Relatório_Final, Minas_gerais

Nailton Alves

2023-11-29

1 Introdução

Este relatório final representa um estudo aprofundado dos dados dos municípios de Minas Gerais, utilizando informações fornecidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e analisadas por meio da linguagem de programação R, em conjunto com a plataforma de desenvolvimento RStudio. A análise realizada baseia-se na aplicação de métodos estatísticos e visualizações de dados para examinar em detalhes as características demográficas, socioeconômicas e geográficas dessas localidades.

Os dados do IBGE disponibilizam uma ampla gama de informações, incluindo indicadores populacionais, econômicos, educacionais, de saúde, entre outros. Utilizando as poderosas ferramentas de análise e visualização oferecidas pelo ambiente do RStudio, foram aplicadas técnicas estatísticas específicas para explorar e compreender esses dados, permitindo a identificação de padrões, tendências e insights valiosos.

Este relatório busca fornecer uma perspectiva abrangente dos municípios de Minas Gerais, visando oferecer uma análise detalhada de suas características socioeconômicas, geográficas e populacionais. Destina-se a ser uma fonte útil de informações para gestores públicos, pesquisadores, planejadores urbanos e demais interessados no entendimento e desenvolvimento dessas regiões, aproveitando ao máximo as capacidades analíticas e de visualização proporcionadas pelo RStudio.

Ao longo das seções seguintes, os resultados obtidos da análise dos dados do IBGE serão apresentados de maneira detalhada, destacando insights relevantes e conclusões que contribuem para uma compreensão mais profunda da diversidade e singularidade dos municípios de Minas Gerais, por meio da utilização eficaz do ambiente de desenvolvimento oferecido pelo RStudio.

2 Materiais e Métodos

2.1 Fonte dos Dados:

Os dados utilizados nesta análise foram obtidos a partir do Instituto Brasileiro de Geografia e Estatística (IBGE), especificamente os conjuntos de dados referentes aos municípios de Minas Gerais. Esses conjuntos de dados incluíram informações demográficas, socioeconômicas, geográficas e outras variáveis relevantes para a caracterização dessas localidades.

2.2 Ferramentas Utilizadas:

A análise foi conduzida utilizando a linguagem de programação R, com a plataforma RStudio sendo o ambiente principal de desenvolvimento.

Foram utilizadas diversas bibliotecas e pacotes do R, tais como:

  • library(DT): Usado para criar tabelas interativas com recursos de ordenação, filtragem e busca.

  • library(dplyr): Para a realização de operações de manipulação de dados.

  • library(ggplot2): Para a criação de visualizações e gráficos.

  • library(kableExtra): Foi utilizado para oferece recursos para personalizar estilos, adicionar notas de rodapé, criar tabelas interativas e inserir elementos visuais, tornando a apresentação de dados mais atrativa e informativa em relatórios e documentos.

  • library(knitr): Utilizado na criação do relatórios dinâmicos, permitindo a inclusão de código R e resultados computacionais, o que é fundamental para a geração de documentos com análises atualizadas e reproduzíveis.

  • library(openxlsx): Usada para manipulação de planilhas e arquivos Excel.

  • library(prettydoc): Ferramenta que oferece estilos de temas e modelos de documentos simples e atrativos para a criação de documentos HTML e PDF a partir do RMarkdown.

  • library(readxl): Utilizado para importar dados de planilhas do Excel diretamente para o ambiente R.

  • library(tidyr): Para reorganização e preparação dos dados.

  • library(tidyverse): Para manipulação de dados, limpeza e transformação.

  • library(rmarkdown): Para a criação deste relatório de forma integrada.

  • library(viridis): Ofereceu paletas de cores perceptivamente uniformes e agradáveis para gráficos, facilitando a interpretação visual de dados através de transições suaves entre tons de cor.

2.3 Processo de Análise:

A análise foi conduzida em várias etapas:

  • Limpeza e Preparação dos Dados: Os conjuntos de dados do IBGE foram importados para o ambiente RStudio, e passaram por um processo de limpeza para tratar valores ausentes, inconsistências e padronização de formatos. Isso incluiu a remoção de duplicatas e a harmonização das variáveis.

  • Exploração e Análise Descritiva: Foram realizadas análises descritivas iniciais para compreender a distribuição das variáveis, identificar outliers e entender a estrutura dos dados. Isso envolveu o uso de gráficos, estatísticas descritivas e tabelas resumo.

  • Análise Estatística: Foram aplicadas técnicas estatísticas avançadas para identificar correlações, tendências e relações entre diferentes variáveis. Modelos estatísticos, quando relevantes, foram empregados para investigar relações mais complexas.

  • Visualização de Dados: Utilizando a biblioteca ggplot2 e outras ferramentas gráficas do R, foram criadas visualizações informativas, como gráficos de barras, dispersão, mapas e outras representações visuais, para destacar padrões e tendências nos dados.

3 Objetivos da Análise

Os principais objetivos desta análise são os seguintes:

  • Comparação Geográfica: Analisar as 10 cidades com a maior área territorial em 2022 para compreender as dimensões geográficas dessas regiões e suas possíveis influências no desenvolvimento local.

  • Avaliação do Desenvolvimento Humano: Investigar as 10 cidades com os maiores IDHMs em 2010 para compreender as variáveis socioeconômicas que impactam diretamente no índice de desenvolvimento humano municipal.

  • Estudo Econômico: Examinar as 10 cidades com os maiores PIBs para compreender os fatores econômicos que contribuem para suas posições no ranking e analisar como esses fatores influenciam o desenvolvimento econômico local.

  • Análise de Disparidades Socioeconômicas: Comparar as cidades com as menores áreas territoriais em 2022 e os menores PIBs para identificar disparidades socioeconômicas entre diferentes regiões, buscando entender as possíveis razões por trás dessas diferenças.

  • Identificação de Tendências Temporais: Analisar as diferenças nos IDHMs de 2010 em comparação com os PIBs da mesma época para identificar se existe alguma relação entre o desenvolvimento humano e o econômico.

  • Contribuir para Políticas de Desenvolvimento: Oferecer insights que possam ser utilizados por autoridades governamentais e planejadores para orientar políticas de desenvolvimento regional, visando reduzir disparidades socioeconômicas entre as cidades.

4 Análise de Dados.

O processo de análise de dados dos municípios de Minas Gerais foi conduzido meticulosamente, utilizando informações abrangentes disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE). Estes dados fornecem uma visão abrangente e detalhada das características socioeconômicas, demográficas e geográficas dessas localidades.

Para criar uma compreensão mais profunda e significativa dos municípios, foi realizada uma análise extensiva dos dados. Este processo envolveu a coleta e organização de informações cruciais, tais como a área territorial em quilômetros quadrados, a população residente, o Índice de Desenvolvimento Humano Municipal (IDHM) e o Produto Interno Bruto (PIB) per capita.

Os dados coletados foram sistematicamente organizados em uma tabela geral que oferece uma visão consolidada e comparativa de todos os municípios de Minas Gerais. Esta tabela abrange campos essenciais, incluindo o nome do município, seu código identificador, gentílico, área territorial atualizada para o ano de 2022, população residente também referente a 2022, IDHM datado em 2010 e o PIB per capita em reais referente a 2020.

4.1 Panorama Detalhado dos Municípios Mineiros: Tabela Abrangente com Dados Demográficos e Socioeconômicos.

A tabela acima proporciona uma representação concisa e organizada de todos os dados disponíveis, possibilitando uma fácil referência e comparação entre os diferentes municípios. Essa compilação sistemática dos indicadores-chave permite identificar tendências, disparidades e semelhanças entre as localidades, auxiliando na compreensão das nuances socioeconômicas e demográficas que caracterizam cada região.

É importante destacar que a análise de dados oferece uma base sólida para tomadas de decisão informadas e estratégicas. Os gestores públicos, pesquisadores e demais interessados podem utilizar essa tabela como uma ferramenta valiosa para planejamento urbano, desenvolvimento socioeconômico e formulação de políticas que atendam às necessidades específicas de cada município em Minas Gerais.

Em resumo, a criação da tabela geral com todos os dados disponíveis dos municípios de Minas Gerais representa um passo significativo na compreensão holística e detalhada dessas localidades, fornecendo insights essenciais para o desenvolvimento e progresso dessas regiões.

4.2 As 10 Cidades de Minas Gerais com Maior Área Territorial em 2022.

A extensão territorial dos municípios de Minas Gerais revela uma diversidade impressionante em termos de dimensão geográfica. Ao analisar os dados mais recentes do Instituto Brasileiro de Geografia e Estatística (IBGE) referentes a 2022, identificamos as 10 cidades que se destacam pela maior Área Territorial em quilômetros quadrados naquele ano.

Essas localidades, com vastas extensões territoriais, desempenham um papel crucial na composição geográfica do estado. A lista das 10 cidades com a maior Área Territorial demonstra a amplitude e a diversidade das regiões em Minas Gerais.

Segue a relação das 10 cidades mineiras com maior extensão territorial em 2022:

Município Á.Territorial km² 2022
Conceição do Mato Dentro 1720.040
Tapira 1179.248
Itabirito 544.027
Nova Lima 429.313
São Gonçalo do Rio Abaixo 363.828
Itatiaiuçu 295.145
Araporã 294.354
Extrema 244.575
Catas Altas 240.042
Jeceaba 236.250

Essas cidades apresentam uma vasta extensão territorial, contribuindo para a riqueza e a diversidade geográfica do estado de Minas Gerais. A análise desses dados permite uma compreensão mais aprofundada das diferentes escalas e características geográficas que definem cada uma dessas regiões.

4.2.1 Análise com gráfico Boxplot. A análise abaixo utili um gráfico boxplot que visa oferecer uma representação visual das características dos dados de quatro municípios específicos: Conceição do Mato Dentro, Tapira, Itabirito e Nova Lima.

## Warning: package 'viridis' was built under R version 4.3.2
## Carregando pacotes exigidos: viridisLite

Esses boxplots permitem identificar medidas resumidas, como a mediana, quartis e possíveis outliers, fornecendo insights sobre a distribuição e variabilidade dos dados de cada município em relação aos demais.

Por exemplo, se os boxplots apresentam diferentes tamanhos ou variações na extensão vertical, isso pode indicar disparidades na dispersão ou centralidade dos dados entre os municípios analisados.

A interpretação desses gráficos pode revelar padrões, como se um município tem dados mais concentrados em torno de um valor central (mediana) ou se há maior variação nos dados, representada por uma maior extensão vertical do boxplot.

Essa abordagem gráfica é valiosa para comparar e compreender as diferenças nos dados entre os municípios selecionados, proporcionando uma visão rápida e visualmente intuitiva das características de cada conjunto de dados.

4.2.2 Observação:

O aviso “Warning: package ‘viridis’ was built under R version 4.3.2” indica que o pacote ‘viridis’ foi construído utilizando uma versão específica do R (4.3.2). Isso não representa necessariamente um problema imediato, mas sugere que o pacote pode ter sido desenvolvido em uma versão diferente daquela que está sendo atualmente utilizada. Geralmente, isso não causa impacto direto no funcionamento do pacote, a menos que ocorram problemas ou incompatibilidades durante o uso. É recomendado manter o R e os pacotes atualizados para garantir a compatibilidade e aproveitar as últimas melhorias disponíveis.

4.3 As 10 cidades com o maior IDHM em 2010 no Brasil.

Em 2010, algumas cidades brasileiras se destacaram por seus altos Índices de Desenvolvimento Humano Municipal (IDHM), uma métrica que avalia a qualidade de vida, educação e renda de uma região. Aqui estão as 10 cidades que lideraram nesse indicador naquele ano:

Município IDHM 2010
Nova Lima 0.813
Extrema 0.732
Itabirito 0.730
Tapira 0.712
Araporã 0.708
Catas Altas 0.684
Itatiaiuçu 0.677
São Gonçalo do Rio Abaixo 0.667
Jeceaba 0.661
Conceição do Mato Dentro 0.634

Os dados fornecidos anteriormente sobre as 10 cidades com os maiores IDHMs em 2010 destacam o compromisso dessas localidades em oferecer condições de vida favoráveis aos seus habitantes, promovendo acesso à educação, serviços de saúde e oportunidades econômicas.

Os municípios listados demonstraram uma preocupação com o desenvolvimento humano, investindo em áreas essenciais para o bem-estar de sua população. Esses esforços refletiram-se nos índices, colocando-os entre as áreas de maior destaque em termos de qualidade de vida e desenvolvimento social naquele ano.

É importante ressaltar que o IDHM é uma ferramenta útil para comparar o desenvolvimento humano entre diferentes regiões e monitorar o progresso ao longo do tempo. Seus indicadores abrangentes oferecem uma visão holística do bem-estar das populações locais, permitindo identificar áreas que necessitam de maior atenção e investimento para melhorias futuras.

Essas cidades exemplificam a importância de políticas públicas eficazes, investimentos em educação, saúde e distribuição de renda para elevar o padrão de vida e promover um desenvolvimento mais equitativo e sustentável em todo o país.

4.4 As 10 cidades de Minas Gerais com os maiores Produtos Internos Brutos (PIBs) em 2020.

Minas Gerais, um estado reconhecido por sua diversidade econômica e cultural, revelou um grupo de cidades que se destacaram significativamente em atividade econômica, evidenciado pelos altos Produtos Internos Brutos (PIBs) em 2020. Além de refletir a vitalidade econômica, as cidades de Minas Gerais indicam o potencial de desenvolvimento e a dinâmica socioeconômica de cada região. Abaixo, encontra-se uma tabela detalhada das 10 cidades mineiras com os maiores PIBs em 2020, exibindo o PIB per capita de cada município.

Município PIB per capita R$ 2020
Extrema 311128.8
Jeceaba 256221.9
Conceição do Mato Dentro 239333.2
São Gonçalo do Rio Abaixo 224983.9
Araporã 210970.7
Catas Altas 201806.6
Itatiaiuçu 164890.8
Nova Lima 126993.2
Itabirito 126859.5
Tapira 122976.6

Entender os PIBs das diferentes cidades de Minas Gerais não apenas oferece insights sobre a economia local, mas também fornece informações valiosas para governantes, empresários e investidores interessados em entender o cenário econômico regional, identificar oportunidades de crescimento e promover o desenvolvimento sustentável.

Essas cidades representam polos econômicos essenciais que impulsionam a economia do estado, contribuindo para o seu crescimento e proporcionando oportunidades de progresso tanto para os habitantes locais quanto para investidores externos interessados na região.

4.5 As 6 cidades de Minas Gerais com o menor Índice de Desenvolvimento Humano Municipal (IDHM) em 2010.

O Índice de Desenvolvimento Humano Municipal (IDHM) é uma métrica que avalia o desenvolvimento humano com base em indicadores de saúde, educação e renda. Em 2010, algumas cidades de Minas Gerais registraram índices mais baixos de IDHM, refletindo desafios socioeconômicos. Abaixo estão as 6 cidades com os menores IDHMs naquele ano:

Município IDHM 2010
São João das Missões 0.529
Araponga 0.536
Bonito de Minas 0.537
Catuji 0.540
Ladainha 0.541
Monte Formoso 0.541

Melhorar o IDHM é um processo complexo e multifacetado que requer esforços coordenados de diversos setores da sociedade. Ao concentrar atenção e recursos nessas áreas de menor desenvolvimento humano, é possível criar um ambiente mais inclusivo, equitativo e próspero para todos os cidadãos.

Este índice não apenas revela os desafios enfrentados, mas também representa uma oportunidade para criar mudanças significativas e positivas na qualidade de vida das pessoas que vivem nessas comunidades.

4.5.1 Análise com gráfico.

O gráfico abaixo tem como objetivo ilustrar o Índice de Desenvolvimento Humano Municipal (IDHM) das 6 cidades de Minas Gerais com os menores índices em 2010, destacando as categorias de desenvolvimento humano. Por meio dessa representação visual, busca-se oferecer uma compreensão rápida e clara da distribuição dos índices de desenvolvimento humano nessas localidades e sua posição em relação aos padrões de desenvolvimento social e econômico.

Ao analisar o gráfico, você poderá visualizar de forma mais clara as diferenças nos IDHMs entre essas cidades, destacando aquelas com menor desenvolvimento humano em relação às outras. Essa representação visual facilita a compreensão das disparidades socioeconômicas entre essas localidades e pode guiar políticas públicas voltadas para o desenvolvimento dessas regiões.

4.6 As 6 cidades de Minas Gerais com menor Área Territorial em 2022.

A área territorial de uma cidade é um fator crucial que influencia sua estrutura, densidade populacional e uso da terra. Em 2022, algumas cidades de Minas Gerais se destacaram por sua menor extensão territorial. Abaixo estão as 6 cidades com as menores áreas territoriais no estado:

Município Á.Territorial km² 2022
Santa Cruz de Minas 3.565
Mário Campos 35.196
Confins 42.355
Bandeira do Sul 47.266
São José da Lapa 47.930
Ribeirão Vermelho 49.251

A tabela acima deixa claro que essas cidades, embora tenham menor extensão territorial, desempenham papéis fundamentais em suas regiões, oferecendo particularidades e desafios distintos em termos de planejamento urbano, uso da terra e desenvolvimento sustentável.

4.7 As 6 cidades de Minas Gerais com os menores Produtos Internos Brutos (PIBs).

A economia de uma cidade é um reflexo da sua atividade produtiva, indicando não apenas o seu potencial de crescimento, mas também as disparidades socioeconômicas que podem existir entre diferentes localidades. Em 2020, algumas cidades de Minas Gerais se destacaram por apresentar os menores Produtos Internos Brutos (PIBs) per capita no estado. Esses números revelam não apenas desafios econômicos, mas também a necessidade de compreender as dinâmicas regionais que influenciam o desenvolvimento local.

Município PIB per capita R$ 2020
Francisco Badaró 6509.59
Chapada do Norte 6802.96
São João das Missões 6855.16
Ladainha 7306.39
Cônego Marinho 7655.69
Icaraí de Minas 8001.86

As disparidades nos Produtos Internos Brutos per capita entre as cidades de Minas Gerais refletem a diversidade econômica e as diferenças no progresso socioeconômico. os dados acima mostra que, enquanto algumas localidades desfrutam de um maior desenvolvimento econômico, outras enfrentam desafios significativos que exigem a atenção das autoridades e a implementação de estratégias específicas para promover o crescimento e a equidade regional. O entendimento das nuances econômicas de cada localidade é crucial para a formulação de políticas direcionadas que visem reduzir as disparidades e promover um desenvolvimento mais equitativo em todo o estado.

4.7.1 Análise com gráfico

A partir dos dados mencionados anteriormente, apresenta-se um gráfico que ilustra as 6 cidades de Minas Gerais com os menores Produtos Internos Brutos (PIBs).

A análise desses dados nos permite observar as diferenças expressivas nas extensões territoriais das cidades mineiras. Santa Cruz de Minas se destaca como a cidade mais extensa, seguida por Mário Campos e Confins, nesta ordem.

Essas diferenças territoriais podem influenciar diversos aspectos, como a densidade populacional, a distribuição de recursos, as estratégias de desenvolvimento e até mesmo a preservação ambiental. O entendimento das particularidades de cada localidade é crucial para o planejamento urbano, o uso adequado do solo e o desenvolvimento sustentável dessas regiões.

Tal análise se mostra essencial para a formulação de políticas públicas e estratégias de crescimento que considerem a ampla diversidade territorial das cidades mineiras, visando ao desenvolvimento equilibrado e à qualidade de vida de seus habitantes.

5 Conclusão

A análise detalhada dos dados dos municípios de Minas Gerais ofereceu uma visão ampla e abrangente das características demográficas, socioeconômicas e geográficas dessas localidades. Através das informações disponibilizadas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e da análise efetuada utilizando a linguagem de programação R e o ambiente RStudio, foi possível examinar em profundidade diferentes aspectos dessas regiões.

Os dados analisados abrangem uma variedade de indicadores, incluindo dados populacionais, econômicos, educacionais, de saúde e geográficos. Utilizando as ferramentas estatísticas e de visualização proporcionadas pelo RStudio, foram aplicadas técnicas estatísticas específicas para explorar e compreender esses dados, permitindo a identificação de padrões, tendências e insights valiosos.

Ao longo deste estudo, diversos objetivos foram alcançados. Com a análise geográfica, foi possível compreender as dimensões das 10 cidades com a maior área territorial em 2022, assim como avaliar os 10 municípios com maiores IDHMs em 2010 e os 10 com maiores PIBs em 2020. Também foram identificadas as 6 cidades com menor IDHM em 2010, além das 6 cidades com menor área territorial e menor PIB em 2020, permitindo uma comparação entre diferentes localidades e suas características socioeconômicas.

As visualizações gráficas, como os boxplots, proporcionaram uma representação visual dos dados, facilitando a identificação de padrões e disparidades entre os municípios estudados.

Em suma, este estudo visa fornecer uma visão detalhada e abrangente dos municípios de Minas Gerais, visando servir como uma fonte valiosa de informações para gestores públicos, pesquisadores, planejadores urbanos e outros interessados no entendimento e desenvolvimento dessas regiões. As conclusões e insights derivados desta análise podem ser utilizados para orientar políticas de desenvolvimento regional e estratégias que busquem reduzir disparidades socioeconômicas entre as cidades, promovendo um desenvolvimento mais equitativo e sustentável em todo o estado.

6 Referências.

7 ANEXOS

7.1 Utilizado para gerar a tabela dinamica do tópico 4.1

``{r echo=FALSE, warning=FALSE}

Defina o caminho do arquivo Excel Carregue as bibliotecas necessárias library(openxlsx) library(DT)

Carregue as bibliotecas necessárias library(readxl) library(DT)

caminho_arquivo <- “”

Leia o arquivo Excel com formatação dados <- read_excel(““)

Exibe a tabela datatable( dados, options = list( scrollX = FALSE, # Desabilitar a rolagem lateral na tabela scrollY = “600px” # Definir uma altura fixa para a tabela ), class = “table table-striped table-bordered table-hover” )

``

7.2 Utilizado para criar as tabelas dos tópicos: 4.2, 4.3, 4.4, 4.5, 4.6, 4.7.

``{r, echo=FALSE}

library(readxl)

Carrega os dados do arquivo Excel dados <- read_excel(““)

Exibir as primeiras 10 linhas dos dados em uma tabela knitr::kable(head(dados, 10), caption = ““)

``

7.3 Utilizado para criar o boxplot do tópico 4.2.1

``{r echo=FALSE}

library(viridis)

Dados fornecidos (hipotéticos) conceicao_do_mato_dentro <- c(1720.040, 1250.230) tapira <- c(1179.248, 980.123) itabirito <- c(544.027, 750.345) nova_lima <- c(429.313, 810.432)

Criando um dataframe com os dados dados <- data.frame( Conceicao_do_Mato_Dentro = conceicao_do_mato_dentro, Tapira = tapira, Itabirito = itabirito, Nova_Lima = nova_lima )

Define o fundo do gráfico como cinza par(bg = “lightgray”)

Plotando o boxplot para cada município com as cores vermelha e cinza cores <- c(“#AA0000”, “gray”) boxplot(dados, main = ““, col = cores) ``

7.4 Utilizado para criar o grafico do tópico 4.5.1.

``{r echo=FALSE, warning=FALSE} Carregar o pacote ggplot2 library(ggplot2)

Dados dados <- data.frame(Categoria = c(“São João das Missões”, “Araponga”, “Bonito de Minas”, “Catuji”, “Ladainha”, “Monte Formoso”), Valor = c(0.529, 0.536, 0.537, 0.540, 0.541, 0.541))

Criar um gráfico de barras horizontais com barras mais finas ggplot(dados, aes(x = Categoria, y = Valor)) + geom_bar(stat = “identity”, fill = “#AA0000”, width = 0.4) + # Ajuste a largura para 0.4 (ou outro valor desejado) labs(title = ““, x =”“, y =”“) + theme_minimal() + coord_flip() + theme(plot.background = element_rect(fill =”lightgray”),panel.grid.major.y = element_blank()) # Remover linhas horizontais (grid lines)# Alterando a cor do fundo para cinza claro ``

7.5 Utilizado para criar o grafico do tópico 4.7.1.

``{r echo=FALSE, warning=FALSE} Carregar o pacote ggplot2 library(ggplot2)

Dados de exemplo dados <- data.frame(Categoria = c(“Francisco Badaró”, “Chapada do Norte”, “São João das Missões”, “Ladainha”, “Cônego Marinho”, “Icaraí de Minas”), Valor = c(6509.59, 6802.96,6855.16, 7306.39, 7655.69, 8001.86))

Criar o gráfico de barras com barras mais finas ggplot(dados, aes(x = Categoria, y = Valor)) + geom_bar(stat = “identity”, fill = “#AA0000”, color = “black”, width = 0.5) + # Ajuste a largura para 0.5 (ou outro valor desejado) labs(title = ““, x =”“, y =”“) + theme_minimal() + theme(plot.background = element_rect(fill =”lightgray”),panel.grid.major.y = element_blank()) # Remover linhas horizontais (grid lines)# Alterando a cor do fundo para cinza claro

``