Curso: Ciência de Dados

Professor: Ricardo Alves de Olinda

Instituição: Universidade Estadual da Paraíba(UEPB)-Campus V.

Introdução

Neste Primeiro Relatório da cadeira de Introdução a Ciência de Dados ministrado pelo o Professor Ricardo Alves de Olinda, foi feito uma Análise descritiva que fornecerá conhecimentos cruciais em relação aos municipios do rio de janeiro e como estão os seus niveis de densenvolvimento municipal, este relatório será importante para que os politicos ou pesquisadores possam analisar e identificar melhor quais os municipios mais afetados de acordo com as váriaveis apresentadas: Indice de Desenvolvimento Humano, Óbito infantil e Escolarização, essas informações servirá para uma tomada de reação necessária em devidos locais para ter mudanças positivas a partir das análises com relações de dados Altos e baixos apresentadas neste trabalho informativo.

Matériais Usados

-ultilizei o Banco de Dados fornecido pelo site Oficial do IBGE:https://www.ibge.gov.br/cidades-e-estados/

Métodos Usados

levantei um estudo com relação ao Indice de Desenvolvimento Humano e suas causentes, para poder compreender melhor a causente dos impactos negativos desses municipios Estudei o motivo principal desses fatores correlacionados foi feita uma relação entre os maiores valores e os menores para indentificar as normas padrão. ultilizei gráfico de barra para melhor visualização na comparação de menores valores e para melhor leitura e identificação, usei as bibliotecas : GGplot2,dplyr,DT, para carregamento das funções gráficas.

Aplicações

library(DT)
## Warning: package 'DT' was built under R version 4.3.2
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.2
riobc <- read_excel("~/rioo/riobc.xlsx")
View(riobc)
datatable(riobc)
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.3.2
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.3.2
## 
## 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
#carregando do meu banco de dados os 3 menores valores da coluna Idhm

dados_menor <- riobc %>%
  select(idhm,municipio)%>%
  arrange((idhm))%>%
  head(n= 3)

dados_maior <- riobc %>% 
  select(idhm, municipio) %>%
  arrange(desc(idhm)) %>%
  head(n = 3)
dados_combinados <- bind_rows(dados_maior, dados_menor)
   
#Criando o gráfico de barra:
ggplot(dados_combinados, aes(y = idhm, x = municipio, fill = municipio)) +
  geom_bar(stat = "identity", width = 0.5)+
  theme_minimal() +
  
  # Colocando valor em cada barra e ajustando tamanho da fonte.
  geom_text(aes(label = scales::percent(idhm)), vjust = -0.3, color = "black") +
  
  # Adicionando cores nas barras
  scale_fill_manual(values = c("#1E90FF", "#008080", "#000080", "#00008B", "#4682B4", "#4169E1", "#0000CD", "#0000FF"))+
  
  # tirando rótulo de cor do gráfico
  guides(fill = FALSE) +
  
  # Adicionando rótulos e título
  labs(title = "Os 3 Municipios Mais Desenvolvidos e os 3 baixos:", y = "IDHM") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Quero destacar os 3 municipios menos desenvolvidos do Rio de janeiro que são esses: São francisco de Itabapoana, São sebastião do alto e sumidouro, essas comunidades apresenta este declinio com relação aos outros municipios por falta de atenção dos prefeitos ou politicos locais este resultado pode apresentar diversos fatores, como baixos niveis de renda que indica falta de oportunidades economicas, acesso limitados a saúde e educação, transportes público pouco investido. que afeta esses municipios a se desenvolverem melhor e que soma para este resultado de baixo Indice.

#carregar bibliotecas para funcionamento do código

library(dplyr)
library(ggplot2)

#chamando os 3 menores valores da coluna mortalidade infantil
 dados_menor <- riobc %>%
  select(mi,municipio)%>%
  arrange((mi))%>%
  head(n= 3)
#chamando os 3 maiores valores da coluna mortalidade infantil
dados_maior <- riobc %>% 
  select(mi, municipio) %>%
  arrange(desc(mi)) %>%
  head(n = 3)
dados_obito <- bind_rows(dados_maior, dados_menor)
   
#Criando o gráfico de barra:
ggplot(dados_obito, aes(y = mi, x = municipio, fill = municipio)) +
  geom_bar(stat = "identity", width = 0.5)+
  theme_minimal() +
  
  # Adicionando cores nas barras
  scale_fill_manual(values = c("#483D8B", "#FF69B4", "#4169E1", "#8A2BE2", "#9932CC", "#FF1493", "#6A5ACD", "#DB7093"))+
  
  # tirando rótulo de cor do gráfico
  guides(fill = FALSE) +
  
  # Adicionando rótulos e título
  labs(title = "3 Municipios com Alto Indice de Óbito Infantil:", y = "IDHM") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Destacando os municipios mais afetados com relação a mortalidade infantil que são esses municipios: Cambuci, Cardoso Moreira e Itaocara, essas 3 comunidades possuem este baixo indice que a causente desses niveis podem ser: baixos investimentos de despesas nas comunidades em relação a área da saúde, que consequentemente causa um péssimo Acesso a qualidade de vida, a falta de sanidade básica em hospitais de crianças e em maternidades que agrava mais ainda o número de óbitos. gerando assim por falta de recursos hospitalares e a falta de tratamento e investimentos na infraestrutura local resulta nesta condição pro aumento de números de mortalidade infantil ou óbitos de recém nascidos.

#Chamando a seguintes bibliotecas para carregar funções
library(dplyr)
library(ggplot2)

dados_menor <- riobc %>%
  select(Escolar,municipio)%>%
  arrange((Escolar))%>%
  head(n= 3)
#chamando os 3 maiores valores da coluna mortalidade infantil
dados_maior <- riobc %>% 
  select(Escolar, municipio) %>%
  arrange(desc(Escolar)) %>%
  head(n = 3)
dados_Escolares <- bind_rows(dados_maior, dados_menor)
   
#Criando o gráfico de barra:
ggplot(dados_Escolares, aes(y = Escolar, x = municipio, fill = municipio)) +
  geom_bar(stat = "identity", width = 0.5)+
  theme_minimal() +
  
  # Adicionando cores nas barras
  scale_fill_manual(values = c("#006400", "#008000", "#2E8B57", "#3CB371", "#556B2F", "#708090", "#778899", "#B0C4DE"))+
  
  # tirando rótulo de cor do gráfico
  guides(fill = FALSE) +
  
  # Adicionando rótulos e título
  labs(title = " 3 Municipios com Alto Indice de Matricula Escolar e os 3 baixos:", y = "IDHM") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

A análise deste gráfico já demostra outros resultantes ambos municipios possuem quase o mesmo valor relativamente o que de fato e positivo, pois a administração pública local apenas devem inovar em pequenos requisitos para aumentar um pouco mais os valores de escolarização, seja em criações de projetos culturais em aulas que irá fixar a vontade das crianças das comunidades estudarem pequenas ideias como essa resultará mais ainda em impactos positivos.

Referências

A fonte da Imagem ultilizada está no site->(https://img.elo7.com.br/product/zoom/410DAA8/bandeira-do-rio-de-janeiro-tamanho-oficial-0-90x1-28m-rj.jpg).

Conclusão

Podemos Concluir que cada Municipio do Rio de Janeiro vária seus resultados de Acordo com sua condição de vida, seja Economica, Ambiental, Politica e Social. Neste caso os dados mostrou que há dados positivos em questão dos menores valores de Escolarização que estão com valores igualados a os maiores, isso demostra que bastante crianças estão sendo matriculadas esse resultado pode se relacionar em diminuição de trabalho infantil significando que os municipios estão com uma boa economia, em questão aos dados negativos como o aumento de óbitos infantil e alguns municipios com o idhm baixo emfatiza que essas comunidades necessita de prioridades básicas necessárias, em que os líderes Municipais, Federais ou Estaduais devem entrar com Ações beneficentes, a politica publica juntamente com investimentos devem ser aplicadas nessas áreas principalmente no setores da saúde e mundanças na Infraestruturas, para com isto reverter esse quadro.