O objetivo deste tutorial é extrair os dados amostrais da PNADC de emprego e renda com auxílio do pacote PNADcIBGE.
Material sobre o pacote: https://rpubs.com/gabriel-assuncao-ibge/pnadc
O pacote PNADcIBGE foi desenvolvido com o propósito de simplificar o processo de download, importação e análise dos dados amostrais provenientes da Pesquisa Nacional por Amostra de Domicílios Contínua, conduzida pelo Instituto Brasileiro de Geografia e Estatística (IBGE).
A PNAD Contínua abrange três tipos distintos de microdados:
Trimestral: Este conjunto de dados compreende as informações essenciais coletadas durante a pesquisa, que incluem variáveis conjunturais relacionadas ao mercado de trabalho em um trimestre civil específico.
Anual acumulados em determinada visita: Nesse conjunto, são contemplados temas e tópicos suplementares investigados ao longo do ano, durante visitas específicas.
Anual concentrados em determinado trimestre: Aqui, são abordados temas e tópicos suplementares que foram pesquisados em trimestres específicos do ano.
Adicionalmente, a partir de 2021, foram incorporados módulos aplicados exclusivamente a um morador selecionado na PNAD Contínua, abordando temas e tópicos suplementares específicos.
Para obter informações detalhadas sobre a pesquisa e os tópicos investigados, recomenda-se consultar o site oficial do IBGE.
O uso deste pacote possibilita a utilização do pacote “survey” para realizar análises que levem em consideração o efeito do esquema de seleção empregado no plano amostral complexo da pesquisa. Isso permite calcular de forma precisa as medidas de erro das estimativas, levando em consideração o estimador de pós-estratificação adotado na pesquisa.
A função get_pnadc desempenha um papel fundamental ao facilitar o processo de obtenção, leitura, rotulagem, incorporação das variáveis para fins de deflacionamento e criação do objeto do plano amostral da pesquisa. Esta função é versátil e pode ser aplicada tanto aos microdados trimestrais como aos microdados anuais (seja aqueles acumulados em visitas específicas ou concentrados em trimestres determinados).
# carrega as bibliotecas
library(PNADcIBGE)
library(survey)## Carregando pacotes exigidos: grid## Carregando pacotes exigidos: Matrix## Carregando pacotes exigidos: survival##
## Attaching package: 'survey'## The following object is masked from 'package:graphics':
##
## dotchartlibrary(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# definição de variáveis
variaveis_selecionadas <- c("UF","VD4002","V4013","VD4020","VD3005","V4012","V2007","V2010","V2009")
# importando os dados
dadosPNADc <- get_pnadc(year=2023, quarter=2, vars = variaveis_selecionadas)
# Utilizar opção para ajuste de UPAs com único setor
options(survey.lonely.psu = "adjust")
# Opção de vizualização
options(scipen = 999)
# modifica e cria variáveis
dadosPNADc$variables <- dadosPNADc$variables %>%
mutate(one = 1,
desocupada = 1 * (VD4002 == "Pessoas desocupadas"),
ocupada = 1 * (VD4002 == "Pessoas ocupadas"),
atividades = case_when( (V4013>=01101 & V4013<=03002) ~"A - Agropecuária",
(V4013>=05000 & V4013<=09000) ~"B - Ind. extrativas",
(V4013>=10010 & V4013<=33002) ~"C - Ind. transformação",
(V4013>=35010 & V4013<=39000) ~"D - SIUP",
(V4013>=41000 & V4013<=43000) ~"E - Construção",
(V4013>=45010 & V4013<=48100) ~"F - Comércio",
(V4013>=49010 & V4013<=53002) ~"G - Transporte",
(V4013>=58000 & V4013<=63000) ~"H - Serv. de informação",
(V4013>=64000 & V4013<=66002) ~"I - Serv. financeiros",
(V4013==68000) ~"J - Serv. imobiliários",
(V4013>=55000 & V4013<=56020) | (V4013>=69000 & V4013<=82009) | (V4013>=90000 & V4013<=99000) ~"K - Outros serviços",
(V4013>=85011 & V4013<=88000) & (V4012!=2 & V4012!=4)~"K - Outros serviços",
(V4013>=85011 & V4013<=88000) & (V4012==2 | V4012==4)~"L - Administração pública",
(V4013>=84011 & V4013<=84020) ~"L - Administração pública",
(V4013>=00000) ~"M - Mal definidas"),
rend = as.numeric(VD4020),
anosest = as.numeric(VD3005),
faixa_anosest = case_when(VD3005 < 1 ~ "0SemInstrucao",
VD3005 >= 1 & VD3005 < 5 ~ "de1a4anos",
VD3005 >= 5 & VD3005 < 9 ~ "de5a8anos",
VD3005 >= 9 & VD3005 < 12~ "de9a11anos",
VD3005 >=12 ~ "de12a+anos") ,
faixa_anosest2 = case_when(VD3005 >= 0 & VD3005 < 12~ "de0a11anos",
VD3005 >=12 ~ "de12a+anos") ,
d.contapropria = 1 *(V4012==6),
d.homem = 1 * (V2007 == "Homem"),
d.mulher = 1 * (V2007 == "Mulher"),
d.raca = case_when(V2010 == "Preta" | V2010 == "Amarela" | V2010 == "Parda" | V2010 == "Indígena" | V2010 == "Ignorado" ~ "Não brancos",
V2010 == "Branca" ~ "Brancos"),
idade = as.numeric(V2009),
faixa_idade = case_when((V2009>=14 & V2009<= 29) ~"0De14a29anos",
(V2009>=30 & V2009<= 44) ~"de30a44anos",
(V2009>=45 & V2009<= 59) ~"de45a59anos",
(V2009>=60 ) ~"de60a+anos"),
estratos_geogr = case_when((Estrato=="3110213"|Estrato=="3110113" |Estrato=="3110112" |Estrato=="3110212" |Estrato=="3110111" |Estrato=="3110211") ~"01-Belo Horizonte",
(Estrato=="3120011"|Estrato=="3120013" |Estrato=="3120020" |Estrato=="3120012") ~"02-Entorno metropolitono de BH",
(Estrato=="3130011"|Estrato== "3130012"|Estrato== "3130020") ~"03-Colar metropolitano de BH",
(Estrato=="3140010"|Estrato== "3140020") ~"04-RIDE de Brasília em Minas",
(Estrato=="3151011"|Estrato== "3151012" |Estrato=="3151013" |Estrato=="3151021"|Estrato=="3151022" |Estrato=="3151023") ~"05-Sul de Minas",
(Estrato=="3152011"|Estrato== "3152012" |Estrato=="3152013" |Estrato=="3152021"|Estrato=="3152022") ~"06-Triângulo Mineiro",
(Estrato=="3153011"|Estrato== "3153012" |Estrato=="3153013" |Estrato=="3153021"|Estrato=="3153022" |Estrato=="3153023") ~"07-Mata de Minas Gerais",
(Estrato=="3154011"|Estrato== "3154012" |Estrato=="3154013" |Estrato=="3154021"|Estrato=="3154022" |Estrato=="3154023") ~"08-Norte de Minas",
(Estrato=="3155011"|Estrato== "3155012" |Estrato=="3155013" |Estrato=="3155021"|Estrato== "3155022"|Estrato== "3155023") ~"09-Vale do Rio Doce",
(Estrato=="3156011"|Estrato== "3156012" |Estrato=="3156013" |Estrato=="3156021"|Estrato== "3156022") ~"10-Central")
)# Estimativas para Minas Gerais # https://sidra.ibge.gov.br/pesquisa/pnadct/tabelas
# Total de ocupados
t.ocup <- coef(svytotal(~ ocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))
t.ocup## ocupada
## 10640289t.ocup_cv <- round(cv(svytotal(~ ocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))*100,1)
t.ocup_cv## ocupada
## 0.9# Total de ocupapos por atividades
t.ocup.ativ <- coef(svyby(~ ocupada,by = ~atividades, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.ativ ## A - Agropecuária B - Ind. extrativas C - Ind. transformação
## 884585.17 3468278.54 431833.37
## D - SIUP E - Construção F - Comércio
## 63109.86 818718.63 1887206.56
## G - Transporte K - Outros serviços M - Mal definidas
## 451805.03 1216163.22 1418588.63t.ocup.ativ_cv <- round(cv(svyby(~ ocupada,by = ~atividades, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.ativ_cv## A - Agropecuária B - Ind. extrativas C - Ind. transformação
## 6.2 2.1 6.5
## D - SIUP E - Construção F - Comércio
## 15.9 4.1 2.7
## G - Transporte K - Outros serviços M - Mal definidas
## 5.7 2.8 4.5# Total e proporção de ocupapos por sexo
t.ocup.sexo <- coef(svyby(~ ocupada,by = ~V2007, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.sexo ## Homem Mulher
## 6121746 4518543t.ocup.sexo_cv <- round(cv(svyby(~ ocupada,by = ~V2007, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.sexo_cv## Homem Mulher
## 0.9 1.4p.ocup.sexo <- coef(svymean( ~V2007, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))
p.ocup.sexo ## V2007Homem V2007Mulher
## 0.4944152 0.5055848p.ocup.sexo_cv <- round(cv(svymean( ~V2007, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))*100,1)
p.ocup.sexo_cv## V2007Homem V2007Mulher
## 0.5 0.5# Total e proporção de ocupapos por idade
t.ocup.idade <- coef(svyby(~ ocupada,by = ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.idade ## 0De14a29anos de30a44anos de45a59anos de60a+anos
## 2932189 4076461 2793580 838059t.ocup.idade_cv <- round(cv(svyby(~ ocupada,by = ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.idade_cv## 0De14a29anos de30a44anos de45a59anos de60a+anos
## 2.2 1.6 1.9 3.4p.ocup.idade <- coef(svymean( ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))
p.ocup.idade ## faixa_idade0De14a29anos faixa_idadede30a44anos faixa_idadede45a59anos
## 0.2846265 0.2879042 0.2290037
## faixa_idadede60a+anos
## 0.1984656p.ocup.idade_cv <- round(cv(svymean( ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))*100,1)
p.ocup.idade_cv## faixa_idade0De14a29anos faixa_idadede30a44anos faixa_idadede45a59anos
## 1.5 1.4 1.4
## faixa_idadede60a+anos
## 2.0# Total de ocupapos por idade e sexo
t.ocup.idade.sexo <- coef(svyby(~ ocupada,by = ~faixa_idade+V2007, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.idade.sexo ## 0De14a29anos.Homem de30a44anos.Homem de45a59anos.Homem de60a+anos.Homem
## 1710554.6 2251233.8 1615100.7 544856.8
## 0De14a29anos.Mulher de30a44anos.Mulher de45a59anos.Mulher de60a+anos.Mulher
## 1221634.4 1825227.4 1178479.2 293202.2t.ocup.idade.sexo_cv <- round(cv(svyby(~ ocupada,by = ~faixa_idade+V2007, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.idade.sexo_cv## 0De14a29anos.Homem de30a44anos.Homem de45a59anos.Homem de60a+anos.Homem
## 2.4 1.8 2.3 3.7
## 0De14a29anos.Mulher de30a44anos.Mulher de45a59anos.Mulher de60a+anos.Mulher
## 3.0 2.5 2.5 5.4# Total e proporção de ocupapos por raça ou cor
t.ocup.racacor <- coef(svyby(~ ocupada,by = ~V2010, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.racacor ## Branca Preta Amarela Parda Indígena Ignorado
## 4278877.022 1352815.713 32229.124 4958416.237 16874.360 1076.567t.ocup.racacor_cv <- round(cv(svyby(~ ocupada,by = ~V2010, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.racacor_cv## Branca Preta Amarela Parda Indígena Ignorado
## 2.3 3.4 20.4 1.6 26.1 70.2p.ocup.racacor <- coef(svymean( ~V2010, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))
p.ocup.racacor ## V2010Branca V2010Preta V2010Amarela V2010Parda V2010Indígena
## 0.40639479695 0.11701975739 0.00198599158 0.47280264718 0.00170166135
## V2010Ignorado
## 0.00009514556p.ocup.racacor_cv <- round(cv(svymean( ~V2010, subset(dadosPNADc,UF=="Minas Gerais"),na.rm = TRUE))*100,1)
p.ocup.racacor_cv## V2010Branca V2010Preta V2010Amarela V2010Parda V2010Indígena
## 1.8 3.5 18.5 1.4 27.1
## V2010Ignorado
## 76.6# Total de ocupapos por idade, sexo e raça ou cor
t.ocup.idade.sexo.racacor <- coef(svyby(~ ocupada,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svytotal,na.rm = TRUE))
t.ocup.idade.sexo.racacor ## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 585281.0 866780.9
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 680659.9 274216.1
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 466262.0 747288.4
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 523037.4 135351.3
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 1125273.6 1384452.9
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 934440.8 270640.7
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 755372.3 1077938.9
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 655441.9 157850.9t.ocup.idade.sexo.racacor_cv <- round(cv(svyby(~ ocupada,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svytotal, na.rm = TRUE))*100,1)
t.ocup.idade.sexo.racacor_cv## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 4.5 3.7
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 3.9 5.8
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 5.1 4.2
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 4.3 9.1
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 3.0 2.9
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 3.2 5.0
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 3.9 3.5
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 3.3 6.9# Renda média ocupapos por idade, sexo e raça ou cor
m.renda.idade.sexo.racacor <- coef(svyby(~ rend,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
m.renda.idade.sexo.racacor ## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 2386.342 4483.063
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 3928.518 3924.389
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 1825.960 3031.810
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 2938.790 3043.259
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 1833.496 2893.630
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 2703.997 2659.913
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 1492.352 2133.180
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 2050.663 1691.694m.renda.idade.sexo.racacor_cv <- round(cv(svyby(~ rend,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
m.renda.idade.sexo.racacor_cv## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 10.1 10.6
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 7.9 8.1
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 4.8 4.1
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 6.6 13.0
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 3.3 5.0
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 3.6 8.3
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 3.3 4.3
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 7.2 9.3# Estimativas para Minas Gerais # https://sidra.ibge.gov.br/pesquisa/pnadct/tabelas
# Total e taxa de desocupados
t.desocup <- coef(svytotal(~ desocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))
t.desocup## desocupada
## 655569.1t.desocup_cv <- round(cv(svytotal(~ desocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))*100,1)
t.desocup_cv## desocupada
## 4.8tx.desocup <- coef(svymean(~ desocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))
tx.desocup## desocupada
## 0.05803624tx.desocup_cv <- round(cv(svymean(~ desocupada, subset(dadosPNADc,UF=="Minas Gerais"), na.rm = TRUE))*100,1)
tx.desocup_cv## desocupada
## 4.8# Taxa de desocupapos por sexo
tx.desocup.sexo <- coef(svyby(~ desocupada,by = ~V2007, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
tx.desocup.sexo ## Homem Mulher
## 0.04770545 0.07168008tx.desocup.sexo_cv <- round(cv(svyby(~ desocupada,by = ~V2007, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
tx.desocup.sexo_cv## Homem Mulher
## 6.6 5.8# Taxa de desocupapos por idade
tx.desocup.idade <- coef(svyby(~ desocupada,by = ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
tx.desocup.idade ## 0De14a29anos de30a44anos de45a59anos de60a+anos
## 0.10337725 0.04378331 0.03849594 0.02216685tx.desocup.idade_cv <- round(cv(svyby(~ desocupada,by = ~faixa_idade, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
tx.desocup.idade_cv## 0De14a29anos de30a44anos de45a59anos de60a+anos
## 6.0 8.1 8.3 17.3# Taxa de desocupapos por idade e sexo
tx.desocup.idade.sexo <- coef(svyby(~ desocupada,by = ~faixa_idade+V2007, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
tx.desocup.idade.sexo ## 0De14a29anos.Homem de30a44anos.Homem de45a59anos.Homem de60a+anos.Homem
## 0.08061962 0.03559730 0.03587112 0.02415488
## 0De14a29anos.Mulher de30a44anos.Mulher de45a59anos.Mulher de60a+anos.Mulher
## 0.13341308 0.05369051 0.04207012 0.01845091tx.desocup.idade.sexo_cv <- round(cv(svyby(~ desocupada,by = ~faixa_idade+V2007, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
tx.desocup.idade.sexo_cv## 0De14a29anos.Homem de30a44anos.Homem de45a59anos.Homem de60a+anos.Homem
## 8.4 13.2 10.6 20.8
## 0De14a29anos.Mulher de30a44anos.Mulher de45a59anos.Mulher de60a+anos.Mulher
## 7.2 9.9 11.2 31.9# Taxa de desocupapos por raça ou cor
tx.desocup.racacor <- coef(svyby(~ desocupada,by = ~d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
tx.desocup.racacor ## Brancos Não brancos
## 0.04460676 0.06685892tx.desocup.racacor_cv <- round(cv(svyby(~ desocupada,by = ~d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
tx.desocup.racacor_cv## Brancos Não brancos
## 7.2 5.3# Taxa de desocupapos por idade, sexo e raça ou cor
tx.desocup.idade.sexo.racacor <- coef(svyby(~ desocupada,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean,na.rm = TRUE))
tx.desocup.idade.sexo.racacor ## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 0.07067761 0.02673649
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 0.03245826 0.01788854
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 0.10446793 0.04038598
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 0.02749670 0.02165344
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 0.08570706 0.04106323
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 0.03834198 0.03042298
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 0.15036412 0.06269950
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 0.05338995 0.01568811tx.desocup.idade.sexo.racacor_cv <- round(cv(svyby(~ desocupada,by = ~faixa_idade+V2007+d.raca, subset(dadosPNADc,UF=="Minas Gerais"), svymean, na.rm = TRUE))*100,1)
tx.desocup.idade.sexo.racacor_cv## 0De14a29anos.Homem.Brancos de30a44anos.Homem.Brancos
## 15.3 21.2
## de45a59anos.Homem.Brancos de60a+anos.Homem.Brancos
## 17.5 33.4
## 0De14a29anos.Mulher.Brancos de30a44anos.Mulher.Brancos
## 12.4 14.8
## de45a59anos.Mulher.Brancos de60a+anos.Mulher.Brancos
## 22.1 47.2
## 0De14a29anos.Homem.Não brancos de30a44anos.Homem.Não brancos
## 9.8 15.2
## de45a59anos.Homem.Não brancos de60a+anos.Homem.Não brancos
## 13.1 27.5
## 0De14a29anos.Mulher.Não brancos de30a44anos.Mulher.Não brancos
## 8.8 11.7
## de45a59anos.Mulher.Não brancos de60a+anos.Mulher.Não brancos
## 13.3 41.6