Untitled
Lemos, G. L. M.
2023-11-30
(Fonte:wikipédia)
Introdução
Neste relatório, concentramos nossa atenção na análise dos dados referentes ao estado da Bahia, uma região que apresenta uma rica diversidade cultural e geográfica. Exploraremos indicadores socioeconômicos essenciais fornecidos pelo IBGE, abrangendo áreas como população, receitas, educação e IDHM. A compreensão desses dados é crucial para a formulação de estratégias públicas de desenvolvimento e políticas que visem a melhoria das condições de vida da população baiana
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 . Foi criado uma nova coluna Mesorregião para melhores analise do estado Baiano.
1.Descrição das hipóteses e objetivos
- Fazer uma Análise Exploratória de Dados e Estatística Descritiva. -Analisar a relação entre o PIB per capita e o IDHM (Vamos testar se há diferença significativa na população média dos municípios) -Avaliar a influência dos gastos públicos na taxa de natalidade
- Identificar as mesorregiões com os maiores e menores índices de desenvolvimento humano. -Analisar a distribuição geográfica dos níveis de escolarização e identificar áreas com altos índices educacionais. -Avaliar a relação entre o desenvolvimento econômico, representado pelo PIB e despesas, e outros indicadores socioeconômicos. -Investigar a concentração populacional em diferentes mesorregiões, destacando aquelas com maior população residente. -Analisar a variação geográfica na taxa de mortalidade infantil para identificar áreas com desafios específicos de saúde. -Análise das Relações Entre PIB e Mortalidade Infantil nas Meso Regiões. -Soma das Despesas e Receitas.
Materias e Métodos ultilizados:
-Os dados utilizados neste estudo foram obtidos do Instituto Brasileiro de Geografia e Estatística (IBGE) por meio do site do governo, com o seguinte endereço:https://www.ibge.gov.br/cidades-e-estados/ba.html;
- Para a leitura, uma pré analise, visualização e modificações foi ultilizado a Planilha excel;
-Na condução da análise de dados, a linguagem de programação desempenhou um papel central, aproveitando uma variedade de pacotes especializados. O uso dplyrproporcionou uma manipulação eficiente dos dados, ao mesmo tempo que ggplot2facilitou poderosamente a criação de gráficos elucidativos. Além disso, para garantir uma comunicação fluida e envolvente dos resultados, a plataforma R Markdownfoi empregada, integrando de forma harmoniosa o código R em documentos, proporcionando uma apresentação dinâmica e acessível.
- Análise Exploratória de Dados : Utilizada para explorar visualmente e entender a distribuição dos dados, identificar outliers e padrões iniciais. -Estatística Descritiva: Utilizada para resumir e descrever as principais características dos dados, como média, mediana, desvio padrão, entre outros.
As variáveis utilizadas nesta análise incluem:
- Município: Nome do município. Essa variável é nominal, pois representa categorias sem uma ordem específica.
- Codigo: Código identificador do município.(Nominal)
- Gentilico: Termo que designa os habitantes do município.É uma variável nominal, representando categorias.
- Prefeito: Nome do prefeito atual. . Também é uma variável nominal, pois representa categorias sem uma ordem específica.
- Area_Territorial: Área territorial do município. é uma medida contínua, pois pode assumir qualquer valor dentro de um intervalo.
- Populacao_Residente: Número de habitantes residentes no município. É uma variável contínua.
- Densidade_Demografica: Densidade demográfica do município. (Contínua)
- Escolarizacao: Indicador de escolarização. (Ordinal) (Contínua)
- IDHM: Índice de Desenvolvimento Humano Municipal.(Contínua)
- Mortalidade_Infantil: Taxa de mortalidade infantil.(Contínua)
- Receitas: Receitas municipais.(Contínua)
- Despesas: Despesas municipais.(Contínua)
- PIB: Produto Interno Bruto do município.(Contínua)
- Mesorregioes: mesoregioes da Bahia. (Nominal)
Aplicaçoes
Carregar pacotes/ bibliotecas:
Carregamento do banco de dados:
municipios <- read_excel("municipios.xlsx")
View(municipios) Converter para um data frame:
dados1 <- as.data.frame(municipios)Importar dados de um arquivo:
# função names() para obter os nomes das colunas
nomes_colunas <- names(dados1)
# Exibir os nomes das colunas
print(nomes_colunas)## [1] "Município" "Código" "Gentílico"
## [4] "Prefeito" "Área Territorial" "População residente"
## [7] "Densidade demográfica" "Escolarização" "IDHM"
## [10] "Mortalidade infantil" "Receitas" "Despesas"
## [13] "PIB" "\nMesorregiao"Renomeado os nomes das colunas para nao continuar o erro de nao reconhecer as palavras:
# Renomear as colunas para evitar caracteres especiais
colnames(dados1) <- c("Municipio", "Codigo", "Gentilico", "Prefeito", "Area_Territorial", "Populacao_Residente", "Densidade_Demografica", "Escolarizacao", "IDHM", "Mortalidade_Infantil", "Receitas", "Despesas", "PIB", "Mesorregiao")Converter para um data frame:
dados <- as.data.frame(dados1)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)Nomes de cada coluna:
# função names() para obter os nomes das colunas
nomes_colunas_novas <- names(dados)
# Exibir os nomes das colunas
print(nomes_colunas_novas)## [1] "Municipio" "Codigo" "Gentilico"
## [4] "Prefeito" "Area_Territorial" "Populacao_Residente"
## [7] "Densidade_Demografica" "Escolarizacao" "IDHM"
## [10] "Mortalidade_Infantil" "Receitas" "Despesas"
## [13] "PIB" "Mesorregiao" "Município"*Análise Exploratória e Estatística Descritiva:
Resumo estatístico:
summary(dados)
str(dados1)## 'data.frame': 417 obs. of 14 variables:
## $ Municipio : chr "Abaíra" "Abaré" "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 ...
## $ Mesorregiao : chr "Centro Sul Baiano" "Vale São-Franciscano da Bahia" "Nordeste Baiano" "Nordeste Baiano" ...tail(dados1)## Municipio Codigo Gentilico
## 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 Area_Territorial Populacao_Residente
## 412 MANRICK GREGORIO PRATES TEIXEIRA 782.159 6003
## 413 ANA SHEILA LEMOS ANDRADE 3254.186 370868
## 414 ELTER SILVA BASTOS 522.370 9503
## 415 FERNANDA SILVA SÁ TELES 2920.579 12968
## 416 CARLOS ALBERTO LIOTERIO DOS SANTOS 655.057 24474
## 417 REINALDO TEIXEIRA BRAGA FILHO 5079.662 44757
## Densidade_Demografica Escolarizacao IDHM Mortalidade_Infantil Receitas
## 412 7.67 98.1 0.577 NA 20048.81
## 413 113.97 96.8 0.678 10.24 637789.54
## 414 18.19 96.6 0.587 10.10 19836.48
## 415 4.44 96.1 0.600 6.10 33377.37
## 416 37.36 94.6 0.544 3.38 55976.00
## 417 8.81 96.9 0.585 11.68 103379.33
## Despesas PIB Mesorregiao
## 412 20101.87 13704.37 Sul Baiano
## 413 605294.53 20905.86 Centro Sul Baiano
## 414 17875.65 8587.78 Centro Sul Baiano
## 415 31038.25 12281.00 Extremo Oeste Baiano
## 416 50962.53 14012.95 Sul Baiano
## 417 102019.40 8961.01 Vale São-Franciscano da Bahiamostra toda estatistica basica de cada linha dos municipios:
descritiva dos dados:
#stat.desc(dados)mostra todos os dados por muncipio e despesas :
#xtabs(~ Municipio + Despesas, data = dados, addNA = T)library(lessR)## Warning: package 'lessR' was built under R version 4.3.2##
## lessR 4.3.0 feedback: gerbing@pdx.edu
## --------------------------------------------------------------
## > d <- Read("") Read text, Excel, SPSS, SAS, or R data file
## d is default data frame, data= in analysis routines optional
##
## Learn about reading, writing, and manipulating data, graphics,
## testing means and proportions, regression, factor analysis,
## customization, and descriptive statistics from pivot tables
## Enter: browseVignettes("lessR")
##
## View changes in this and recent versions of lessR
## Enter: news(package="lessR")
##
## Interactive data analysis
## Enter: interact()##
## Attaching package: 'lessR'## The following objects are masked from 'package:psych':
##
## reflect, rescale, scree, skew## The following objects are masked from 'package:car':
##
## bc, recode, sp## The following objects are masked from 'package:plotly':
##
## rename, style## The following objects are masked from 'package:dplyr':
##
## recode, rename#PieChart(Escolarizacao, data = dados)histograma :
hist(dados$IDHM)
gráfico de dispersão:
plot(dados$Populacao_Residente, data = dados)
Resultados
ggplot(dados1, aes(y=IDHM, x=""))+
geom_errorbar(stat= "boxplot", width=0.1)+
geom_boxplot(width= 0.3, fill="grey90", outlier.shape = 1, outiler.size= 2)+
labs(y= "IDHM da Bahia")+
theme_classic()
criar um gráfico que represente o IDHM na Bahia usando um gráfico de
boxplot
Comparação de População dos Municípios:
library(leaflet)
# Calculando PIB per capita
dados$PIB <- dados$PIB / dados$Populacao_Residente
# Gráfico de dispersão
library(ggplot2)
ggplot(dados, aes(x = PIB, y = IDHM)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "blue") +
labs(title = "Correlação entre PIB per capita e IDHM nos Municípios",x = "PIB per capita",y = "IDHM") +theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Filtrando
# 3. Relação entre Mortalidade Infantil e IDHM
ggplot(dados, aes(x = Mortalidade_Infantil, y = Despesas)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Relação entre Mortalidade Infantil e Despesas",x = "Mortalidade Infantil", y = "IDHM")## `geom_smooth()` using formula = 'y ~ x'
# Instale e carregue as bibliotecas necessárias
# install.packages(c("geobr", "sf", "ggplot2"))
library(geobr)
library(sf)
library(ggplot2)
# Baixe os dados do estado da Bahia
bahia <- read_state(code_state = "BA", year = 2018)## Using year 2018##
Downloading: 770 B
Downloading: 770 B
Downloading: 2.1 kB
Downloading: 2.1 kB
Downloading: 18 kB
Downloading: 18 kB
Downloading: 34 kB
Downloading: 34 kB
Downloading: 51 kB
Downloading: 51 kB
Downloading: 67 kB
Downloading: 67 kB
Downloading: 82 kB
Downloading: 82 kB
Downloading: 83 kB
Downloading: 83 kB
Downloading: 83 kB
Downloading: 83 kB# Plotar um mapa do estado da Bahia
ggplot() +
geom_sf(data = bahia, fill = "lightblue", color = "white", size = 0.2) +
theme_minimal() +
labs(title = "Mapa do Estado da Bahia")
# Criar o mapa
munic <- read_municipality(code_muni = 'BA')## Using year 2010##
Downloading: 1.8 kB
Downloading: 1.8 kB
Downloading: 34 kB
Downloading: 34 kB
Downloading: 51 kB
Downloading: 51 kB
Downloading: 67 kB
Downloading: 67 kB
Downloading: 83 kB
Downloading: 83 kB
Downloading: 99 kB
Downloading: 99 kB
Downloading: 120 kB
Downloading: 120 kB
Downloading: 130 kB
Downloading: 130 kB
Downloading: 150 kB
Downloading: 150 kB
Downloading: 160 kB
Downloading: 160 kB
Downloading: 180 kB
Downloading: 180 kB
Downloading: 200 kB
Downloading: 200 kB
Downloading: 210 kB
Downloading: 210 kB
Downloading: 230 kB
Downloading: 230 kB
Downloading: 240 kB
Downloading: 240 kB
Downloading: 260 kB
Downloading: 260 kB
Downloading: 280 kB
Downloading: 280 kB
Downloading: 290 kB
Downloading: 290 kB
Downloading: 310 kB
Downloading: 310 kB
Downloading: 330 kB
Downloading: 330 kB
Downloading: 340 kB
Downloading: 340 kB
Downloading: 360 kB
Downloading: 360 kB
Downloading: 370 kB
Downloading: 370 kB
Downloading: 390 kB
Downloading: 390 kB
Downloading: 410 kB
Downloading: 410 kB
Downloading: 420 kB
Downloading: 420 kB
Downloading: 440 kB
Downloading: 440 kB
Downloading: 460 kB
Downloading: 460 kB
Downloading: 470 kB
Downloading: 470 kB
Downloading: 490 kB
Downloading: 490 kB
Downloading: 500 kB
Downloading: 500 kB
Downloading: 520 kB
Downloading: 520 kB
Downloading: 540 kB
Downloading: 540 kB
Downloading: 550 kB
Downloading: 550 kB
Downloading: 570 kB
Downloading: 570 kB
Downloading: 580 kB
Downloading: 580 kB
Downloading: 600 kB
Downloading: 600 kB
Downloading: 620 kB
Downloading: 620 kB
Downloading: 630 kB
Downloading: 630 kB
Downloading: 650 kB
Downloading: 650 kB
Downloading: 670 kB
Downloading: 670 kB
Downloading: 680 kB
Downloading: 680 kB
Downloading: 700 kB
Downloading: 700 kB
Downloading: 710 kB
Downloading: 710 kB
Downloading: 730 kB
Downloading: 730 kB
Downloading: 750 kB
Downloading: 750 kB
Downloading: 760 kB
Downloading: 760 kB
Downloading: 780 kB
Downloading: 780 kB
Downloading: 800 kB
Downloading: 800 kB
Downloading: 810 kB
Downloading: 810 kB
Downloading: 830 kB
Downloading: 830 kB
Downloading: 840 kB
Downloading: 840 kB
Downloading: 860 kB
Downloading: 860 kB
Downloading: 880 kB
Downloading: 880 kB
Downloading: 890 kB
Downloading: 890 kB
Downloading: 910 kB
Downloading: 910 kB
Downloading: 920 kB
Downloading: 920 kB
Downloading: 940 kB
Downloading: 940 kB
Downloading: 950 kB
Downloading: 950 kB
Downloading: 950 kB
Downloading: 950 kB ggplot() + geom_sf(data = munic,)
# 3. Relação entre Mortalidade Infantil e IDHM
ggplot(dados, aes(x = Mortalidade_Infantil, y = IDHM)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
labs(title = "Relação entre Mortalidade Infantil e IDHM",x = "Mortalidade Infantil", y = "IDHM")## `geom_smooth()` using formula = 'y ~ x'
# Escolha uma coluna única como base para a junção
#munic_dados <- merge(munic, dados, by = "Municipio")maps_munic <- read_state(code_state = "BA", year = 2018)# Baixa os limites do estado da Bahia
# Visualize os dados
plot(bahia)maps_ba = geobr::read_municipality("BA")## Using year 2010dados2 <- as.data.frame(maps_ba)
view(dados2)#renomear
#municipios= municipios %>% rename(code_muni= Código)#dados_mapa = maps_ba %>% left_join(municipios)#view(dados_mapa)plotar mapas
#ggplot()+
# geom_sf(data =dados_mapa, aes(fill = IDHM))+
# scale_fill_distiller(palette = "Reds", direction=1, name= "IDHM")Os resultados indicam que as áreas mais escuras do mapa, representadas por tons mais intensos de vermelho, correspondem aos municípios com os maiores IDHM. Dentre eles, destacam-se Barreiras, Luís Eduardo Magalhães e Salvador, sendo que Barreiras apresenta o IDHM mais elevado entre os municípios analisados. Essa visualização permite uma rápida identificação das regiões com melhores índices de desenvolvimento humano no contexto do mapa em questão.
#ggplot()+
# geom_sf(data =dados_mapa, aes(fill = Despesas))+
# scale_fill_distiller(palette = "Reds", direction=1, name= "Despesas") Os resultados indicam que as áreas mais escuras do mapa, representadas por tons mais intensos de vermelho, correspondem aos municípios com as maiores despesas. Neste caso, Salvador se destaca como a região com a cor mais escura, indicando que possui as despesas mais elevadas entre os municípios analisados. Essa visualização fornece uma representação espacial das disparidades nas despesas entre diferentes regiões.
# Ordena em ordem decrescente
dados_5 <- dados[order(-dados$`PIB`), ]
# Seleciona
municipios_maiores <- head(dados_5, 5)#foram pedido 5
ggplot(municipios_maiores, aes(x = Municipio, y = `PIB`)) +
geom_bar(stat = "identity", fill = "gray") +
labs(title = " Maiores com maiores PIB Município ", x = "Município", y = "PIB") #eixos
O resultado do gráfico mostra as barras correspondentes aos cinco
municípios com os maiores PIBs. Conforme mencionado, São Francisco do
Conde é destacado como o município com o maior PIB entre os cinco
selecionados, foi pesquisado em razão de sua intensa atividade
industrial caracterizada pela forte concentração no segmento de refino
do petróleo.
#ggplot()+
# geom_sf(data =dados_mapa, aes(fill = Escolarização))+
# scale_fill_distiller(palette = "Reds", direction=1, name= "Escolarização") Os resultados indicam que as áreas mais escuras do mapa, representadas por tons mais intensos de vermelho, correspondem aos municípios com maiores níveis de escolarização. Dentre eles, destacam-se Campo Alegre de Lourdes, Mansidão, Mortugaba e Jandaíra como municípios com altos índices de escolarização. Notavelmente, Salvador não está entre os municípios com os maiores níveis de escolarização, indicando uma variação significativa na distribuição desse indicador, mesmo sendo a capital.
# Lendo dados de mesorregiões na Bahia
#mesoreg_ba <- read_meso_region(code_meso = "BA")
#dados3 <- as.data.frame(mesoreg_ba)
#view(dados3) #munici <- read_meso_region(code_meso = 'BA')
#ggplot() + geom_sf(data = munici,)renomear:
#dados=dados %>% rename(name_meso=Mesorregiao)Juntar os dados do mapa e os dados da taxa de receitas:
#meso_dados <- left_join(mesoreg_ba, dados, by = "name_meso")#ggplot()+
# geom_sf(data =meso_dados, aes(fill = IDHM))+
#scale_fill_distiller(palette = "Reds", direction=1, name= "IDHM") O contexto fornecido indica que a mesorregião do Nordeste Baiano apresenta o maior IDHM entre as mesorregiões representadas no mapa.
#ggplot()+
#geom_sf(data =meso_dados, aes(fill = Escolarizacao))+
# scale_fill_distiller(palette = "Reds", direction=1, name= " Escolarizacao")a mesorregião do Nordeste Baiano apresenta uma escolarização maior em comparação com outras mesorregiões no mapa.
#municip <- read_micro_region(code_micro = 'BA')
#ggplot() + geom_sf(data = municip,)Mapa dos municipios da Bahia
# Lendo dados de micro-regiões na Bahia
#microreg_ba <- read_micro_region(code_micro = "BA")
# Convertendo para um dataframe
#dados_microregiao <- as.data.frame(microreg_ba)
# Visualizando os dados
#View(dados_microregiao)#grafico <- ggplot(dados, aes(x = reorder(name_meso, -Populacao_Residente), y = Populacao_Residente)) +
# geom_col(fill = "gray") +
#labs(title = "Mesorregiao com Maior População Residente", x = "Mesorregiao", y = "População Residente") +
# coord_flip() # Esta função inverte os eixos x e y, girando o gráfico
# Exibir o gráfico deitado
#print(grafico)A análise fornecida é que a Mesorregião Metropolitana de Salvador é a que possui a maior população residente entre as mesorregiões representadas no gráfico.
#grafico2 <- ggplot(dados, aes(x = reorder(name_meso, Mortalidade_Infantil), y = Mortalidade_Infantil)) +
# geom_col(fill = "gray") +
#labs(title = "Mesorregiao com Maior Mortalidade Infantil", x = "Mesorregiao", y = "Mortalidade Infantil") +
# coord_flip() # Esta função inverte os eixos x e y, girando o gráfico
# Exibir o gráfico deitado
#print(grafico2)A análise fornecida é que a Mesorregião Centro Sul Baiano é a que possui a maior taxa de mortalidade infantil entre as mesorregiões representadas no gráfico.
#grafico4 <- ggplot(dados, aes(x = reorder(name_meso, PIB), y = PIB)) +
#geom_col(fill = "gray") +
# labs(title = "Mesorregiao com Maior PIB", x = "Mesorregiao", y = "PIB") +
#coord_flip() # Esta função inverte os eixos x e y, girando o gráfico
# Exibir o gráfico deitado
#print(grafico4)Contextualizando com o último gráfico sobre a mortalidade infantil, podemos observar que a Mesorregião Centro Sul Baiano, que tem o maior PIB, também apresenta a maior taxa de mortalidade infantil. Isso sugere uma possível correlação entre o nível de desenvolvimento econômico (PIB) e as condições de saúde, como indicado pela taxa de mortalidade infantil.
Relação entre Mortalidade Infantil e PIB:
#ggplot(meso_dados, aes(x = Mortalidade_Infantil, y = PIB)) +
# geom_point() +
# geom_smooth(method = "lm", se = FALSE) +
#labs(title = "Relação entre Mortalidade Infantil e PIB",x = "Mortalidade Infantil", y = "PIB")#ggplot(meso_dados, aes(y=Mortalidade_Infantil, x=""))+
#geom_errorbar(stat= "boxplot", width=0.1)+
#geom_boxplot(width= 0.3, fill="grey90", outlier.shape = 1, outiler.size= 2)+
# labs(y= "Taxa de mortalidade Infantil na Bahia")+
#theme_classic()gráfico de boxplot com barras de erro usando o ggplot2.
# 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" = "gray", "Despesas" = "gray"))
print(grafico_barras)
O grafico mostra a soma das Despesas e Receitas do Estado da Bahia
#grafico_meso <- ggplot(dados, aes(x = reorder(name_meso, Densidade_Demografica), y = Densidade_Demografica)) +
# geom_col(fill = "gray") +
#labs(title = "Mesorregiao com Maior Densidade Demografica", x = "Mesorregiao", y = "Densidade Demografica") +
# coord_flip()
# Exibir o gráfico deitado
#print(grafico_meso)Metropolitana de Salvador é a que possui a maior Densidade demografica as mesorregiões representadas no gráfico.
#maior_municipios_demo <- head(densidade_demo, 5)
# Criar um gráfico de pontos (scatter plot)
#ggplot(mapa_meso, 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))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.
Com base nos mapas que foram discutidos e analisados anteriormente, é possível chegar a algumas conclusões Desenvolvimento Humano:
Os mapas que representam o Índice de Desenvolvimento Humano Municipal (IDHM) mostram que determinadas áreas, como a mesorregião do Nordeste Baiano, apresentam índices mais elevados. Isso sugere um padrão de desenvolvimento humano mais significativo nessas regiões. Educação:
Ao analisar os mapas de escolarização, identificamos que áreas como Campo Alegre de Lourdes, Mansidão, Mortugaba e Jandaíra se destacam por apresentarem altos índices de escolarização. Notavelmente, Salvador não figura entre os municípios com os maiores níveis de escolarização. Economia:
Os mapas relacionados ao Produto Interno Bruto (PIB) e às despesas mostram que a Mesorregião Centro Sul Baiano se destaca com os maiores valores. Esta região demonstra um perfil econômico mais robusto em comparação com outras mesorregiões. População:
A análise dos gráficos de população residente destaca a Mesorregião Metropolitana de Salvador como a mais populosa. Isso sugere uma concentração significativa de pessoas nessa região. Saúde:
O mapa da taxa de mortalidade infantil indica que a Mesorregião Centro Sul Baiano apresenta a maior taxa nesse indicador. Isso pode sugerir desafios específicos relacionados à saúde nessa região, mesmo com um PIB mais elevado. Conclusões Gerais:
O desenvolvimento humano, a educação, a economia, a população e a saúde são fatores inter-relacionados, e as disparidades entre as regiões podem indicar a necessidade de políticas específicas para abordar desafios locais. O entendimento dessas disparidades é crucial para o desenvolvimento de estratégias eficazes de planejamento e alocação de recursos.
Referencias
Segue os link ulitlizados para fazer o Relatorio final: https://www.youtube.com/watch?v=UkKr4ZMVD8Y&ab_channel=GITAPFeagri https://www.youtube.com/watch?v=jaPOtki41n4&ab_channel=AmbientalProDev https://cidades.ibge.gov.br/brasil/ba/belmonte/panorama 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
Anexos
“library(readxl)# para ler em excel library(dplyr)# pacote para manipulação de dados library(ggplot2)# visualização de dados library(plotly) library(geobr) library(sf) library(geobr) library(dplyr) library(car) library(rstatix) library(emmeans) library(knitr) library(kableExtra) library(htmltools) library(tidyverse) library(psych) library(pastecs)
municipios <- read_excel(‘municipios.xlsx’)
dados1 <- as.data.frame(municipios)
head(dados1)
colnames(dados1)
nomes_colunas_novas <- names(dados)
summary(dados)
str(dados)
tail(dados)
psych::describeBy(dados ~ Municipio)
ggplot(dados1, aes(y=IDHM, x=““))+ geom_errorbar(stat= ‘boxplot’, width=0.1)+ geom_boxplot(width= 0.3, fill=‘grey90’, outlier.shape = 1, outiler.size= 2)+ labs(y= ‘IDHM da Bahia’)+ theme_classic()
ggplot(dados, aes(x = Mortalidade_Infantil, y = IDHM)) + geom_point() + geom_smooth(method = ‘lm’, se = FALSE) + labs(title = ‘Relação entre Mortalidade Infantil e IDHM’,x = ‘Mortalidade Infantil’, y = ‘IDHM’) maps_ba = geobr::read_municipality(‘BA’) dados2 <- as.data.frame(maps_ba) view(dados2)
#renomear municipios= municipios %>% rename(code_muni= Código)
dados_mapa = maps_ba %>% left_join(municipios) view(dados_mapa)
municip <- read_micro_region(code_micro = ‘BA’) ggplot() + geom_sf(data = municip,)
ggplot()+ geom_sf(data =dados_mapa, aes(fill = IDHM))+ scale_fill_distiller(palette = “Reds”, direction=1, name= “IDHM”)
grafico_meso <- ggplot(dados, aes(x = reorder(name_meso, Densidade_Demografica), y = Densidade_Demografica)) + geom_col(fill = “gray”) + labs(title = “Mesorregiao com Maior Densidade Demografica”, x = “Mesorregiao”, y = “Densidade Demografica”) + coord_flip() print(grafico_meso)
ggplot()+ geom_sf(data =dados_mapa, aes(fill = Escolarização))+ scale_fill_distiller(palette = “Reds”, direction=1, name= “Escolarização”)
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’ = ‘gray’, ‘Despesas’ = ‘gray’)) print(grafico_barras)
grafico_meso <- ggplot(dados, aes(x = reorder(name_meso, Densidade_Demografica), y = Densidade_Demografica)) + geom_col(fill = ‘gray’) + labs(title = ‘Mesorregiao com Maior Densidade Demografica’, x = ‘Mesorregiao’, y = ‘Densidade Demografica’) + coord_flip() ”