
## 35 Barra da Estiva 2902807 barrestivense
## 36 Barra do Choça 2902906 barra-chocense
## 37 Barra do Mendes 2903003 barra-mendense
## 38 Barra do Rocha 2903102 barra-rochense
## 39 Barreiras 2903201 barreirense
## 40 Barro Alto 2903235 barro-altino
## 41 Barrocas 2903276 barroquense
## 42 Barro Preto 2903300 barro-pretense
## 43 Belmonte 2903409 belmontense
## 44 Belo Campo 2903508 belo-campense
## 45 Biritinga 2903607 biritinguense
## 46 Boa Nova 2903706 boa-novense
## 47 Boa Vista do Tupim 2903805 tupinense
## 48 Bom Jesus da Lapa 2903904 lapense
## 49 Bom Jesus da Serra 2903953 bom-jesuense
## 50 Boninal 2904001 boninalense
## 51 Bonito 2904050 bonitense
## 52 Boquira 2904100 boquirense
## 53 Botuporã 2904209 botuporãense
## 54 Brejões 2904308 brejoense
## 55 Brejolândia 2904407 brejolandense
## 56 Brotas de Macaúbas 2904506 brotense
## 57 Brumado 2904605 brumadense
## 58 Buerarema 2904704 bueraremense
## 59 Buritirama 2904753 buritiramense
## 60 Caatiba 2904803 caatibense
## 61 Cabaceiras do Paraguaçu 2904852 cabaceirense
## 62 Cachoeira 2904902 cachoeirano
## 63 Caculé 2905008 caculense
## 64 Caém 2905107 caenense
## 65 Caetanos 2905156 caetanense
## 66 Caetité 2905206 caetiteense
## 67 Cafarnaum 2905305 cafarnauense
## 68 Cairu 2905404 cairuense
## 69 Caldeirão Grande 2905503 caldeirão-grandense
## 70 Camacan 2905602 camacaense
## 71 Camaçari 2905701 camaçariense
## 72 Camamu 2905800 camamuense
## 73 Campo Alegre de Lourdes 2905909 campo-alegrense
## 74 Campo Formoso 2906006 campo-formosense
## 75 Canápolis 2906105 canapolense
## 76 Canarana 2906204 canaraense
## 77 Canavieiras 2906303 canavieirense
## 78 Candeal 2906402 candealense
## 79 Candeias 2906501 candeense
## 80 Candiba 2906600 candibense
## 81 Cândido Sales 2906709 cândido-salense
## 82 Cansanção 2906808 cansançãoense
## 83 Canudos 2906824 canudense
## 84 Capela do Alto Alegre 2906857 capelense
## 85 Capim Grosso 2906873 capim-grossense
## 86 Caraíbas 2906899 caraibense
## 87 Caravelas 2906907 caravelense
## 88 Cardeal da Silva 2907004 cardinalense
## 89 Carinhanha 2907103 carinhanhense
## 90 Casa Nova 2907202 casa-novense
## 91 Castro Alves 2907301 castro-alvense
## 92 Catolândia 2907400 catolandiano
## 93 Catu 2907509 catuense
## 94 Caturama 2907558 caturamense
## 95 Central 2907608 centralense
## 96 Chorrochó 2907707 chorrochoense
## 97 Cícero Dantas 2907806 cícero-dantense
## 98 Cipó 2907905 cipoense
## 99 Coaraci 2908002 coaraciense
## 100 Cocos 2908101 coquense
## 101 Conceição da Feira 2908200 conceiçoense
## 102 Conceição do Almeida 2908309 almeidense
## 103 Conceição do Coité 2908408 coiteense
## 104 Conceição do Jacuípe 2908507 conjacuipense
## 105 Conde 2908606 condense
## 106 Condeúba 2908705 condeubense
## 107 Contendas do Sincorá 2908804 contendense
## 108 Coração de Maria 2908903 mariense
## 109 Cordeiros 2909000 cordeirense
## 110 Coribe 2909109 coribense
## 111 Coronel João Sá 2909208 joão-saense
## 112 Correntina 2909307 correntinense
## 113 Cotegipe 2909406 cotegipano
## 114 Cravolândia 2909505 cravolandense
## 115 Crisópolis 2909604 crisopolense
## 116 Cristópolis 2909703 cristopolense
## 117 Cruz das Almas 2909802 cruz-almense
## 118 Curaçá 2909901 curaçaense
## 119 Dário Meira 2910008 dário-meirense
## 120 Dias d'Ávila 2910057 diasdavilense
## 121 Dom Basílio 2910107 dom-basiliense
## 122 Dom Macedo Costa 2910206 macedense
## 123 Elísio Medrado 2910305 medradense
## 124 Encruzilhada 2910404 encruzilhadense
## 125 Entre Rios 2910503 entrerriense
## 126 Esplanada 2910602 esplanadense
## 127 Euclides da Cunha 2910701 euclidense
## 128 Eunápolis 2910727 eunapolitano
## 129 Fátima 2910750 fatimense
## 130 Feira da Mata 2910776 matense
## 131 Feira de Santana 2910800 feirense
## 132 Filadélfia 2910859 filadelfense
## 133 Firmino Alves 2910909 firmino-alvense
## 134 Floresta Azul 2911006 floresta-azulense
## 135 Formosa do Rio Preto 2911105 formosense
## 136 Gandu 2911204 ganduense
## 137 Gavião 2911253 gavionense
## 138 Gentio do Ouro 2911303 gentiense
## 139 Glória 2911402 gloriense
## 140 Gongogi 2911501 gongogiense
## 141 Governador Mangabeira 2911600 mangabeirense
## 142 Guajeru 2911659 guajeruense
## 143 Guanambi 2911709 guanambiense
## 144 Guaratinga 2911808 guaratinguense
## 145 Heliópolis 2911857 heliopoliense
## 146 Iaçu 2911907 iaçuense
## 147 Ibiassucê 2912004 ibiassuceense
## 148 Ibicaraí 2912103 ibicaraiense
## 149 Ibicoara 2912202 ibicoarense
## 150 Ibicuí 2912301 ibicuiense
## 151 Ibipeba 2912400 ibipebense
## 152 Ibipitanga 2912509 ibipitanguense
## 153 Ibiquera 2912608 ibiquerense
## 154 Ibirapitanga 2912707 ibirapitanguense
## 155 Ibirapuã 2912806 ibirapuense
## 156 Ibirataia 2912905 ibirataense
## 157 Ibitiara 2913002 ibitiarense
## 158 Ibititá 2913101 ibititaense
## 159 Ibotirama 2913200 ibotiramense
## 160 Ichu 2913309 ichuense
## 161 Igaporã 2913408 igaporaense
## 162 Igrapiúna 2913457 igrapiunense
## 163 Iguaí 2913507 iguaiense
## 164 Ilhéus 2913606 ilheuense
## 165 Inhambupe 2913705 inhambupense
## 166 Ipecaetá 2913804 ipecaetense
## 167 Ipiaú 2913903 ipiauense
## 168 Ipirá 2914000 ipiraense
## 169 Ipupiara 2914109 ipupiarense
## 170 Irajuba 2914208 irajubense
## 171 Iramaia 2914307 iramaense
## 172 Iraquara 2914406 iraquarense
## 173 Irará 2914505 iraraense
## 174 Irecê 2914604 ireceense
## 175 Itabela 2914653 itabelense
## 176 Itaberaba 2914703 itaberabense
## 177 Itabuna 2914802 itabunense
## 178 Itacaré 2914901 itacareense
## 179 Itaeté 2915007 itaeteense
## 180 Itagi 2915106 itagiense
## 181 Itagibá 2915205 itagibaense
## 182 Itagimirim 2915304 itagimiriense
## 183 Itaguaçu da Bahia 2915353 itaguaçuense
## 184 Itaju do Colônia 2915403 itajuense
## 185 Itajuípe 2915502 itajuipense
## 186 Itamaraju 2915601 itamarajuense
## 187 Itamari 2915700 itamariense
## 188 Itambé 2915809 itambeense
## 189 Itanagra 2915908 itanagrense
## 190 Itanhém 2916005 itanhense
## 191 Itaparica 2916104 itaparicano
## 192 Itapé 2916203 itapeense
## 193 Itapebi 2916302 itapebiense
## 194 Itapetinga 2916401 itapetinguense
## 195 Itapicuru 2916500 itapicuruense
## 196 Itapitanga 2916609 itapitanguense
## 197 Itaquara 2916708 itaquarense
## 198 Itarantim 2916807 itarantinense
## 199 Itatim 2916856 itatinhense
## 200 Itiruçu 2916906 itiruçuense
## 201 Itiúba 2917003 itiubense
## 202 Itororó 2917102 itororoense
## 203 Ituaçu 2917201 ituaçuense
## 204 Ituberá 2917300 ituberense
## 205 Iuiu 2917334 iuiuense
## 206 Jaborandi 2917359 jaborandiense
## 207 Jacaraci 2917409 jacaraciense
## 208 Jacobina 2917508 jacobinense
## 209 Jaguaquara 2917607 jaguaquarense
## 210 Jaguarari 2917706 jaguarariense
## 211 Jaguaripe 2917805 jaguaripense
## 212 Jandaíra 2917904 jandairense
## 213 Jequié 2918001 jequieense
## 214 Jeremoabo 2918100 jeremoabense
## 215 Jiquiriçá 2918209 jiquiriçaense
## 216 Jitaúna 2918308 jitaunense
## 217 João Dourado 2918357 joão-douradense
## 218 Juazeiro 2918407 juazeirense
## 219 Jucuruçu 2918456 jucuruçuense
## 220 Jussara 2918506 jussarense
## 221 Jussari 2918555 jussariense
## 222 Jussiape 2918605 jussiapense
## 223 Lafaiete Coutinho 2918704 lafaietense
## 224 Lagoa Real 2918753 lagoa-realense
## 225 Laje 2918803 lajista
## 226 Lajedão 2918902 lajedãoense
## 227 Lajedinho 2919009 lajedinhense
## 228 Lajedo do Tabocal 2919058 lagedense
## 229 Lamarão 2919108 lamarãoense
## 230 Lapão 2919157 lapoense
## 231 Lauro de Freitas 2919207 lauro-freitense
## 232 Lençóis 2919306 lençoense
## 233 Licínio de Almeida 2919405 licínio-de-almeidense
## 234 Livramento de Nossa Senhora 2919504 livramentense
## 235 Luís Eduardo Magalhães 2919553 luiseduardense
## 236 Macajuba 2919603 macajubense
## 237 Macarani 2919702 macaraniense
## 238 Macaúbas 2919801 macaubense
## 239 Macururé 2919900 macururense
## 240 Madre de Deus 2919926 madre-deusense
## 241 Maetinga 2919959 maetinguense
## 242 Maiquinique 2920007 maiquiniquense
## 243 Mairi 2920106 mairiense
## 244 Malhada 2920205 malhadense
## 245 Malhada de Pedras 2920304 malhada-pedrense
## 246 Manoel Vitorino 2920403 manoel-vitorinense
## 247 Mansidão 2920452 mansidãoense
## 248 Maracás 2920502 maracaense
## 249 Maragogipe 2920601 maragogipano
## 250 Maraú 2920700 marauense
## 251 Marcionílio Souza 2920809 marcionilense
## 252 Mascote 2920908 mascotense
## 253 Mata de São João 2921005 matense
## 254 Matina 2921054 matinense
## 255 Medeiros Neto 2921104 medeirosnetense
## 256 Miguel Calmon 2921203 calmonense
## 257 Milagres 2921302 milagrense
## 258 Mirangaba 2921401 mirangabense
## 259 Mirante 2921450 mirantense
## 260 Monte Santo 2921500 monte-santense
## 261 Morpará 2921609 morparaense
## 262 Morro do Chapéu 2921708 morrense
## 263 Mortugaba 2921807 mortugabense
## 264 Mucugê 2921906 mucugeense
## 265 Mucuri 2922003 mucuriense
## 266 Mulungu do Morro 2922052 mulunguense
## 267 Mundo Novo 2922102 mundo-novense
## 268 Muniz Ferreira 2922201 ferreirense
## 269 Muquém do São Francisco 2922250 sanfranciscano
## 270 Muritiba 2922300 muritibano
## 271 Mutuípe 2922409 mutuipense
## 272 Nazaré 2922508 nazareno
## 273 Nilo Peçanha 2922607 nilo-peçanhense
## 274 Nordestina 2922656 nordestinense
## 275 Nova Canaã 2922706 canaense
## 276 Nova Fátima 2922730 fatimense
## 277 Nova Ibiá 2922755 nova-ibiaense
## 278 Nova Itarana 2922805 nova-itaranense
## 279 Nova Redenção 2922854 nova-redençoense
## 280 Nova Soure 2922904 nova-souriense
## 281 Nova Viçosa 2923001 nova-viçosense
## 282 Novo Horizonte 2923035 novo-horizontino
## 283 Novo Triunfo 2923050 novo-triunfense
## 284 Olindina 2923100 olindinense
## 285 Oliveira dos Brejinhos 2923209 brejinhense
## 286 Ouriçangas 2923308 ouriçanguense
## 287 Ourolândia 2923357 ourolandense
## 288 Palmas de Monte Alto 2923407 monte-altense
## 289 Palmeiras 2923506 palmeirense
## 290 Paramirim 2923605 paramirinhense
## 291 Paratinga 2923704 paratinguense
## 292 Paripiranga 2923803 paripiranguense
## 293 Pau Brasil 2923902 pau-brasilense
## 294 Paulo Afonso 2924009 paulo-afonsino
## 295 Pé de Serra 2924058 pé-de-serrense
## 296 Pedrão 2924108 pedronense
## 297 Pedro Alexandre 2924207 pedro-alexandrense
## 298 Piatã 2924306 piatãense
## 299 Pilão Arcado 2924405 pilão-arcadense
## 300 Pindaí 2924504 pindaiense
## 301 Pindobaçu 2924603 pindobaçuense
## 302 Pintadas 2924652 pintadense
## 303 Piraí do Norte 2924678 piraiense
## 304 Piripá 2924702 piripaense
## 305 Piritiba 2924801 piritibano
## 306 Planaltino 2924900 planaltinense
## 307 Planalto 2925006 planaltense
## 308 Poções 2925105 poçoense
## 309 Pojuca 2925204 pojucano
## 310 Ponto Novo 2925253 ponto-novense
## 311 Porto Seguro 2925303 porto-segurense
## 312 Potiraguá 2925402 potiragüense
## 313 Prado 2925501 pradense
## 314 Presidente Dutra 2925600 presidutrense
## 315 Presidente Jânio Quadros 2925709 janio-quadrense
## 316 Presidente Tancredo Neves 2925758 tancredense
## 317 Queimadas 2925808 queimadense
## 318 Quijingue 2925907 quijinguense
## 319 Quixabeira 2925931 quixabeirense
## 320 Rafael Jambeiro 2925956 jambeirense
## 321 Remanso 2926004 remansense
## 322 Retirolândia 2926103 retirolandense
## 323 Riachão das Neves 2926202 riachão-nevense
## 324 Riachão do Jacuípe 2926301 jacuipense
## 325 Riacho de Santana 2926400 riachense
## 326 Ribeira do Amparo 2926509 amparense
## 327 Ribeira do Pombal 2926608 pombalense
## 328 Ribeirão do Largo 2926657 ribeirense
## 329 Rio de Contas 2926707 rio-contense
## 330 Rio do Antônio 2926806 rio-antoniense
## 331 Rio do Pires 2926905 rio-pirense
## 332 Rio Real 2927002 rio-realense
## 333 Rodelas 2927101 rodelense
## 334 Ruy Barbosa 2927200 rui-barbosense
## 335 Salinas da Margarida 2927309 salinense
## 336 Salvador 2927408 soteropolitano / salvadorense
## 337 Santa Bárbara 2927507 barbarense
## 338 Santa Brígida 2927606 santa-brigidense
## 339 Santa Cruz Cabrália 2927705 santa-cruzense
## 340 Santa Cruz da Vitória 2927804 santa-cruzense
## 341 Santa Inês 2927903 santinense
## 342 Santaluz 2928000 luzense
## 343 Santa Luzia 2928059 santa-luziense
## 344 Santa Maria da Vitória 2928109 santa-mariense
## 345 Santana 2928208 santanense
## 346 Santanópolis 2928307 santanopolinense
## 347 Santa Rita de Cássia 2928406 santa-ritense
## 348 Santa Terezinha 2928505 santa-teresinhense
## 349 Santo Amaro 2928604 santamarense
## 350 Santo Antônio de Jesus 2928703 santo-antoniense
## 351 Santo Estêvão 2928802 santo-estevense
## 352 São Desidério 2928901 são-desideriano
## 353 São Domingos 2928950 são-dominguense
## 354 São Félix 2929008 são-felista
## 355 São Félix do Coribe 2929057 são-felense
## 356 São Felipe 2929107 são-felipense
## 357 São Francisco do Conde 2929206 franciscano
## 358 São Gabriel 2929255 são-gabrielense
## 359 São Gonçalo dos Campos 2929305 são-gonçalense
## 360 São José da Vitória 2929354 são-joseense
## 361 São José do Jacuípe 2929370 jacuipense
## 362 São Miguel das Matas 2929404 miguelense
## 363 São Sebastião do Passé 2929503 sebastianense
## 364 Sapeaçu 2929602 sapeaçuense
## 365 Sátiro Dias 2929701 satirense
## 366 Saubara 2929750 saubarense
## 367 Saúde 2929800 saudense
## 368 Seabra 2929909 seabrense
## 369 Sebastião Laranjeiras 2930006 sebastianense
## 370 Senhor do Bonfim 2930105 bonfinense
## 371 Serra do Ramalho 2930154 serra-malhense
## 372 Sento Sé 2930204 sento-seense
## 373 Serra Dourada 2930303 serra-douradense
## 374 Serra Preta 2930402 serra-pretense
## 375 Serrinha 2930501 serrinhense
## 376 Serrolândia 2930600 serrolandense
## 377 Simões Filho 2930709 simões-filhense
## 378 Sítio do Mato 2930758 sítio-matense
## 379 Sítio do Quinto 2930766 sítio-quintense
## 380 Sobradinho 2930774 sobradinhense
## 381 Souto Soares 2930808 souto-soarense
## 382 Tabocas do Brejo Velho 2930907 taboquense
## 383 Tanhaçu 2931004 tanhaçuense
## 384 Tanque Novo 2931053 tanque-novense
## 385 Tanquinho 2931103 tanquinhense
## 386 Taperoá 2931202 taperoense
## 387 Tapiramutá 2931301 tapiramutaense
## 388 Teixeira de Freitas 2931350 teixeirense
## 389 Teodoro Sampaio 2931400 teodorense
## 390 Teofilândia 2931509 teofilandense
## 391 Teolândia 2931608 teolandense
## 392 Terra Nova 2931707 terra-novense
## 393 Tremedal 2931806 tremedalense
## 394 Tucano 2931905 tucanense
## 395 Uauá 2932002 uauaense
## 396 Ubaíra 2932101 ubairense
## 397 Ubaitaba 2932200 ubaitabense
## 398 Ubatã 2932309 ubatense
## 399 Uibaí 2932408 uibaiense
## 400 Umburanas 2932457 umburanense
## 401 Una 2932507 unense
## 402 Urandi 2932606 urandiense
## 403 Uruçuca 2932705 uruçuquense
## 404 Utinga 2932804 utinguense
## 405 Valença 2932903 valenciano
## 406 Valente 2933000 valentense
## 407 Várzea da Roça 2933059 varzeano
## 408 Várzea do Poço 2933109 varzeapense
## 409 Várzea Nova 2933158 várzea-novense
## 410 Varzedo 2933174 varzedense
## 411 Vera Cruz 2933208 vera-cruzense
## 412 Vereda 2933257 veredense
## 413 Vitória da Conquista 2933307 conquistense
## 414 Wagner 2933406 wagnense
## 415 Wanderley 2933455 wanderleiense
## 416 Wenceslau Guimarães 2933505 wenceslau-guimarãense
## 417 Xique-Xique 2933604 xiquexiquense
## Prefeito Área Territorial
## 1 EDVAL LUZ SILVA 538.677
## 2 FERNANDO JOSE TEIXEIRA TOLENTINO 1604.923
## 3 ALEXSANDRO MENEZES DE FREITAS 181.475
## 4 PAULO SERGIO OLIVEIRA DOS SANTOS 629.099
## 5 RENAN ARAUJO BARROS 742.775
## 6 ERALDO FÉLIX DA SILVA 735.249
## 7 DELMAR RIBEIRO 167.877
## 8 JOAQUIM BELARMINO CARDOSO NETO 707.835
## 9 GIVALDO MUNIZ 1477.929
## 10 MILTON SILVA CERQUEIRA 245.236
## 11 JÚLIO PINHEIRO DOS SANTOS JÚNIOR 431.655
## 12 JOÃO MANOEL BAHIA MENEZES 166.872
## 13 JOELSON CARDOSO DO ROSÁRIO 822.373
## 14 ROGERIO BONFIM SOARES 1899.683
## 15 WILSON PAES CARDOSO 1590.316
## 16 RENATO BRANDÃO DE OLIVEIRA 1362.386
## 17 EMERSON MARIANI DIAS 1530.050
## 18 MAURO SELMO OLIVEIRA VIEIRA 187.840
## 19 MANOEL SIDONIO NASCIMENTO NILO 319.745
## 20 MARIA DE LOURDES CARVALHO MOURA BASTOS 293.530
## 21 DJALMA DE FREITAS CARDOSO NETO 345.284
## 22 CARINE DANTAS DE MENEZES NEGREIROS 479.262
## 23 JORGE ROGERIO COSTA SOUZA 150.830
## 24 BRAULINA LIMA SILVA 1489.803
## 25 AGAMENON OLIVEIRA COELHO 474.577
## 26 MARIA BETIVANIA LIMA DA SILVA 1496.245
## 27 FIDEL CARLOS SOUZA DANTAS 368.947
## 28 FERNANDO MANSUR GONZAGA 435.962
## 29 ANTONIO MARCOS ARAUJO DE SOUZA 174.012
## 30 RODRIGO CALAZANS DE ANDRADE 445.394
## 31 JANDIRA SOARES SILVA XAVIER 3320.723
## 32 GILVAN RIOS DA SILVA 967.514
## 33 JAILMA DANTAS GAMA ALVES 409.507
## 34 ARTUR SILVA FILHO 11428.112
## 35 JOAO MACHADO RIBEIRO 1657.413
## 36 OBERDAM ROCHA DIAS 765.936
## 37 ANTONIO BARRETO DE OLIVEIRA 1436.298
## 38 JOSÉ LUIZ FRANCO RAMOS COSTA 214.411
## 39 JOÃO BARBOSA DE SOUZA SOBRINHO 8051.274
## 40 ORLANDO AMORIM SANTOS 414.510
## 41 JOSÉ JAILSON LIMA FERREIRA 207.297
## 42 JURACI DIAS DE JESUS 201.585
## 43 CARLOS ALBERTO REZENDE GAMA 1939.447
## 44 JOSÉ HENRIQUE SILVA TIGRE 772.756
## 45 GILMARIO SOUZA DE OLIVEIRA 553.762
## 46 ADONIAS DA ROCHA PIRES DE ALMEIDA 848.857
## 47 HELDER LOPES CAMPOS 2972.109
## 48 FABIO NUNES DIAS 4115.510
## 49 JORNANDO VILASBOAS ALVES 467.909
## 50 CELESTE AUGUSTA ARAUJO PAIVA 896.857
## 51 REINAN CEDRO DE OLIVEIRA 791.276
## 52 LUCIANO DE OLIVEIRA E SILVA 1426.233
## 53 EDIMILSON ANTONIO SARAIVA 627.612
## 54 ALESSANDRO RODRIGUES BRANDAO CORREIA 518.566
## 55 EDEZIO NUNES BASTOS 2247.208
## 56 ANTONIO KLEBER RIBEIRO 2520.817
## 57 EDUARDO LIMA VASCONCELOS 2207.612
## 58 VINÍCIUS IBRANN DANTAS ANDRADE OLIVEIRA 219.487
## 59 ARIVAL MARQUES VIANA 4046.736
## 60 MARIA TANIA RIBEIRO SOUSA 512.436
## 61 PEDRO ANDRE BRAZ SILVA SANTANA 222.026
## 62 ELIANA GONZAGA DE JESUS 394.894
## 63 PEDRO DIAS DA SILVA 610.983
## 64 ARNALDO DE OLIVEIRA FILHO 540.908
## 65 PAULO ALVES DOS REIS 767.146
## 66 VALTÉCIO NEVES AGUIAR 2651.536
## 67 SUELI FERNANDES DE SOUZA NOVAIS 643.660
## 68 HILDECIO ANTONIO MEIRELES FILHO 448.846
## 69 CANDIDO PEREIRA DA GUIRRA FILHO 458.311
## 70 PAULO CESAR BOMFIM DE OLIVEIRA 584.848
## 71 ANTONIO ELINALDO ARAUJO DA SILVA 785.421
## 72 ENOC SOUZA SILVA 839.702
## 73 ENILSON MARCELO RODRIGUES DA SILVA 2914.587
## 74 ELMO ALUIZIO VIEIRA NASCIMENTO 7161.827
## 75 REGINALDO DE SOUZA PEREIRA 460.388
## 76 EZENIVALDO ALVES DOURADO 579.726
## 77 CLÓVIS ROBERTO ALMEIDA DE SOUZA 1334.284
## 78 EVERTON PEREIRA CERQUEIRA 447.578
## 79 PITÁGORAS ALVES DA SILVA IBIAPINA 251.808
## 80 REGINALDO MARTINS PRADO 433.642
## 81 MAURILIO LEMOS DAS VIRGENS 1169.814
## 82 VILMA ROSA DE OLIVEIRA GOMES 1351.891
## 83 JILSON CARDOSO DE MACEDO 3565.377
## 84 CLAUDINEI XAVIER NOVATO 629.586
## 85 JOSÉ SIVALDO RIOS DE CARVALHO 464.776
## 86 JONES COELHO DIAS 805.629
## 87 SÍLVIO RAMALHO DA SILVA 2377.889
## 88 ANTONIO AUGUSTO SALES DE JESUS 293.456
## 89 FRANCISCA ALVES RIBEIRO 2525.906
## 90 WILKER OLIVEIRA TORRES 9647.072
## 91 THIANCLE DA SILVA ARAUJO 713.789
## 92 GIOVANNI MOREIRA DOS SANTOS 702.504
## 93 NARLISON BORGES DE SALES 426.955
## 94 PAULO HUMBERTO NEVES MENDONÇA 716.261
## 95 RENATO PEREIRA DE SANTANA 566.974
## 96 HUMBERTO GOMES RAMOS 3005.319
## 97 RICARDO ALMEIDA NUNES DA SILVA 819.969
## 98 JOSE MARQUES DOS REIS 168.330
## 99 JADSON ALBANO GALVÃO 274.500
## 100 MARCELO DE SOUZA EMERENCIANO 10140.572
## 101 JOÃO PEDRO LABRIOLA CARDOZO 164.798
## 102 ADAILTON CAMPOS SOBRAL 284.836
## 103 MARCELO PASSOS DE ARAUJO 1015.252
## 104 TÂNIA MARLI RIBEIRO YOSHIDA 114.869
## 105 ANTONIO EDUARDO LINS DE CASTRO 931.106
## 106 SILVAN BALEEIRO DE SOUSA 1348.039
## 107 MARGARETH PINA SOUZA 977.455
## 108 KLEY CARNEIRO LIMA 378.420
## 109 DELCI ALVES LUZ 523.640
## 110 MURILLO FERREIRA VIANA 2662.819
## 111 CARLOS AUGUSTO SILVEIRA SOBRAL 797.434
## 112 NILSON JOSÉ RODRIGUES 11504.314
## 113 MÁRCIA DA SILVA SÁ TELES 4282.775
## 114 IVETE SOARES TEIXEIRA ARAUJO 182.585
## 115 LEANDRO DANTAS DE JESUS COSTA 636.609
## 116 GILSON NASCIMENTO DE SOUZA 1052.837
## 117 EDNALDO JOSÉ RIBEIRO 139.117
## 118 PEDRO ALVES DE OLIVEIRA 5950.614
## 119 WILLIAM ALMEIDA SENA 413.637
## 120 ALBERTO PEREIRA CASTRO 183.759
## 121 ROBERVAL DE CASSIA MEIRA 689.516
## 122 EGNALDO PITON MOURA 94.778
## 123 LINSMAR MOURA BITTENCOURT SANTOS 179.329
## 124 WEKISLEY TEIXEIRA SILVA 1890.133
## 125 MANOELITO ARGOLO DOS SANTOS JUNIOR 1187.766
## 126 JOSE NAUDINHO ALVES DOS SANTOS 1299.355
## 127 LUCIANO PINHEIRO DAMASCENO E SANTOS 2025.368
## 128 CORDELIA TORRES DE ALMEIDA 1425.970
## 129 FÁBIO JOSÉ REIS DE ARAUJO 364.419
## 130 VALMIR MACEDO RODRIGUES 1176.111
## 131 COLBERT MARTINS DA SILVA FILHO 1304.425
## 132 LOURIVALDO PEREIRA MAIA 579.686
## 133 FABIANO DE JESUS SAMPAIO 172.353
## 134 GICÉLIA DE SANTANA OLIVEIRA SANTOS 321.013
## 135 MANOEL AFONSO DE ARAÚJO 15634.328
## 136 LEONARDO BARBOSA CARDOSO 229.661
## 137 LAURINDO NAZÁRIO DA SILVA 384.592
## 138 ROBERIO GOMES CUNHA 3817.946
## 139 DAVID DE SOUZA CAVALCANTI 1566.609
## 140 ADRIANO MENDONÇA PINHEIRO 202.194
## 141 MARCELO PEDREIRA DE MENDONÇA 106.848
## 142 JILVAN TEIXEIRA RIBEIRO 872.867
## 143 NILO AUGUSTO MORAES COELHO 1272.366
## 144 MARLENE DANTAS MARTINS 2189.404
## 145 JOSÉ MENDONÇA DANTAS 313.438
## 146 NIXON DUARTE MUNIZ FERREIRA 2342.497
## 147 FRANCISCO ADAUTO REBOUÇAS PRATES 483.274
## 148 MONALISA GONCALVES TAVARES 230.953
## 149 GILMADSON CRUZ DE MELO 817.355
## 150 MARCOS GALVÃO DE ASSIS 1139.378
## 151 DEMOSTENES DE SOUSA BARRETO FILHO 1382.008
## 152 HUMBERTO RAIMUNDO RODRIGUES DE OLIVEIRA 954.373
## 153 IVAN CLAUDIO DE ALMEIDA 698.245
## 154 JUNILSON BATISTA GOMES 472.664
## 155 CALIXTO ANTÔNIO RIBEIRO 771.098
## 156 ANA CLÉIA DOS SANTOS LEAL 318.129
## 157 WILSON DOS SANTOS SOUZA 1834.002
## 158 NILVA BARRETO DOS SANTOS 573.033
## 159 LAERCIO SILVA DE SANTANA 1740.113
## 160 JOSE GONZAGA CARNEIRO 138.016
## 161 NEWTON FRANCISCO NEVES COTRIM 836.586
## 162 MANOEL RIBEIRO DOS SANTOS 591.312
## 163 RONALDO MOITINHO DOS SANTOS 860.223
## 164 MÁRIO ALEXANDRE CORREA DE SOUSA 1588.555
## 165 FORTUNATO SILVA COSTA 1082.283
## 166 ELCYDES PIAGGIO DE OLIVEIRA JÚNIOR 372.565
## 167 MARIA DAS GRAÇAS CESAR MENDONÇA 280.454
## 168 EDVONILSON SILVA SANTOS 3105.281
## 169 ASCIR LEITE SANTOS 1055.760
## 170 ANTONIO OLIVEIRA SAMPAIO 459.047
## 171 ANTONIO CARLOS SILVA BASTOS 1708.115
## 172 WALTERSON RIBEIRO COUTINHO 991.822
## 173 DERIVALDO PINTO CERQUEIRA 267.880
## 174 ELMO VAZ BASTOS DE MATOS 319.174
## 175 LUCIANO FRANCISQUETO 924.914
## 176 RICARDO DOS ANJOS MASCARENHAS 2386.390
## 177 AUGUSTO NARCISO CASTRO 401.028
## 178 ANTONIO MARIO DAMASCENO 726.265
## 179 ZENILDO MATOS DE OLIVEIRA 1331.822
## 180 OLIVAL ANDRADE JUNIOR 310.621
## 181 MARCOS VALERIO BARRETO 810.993
## 182 LUIZ CARLOS JUNIOR SILVA DE OLIVEIRA 876.800
## 183 ADÃO ALVES DE CARVALHO FILHO 4310.238
## 184 DJALMA ORRICO DUARTE 1225.287
## 185 LEANDRO JUNQUILHO CUNHA 270.752
## 186 MARCELO ANGENICA 2360.584
## 187 EVERTON BORGES VASCONCELOS 143.479
## 188 JOSÉ CANDIDO ROCHA ARAÚJO 1534.575
## 189 MARCUS GUSTAVO DE SOUZA SARMENTO 533.634
## 190 MILDSON DIAS MEDEIROS 1394.174
## 191 JOSE ELIAS DAS VIRGENS OLIVEIRA 121.373
## 192 NAELITON ROSA PINTO 453.144
## 193 JUAREZ DA SILVA OLIVEIRA 1013.074
## 194 RODRIGO HAGGE COSTA 1651.158
## 195 JOSE MOREIRA DE CARVALHO NETO 1557.685
## 196 JOSE ROBERTO DOS SANTOS TOLENTINO 420.663
## 197 MARCO AURÉLIO WANDERLEY CRUZ COSTA 344.093
## 198 FÁBIO PEREIRA GUSMÃO 1674.029
## 199 DAIANE SILVA DOS ANJOS 547.510
## 200 LORENNA MOURA DI GREGORIO 322.243
## 201 JOSÉ FRANCISCO DOS SANTOS FILHO 1650.593
## 202 PAULO CARNEIRO RIOS 313.839
## 203 PHELLIPE RAMONN GONÇALVES BRITO 1199.374
## 204 REGES JONAS ARAGÃO SANTOS 415.428
## 205 REINALDO BARBOSA DE GÓES 1525.142
## 206 MARCOS ANTÔNIO MATOS DA SILVA 9955.113
## 207 ANTONIO CARLOS FREIRE DE ABREU 1332.420
## 208 TIAGO MANOEL DIAS FERREIRA 2192.905
## 209 EDIONE OLIVEIRA AGOSTINONE 924.512
## 210 ANTONIO FERREIRA DO NASCIMENTO 2466.009
## 211 HERÁCLITO ROCHA ARANDAS 863.424
## 212 ADILSON AIRES LEITE DE ÁVILA JUNIOR 640.772
## 213 ZENILDO BRANDÃO SANTANA 2969.039
## 214 DERISVALDO JOSE DOS SANTOS 4267.488
## 215 JOAO FERNANDO ALVES COSTA 238.660
## 216 PATRICK GILBERTO RODRIGUES LOPES 262.050
## 217 DIAMERSON COSTA CARDOSO DOURADO 913.258
## 218 SUZANA ALEXANDRE DE CARVALHO RAMOS 6721.237
## 219 ARIVALDO DE ALMEIDA COSTA 1457.656
## 220 TACIANO MENDES DA SILVA 1355.173
## 221 ANTONIO CARLOS BANDEIRA VALETE 329.190
## 222 ÉDER JAKES SOUZA AGUIAR 589.763
## 223 JOSE FREITAS DE SANTANA JUNIOR 498.110
## 224 PEDRO CARDOSO CASTRO 912.222
## 225 KLEDSON DUARTE MOTA 449.834
## 226 ARISTON ALMEIDA PASSOS FILHO 624.353
## 227 ANTONIO MARIO LIMA SILVA 846.728
## 228 ANTÔNIO MARCOS ARAÚJO DE SENA 382.937
## 229 MARIA LUZINEIDE COSTA SILVA DE ARAÚJO 189.257
## 230 MARCIO ANTONIO MESSIAS DA SILVA 642.882
## 231 MOEMA ISABEL PASSOS GRAMACHO 57.942
## 232 VANESSA DOS ANJOS TELES SENNA 1283.328
## 233 FREDERICO VASCONCELLOS FERREIRA 856.626
## 234 JOSÉ RICARDO ASSUNÇÃO RIBEIRO 1952.510
## 235 ONDUMAR FERREIRA BORGES JUNIOR 4036.094
## 236 LUCIANO PAMPONET DE SOUSA 701.171
## 237 SELMA RODRIGUES SOUTO 1210.106
## 238 ALOISIO MIGUEL REBONATO 2459.102
## 239 LEANDRO BERGUE GOMES DA CRUZ 2545.856
## 240 DAILTON RAIMUNDO DE JESUS FILHO 32.201
## 241 ALINE COSTA AGUIAR SILVEIRA 614.834
## 242 JESULINO DE SOUZA PORTO 588.297
## 243 JOSÉ BONIFÁCIO PEREIRA DA SILVA 906.680
## 244 GIMMY EVERTON MOURARIA RAMOS 1979.193
## 245 CARLOS ROBERTO SANTOS DA SILVA 550.550
## 246 MANOEL SILVANY BARROS 2201.764
## 247 DJALMA RAMOS DE OLIVEIRA 3129.588
## 248 UILSON VENANCIO GOMES DE NOVAES 2413.270
## 249 VALNÍCIO ARMEDE RIBEIRO 437.610
## 250 MANASSÉS SANTOS SOUZA 848.885
## 251 HERMINIO JOSÉ OLIVEIRA MERCÊS 1099.283
## 252 ARNALDO LOPES COSTA 742.689
## 253 JOÃO GUALBERTO VASCONCELOS 605.168
## 254 OLGA GENTIL DE CASTRO CARDOSO 773.278
## 255 ADALBERTO ALVES PINTO 1311.739
## 256 JOSE RICARDO LEAL REQUIAO 1599.672
## 257 CEZAR ROTONDANO MACHADO 420.358
## 258 DIRCEU MENDES RIBEIRO 1751.778
## 259 WAGNER RAMOS LIMA 1172.860
## 260 SILVANIA SILVA MATOS 3034.197
## 261 SIRLEY NOVAES BARRETO 2093.872
## 262 JULIANA PEREIRA ARAUJO LEAL 5744.969
## 263 HERACLITO LUIZ PAIXAO MATOS 528.214
## 264 ANA OLIMPIA HORA MEDRADO 2462.153
## 265 ROBERTO CARLOS FIGUEIREDO COSTA 1787.626
## 266 EDIMARIO JOSÉ BOAVENTURA 646.621
## 267 JOSÉ ADRIANO DA SILVA 1491.990
## 268 GILENO PEREIRA DOS SANTOS 104.540
## 269 GILMARIA RIOS PEREIRA ARAÚJO 3852.111
## 270 DANILO MARQUES DIAS SAMPAIO 86.311
## 271 RODRIGO MAICON DE SANTANA ANDRADE 275.854
## 272 EUNICE SOARES BARRETO PEIXOTO 278.629
## 273 JACQUELINE SOARES DE OLIVEIRA 388.936
## 274 ELIETE DE ANDRADE ARAUJO 465.407
## 275 MARIVAL NEUTON DE MAGALHAES FRAGA 804.617
## 276 JOSE ADRIANO SANTOS PEREIRA 346.784
## 277 JOSÉ MURILO NUNES DE SOUZA 203.198
## 278 ANTONIO DANNILO ITALIANO DE ALMEIDA 475.381
## 279 GUILMA RITA DE CÁSSIA GOTTSCHALL DA SILVA SOARES 565.356
## 280 LUIS CASSIO DE SOUZA ANDRADE 966.993
## 281 LUCIANA SOUSA MACHADO RODRIGUES 1316.379
## 282 DJALMA ABREU DOS ANJOS 627.500
## 283 MATHEUS BARROS DE SANTANA 278.487
## 284 LUIZ ALBERTO ARAUJO DANTAS FILHO 637.317
## 285 SILVANDO BRITO SANTOS 3313.418
## 286 ANTONIO DIAS MARQUES 156.982
## 287 JOSÉ RAIMUNDO ARAUJO DE SOUZA 1544.988
## 288 MANOEL RUBENS VICENTE DA CRUZ 2560.027
## 289 RICARDO OLIVEIRA GUIMARÃES 737.454
## 290 GILBERTO MARTINS BRITO 1087.060
## 291 MARCEL JOSÉ CARNEIRO DE CARVALHO 2624.998
## 292 JUSTINO DAS VIRGENS NETO 442.186
## 293 BARBARA SUZETE DE SOUSA PRADO 626.306
## 294 LUIZ BARBOSA DE DEUS 1544.388
## 295 EDGAR CARNEIRO MIRANDA 596.771
## 296 SOSTHENES SERRAVALLE CAMPOS 158.488
## 297 YURI CESAR DE ANDRADE MENEZES 889.572
## 298 MARCOS PAULO SANTOS AZEVEDO 1825.857
## 299 ORGETO BASTOS DOS SANTOS 11597.923
## 300 JOAO EVANGELISTA VEIGA PEREIRA 628.468
## 301 DAVID MENEZES FARIAS 495.845
## 302 VALCYR ALMEIDA RIOS 647.144
## 303 ULYSSES ARAÚJO DE MENEZES VEIGA 193.427
## 304 FLAVIO OLIVEIRA ROCHA 511.756
## 305 SAMUEL OLIVEIRA SANTANA 980.328
## 306 RONALDO LISBOA DA SILVA 955.454
## 307 CLOVES ALVES ANDRADE 769.000
## 308 IRENILDA CUNHA DE MAGALHAES 937.855
## 309 CARLOS EDUARDO BASTOS LEITE 314.932
## 310 THIAGO GILLENO SALES DE OLIVEIRA 530.144
## 311 JANIO NATAL ANDRADE BORGES 2285.734
## 312 JORGE PORTO CHELES 1111.567
## 313 GILVAN DA SILVA SANTOS 1692.100
## 314 ROBERTO CARLOS ALVES DE SOUZA 232.064
## 315 LÉLIO ALVES BRITO JÚNIOR 1208.549
## 316 ANTONIO DOS SANTOS MENDES 441.820
## 317 ANDRE LUIZ ANDRADE 2011.060
## 318 WELIGTON CAVALCANTE DE GOIS 1380.798
## 319 REGINALDO SAMPAIO SILVA 366.387
## 320 CIBELE OLIVEIRA DE CARVALHO 1090.552
## 321 MARCOS CARVALHO PALMEIRA 4573.505
## 322 ALIVANALDO MARTINS DOS SANTOS 242.329
## 323 MIGUEL CRISOSTOMO BORGES NETO 5977.931
## 324 JOSE CARLOS DE MATOS SOARES 1155.418
## 325 TITO EUGENIO CARDOSO DE CASTRO 3183.911
## 326 JOSÉ GERMANO SOARES DE SANTANA 644.229
## 327 ERIKSSON SANTOS SILVA 1252.144
## 328 HERBERT GONCALVES DE OLIVEIRA 1363.700
## 329 CRISTIANO CARDOSO DE AZEVEDO 1115.252
## 330 GERSON DE SOUZA RIBEIRO 777.903
## 331 GILVANIO ANTONIO DOS SANTOS 656.223
## 332 ANTONIO ALVES DOS SANTOS 739.775
## 333 EMANUEL RODRIGUES FERREIRA 2207.159
## 334 LUIZ CLAUDIO MIRANDA PIRES 1991.772
## 335 WILSON RIBEIRO PEDREIRA 150.569
## 336 BRUNO SOARES REIS 693.442
## 337 EDIFRANCIO DE JESUS OLIVEIRA 347.021
## 338 ELTON CARLOS MAGALHÃES 934.461
## 339 AGNELO SILVA SANTOS JUNIOR 1462.942
## 340 MAURÍCIO LOPES DOS SANTOS 284.083
## 341 HERMESON NOVAES ELOI 379.270
## 342 ARISMÁRIO BARBOSA JÚNIOR 1623.445
## 343 FERNANDO SCHUELER BRITO 824.473
## 344 ANTÔNIO ELSON MARQUES DA SILVA 1984.910
## 345 MARCO AURÉLIO DOS SANTOS CARDOSO 1909.353
## 346 GILSON CERQUEIRA ALMEIDA 222.686
## 347 JOSÉ BENEDITO ROCHA ARAGÃO 6030.491
## 348 AGNALDO FIGUEIREDO ANDRADE 719.257
## 349 ALESSANDRA GOMES REIS E SILVA DO CARMO 494.502
## 350 GENIVAL DEOLINO SOUZA 261.740
## 351 ROGERIO DOS SANTOS COSTA 360.334
## 352 JOSE CARLOS DE CARVALHO 15156.712
## 353 ILARIO ANTONIO NETO RIOS CARNEIRO 289.963
## 354 ALEX SANDRO ALELUIA DE BRITO 103.226
## 355 JUTAI EUDES RIBEIRO FERREIRA 1751.671
## 356 ANTONIO JORGE MACEDO DA SILVA 222.407
## 357 ANTÔNIO CARLOS VASCONCELOS CALMON 269.715
## 358 HIPOLITO RODRIGUES SILVA GOMES 1146.054
## 359 TARCÍSIO TÔRRES PEDREIRA 294.768
## 360 JEOVÁ NUNES DE SOUZA 127.925
## 361 ALBERLAN PERIS MOREIRA DA CUNHA 362.365
## 362 VALDELINO DE JESUS SANTOS 230.906
## 363 MARIA NILZA DA MATA SANTANA 536.678
## 364 GEORGE VIEIRA GOIS 131.218
## 365 PEDRO RAIMUNDO SANTANA DA CRUZ 949.223
## 366 MARCIA MENDES OLIVEIRA DE ARAÚJO 166.428
## 367 AUCICLEI COSTA RODRIGUES 509.098
## 368 FÁBIO MIRANDA DE OLIVEIRA 2402.170
## 369 PEDRO ANTÔNIO PEREIRA MALHEIROS 1984.511
## 370 LAÉRCIO MUNIZ DE AZEVEDO JUNIOR 789.361
## 371 ELI CARLOS DOS ANJOS SANTOS 2340.684
## 372 ANA LUIZA RODRIGUES DA SILVA PASSOS 11980.172
## 373 AUZENILDO SOUZA COSTA 1592.245
## 374 FRANKLIN LEITE DA SILVA 595.297
## 375 ADRIANO SILVA LIMA 583.314
## 376 GILDO MOTA BISPO 322.022
## 377 DIOGENES TOLENTINO OLIVEIRA 201.528
## 378 CASSIO GUIMARAES CURSINO 1627.806
## 379 JAIR JESUS DOS SANTOS 684.089
## 380 REGIS CLEIVYS SAMPAIO BETO 1355.972
## 381 ANDRE LUIZ SAMPAIO CARDOSO 1026.634
## 382 FLAVIO DA SILVA CARVALHO 1437.189
## 383 JOÃO FRANCISCO SANTOS 1277.514
## 384 PAULO RICARDO BONFIM CARNEIRO 729.516
## 385 JOSE LUIZ DOS SANTOS REIS 243.839
## 386 CHRISTIANNE MARY PEREIRA GUIMARAES 454.081
## 387 ROBERTO VENANCIO DOS SANTOS 714.691
## 388 MARCELO GUSMÃO PONTES BELITARDO 1165.622
## 389 JOSÉ ALVES DA CRUZ 244.613
## 390 HIGO MOURA MEDEIROS 351.892
## 391 MARIA BAITINGA DE SANTANA 289.782
## 392 EDER SAO PEDRO MENEZES 193.241
## 393 JOSÉ CARLOS VIEIRA BAHIA 2010.316
## 394 RICARDO MAIA CHAVES DE SOUZA FILHO 2198.237
## 395 MARCOS HENRIQUE LOBO ROSA 3060.116
## 396 LUCIO PASSOS MONTEIRO 659.080
## 397 ASCLEPÍADES DE ALMEIDA QUEIROZ 181.102
## 398 VINICIUS DO VALE DE SOUZA 177.643
## 399 UBIRACI ROCHA LEVI 545.298
## 400 ROBERTO BRUNO SILVA 1775.633
## 401 TIAGO BIRSCHNER 1126.733
## 402 WARLEI OLIVEIRA DE SOUZA 902.402
## 403 MOACYR BATISTA DE SOUZA LEITE JÚNIOR 510.098
## 404 JOYUSON VIEIRA SANTOS 633.760
## 405 JAIRO DE FREITAS BAPTISTA 1123.975
## 406 UBALDINO AMARAL DE OLIVEIRA 394.877
## 407 DANILLO SANTOS SALES RIOS 468.407
## 408 MANOEL CARNEIRO FILHO 206.478
## 409 JOAO HEBERT ARAUJO DA SILVA 1225.892
## 410 ARIECILIO BAHIA DA SILVA 221.399
## 411 MARCUS VINICIUS MARQUES GIL 297.537
## 412 MANRICK GREGORIO PRATES TEIXEIRA 782.159
## 413 ANA SHEILA LEMOS ANDRADE 3254.186
## 414 ELTER SILVA BASTOS 522.370
## 415 FERNANDA SILVA SÁ TELES 2920.579
## 416 CARLOS ALBERTO LIOTERIO DOS SANTOS 655.057
## 417 REINALDO TEIXEIRA BRAGA FILHO 5079.662
## População residente Densidade demográfica Escolarização IDHM
## 1 7301 13.55 97.2 0.603
## 2 17639 10.99 96.5 0.575
## 3 13795 76.02 98.0 0.582
## 4 14200 22.57 98.1 0.546
## 5 14497 19.52 97.0 0.550
## 6 10604 14.42 98.8 0.584
## 7 4446 26.48 98.4 0.583
## 8 151065 213.42 97.4 0.683
## 9 24530 16.60 96.5 0.608
## 10 5218 21.28 95.3 0.563
## 11 36522 84.61 96.8 0.625
## 12 24138 144.65 99.2 0.666
## 13 15137 18.41 96.6 0.561
## 14 25438 13.39 96.0 0.540
## 15 13080 8.22 97.8 0.555
## 16 15012 11.02 98.0 0.588
## 17 13732 8.97 96.9 0.625
## 18 11031 58.73 98.2 0.589
## 19 14206 44.43 94.3 0.592
## 20 11146 37.97 95.8 0.561
## 21 10862 31.46 98.4 0.598
## 22 15930 33.24 97.6 0.548
## 23 6913 45.83 95.9 0.552
## 24 13936 9.35 97.7 0.581
## 25 11557 24.35 98.1 0.570
## 26 48035 32.10 97.4 0.534
## 27 9833 26.65 96.3 0.588
## 28 10191 23.38 95.6 0.559
## 29 8677 49.86 98.4 0.575
## 30 11179 25.10 95.5 0.568
## 31 13614 4.10 98.7 0.589
## 32 18220 18.83 97.2 0.585
## 33 11958 29.20 98.1 0.579
## 34 51092 4.47 97.0 0.557
## 35 26026 15.70 96.8 0.575
## 36 36539 47.71 96.9 0.551
## 37 13836 9.63 97.5 0.630
## 38 5774 26.93 95.7 0.577
## 39 159743 19.84 97.5 0.721
## 40 13453 32.46 98.4 0.607
## 41 15203 73.34 98.7 0.610
## 42 5583 27.70 96.2 0.602
## 43 20121 10.37 96.5 0.598
## 44 18412 23.83 95.2 0.575
## 45 15146 27.35 98.0 0.538
## 46 13690 16.13 97.2 0.567
## 47 16873 5.68 96.8 0.551
## 48 65550 15.93 95.7 0.633
## 49 9730 20.79 98.3 0.546
## 50 13622 15.19 96.3 0.612
## 51 15844 20.02 97.6 0.561
## 52 19322 13.55 98.8 0.603
## 53 11024 17.56 98.1 0.575
## 54 12943 24.96 97.9 0.597
## 55 9108 4.05 98.4 0.592
## 56 11765 4.67 97.6 0.570
## 57 70512 31.94 96.8 0.656
## 58 14804 67.45 91.5 0.613
## 59 19589 4.84 97.3 0.565
## 60 6205 12.11 89.9 0.561
## 61 16559 74.58 98.8 0.581
## 62 29251 74.07 97.8 0.647
## 63 22462 36.76 97.3 0.637
## 64 10384 19.20 98.8 0.546
## 65 11266 14.69 96.9 0.542
## 66 52012 19.62 98.3 0.625
## 67 17466 27.14 98.6 0.584
## 68 17761 39.57 98.8 0.627
## 69 13080 28.54 97.8 0.573
## 70 22578 38.60 92.5 0.581
## 71 299579 381.42 96.7 0.694
## 72 30425 36.23 96.0 0.565
## 73 30671 10.52 98.3 0.557
## 74 71377 9.97 98.0 0.586
## 75 10225 22.21 96.9 0.565
## 76 24206 41.75 98.9 0.587
## 77 32683 24.49 94.9 0.590
## 78 7772 17.36 98.2 0.587
## 79 72382 287.45 97.6 0.691
## 80 13016 30.02 98.3 0.591
## 81 25247 21.58 96.2 0.601
## 82 37439 27.69 98.6 0.557
## 83 16105 4.52 98.6 0.562
## 84 10744 17.07 98.6 0.599
## 85 33235 71.51 96.2 0.621
## 86 9940 12.34 97.3 0.555
## 87 20586 8.66 95.4 0.616
## 88 8299 28.28 98.1 0.552
## 89 28869 11.43 98.8 0.576
## 90 72085 7.47 95.5 0.570
## 91 24712 34.62 95.9 0.613
## 92 3434 4.89 98.4 0.582
## 93 48195 112.88 97.3 0.677
## 94 8841 12.34 98.7 0.571
## 95 16348 28.83 98.9 0.596
## 96 10579 3.52 96.6 0.600
## 97 30906 37.69 98.0 0.585
## 98 17230 102.36 97.6 0.601
## 99 17351 63.21 95.1 0.613
## 100 19151 1.89 97.0 0.596
## 101 20800 126.22 98.8 0.634
## 102 15794 55.45 95.6 0.606
## 103 67825 66.81 97.9 0.611
## 104 35308 307.38 98.4 0.663
## 105 23651 25.40 96.8 0.560
## 106 17053 12.65 98.1 0.582
## 107 4333 4.43 99.0 0.577
## 108 26692 70.54 98.8 0.592
## 109 7546 14.41 98.0 0.579
## 110 13990 5.25 97.7 0.600
## 111 17056 21.39 96.0 0.535
## 112 32459 2.82 97.6 0.603
## 113 13063 3.05 94.5 0.590
## 114 4415 24.18 97.6 0.599
## 115 19729 30.99 96.1 0.543
## 116 13993 13.29 98.3 0.614
## 117 60346 433.78 97.2 0.699
## 118 34180 5.74 97.4 0.581
## 119 10817 26.15 93.0 0.540
## 120 71485 389.01 98.0 0.676
## 121 11884 17.24 96.1 0.591
## 122 4407 46.50 99.3 0.632
## 123 7809 43.55 99.6 0.623
## 124 19107 10.11 95.0 0.544
## 125 38098 32.08 95.6 0.615
## 126 32556 25.06 97.7 0.589
## 127 61456 30.34 97.8 0.567
## 128 113709 79.74 96.2 0.677
## 129 17896 49.11 98.4 0.559
## 130 5631 4.79 97.5 0.588
## 131 616279 472.45 97.4 0.712
## 132 17897 30.87 98.4 0.565
## 133 4873 28.27 95.0 0.578
## 134 11055 34.44 92.8 0.557
## 135 25899 1.66 97.3 0.618
## 136 32178 140.11 96.8 0.632
## 137 4360 11.34 98.8 0.599
## 138 10884 2.85 97.9 0.559
## 139 15524 9.91 97.4 0.593
## 140 5549 27.44 96.8 0.576
## 141 20605 192.84 95.6 0.643
## 142 8050 9.22 97.1 0.569
## 143 87817 69.02 97.8 0.673
## 144 19049 8.70 94.6 0.558
## 145 12309 39.27 98.3 0.563
## 146 24607 10.50 97.8 0.574
## 147 10429 21.58 98.5 0.611
## 148 21665 93.81 98.0 0.625
## 149 20785 25.43 96.3 0.591
## 150 13934 12.23 98.2 0.584
## 151 16603 12.01 97.6 0.616
## 152 13863 14.53 96.9 0.584
## 153 3725 5.33 96.2 0.511
## 154 25341 53.61 95.9 0.558
## 155 8896 11.54 99.2 0.614
## 156 18792 59.07 97.6 0.576
## 157 14634 7.98 96.2 0.585
## 158 16969 29.61 96.6 0.602
## 159 26309 15.12 96.4 0.636
## 160 6190 44.85 98.4 0.631
## 161 15527 18.56 97.3 0.614
## 162 13151 22.24 97.2 0.574
## 163 21358 24.83 94.1 0.552
## 164 178703 112.49 96.7 0.690
## 165 33790 31.22 97.2 0.565
## 166 13709 36.80 96.1 0.550
## 167 40706 145.14 97.4 0.670
## 168 56873 18.31 95.9 0.549
## 169 9935 9.41 98.8 0.590
## 170 6101 13.29 98.2 0.576
## 171 10752 6.29 97.3 0.571
## 172 23879 24.08 99.1 0.599
## 173 28043 104.68 98.7 0.620
## 174 74507 233.44 96.4 0.691
## 175 28165 30.45 95.8 0.599
## 176 65073 27.27 96.2 0.620
## 177 186708 465.57 96.6 0.712
## 178 27725 38.17 94.7 0.583
## 179 13472 10.12 98.1 0.572
## 180 13803 44.44 95.6 0.543
## 181 15310 18.88 95.4 0.589
## 182 6347 7.24 96.2 0.634
## 183 12311 2.86 96.9 0.562
## 184 6037 4.93 98.4 0.592
## 185 18781 69.37 96.3 0.599
## 186 59603 25.25 95.7 0.627
## 187 7051 49.14 95.9 0.578
## 188 24394 15.90 96.0 0.578
## 189 5914 11.08 98.1 0.584
## 190 17813 12.78 97.7 0.637
## 191 19789 163.04 98.3 0.670
## 192 10341 22.82 96.1 0.599
## 193 9174 9.06 97.4 0.572
## 194 65897 39.91 96.8 0.667
## 195 31679 20.34 95.6 0.486
## 196 10279 24.44 97.0 0.571
## 197 8153 23.69 94.5 0.553
## 198 17052 10.19 96.6 0.610
## 199 15737 28.74 97.9 0.582
## 200 10999 34.13 96.7 0.600
## 201 33872 20.52 95.5 0.544
## 202 16617 52.95 98.6 0.594
## 203 17914 14.94 98.2 0.570
## 204 21913 52.75 97.8 0.606
## 205 11118 7.29 98.3 0.591
## 206 9272 0.93 96.1 0.613
## 207 14436 10.83 98.3 0.593
## 208 82590 37.66 97.3 0.649
## 209 45964 49.72 94.7 0.580
## 210 32703 13.26 98.3 0.659
## 211 17659 20.45 97.6 0.556
## 212 9285 14.49 99.0 0.550
## 213 158812 53.49 97.4 0.665
## 214 37626 8.82 97.2 0.547
## 215 13629 57.11 97.8 0.553
## 216 14355 54.78 96.7 0.575
## 217 24854 27.21 96.5 0.593
## 218 235816 35.09 96.7 0.677
## 219 9655 6.62 91.5 0.541
## 220 16354 12.07 97.2 0.571
## 221 5888 17.89 94.5 0.567
## 222 7379 12.51 98.4 0.602
## 223 4075 8.18 99.1 0.599
## 224 14105 15.46 97.5 0.545
## 225 21052 46.80 96.9 0.586
## 226 3845 6.16 98.7 0.632
## 227 3527 4.17 97.5 0.546
## 228 7494 19.57 97.8 0.584
## 229 8746 46.21 95.2 0.518
## 230 25739 40.04 97.0 0.596
## 231 203334 3509.27 97.2 0.754
## 232 10774 8.40 97.2 0.623
## 233 11834 13.81 98.4 0.621
## 234 43911 22.49 98.1 0.611
## 235 107909 26.74 96.4 0.716
## 236 10460 14.92 97.6 0.524
## 237 21599 17.85 96.7 0.605
## 238 41859 17.02 97.9 0.609
## 239 7256 2.85 97.1 0.604
## 240 18504 574.64 98.5 0.708
## 241 6973 11.34 96.8 0.538
## 242 8731 14.84 98.1 0.576
## 243 17674 19.49 98.0 0.572
## 244 15398 7.78 97.4 0.562
## 245 8670 15.75 97.4 0.578
## 246 13860 6.29 98.2 0.566
## 247 13919 4.45 99.3 0.599
## 248 27620 11.45 97.2 0.607
## 249 35859 81.94 96.8 0.621
## 250 24580 28.96 95.0 0.593
## 251 9267 8.43 96.1 0.561
## 252 13544 18.24 95.0 0.581
## 253 42566 70.34 98.1 0.668
## 254 10330 13.36 97.5 0.572
## 255 22194 16.92 96.7 0.625
## 256 24661 15.42 97.5 0.586
## 257 11071 26.34 98.9 0.622
## 258 15734 8.98 98.4 0.542
## 259 10187 8.69 97.3 0.527
## 260 47780 15.75 98.1 0.506
## 261 7982 3.81 97.9 0.558
## 262 33594 5.85 96.5 0.588
## 263 11143 21.10 99.7 0.618
## 264 12137 4.93 97.5 0.606
## 265 37975 21.24 94.1 0.665
## 266 13152 20.34 98.4 0.566
## 267 17299 11.59 96.5 0.590
## 268 7202 68.89 98.2 0.617
## 269 10443 2.71 97.1 0.549
## 270 28707 332.60 96.7 0.660
## 271 20037 72.64 98.7 0.601
## 272 27049 97.08 96.9 0.641
## 273 12052 30.99 94.9 0.547
## 274 18402 39.54 98.7 0.560
## 275 13715 17.05 96.9 0.545
## 276 7967 22.97 98.5 0.597
## 277 6501 31.99 97.0 0.570
## 278 7780 16.37 97.4 0.524
## 279 7538 13.33 95.1 0.567
## 280 24236 25.06 97.6 0.555
## 281 39509 30.01 97.0 0.654
## 282 11162 17.79 97.4 0.597
## 283 10660 38.28 94.6 0.554
## 284 22633 35.51 91.4 0.559
## 285 20715 6.25 97.8 0.554
## 286 7716 49.15 98.7 0.607
## 287 19243 12.46 97.7 0.560
## 288 20078 7.84 99.0 0.586
## 289 10339 14.02 96.2 0.643
## 290 20347 18.72 96.7 0.615
## 291 29252 11.14 98.9 0.590
## 292 26604 60.16 97.4 0.577
## 293 9370 14.96 96.9 0.583
## 294 112870 73.08 96.4 0.674
## 295 13243 22.19 98.0 0.587
## 296 6235 39.34 98.3 0.588
## 297 13954 15.69 94.4 0.513
## 298 20086 11.00 98.6 0.571
## 299 35357 3.05 95.8 0.506
## 300 14731 23.44 98.5 0.603
## 301 19083 38.49 98.6 0.577
## 302 10325 15.95 96.7 0.612
## 303 10974 56.73 95.4 0.533
## 304 9152 17.88 97.3 0.575
## 305 17566 17.92 97.9 0.578
## 306 8022 8.40 96.6 0.572
## 307 23135 30.08 97.1 0.560
## 308 48293 51.49 96.5 0.604
## 309 32129 102.02 96.7 0.666
## 310 17938 33.84 98.1 0.580
## 311 167955 73.48 96.9 0.676
## 312 10274 9.24 97.6 0.625
## 313 35003 20.69 96.5 0.621
## 314 15130 65.20 96.0 0.614
## 315 12621 10.44 97.0 0.542
## 316 27726 62.75 97.5 0.559
## 317 25978 12.92 98.0 0.592
## 318 25272 18.30 98.4 0.544
## 319 9461 25.82 98.6 0.578
## 320 19662 18.03 96.3 0.564
## 321 40586 8.87 96.3 0.579
## 322 13651 56.33 98.5 0.636
## 323 21642 3.62 95.0 0.578
## 324 33386 28.90 98.3 0.628
## 325 30711 9.65 96.8 0.615
## 326 13841 21.48 98.8 0.512
## 327 54010 43.13 96.6 0.601
## 328 9740 7.14 97.7 0.540
## 329 13184 11.82 97.9 0.605
## 330 13146 16.90 96.5 0.576
## 331 10497 16.00 97.2 0.594
## 332 35362 47.80 97.5 0.572
## 333 10308 4.67 96.5 0.632
## 334 28282 14.20 97.9 0.610
## 335 14987 99.54 97.9 0.617
## 336 2418005 3486.96 95.9 0.759
## 337 20952 60.38 99.0 0.583
## 338 14965 16.01 97.2 0.546
## 339 29185 19.95 96.4 0.654
## 340 4681 16.48 92.0 0.610
## 341 10300 27.16 98.3 0.574
## 342 37834 23.30 97.5 0.598
## 343 13769 16.70 92.5 0.556
## 344 38604 19.45 98.9 0.614
## 345 24755 12.97 99.7 0.608
## 346 8716 39.14 99.0 0.592
## 347 27390 4.54 97.7 0.605
## 348 10441 14.52 97.5 0.587
## 349 56012 113.27 98.2 0.646
## 350 103055 393.73 97.4 0.700
## 351 52274 145.07 97.7 0.626
## 352 32828 2.17 95.8 0.579
## 353 8426 29.06 97.7 0.640
## 354 11026 106.81 97.5 0.639
## 355 15194 8.67 97.6 0.639
## 356 20283 91.20 99.7 0.616
## 357 37732 139.90 97.9 0.674
## 358 18600 16.23 97.1 0.592
## 359 39513 134.05 97.8 0.627
## 360 5315 41.55 97.3 0.546
## 361 10187 28.11 98.5 0.552
## 362 10334 44.75 98.7 0.593
## 363 40958 76.32 97.7 0.657
## 364 17963 136.89 98.1 0.614
## 365 16008 16.86 97.2 0.527
## 366 11438 68.73 98.4 0.617
## 367 10478 20.58 97.1 0.549
## 368 46160 19.22 98.1 0.635
## 369 9360 4.72 96.7 0.615
## 370 74490 94.37 98.0 0.666
## 371 34222 14.62 97.4 0.595
## 372 38158 3.19 97.5 0.585
## 373 17066 10.72 98.8 0.608
## 374 17996 30.23 98.1 0.566
## 375 80435 137.89 97.3 0.634
## 376 13335 41.41 98.8 0.590
## 377 114441 567.87 95.9 0.675
## 378 13408 8.24 98.8 0.564
## 379 14773 21.60 97.9 0.533
## 380 25475 18.79 97.8 0.631
## 381 17058 16.62 97.1 0.592
## 382 11979 8.34 98.2 0.584
## 383 21006 16.44 98.2 0.577
## 384 17158 23.52 98.4 0.599
## 385 7717 31.65 96.0 0.597
## 386 18044 39.74 96.1 0.566
## 387 15818 22.13 95.0 0.594
## 388 145223 124.59 96.5 0.685
## 389 7110 29.07 95.8 0.594
## 390 21176 60.18 96.8 0.566
## 391 15332 52.91 90.5 0.555
## 392 10798 55.88 96.7 0.578
## 393 16296 8.11 96.6 0.528
## 394 48738 22.17 98.2 0.579
## 395 24665 8.06 97.3 0.605
## 396 18626 28.26 97.8 0.582
## 397 17610 97.24 95.8 0.611
## 398 16111 90.69 94.5 0.593
## 399 13432 24.63 97.7 0.617
## 400 13642 7.68 95.7 0.515
## 401 18131 16.09 96.8 0.560
## 402 15355 17.02 98.1 0.598
## 403 21420 41.99 95.8 0.616
## 404 16277 25.68 96.9 0.590
## 405 85655 76.21 97.1 0.623
## 406 24362 61.70 98.7 0.637
## 407 13797 29.46 97.9 0.539
## 408 8101 39.23 98.8 0.575
## 409 13377 10.91 95.9 0.555
## 410 9913 44.77 97.9 0.586
## 411 42577 143.10 99.3 0.645
## 412 6003 7.67 98.1 0.577
## 413 370868 113.97 96.8 0.678
## 414 9503 18.19 96.6 0.587
## 415 12968 4.44 96.1 0.600
## 416 24474 37.36 94.6 0.544
## 417 44757 8.81 96.9 0.585
## Mortalidade infantil Receitas Despesas PIB
## 1 21.74 19330.58 18286.42 7734.24
## 2 9.43 42471.17 42835.65 8479.67
## 3 25.16 32322.40 31257.69 9048.86
## 4 20.98 33518.91 29164.00 17815.37
## 5 7.87 40463.76 39741.16 8400.43
## 6 27.78 25842.85 24637.12 6888.23
## 7 NA 15908.17 13995.21 10611.71
## 8 11.70 357419.92 319462.75 29241.79
## 9 6.01 50627.98 53604.61 13596.94
## 10 50.85 17495.21 14754.31 10896.70
## 11 2.18 63402.11 57123.32 11139.47
## 12 28.57 64865.98 50406.70 14630.25
## 13 23.92 38585.46 35184.14 9205.04
## 14 20.75 47758.83 44111.71 9177.17
## 15 22.22 37286.41 35402.29 8934.80
## 16 11.30 41097.01 41307.79 14014.30
## 17 21.74 35076.00 32587.17 11449.80
## 18 37.74 24305.58 21757.55 6934.89
## 19 13.07 33697.62 31374.63 7344.67
## 20 21.28 26978.06 29852.76 9411.14
## 21 6.25 27262.32 25236.59 6780.89
## 22 5.92 68717.29 50045.71 7845.03
## 23 9.71 19781.94 20934.67 9413.08
## 24 12.66 34674.70 31359.75 9598.43
## 25 13.25 42985.07 39520.18 16898.14
## 26 12.10 104996.09 102013.64 8552.72
## 27 NA 23718.87 21221.16 8628.55
## 28 7.19 27011.71 27502.16 9105.00
## 29 37.04 18702.70 17462.24 8442.81
## 30 31.58 31326.74 31148.26 10682.84
## 31 NA 35529.72 32558.04 16742.34
## 32 4.90 42685.92 42958.69 8157.30
## 33 31.06 54997.46 31721.00 7794.14
## 34 17.99 113206.00 98837.38 8064.19
## 35 9.50 48777.54 47589.84 15567.62
## 36 18.52 76256.22 74493.84 16816.64
## 37 27.03 32974.08 32377.01 7435.71
## 38 NA 18310.50 15009.68 12073.75
## 39 13.75 567804.33 355393.72 39096.70
## 40 19.23 31224.34 30355.90 7086.12
## 41 17.65 41045.17 35140.97 19833.32
## 42 16.39 21268.92 19406.90 12627.63
## 43 15.82 60821.88 53345.17 14288.02
## 44 31.96 43220.36 44273.04 9077.74
## 45 28.04 53104.52 41916.13 8753.32
## 46 22.73 33495.91 32413.92 8579.30
## 47 4.27 43572.44 41674.35 7611.39
## 48 13.80 171160.46 158579.89 16300.08
## 49 16.00 25666.31 23623.96 7091.07
## 50 5.56 27482.58 28380.33 7319.83
## 51 4.08 47870.90 43286.70 13284.83
## 52 8.10 59607.66 44853.99 8414.85
## 53 15.15 33136.34 33891.04 10545.06
## 54 14.39 34703.95 34915.04 9359.87
## 55 20.41 38404.39 28605.60 10089.28
## 56 13.70 30171.78 27817.74 8518.25
## 57 7.01 194916.33 133344.09 23129.54
## 58 19.80 33821.50 32069.88 11247.14
## 59 22.58 47738.86 44772.19 6653.23
## 60 NA 29996.77 21531.21 11528.71
## 61 43.27 59279.92 43755.99 8868.51
## 62 11.11 70230.57 52722.54 13523.01
## 63 12.90 53523.41 42783.35 13531.84
## 64 13.42 44123.50 27512.85 9996.55
## 65 NA 29547.54 27892.98 6751.76
## 66 7.40 111926.17 105926.67 17938.03
## 67 12.45 46295.11 42338.84 10398.95
## 68 23.10 77292.00 75784.56 35563.67
## 69 20.94 34617.84 39499.54 7021.59
## 70 23.19 58681.00 55583.55 10381.11
## 71 17.47 1197747.86 979305.40 84446.59
## 72 15.79 69968.37 63440.84 11073.68
## 73 17.44 57159.89 51715.73 9494.26
## 74 12.48 160280.66 143198.16 18422.89
## 75 7.81 23593.68 22189.39 7850.90
## 76 16.34 51966.57 53125.75 8605.88
## 77 13.92 60662.19 54775.59 11856.39
## 78 32.26 19365.10 17317.15 7906.20
## 79 22.56 307031.39 258731.91 56275.86
## 80 17.75 29804.89 27959.04 9123.37
## 81 11.73 58734.36 55384.55 8990.91
## 82 8.58 71242.73 68139.27 8876.27
## 83 38.10 40038.98 40279.64 8535.70
## 84 29.13 26752.38 24375.47 10907.81
## 85 15.66 64297.84 61461.56 16103.09
## 86 NA 22942.28 19369.48 9275.45
## 87 14.98 60492.57 59071.92 17424.64
## 88 NA 28380.53 24684.73 10688.52
## 89 6.83 61936.43 57003.70 8922.36
## 90 24.37 136950.35 131324.86 11226.88
## 91 NA 54272.94 51417.20 11013.42
## 92 NA 15604.84 14348.64 18469.48
## 93 17.13 115313.52 107811.50 11003.76
## 94 48.19 20974.37 20615.04 7543.71
## 95 24.75 37941.24 36237.47 8621.41
## 96 7.09 30272.92 26996.52 8551.80
## 97 31.75 58419.11 56030.79 10368.12
## 98 21.90 38100.10 35647.36 8553.17
## 99 15.38 41578.92 41550.20 11012.57
## 100 25.55 64480.23 52555.20 20219.57
## 101 16.81 41522.94 43835.85 13846.63
## 102 18.63 33636.52 31631.72 10663.00
## 103 14.42 98868.19 90040.48 11354.56
## 104 8.60 74311.02 68906.97 70091.83
## 105 12.38 58788.35 63818.03 10100.11
## 106 4.72 43255.77 37540.92 9632.73
## 107 23.81 17325.38 15835.87 10813.98
## 108 4.48 53276.95 50151.73 9085.63
## 109 NA 20717.17 18587.69 7625.61
## 110 6.76 49512.77 38010.53 10867.96
## 111 NA 39769.26 42292.97 11034.00
## 112 19.00 123134.33 117411.11 74502.09
## 113 23.26 37615.44 35614.13 10961.56
## 114 13.70 17626.07 17371.63 8252.95
## 115 13.27 46794.77 45895.78 8594.33
## 116 17.86 34269.36 30426.34 9910.02
## 117 5.09 109107.28 103853.04 14863.37
## 118 16.33 71569.41 71326.79 9464.48
## 119 7.35 25390.48 25681.45 10910.72
## 120 12.43 194450.46 181456.67 34655.57
## 121 NA 32078.91 28380.47 10621.94
## 122 19.23 14266.12 12342.23 10030.55
## 123 11.90 19453.56 18127.99 8653.42
## 124 14.65 49443.20 50267.06 13395.19
## 125 21.57 93732.36 89847.01 13857.44
## 126 18.11 94071.97 87463.05 15626.75
## 127 13.35 118713.28 132809.63 12981.22
## 128 11.06 256565.06 251311.04 26244.74
## 129 4.69 39762.16 42834.29 16412.56
## 130 NA 18098.70 16991.26 9912.40
## 131 13.84 1167088.57 1099658.83 24456.13
## 132 25.75 45822.39 40895.60 7978.22
## 133 NA 16165.13 15348.09 11181.88
## 134 22.22 34148.90 22096.61 9116.47
## 135 14.15 115659.78 101995.33 147092.01
## 136 18.65 59938.82 54632.07 12367.49
## 137 NA 14795.13 15463.30 10496.01
## 138 7.09 34194.09 25798.35 10570.89
## 139 NA 34737.21 35676.61 14935.88
## 140 28.57 18787.01 19274.86 9833.34
## 141 10.79 45767.31 43219.60 9448.08
## 142 NA 19733.02 17525.50 9520.00
## 143 10.28 170867.31 160908.31 17457.14
## 144 9.09 47789.08 45373.21 11451.62
## 145 7.58 30558.02 27852.82 10072.75
## 146 11.98 60037.04 57378.96 9455.10
## 147 20.41 23959.66 23285.90 10168.41
## 148 17.47 56556.62 51103.55 9802.59
## 149 18.63 58287.55 48215.56 26108.18
## 150 6.62 33375.07 31866.21 10641.17
## 151 10.15 37451.44 36727.80 8723.53
## 152 14.29 33266.76 34373.28 7289.23
## 153 NA 14115.84 13456.44 8493.69
## 154 24.17 58668.30 52766.46 10511.27
## 155 7.94 30165.39 27721.94 43730.76
## 156 4.29 47065.93 43570.14 12766.57
## 157 22.06 33339.25 30941.80 6676.60
## 158 9.30 38870.19 57520.54 8382.86
## 159 17.33 62187.16 70199.72 14271.68
## 160 NA 17368.06 16590.97 8318.92
## 161 22.39 39684.72 39271.88 12032.34
## 162 44.44 39419.03 35923.10 13350.49
## 163 8.24 78780.18 59483.34 8560.73
## 164 25.87 397911.54 361229.62 28336.49
## 165 29.63 72615.04 66885.07 14122.79
## 166 8.13 35403.31 32919.15 6848.01
## 167 11.63 79383.69 74410.93 11009.05
## 168 11.51 136908.45 102065.50 9785.32
## 169 21.74 23727.52 21904.80 9714.14
## 170 NA 21020.04 20486.13 10070.06
## 171 NA 36667.70 25405.62 11205.52
## 172 16.35 53867.77 45365.85 22661.52
## 173 10.14 61987.67 57918.67 9561.70
## 174 7.15 143102.96 131057.76 19147.84
## 175 11.72 100994.51 68130.83 13829.33
## 176 16.51 140571.04 138731.89 13905.60
## 177 15.86 506552.92 509685.40 18885.73
## 178 19.56 58565.54 55961.75 11570.59
## 179 5.08 34414.65 33600.10 6963.24
## 180 14.85 27679.02 27850.94 9122.00
## 181 13.16 38742.70 35228.87 49145.90
## 182 NA 24195.68 22641.30 16738.94
## 183 16.67 39551.29 36564.49 9271.86
## 184 54.05 19736.50 19651.37 12302.48
## 185 9.39 42368.12 40181.39 11212.64
## 186 15.23 122420.45 114607.84 14118.32
## 187 7.63 20805.45 21156.53 11503.34
## 188 14.98 47331.72 43877.50 11888.63
## 189 21.28 10462.76 21701.66 10591.34
## 190 5.35 42552.13 40855.49 13526.39
## 191 15.27 53398.04 48629.98 11020.13
## 192 26.55 21896.15 22019.01 12138.07
## 193 9.52 42716.04 37616.20 34577.02
## 194 17.73 142006.79 135529.32 16652.77
## 195 18.63 86327.87 68897.92 11628.55
## 196 27.78 24364.67 24533.00 8238.80
## 197 NA 19155.16 18838.73 10507.11
## 198 28.99 39979.86 39072.83 15129.97
## 199 6.54 47512.00 48286.43 23726.99
## 200 14.39 27471.02 26314.06 8869.81
## 201 21.53 79009.16 82457.76 9032.98
## 202 44.33 42181.06 39476.00 10879.01
## 203 14.78 42910.54 40406.44 9796.45
## 204 3.41 59265.84 54910.96 11056.55
## 205 22.90 40761.80 25795.12 10852.91
## 206 7.19 43232.29 35057.76 113379.41
## 207 16.53 42362.33 32242.70 7554.03
## 208 10.05 178031.75 185694.46 20826.60
## 209 7.36 93501.51 84913.17 11110.30
## 210 22.27 71374.46 70575.08 21620.91
## 211 26.09 54426.76 50515.47 10518.69
## 212 20.98 31098.04 33392.02 13614.95
## 213 14.29 553383.96 389276.45 16455.41
## 214 14.23 100897.58 96361.63 10369.08
## 215 14.18 29664.57 29035.45 8777.66
## 216 10.87 32385.06 31112.48 14663.85
## 217 17.33 49293.58 46006.76 10333.87
## 218 16.89 526562.32 509953.68 20120.96
## 219 NA 52130.47 23758.68 12080.70
## 220 5.32 35176.23 32303.48 7364.64
## 221 53.57 18312.66 17531.27 11029.80
## 222 NA 20548.94 18120.68 10671.55
## 223 NA 17142.57 15662.20 13507.95
## 224 NA 30026.72 27241.77 6759.62
## 225 22.47 50855.34 47907.68 10792.72
## 226 NA 20964.88 17992.33 21420.23
## 227 NA 15929.47 14928.35 15498.16
## 228 NA 21236.71 19536.91 8494.54
## 229 NA 20565.81 18887.96 7993.46
## 230 11.27 65009.77 63486.60 10023.53
## 231 11.62 519885.48 474285.94 32002.21
## 232 29.20 27303.14 26900.79 11275.17
## 233 6.41 32694.62 25942.65 10226.61
## 234 10.64 82765.88 73982.26 11925.57
## 235 14.25 305247.01 288958.98 77935.76
## 236 30.53 44636.61 28611.10 7958.62
## 237 26.04 42453.88 40549.07 10905.81
## 238 19.93 91801.82 83840.88 8169.24
## 239 41.24 21281.88 18058.31 7545.85
## 240 11.81 158842.64 153065.00 26147.41
## 241 24.10 22889.25 18530.22 17398.55
## 242 NA 22400.92 21822.60 12658.17
## 243 4.76 41746.28 40867.03 7899.43
## 244 28.74 40655.76 41638.85 10285.72
## 245 9.62 20668.64 17439.29 8716.19
## 246 22.47 37725.63 32143.94 9699.76
## 247 NA 33958.10 30980.12 6503.67
## 248 24.31 57366.11 55365.89 26084.64
## 249 7.08 80950.22 67522.19 7964.79
## 250 13.75 55726.72 51961.41 12666.99
## 251 NA 25303.39 26573.54 8692.97
## 252 16.26 32920.25 31755.56 10891.25
## 253 22.49 177163.22 168512.90 21962.08
## 254 15.15 27220.19 26143.15 7010.31
## 255 21.05 54175.53 50250.56 17187.37
## 256 13.51 49402.90 43921.34 9506.32
## 257 7.69 26836.03 23356.54 11191.73
## 258 10.99 41295.21 40059.46 7189.43
## 259 32.26 21894.08 20476.58 8080.06
## 260 10.94 103250.35 94070.23 9133.21
## 261 19.42 20299.68 18295.33 8527.13
## 262 12.68 81818.58 74194.31 12807.76
## 263 NA 25910.86 24088.20 8420.81
## 264 15.50 38962.26 37573.77 65937.26
## 265 6.24 178837.60 153797.65 52041.33
## 266 5.52 34342.83 34090.55 10477.10
## 267 16.57 45825.50 41301.46 6787.66
## 268 42.25 18024.93 16580.03 8077.50
## 269 16.95 33407.02 31213.74 14705.54
## 270 9.77 57288.43 52964.09 9267.52
## 271 15.87 41672.24 39167.75 16237.07
## 272 10.60 46140.51 46098.50 10150.77
## 273 17.96 37879.15 34824.69 11285.57
## 274 18.29 31554.22 31378.17 10657.26
## 275 25.97 42467.50 34607.87 9841.87
## 276 NA 20869.13 19620.88 11588.00
## 277 NA 18574.52 16912.87 14187.81
## 278 18.35 20767.38 20050.22 7478.98
## 279 21.05 19324.97 17916.78 7225.00
## 280 33.13 57744.95 54185.96 9169.12
## 281 18.48 89933.57 94355.73 11842.66
## 282 12.82 37852.72 24040.75 7638.25
## 283 28.04 29782.26 25638.29 6217.43
## 284 14.18 49742.90 45912.35 7799.46
## 285 4.07 46905.85 41893.13 11664.59
## 286 NA 20974.13 17522.07 7666.66
## 287 12.15 43405.65 37110.24 14043.67
## 288 12.66 41720.60 41287.66 9529.56
## 289 19.87 22698.51 19909.48 10499.75
## 290 16.74 49298.08 50279.99 10636.57
## 291 9.41 87525.28 69332.32 7867.50
## 292 7.12 52055.32 46524.39 15045.66
## 293 6.54 23849.09 22547.15 9738.05
## 294 14.29 325776.22 292032.06 35720.75
## 295 13.51 31201.43 30292.00 8788.45
## 296 39.47 18798.84 19279.62 6629.15
## 297 15.79 35432.83 36044.65 8714.53
## 298 4.18 43894.82 41154.23 9345.97
## 299 14.90 111897.13 85967.30 8062.91
## 300 NA 35307.48 31529.91 14511.32
## 301 15.27 58461.44 53873.40 7827.61
## 302 13.89 25100.88 22693.31 9287.95
## 303 42.11 22632.07 21145.56 9348.03
## 304 32.26 24243.50 22262.34 7393.68
## 305 14.63 43348.92 45388.15 6822.08
## 306 12.82 21737.59 19818.34 7871.13
## 307 13.51 51742.30 49851.21 9904.66
## 308 15.38 92723.55 92443.01 10803.37
## 309 9.57 105971.22 94394.35 29357.10
## 310 19.46 37618.38 36066.75 8390.17
## 311 8.33 368506.51 347219.64 19675.49
## 312 18.87 23530.84 24313.24 14720.38
## 313 15.36 75966.14 72797.69 17319.23
## 314 6.71 33601.92 31674.50 7872.89
## 315 8.20 31640.87 29266.96 7907.83
## 316 15.63 59094.49 57887.52 10718.63
## 317 6.01 53166.18 50355.02 9742.79
## 318 26.58 57500.29 56522.87 7619.67
## 319 10.20 21339.65 20414.39 7684.19
## 320 18.78 52238.75 51871.15 14951.78
## 321 17.00 82739.69 81204.19 10326.17
## 322 5.71 30876.65 28621.13 9547.90
## 323 36.79 68541.31 59314.80 60969.85
## 324 7.83 60702.34 56972.89 10771.93
## 325 14.75 65513.57 61848.96 8193.40
## 326 16.95 34660.18 34724.69 12055.56
## 327 17.78 173551.93 117666.82 12187.85
## 328 28.04 24982.04 23149.93 18578.93
## 329 29.20 25827.03 23415.37 10983.64
## 330 7.69 30557.82 29599.65 7453.72
## 331 23.53 26607.98 24741.17 7965.20
## 332 17.06 78792.40 71832.16 24013.41
## 333 10.87 24432.68 22587.61 11276.26
## 334 14.56 59165.40 57077.60 9998.70
## 335 5.24 44971.28 37930.26 11754.79
## 336 14.76 6270192.75 5674145.32 20417.14
## 337 13.04 37583.39 32501.87 7870.29
## 338 NA 34667.40 32418.79 8517.85
## 339 6.62 71484.51 68729.13 15384.92
## 340 17.24 16683.53 15486.19 10786.83
## 341 9.71 22554.33 20594.32 7016.57
## 342 9.45 77592.00 64697.86 11003.97
## 343 18.63 28764.38 27676.47 8819.79
## 344 19.12 101656.45 90264.38 12643.84
## 345 16.56 54171.45 54837.52 10917.42
## 346 NA 20897.81 18969.23 7242.36
## 347 20.73 58258.19 55366.96 8935.28
## 348 27.03 25459.72 24052.01 7947.88
## 349 6.92 114539.48 107860.31 14435.27
## 350 18.94 182221.76 171353.22 21130.24
## 351 14.11 94418.14 88792.55 13948.27
## 352 20.07 166861.62 129262.23 141048.44
## 353 NA 21735.55 19438.58 9761.25
## 354 6.45 39947.68 37104.00 11098.79
## 355 4.00 64869.25 46120.59 13046.58
## 356 4.72 47299.54 48588.88 9566.89
## 357 17.76 594320.26 504606.21 296357.52
## 358 13.45 40295.64 39852.97 7272.80
## 359 23.46 64912.32 59850.33 26095.17
## 360 24.39 15903.68 16539.19 10166.93
## 361 15.63 26913.33 25494.22 9427.34
## 362 26.55 25565.10 25065.10 11884.10
## 363 15.35 116098.87 105426.28 15512.17
## 364 4.76 43518.01 38911.84 9106.96
## 365 23.26 43654.92 43129.38 13682.73
## 366 22.39 34184.24 34044.28 11661.59
## 367 18.35 25226.80 23922.68 7416.68
## 368 11.24 82574.68 78997.02 12464.77
## 369 12.20 27752.21 25725.96 8443.06
## 370 13.86 129265.48 125534.18 11999.31
## 371 12.39 76450.31 75809.27 11389.01
## 372 12.02 87580.99 86266.23 24080.45
## 373 13.89 40416.19 39061.08 10602.67
## 374 NA 33869.67 31869.84 8428.86
## 375 11.35 144189.17 147655.42 12446.33
## 376 NA 31618.88 27631.06 7946.89
## 377 17.15 349440.53 293260.80 36500.46
## 378 21.05 31410.52 34563.98 9040.41
## 379 NA 26219.16 24007.72 11313.06
## 380 18.48 72002.70 63784.70 39154.65
## 381 12.88 40234.22 37842.78 7701.77
## 382 22.22 35722.00 35255.65 15762.49
## 383 15.81 42554.93 40478.17 10801.41
## 384 NA 40900.81 41575.13 9848.69
## 385 NA 17522.96 15218.88 7342.65
## 386 13.95 48031.26 44891.12 8887.28
## 387 8.23 45398.94 38265.41 7292.23
## 388 6.28 361818.25 345935.36 15722.59
## 389 NA 23195.67 22179.94 11964.17
## 390 3.80 50290.60 46803.75 7689.09
## 391 22.47 40679.24 40219.95 13357.02
## 392 9.26 27795.97 25905.77 11456.04
## 393 NA 39534.77 38014.48 7852.20
## 394 7.05 97492.96 91397.63 9965.53
## 395 20.77 52559.47 48746.72 9371.11
## 396 10.05 43517.34 42369.37 12552.39
## 397 19.61 39677.59 42194.12 12270.51
## 398 4.90 52434.39 40963.19 7763.75
## 399 NA 30980.93 28076.47 7584.98
## 400 14.49 40813.85 38764.14 8172.13
## 401 16.88 52969.14 52684.99 14181.23
## 402 12.27 37548.74 35237.85 11711.21
## 403 23.57 44499.32 45256.48 12735.70
## 404 NA 39723.76 37798.99 9136.21
## 405 16.78 161313.09 154549.08 16217.88
## 406 15.21 53524.24 48327.18 8524.97
## 407 25.00 35390.50 29896.54 7466.61
## 408 11.36 18750.01 18332.31 10636.93
## 409 11.49 34410.66 29221.49 16480.26
## 410 10.10 21286.11 18952.78 13752.84
## 411 12.68 93296.98 85706.23 12471.31
## 412 NA 20048.81 20101.87 13704.37
## 413 10.24 637789.54 605294.53 20905.86
## 414 10.10 19836.48 17875.65 8587.78
## 415 6.10 33377.37 31038.25 12281.00
## 416 3.38 55976.00 50962.53 14012.95
## 417 11.68 103379.33 102019.40 8961.01Quantas colunas existem na base de dados:
# função ncol() para contar o número de colunas
numero_de_colunas <- ncol(dados)
# resultado, cat pode ser usado tipo o print
cat("O número de colunas na base de dados é", numero_de_colunas)## O número de colunas na base de dados é 13Renomeado os nomes das colunas para nao continuar o erro de nao reconhecer as palavras:
# Renomear as colunas para evitar caracteres especiais
colnames(dados) <- c("Municipio", "Codigo", "Gentilico", "Prefeito", "Area_Territorial", "Populacao_Residente", "Densidade_Demografica", "Escolarizacao", "IDHM", "Mortalidade_Infantil", "Receitas", "Despesas", "PIB")Renomeado linhas da coluna municipio para corrigir o erro de reconhecimento:
# Substituir os acentos na coluna Municipio
dados$Municipio <- gsub("Á", "A", dados$Municipio)
dados$Municipio <- gsub("ô", "o", dados$Municipio)
dados$Municipio <- gsub("í", "i", dados$Municipio)
dados$Municipio <- gsub("Í", "I", dados$Municipio)
dados$Município <- gsub("-", "", dados$Municipio)
dados$Municipio <- gsub("â", "a", dados$Municipio)
dados$Municipio <- gsub("ó", "o", dados$Municipio)
dados$Municipio <- gsub("ú", "u", dados$Municipio)
dados$Municipio <- gsub("ã", "a", dados$Municipio)
dados$Municipio <- gsub("á", "a", dados$Municipio)
dados$Municipio <- gsub("é", "e", dados$Municipio)
dados$Municipio <- gsub("ê", "e", dados$Municipio)
dados$Municipio <- gsub("ç", "c", dados$Municipio)Quantas linhas existem na base de dados:
# função nrow() para contar o número de linhas
qnt_de_linhas <- nrow(dados)
# o resultado
cat("O número de linhas na base de dados é", qnt_de_linhas)## O número de linhas na base de dados é 417Nomes de cada coluna:
# função names() para obter os nomes das colunas
nomes_colunas <- names(dados)
# Exibir os nomes das colunas
print(nomes_colunas)## [1] "Municipio" "Codigo" "Gentilico"
## [4] "Prefeito" "Area_Territorial" "Populacao_Residente"
## [7] "Densidade_Demografica" "Escolarizacao" "IDHM"
## [10] "Mortalidade_Infantil" "Receitas" "Despesas"
## [13] "PIB" "Município"Tipos de dados de cada coluna
# função str() para mostrar os tipos de dados
str(dados)## 'data.frame': 417 obs. of 14 variables:
## $ Municipio : chr "Abaira" "Abare" "Acajutiba" "Adustina" ...
## $ Codigo : num 2900108 2900207 2900306 2900355 2900405 ...
## $ Gentilico : chr "abairense" "abareense" "acajutibense" "adustinense" ...
## $ Prefeito : chr "EDVAL LUZ SILVA" "FERNANDO JOSE TEIXEIRA TOLENTINO" "ALEXSANDRO MENEZES DE FREITAS" "PAULO SERGIO OLIVEIRA DOS SANTOS" ...
## $ Area_Territorial : num 539 1605 181 629 743 ...
## $ Populacao_Residente : num 7301 17639 13795 14200 14497 ...
## $ Densidade_Demografica: num 13.6 11 76 22.6 19.5 ...
## $ Escolarizacao : num 97.2 96.5 98 98.1 97 98.8 98.4 97.4 96.5 95.3 ...
## $ IDHM : num 0.603 0.575 0.582 0.546 0.55 0.584 0.583 0.683 0.608 0.563 ...
## $ Mortalidade_Infantil : num 21.74 9.43 25.16 20.98 7.87 ...
## $ Receitas : num 19331 42471 32322 33519 40464 ...
## $ Despesas : num 18286 42836 31258 29164 39741 ...
## $ PIB : num 7734 8480 9049 17815 8400 ...
## $ Município : chr "Abaira" "Abaré" "Acajutiba" "Adustina" ...Resumo estatístico:
summary(dados)## Municipio Codigo Gentilico Prefeito
## Length:417 Min. :2900108 Length:417 Length:417
## Class :character 1st Qu.:2908606 Class :character Class :character
## Mode :character Median :2917607 Mode :character Mode :character
## Mean :2917151
## 3rd Qu.:2925501
## Max. :2933604
##
## Area_Territorial Populacao_Residente Densidade_Demografica Escolarizacao
## Min. : 32.2 Min. : 3434 Min. : 0.93 Min. :89.90
## 1st Qu.: 401.0 1st Qu.: 10862 1st Qu.: 12.34 1st Qu.:96.50
## Median : 765.9 Median : 16354 Median : 22.17 Median :97.40
## Mean : 1354.3 Mean : 33900 Mean : 59.42 Mean :97.15
## 3rd Qu.: 1525.1 3rd Qu.: 27390 3rd Qu.: 41.75 3rd Qu.:98.10
## Max. :15634.3 Max. :2418005 Max. :3509.27 Max. :99.70
##
## IDHM Mortalidade_Infantil Receitas Despesas
## Min. :0.4860 Min. : 2.18 Min. : 10463 Min. : 12342
## 1st Qu.:0.5660 1st Qu.:10.19 1st Qu.: 29665 1st Qu.: 26314
## Median :0.5890 Median :15.06 Median : 41721 Median : 39500
## Mean :0.5939 Mean :16.45 Mean : 85834 Mean : 77953
## 3rd Qu.:0.6140 3rd Qu.:21.00 3rd Qu.: 61988 3rd Qu.: 57123
## Max. :0.7590 Max. :54.05 Max. :6270193 Max. :5674145
## NA's :53
## PIB Município
## Min. : 6217 Length:417
## 1st Qu.: 8621 Class :character
## Median : 10637 Mode :character
## Mean : 14719
## 3rd Qu.: 13704
## Max. :296358
## Valores faltante/nulos:
# Conta valores faltantes
contagem_faltantes <- sum(is.na(dados))
# Identifica as colunas com valores faltantes
colunas_val_faltantes <- names(contagem_faltantes[contagem_faltantes > 0])
# Exibi o número de valores faltantes
cat("Número de valores faltantes na coluna:", contagem_faltantes, "\n")## Número de valores faltantes na coluna: 53Análise Descritiva de colunas
IDHM (Índice de Desenvolvimento Humano Municipal):
# Calcula a média do IDHM
media_idhm <- mean(dados$IDHM)
# Calcula a mediana do IDHM
mediana_idhm <- median(dados$IDHM)
# Impressão dos resultados
cat("Média do IDHM :", media_idhm, "\n")## Média do IDHM : 0.5939041cat("Mediana do IDHM :", mediana_idhm, "\n")## Mediana do IDHM : 0.589Coluna População residente:
# Calcula a média da População Residente
media_populacao <- mean(dados$`Populacao_Residente`)
# Calcula a mediana da População Residente
mediana_populacao <- median(dados$`Populacao_Residente`)
cat("Média da População Residente ", media_populacao, "\n")## Média da População Residente 33900.28cat("Mediana da População Residente", mediana_populacao, "\n")## Mediana da População Residente 16354#
media_despesas <- mean(dados$Despesas)
mediana_despesas <- median(dados$Despesas)
cat("Média das Despesas:", media_despesas, "\n")## Média das Despesas: 77953.24cat("Mediana das Despesas:", mediana_despesas, "\n")## Mediana das Despesas: 39499.54#teste histograma das Despesas
hist(dados$Despesas,
main = "Distribuição das Despesas", xlab = "Despesas",col = "yellow") # Cor das barras
#gráfico de densidade da escolarização
ggplot(dados, aes(x = Escolarizacao)) +
geom_density(fill = "yellow", color = "red") +
labs(x = "Escolarização") +
ggtitle("Gráfico de Densidade da Escolarização dos Municípios")
#análise usando o pacote dplyr
#Calcula a média de cada uma dessas três variáveis selecionadas
media_colunas <- dados %>%
select(Escolarizacao, `Despesas`, Receitas) %>%
summarise(Media_Esco = mean(Escolarizacao),Media_Mortalidade_Infantil = mean(`Despesas`),Media_Receitas = mean(Receitas))
print(media_colunas)## Media_Esco Media_Mortalidade_Infantil Media_Receitas
## 1 97.1506 77953.24 85833.69Filtrar e ordenar:
municípios com o maior territorios:
fiz filtraçoes de forma diferente para não ficar repedindo a mesma base de codigo.
municípios com o maior territorios:municipios_territorial <- dados %>%
slice_max(order_by = Area_Territorial, n = 3)
# Faz uma tabela para exibir os resultados
knitr::kable(municipios_territorial, caption = "Municípios com as Maiores Áreas Territoriais")| Municipio | Codigo | Gentilico | Prefeito | Area_Territorial | Populacao_Residente | Densidade_Demografica | Escolarizacao | IDHM | Mortalidade_Infantil | Receitas | Despesas | PIB | Município |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Formosa do Rio Preto | 2911105 | formosense | MANOEL AFONSO DE ARAÚJO | 15634.33 | 25899 | 1.66 | 97.3 | 0.618 | 14.15 | 115659.78 | 101995.33 | 147092.01 | Formosa do Rio Preto |
| Sao Desiderio | 2928901 | são-desideriano | JOSE CARLOS DE CARVALHO | 15156.71 | 32828 | 2.17 | 95.8 | 0.579 | 20.07 | 166861.62 | 129262.23 | 141048.44 | São Desidério |
| Sento Se | 2930204 | sento-seense | ANA LUIZA RODRIGUES DA SILVA PASSOS | 11980.17 | 38158 | 3.19 | 97.5 | 0.585 | 12.02 | 87580.99 | 86266.23 | 24080.45 | Sento Sé |
municipios com os menores territorios::
municipios_territorial_menores <- head(dados[order(dados$`Area_Territorial`), c("Municipio", "Codigo", "Area_Territorial")], 5)
# menor área territorial
print(municipios_territorial_menores)## Municipio Codigo Area_Territorial
## 240 Madre de Deus 2919926 32.201
## 231 Lauro de Freitas 2919207 57.942
## 270 Muritiba 2922300 86.311
## 122 Dom Macedo Costa 2910206 94.778
## 354 Sao Felix 2929008 103.226municipios ricos:
ricos <- dados[order(-dados$PIB), c("Municipio", "Codigo", "PIB")]
print(head(ricos, 5))## Municipio Codigo PIB
## 357 Sao Francisco do Conde 2929206 296357.52
## 135 Formosa do Rio Preto 2911105 147092.01
## 352 Sao Desiderio 2928901 141048.44
## 206 Jaborandi 2917359 113379.41
## 71 Camacari 2905701 84446.59municipios pobre:
pobres<-head(dados[order(dados$`PIB`), c("Municipio", "Codigo", "PIB")], 6)
print(pobres[, c("Municipio","Codigo", "PIB")])## Municipio Codigo PIB
## 283 Novo Triunfo 2923050 6217.43
## 247 Mansidao 2920452 6503.67
## 296 Pedrao 2924108 6629.15
## 59 Buritirama 2904753 6653.23
## 157 Ibitiara 2913002 6676.60
## 65 Caetanos 2905156 6751.76Filtras od municipios com IDHM entre 0.70 e 0.75:
df_filtro<- dados %>% filter(IDHM > 0.70, IDHM < 0.75)
print(df_filtro)## Municipio Codigo Gentilico Prefeito
## 1 Barreiras 2903201 barreirense JOÃO BARBOSA DE SOUZA SOBRINHO
## 2 Feira de Santana 2910800 feirense COLBERT MARTINS DA SILVA FILHO
## 3 Itabuna 2914802 itabunense AUGUSTO NARCISO CASTRO
## 4 Luis Eduardo Magalhaes 2919553 luiseduardense ONDUMAR FERREIRA BORGES JUNIOR
## 5 Madre de Deus 2919926 madre-deusense DAILTON RAIMUNDO DE JESUS FILHO
## Area_Territorial Populacao_Residente Densidade_Demografica Escolarizacao
## 1 8051.274 159743 19.84 97.5
## 2 1304.425 616279 472.45 97.4
## 3 401.028 186708 465.57 96.6
## 4 4036.094 107909 26.74 96.4
## 5 32.201 18504 574.64 98.5
## IDHM Mortalidade_Infantil Receitas Despesas PIB
## 1 0.721 13.75 567804.3 355393.7 39096.70
## 2 0.712 13.84 1167088.6 1099658.8 24456.13
## 3 0.712 15.86 506552.9 509685.4 18885.73
## 4 0.716 14.25 305247.0 288959.0 77935.76
## 5 0.708 11.81 158842.6 153065.0 26147.41
## Município
## 1 Barreiras
## 2 Feira de Santana
## 3 Itabuna
## 4 Luis Eduardo Magalhães
## 5 Madre de Deusmaior populção:
municipios_popul_maiores <- dados[order(-dados$Populacao_Residente), c("Municipio", "Prefeito", "Populacao_Residente")]
municipios_popul_maiores <- head(municipios_popul_maiores, 5)
print(municipios_popul_maiores)## Municipio Prefeito Populacao_Residente
## 336 Salvador BRUNO SOARES REIS 2418005
## 131 Feira de Santana COLBERT MARTINS DA SILVA FILHO 616279
## 413 Vitoria da Conquista ANA SHEILA LEMOS ANDRADE 370868
## 71 Camacari ANTONIO ELINALDO ARAUJO DA SILVA 299579
## 218 Juazeiro SUZANA ALEXANDRE DE CARVALHO RAMOS 235816municipios com menor população:
municipios_popul_menores<- head(dados[order(dados$`Populacao_Residente`), c("Municipio", "Prefeito", "Populacao_Residente")], 10)
print(municipios_popul_menores)## Municipio Prefeito Populacao_Residente
## 92 Catolandia GIOVANNI MOREIRA DOS SANTOS 3434
## 227 Lajedinho ANTONIO MARIO LIMA SILVA 3527
## 153 Ibiquera IVAN CLAUDIO DE ALMEIDA 3725
## 226 Lajedao ARISTON ALMEIDA PASSOS FILHO 3845
## 223 Lafaiete Coutinho JOSE FREITAS DE SANTANA JUNIOR 4075
## 107 Contendas do Sincora MARGARETH PINA SOUZA 4333
## 137 Gaviao LAURINDO NAZÁRIO DA SILVA 4360
## 122 Dom Macedo Costa EGNALDO PITON MOURA 4407
## 114 Cravolandia IVETE SOARES TEIXEIRA ARAUJO 4415
## 7 Aiquara DELMAR RIBEIRO 4446dados_ordenados <- dados[order(dados$Escolarizacao), ]
municipios_escolarizacao_menores <- head(dados_ordenados, 3)
print(municipios_escolarizacao_menores)## Municipio Codigo Gentilico Prefeito
## 60 Caatiba 2904803 caatibense MARIA TANIA RIBEIRO SOUSA
## 391 Teolandia 2931608 teolandense MARIA BAITINGA DE SANTANA
## 284 Olindina 2923100 olindinense LUIZ ALBERTO ARAUJO DANTAS FILHO
## Area_Territorial Populacao_Residente Densidade_Demografica Escolarizacao
## 60 512.436 6205 12.11 89.9
## 391 289.782 15332 52.91 90.5
## 284 637.317 22633 35.51 91.4
## IDHM Mortalidade_Infantil Receitas Despesas PIB Município
## 60 0.561 NA 29996.77 21531.21 11528.71 Caatiba
## 391 0.555 22.47 40679.24 40219.95 13357.02 Teolândia
## 284 0.559 14.18 49742.90 45912.35 7799.46 OlindinaSubtraindo Receiats e Despesas:
#dados$LUCRO <- dados$receitas - dados$despesas
#dados_muni_lucro<- dados[c("Municipio", "LUCRO")]# Selecionando as colunas Municipio e lucro ---deu erro
#print(dados_selecionados)
#Error in `$<-.data.frame`(`*tmp*`, LUCRO, value = integer(0)) :
# replacement has 0 rows, data has 417Filtrar os municipios com o mesmo IDHM:
# Filtrar os registros em que a coluna "HDMI" contém números iguais
dados_filtrados <- dados %>%
filter(IDHM == 0.627 )
# Visualizar o resultado
print(dados_filtrados)## Municipio Codigo Gentilico Prefeito
## 1 Cairu 2905404 cairuense HILDECIO ANTONIO MEIRELES FILHO
## 2 Itamaraju 2915601 itamarajuense MARCELO ANGENICA
## 3 Sao Goncalo dos Campos 2929305 são-gonçalense TARCÍSIO TÔRRES PEDREIRA
## Area_Territorial Populacao_Residente Densidade_Demografica Escolarizacao
## 1 448.846 17761 39.57 98.8
## 2 2360.584 59603 25.25 95.7
## 3 294.768 39513 134.05 97.8
## IDHM Mortalidade_Infantil Receitas Despesas PIB
## 1 0.627 23.10 77292.00 75784.56 35563.67
## 2 0.627 15.23 122420.45 114607.84 14118.32
## 3 0.627 23.46 64912.32 59850.33 26095.17
## Município
## 1 Cairu
## 2 Itamaraju
## 3 São Gonçalo dos Camposmaior taxa de escolarização dos municipio:
# Ordena os dados pela taxa de escolarização em ordem decrescente
dados_ordem <- dados[order(-dados$Escolarizacao), ]
# Selecione os primeiros municípios
maiores_escolarizacoes <- head(dados_ordem, 5)#valor que foi pedido
print(maiores_escolarizacoes[, c("Municipio", "Escolarizacao")])# imprime os municípios com as maiores taxas de escolarização## Municipio Escolarizacao
## 263 Mortugaba 99.7
## 345 Santana 99.7
## 356 Sao Felipe 99.7
## 123 Elisio Medrado 99.6
## 122 Dom Macedo Costa 99.3Menores muncipio territorial e pib:
municipios_territorial_menores_pib <- head(dados[order(dados$`Area_Territorial`), c("Municipio", "PIB", "Area_Territorial")], 3)
print(municipios_territorial_menores_pib)## Municipio PIB Area_Territorial
## 240 Madre de Deus 26147.41 32.201
## 231 Lauro de Freitas 32002.21 57.942
## 270 Muritiba 9267.52 86.311Filtrar os municipios com o mesma taxa de escolarização:
# Filtrar os registros em que a coluna "HDMI" contém números iguais
dados_filtrados <- dados %>%
filter(Escolarizacao == 95.7 )
# Visualizar o resultado
print(dados_filtrados)## Municipio Codigo Gentilico Prefeito
## 1 Barra do Rocha 2903102 barra-rochense JOSÉ LUIZ FRANCO RAMOS COSTA
## 2 Bom Jesus da Lapa 2903904 lapense FABIO NUNES DIAS
## 3 Itamaraju 2915601 itamarajuense MARCELO ANGENICA
## 4 Umburanas 2932457 umburanense ROBERTO BRUNO SILVA
## Area_Territorial Populacao_Residente Densidade_Demografica Escolarizacao
## 1 214.411 5774 26.93 95.7
## 2 4115.510 65550 15.93 95.7
## 3 2360.584 59603 25.25 95.7
## 4 1775.633 13642 7.68 95.7
## IDHM Mortalidade_Infantil Receitas Despesas PIB Município
## 1 0.577 NA 18310.50 15009.68 12073.75 Barra do Rocha
## 2 0.633 13.80 171160.46 158579.89 16300.08 Bom Jesus da Lapa
## 3 0.627 15.23 122420.45 114607.84 14118.32 Itamaraju
## 4 0.515 14.49 40813.85 38764.14 8172.13 Umburanasmunicípios com o menor taxa de mortalidade infantil:
municipios_Mortalidades_menores <- head(dados[order(dados$`Mortalidade_Infantil`), c("Municipio", "Codigo", "Mortalidade_Infantil")], 5)
# imprime
print(municipios_Mortalidades_menores)## Municipio Codigo Mortalidade_Infantil
## 11 Amargosa 2901007 2.18
## 416 Wenceslau Guimaraes 2933505 3.38
## 204 Itubera 2917300 3.41
## 390 Teofilandia 2931509 3.80
## 355 Sao Felix do Coribe 2929057 4.00municípios com o maior taxa de mortalidade infantil:
municipios_Mortalidades_maiores <- head(dados[order(-dados$`Mortalidade_Infantil`), c("Municipio", "Codigo", "Mortalidade_Infantil")], 5)
print(municipios_Mortalidades_maiores)## Municipio Codigo Mortalidade_Infantil
## 184 Itaju do Colonia 2915403 54.05
## 221 Jussari 2918555 53.57
## 10 Almadina 2900900 50.85
## 94 Caturama 2907558 48.19
## 162 Igrapiuna 2913457 44.44Descobrindo o valor total de toda area dos municípios do estado:
#função sum() para somar os valores da coluna "Área Territorial"
soma_area_territorial <- sum(dados$`Area_Territorial`)
# Exibe o resultado
cat("A soma da Área Territorial de todos os municípios é:", soma_area_territorial, "km²")## A soma da Área Territorial de todos os municípios é: 564760.4 km²Descobrindo o valor do pib do estado da Bahia com valores de 2020:
# função sum() para somar os valores da coluna "PIB"
soma_pib <- sum(dados$PIB)
cat("A soma do PIB de todos os municípios é R$", soma_pib)## A soma do PIB de todos os municípios é R$ 6137692O valor total da receitas de todos os municípios :
# somar os valores da coluna "Receitas"
soma_receitas <- sum(dados$Receitas)
cat("A soma de todas as receitas de todos os municípios é R$", soma_receitas)## A soma de todas as receitas de todos os municípios é R$ 35792650Dez municipios com maior ensidade demográfica:
densidade_demo <- dados %>%
select(Municipio, `Densidade_Demografica`) %>%# Seleciona as colunas pedidas
arrange(desc(`Densidade_Demografica`))# Ordena em ordem decrescente de densidade demográfica
maior_municipios_demo <- head(densidade_demo, 10)# número de municípios a serem exibidos
print(maior_municipios_demo)#imprime o que foi pedido## Municipio Densidade_Demografica
## 1 Lauro de Freitas 3509.27
## 2 Salvador 3486.96
## 3 Madre de Deus 574.64
## 4 Simões Filho 567.87
## 5 Feira de Santana 472.45
## 6 Itabuna 465.57
## 7 Cruz das Almas 433.78
## 8 Santo Antonio de Jesus 393.73
## 9 Dias d'Avila 389.01
## 10 Camacari 381.42IDHM dos maiores municípios da Bahia:
# Encontra os municípios com o maior IDHM
municipios_maior_idhm <- dados %>%
arrange(desc(IDHM)) %>%
select(Municipio, IDHM) %>%
head(5)
# Visualizar os 5 municípios com o maior IDHM
print("Municípios com o maior IDHM:")## [1] "Municípios com o maior IDHM:"print(municipios_maior_idhm)## Municipio IDHM
## 1 Salvador 0.759
## 2 Lauro de Freitas 0.754
## 3 Barreiras 0.721
## 4 Luis Eduardo Magalhaes 0.716
## 5 Feira de Santana 0.712IDHM dos menores municípios da Bahia:
# Encontra os municípios com o menor IDHM
municipios_menor_idhm <- dados %>%
arrange(IDHM) %>%
select(Municipio, IDHM) %>%
head(5)
# Visualiza os 5 municípios com o menor IDHM
print("Municípios com o menor IDHM:")## [1] "Municípios com o menor IDHM:"print(municipios_menor_idhm)## Municipio IDHM
## 1 Itapicuru 0.486
## 2 Monte Santo 0.506
## 3 Pilao Arcado 0.506
## 4 Ibiquera 0.511
## 5 Ribeira do Amparo 0.512Média de escolarização da Bahia:
# Calcula a média dq escolarização do total de municípios
media_escolarizacao <- mean(dados$Escolarizacao)
# imprime a média de escolarização
print(paste("Média de Escolarização de todos os municípios:", media_escolarizacao))## [1] "Média de Escolarização de todos os municípios: 97.1505995203837"Análise com gráficos
# Seleciona e ordena os dados
densidade_demo <- dados %>%
select(Municipio, `Densidade_Demografica`) %>%
arrange(desc(`Densidade_Demografica`))
maior_municipios_demo <- head(densidade_demo, 5)
print(maior_municipios_demo)## Municipio Densidade_Demografica
## 1 Lauro de Freitas 3509.27
## 2 Salvador 3486.96
## 3 Madre de Deus 574.64
## 4 Simões Filho 567.87
## 5 Feira de Santana 472.45ggplot(maior_municipios_demo, aes(x = reorder(Municipio, `Densidade_Demografica`), y = `Densidade_Demografica`)) +
geom_bar(stat = "identity", fill = "gray") +
coord_flip() +
labs(title = " Maiores municipios Densidade Demografica", x = "Municipio", y = "Densidade_Demografica")
maior_municipios_demo <- head(densidade_demo, 5)
# Carregar a biblioteca ggplot2
library(ggplot2)
# Criar um gráfico de pontos (scatter plot)
ggplot(maior_municipios_demo, aes(x = Municipio, y = Densidade_Demografica)) +
geom_point(size = 3, color = "blue") +
labs(title = "Top 5 Municípios com Maior Densidade Demográfica", x = "Município", y = "Densidade Demográfica") +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Gráfico para total de receitas e despesas:
# Calculo a soma das colunas
soma_receitas <- sum(dados$Receitas)
soma_despesas <- sum(dados$Despesas)
# Criação de um dataframe para soma total de cada coluna
df_somas <- data.frame(Categoria = c("Receitas", "Despesas"),Valor = c(soma_receitas, soma_despesas))
grafico_barras <- ggplot(df_somas, aes(x = Categoria, y = Valor, fill = Categoria)) +
geom_bar(stat = "identity") +
labs(title = "Receitas e Despesas do estado Bahia ", x = "Categoria",y = "Valor") +
scale_fill_manual(values = c("Receitas" = "blue", "Despesas" = "red"))
print(grafico_barras)
dados_ordenados <- dados %>%#ordem decrescente
arrange(desc(Populacao_Residente))
# Seleciona com a maior população residente
municipios_maiores <- dados_ordenados %>% head(4)# numero pedido
ggplot(municipios_maiores, aes(x = reorder(Municipio, -Populacao_Residente), y = Populacao_Residente)) +
geom_col(fill = "gray") +
labs(title = " Municípios com Maior População Residente", x = "Município", y = "População Residente")
# Criar o gráfico de dispersão
ggplot(dados, aes(x = Receitas, y = Despesas)) +
geom_point() + # Adicionar os pontos
labs(x = "Receita ($)",y = "Despesa ($)",title = "Gráfico de Dispersão",subtitle = "Receita vs Despesa")
Gráfico de barras da População Residente por Município:
# Ordena em ordem decrescente
dados_6 <- dados[order(-dados$`Despesas`), ]
# Seleciona
municipios_maiores <- head(dados_6, 6)#foram pedido 6
ggplot(municipios_maiores, aes(x = Municipio, y = `Despesas`)) +
geom_bar(stat = "identity", fill = "gray") +
labs(title = " Maiores Município que gastam", x = "Município", y = "Despesas") #eixos
# Ordena pelo número de população residente em ordem crescente
dados <- dados[order(dados$`Populacao_Residente`), ]
# Seleciona os menores população residente
municipios_menores <- head(dados, 6)#foram pedidos para exiber 6
ggplot(municipios_menores, aes(x = Municipio, y = `Populacao_Residente`)) +
geom_bar(stat = "identity", fill = "green") +
labs(title = " Menores Populações Residentes por Município", x = "Município", y = "População Residente")
Gráfico de dispersão para Escolarização e Mortalidade Infantil :
# gráfico de dispersão para visualizar a correlação entre Escolarização e Mortalidade Infantil
ggplot(dados, aes(x = Escolarizacao, y = `Mortalidade_Infantil`)) +
geom_point(color = "red") +
labs(title = "Correlação entre Escolarização e Mortalidade Infantil", x = "Escolarização", y = "Mortalidade Infantil")## Warning: Removed 53 rows containing missing values (`geom_point()`).
com base nos maiores municípios com taxa de mortalidadre , fazer uma comparação do PIB:
municipios_maior_mortalidade <- dados %>%
arrange(desc(Mortalidade_Infantil)) %>%
head(5)
# Filtra os dados dos municípios selecionados
dados_maior_mortalidade <- dados %>%
filter(Municipio %in% municipios_maior_mortalidade$Municipio)
ggplot(dados_maior_mortalidade, aes(x = Municipio, y = PIB, fill = Municipio)) +
geom_bar(stat = "identity") +
labs(title = "Comparação do PIBper capita entre municípios com maior mortalidade infantil",
x = "Município", y = "PIB per capita") +
scale_fill_manual(values = c("gray", "red", "green", "blue", "orange")) +#cores escolhidas
theme(legend.title = element_blank()) +
guides(fill = guide_legend(title = "Município"))
com base nos manores municipios que é Lafaiete Coutinho e Contendasdo Sincorá, fazer uma comparação do PIB:
#seleção das linhas da coluna municipio
municipios_linha <- dados[dados$Municipio %in% c("Lafaiete Coutinho", "Contendas do Sincora"), ]
ggplot(municipios_linha, aes(x = Municipio, y = PIB, fill = Municipio)) +
geom_bar(stat = "identity") +
labs(title = "Comparação do PIB de Lafaiete Coutinho e Contendas do Sincorá", x = "Município", y = "PIB") +
scale_fill_manual(values = c("Lafaiete Coutinho" = "blue", "Contendas do Sincora" = "green")) +
theme_minimal()
diferença nas despesas dos muncipios Itaju do Colônia(maior taxa de mortalidade) e Amargosa(menor taxa de mortalidade):
#selecionando os nomes do municipios
municipios_linha<- dados[dados$Municipio %in% c("Itaju do Colonia", "Amargosa"), ]
# gráfico para comparar as Despesas
ggplot(municipios_linha, aes(x = Municipio, y = Despesas, fill = Municipio)) +
geom_bar(stat = "identity")
labs(title = "Comparacao do Despesas de Itaju do Colonia e Amargosa", x = "Municipio", y = "Despesas") +
scale_fill_manual(values = c("Itaju do Colonia" = "blue", "Amargosa" = "green")) +
theme_minimal()## NULLComparação entre Lauro de Freitas e Salvador as duas maiores densidades demograficas:
# linhas "Salvador" e "Feira de Santana"
dados_munic <- dados[dados$Municipio %in% c("Salvador", "Feira de Santana"), ]
# gráfico de pizza
ggplot(dados_munic, aes(x = "", y = PIB, fill = Municipio)) +
geom_bar(stat = "identity", width = 1) +
coord_polar(theta = "y") +
labs(title = "Comparacao do PIB em Salvador e Feira de Santana", fill = "Municipio") +
theme_void()
Diferença da IDHM dos municpios com maior escolarização e menor escolização:
dados_munic_IDHM <- dados[dados$Municipio %in% c("Madre de Deus", "Sao Francisco do Conde"), ]
ggplot(dados_munic_IDHM, aes(x = Municipio, y = IDHM, fill = Municipio)) +
geom_bar(stat = "identity") +
labs(title = "Comparação do IDHM entre Madre de Deus e Sao Francisco do Conde", x = "Municipio", y = "IDHM") +
scale_fill_manual(values = c("Madre de Deus" = "purple", "Sao Francisco do Conde" = "green")) +
theme(legend.title = element_blank())
Disperção entre IDHM e escolarização:
#gráfico de dispersão
ggplot(dados, aes(x = Escolarizacao, y = `IDHM`)) +
geom_point(color = "orange") +
labs(title = "Correlação entre Escolarização e IDHM", x = "Escolarização", y = "IDHM")
# Filtrar linha dos municípios que eu quero
valoreslinhas_ <- dados[dados$Municipio %in% c("Salvador", "Feira de Santana"), ]
# Calcular as porcentagens
valoreslinhas_Por_PIB <- valoreslinhas_$PIB / sum(valoreslinhas_$PIB) * 100
# Definir as cores desejadas
cores <- c("#FF6934", "#33FFA5")
plot_ly(valoreslinhas_, labels = ~Municipio, values = ~valoreslinhas_Por_PIB, type = "pie") %>%
layout(title = "Comparação do PIB em Salvador e Feira de Santana",#titulo
showlegend = TRUE) %>% add_trace(marker = list(colors = cores))comparação de escolaridade do muncipio Madre de Deus(mais pobre) e Sao Francisco do Conde (menos pobre):
#escolher os municipios especificos
dados_munic_esc <- dados[dados$Municipio %in% c("Madre de Deus", "Sao Francisco do Conde"), ]
ggplot(dados_munic_esc, aes(x = Municipio, y = Escolarizacao, fill = Municipio)) +
geom_bar(stat = "identity") +
labs(title = "Comparação da escolarização entre Madre de Deus e Sao Francisco do Conde", x = "Municipio", y ="Escolarizacao")+
scale_fill_manual(values = c("Madre de Deus" = "pink", "Sao Francisco do Conde" = "green")) +
theme(legend.title = element_blank()) +
facet_wrap(~Municipio)
Conclusão
A análise dos dados do IBGE relativo ao estado da Bahia revelou informações valiosas sobre o seu perfil socioeconômico. No entanto, é importante destacar que alguns dados estavam faltantes,houve problemas com a acentuação dos caracteres e tambem com a base dedados ser pequena nao obtive tantos resultos significativos, o que pode ter impactado a precisão da análise. Esses desafios ressaltam a necessidade de melhorar a qualidade e a consistência dos dados disponíveis para análises futuras.
Mesmo com os problemas , destacamos municípios que se sobressaem em diversos aspectos socioeconômicos:
Município com Maior PIB: O município de Sao Francisco do Conde se destacou como o líder em no PIB na Bahia, refletindo sua importância para o estado.
Município com Maior Taxa de Mortalidade Infantil: Foi observado que determinados municípios (Itaju do Colonia, Jussari, Almadina ) apresentam taxas de mortalidade mais elevadas em comparação com outros. Isso pode sugerir a necessidade de políticas de saúde.
Município com menor IDHM: Itapicuru, Pilao Arcado, Monte Santo, Ibiquera. Com isso, pode ajudar a direcionar esforços para melhorar a qualidade de vida.
Município com maior IDHM: Salvador é o maior com Índice de Desenvolvimento Humano Municipal.Isso é um indicador importante para usar de exemplo para poder ajudar a direcionar esforços para melhorar a qualidade de vida em áreas com desempenho inferior, como por exemplo o Itapicuru que é um dos menores com o índice.
Taxa de escolarização : Mortugaba, Santana, São Felipe. São os 3 municipios com os maiores resultados com o valor de 99.7 cada um. Esses locais podem servir como exemplos de boas práticas educacionais.
Referencias
foi ultilizado de referencia uma analise em python que já fiz para esse relatorio:https://colab.research.google.com/drive/1JWnQ-Y5V4uPU9AZh3RQMAp3f2ESwci5P?usp=sharing
https://lhmet.github.io/adar-ebook/manipula%C3%A7%C3%A3o-de-dados.html https://livro.curso-r.com/7-2-dplyr.html https://livro.curso-r.com/8-1-o-pacote-ggplot2.html https://vanderleidebastiani.github.io/tutoriais/Introducao_ao_R.html#introdu%C3%A7%C3%A3o https://www.rdocumentation.org/ http://darwin.di.uminho.pt/cursoAnaliseDados/sessao3-apontamentos.pdf https://blog.somostera.com/data-science/visualizacao-de-dados https://awari.com.br/r-para-data-science-2/?utm_source=blog&utm_campaign=projeto+blog&utm_medium=R%20para%20Data%20Science:%20Guia%20completo%20para%20an%C3%A1lise%20de%20dados https://acervolima.com/as-10-principais-bibliotecas-r-para-ciencia-de-dados-em-2020/ https://medium.com/rladiesbh/rmarkdown-o-m%C3%ADnimo-que-voc%C3%AA-precisa-saber-1cb1bb57769d https://didatica.tech/curso-de-r-online-para-iniciantes/ https://www.lampada.uerj.br/arquivosdb/_book2/estruturasbasicas.html https://stackoverflow.com/questions/6081439/changing-column-names-of-a-data-frame https://cursos.alura.com.br/forum/topico-como-calcular-moda-mediana-e-media-aritmetica-no-r-77657 https://pt.stackoverflow.com/questions/362271/conflitos-ao-carregar-o-pacote-dplyr-no-r https://pt.stackoverflow.com/questions/431605/r-como-substituir-ponto-por-espa%C3%A7o-no-nome-das-colunas-de-um-data https://www.youtube.com/watch?time_continue=1&v=seyAzoeK4CQ&embeds_referring_euri=https%3A%2F%2Fwww.google.com%2Fsearch%3Fq%3Dr%2Bfor%2Bdata%2Banalysis%26sourceid%3Dchrome%26ie%3DUTF-8&source_ve_path=MjM4NTE&feature=emb_title http://sillasgonzaga.com/material/cdr/rmarkdown https://mundoeducacao.uol.com.br/geografia/tipos-graficos.htm