1 Introdução

Este relatório objetiva exibir dados oriundos do estado Rio Grande do Sul, delimitando os seus municípios, enfatizando os dados sobre o PIB (Produto Interno Bruto) e a taxa de mortalidade infantil (a cada 1.000 nascidos vivos).

O Rio Grande do Sul tem uma área de 281.707,151 quilômetros quadrados, possue uma população de 10.882.965 habitantes, tem uma densidade de 38,63 habitantes por quilômetro quadrado, é composto por um total de 497 municípios, está localizado na região Sul do Brasil e é o 3° estado com mais municípios do país, segundo o IBGE (Instituto Brasileiro de Pesquisa de Geografia e Estatística).

Fitaremos os dados de PIB e de mortalidade infantil, investigando a hipótese de que os países com os maiores PIBs possuem as menores taxas de mortalidade infantil e veremos se as 25 cidades com maiores PIBs são as mesmas cidades com menores taxas de mortalidade infantil.

2 Método e materiais

2.1 Dados

Os dados utilizados neste relatório foram tirados do site do IBGE sobre o estado do Rio Grande do Sul, abrangendo todos os municípios, baixados em xlsx, retirando traços antes do uso no R, 3 cidades excluídas, entre elas cidades como Não-Me-Toque e Xangri-lá, e também colunas que com certeza não seriam utilizadas para a finalidade deste relatório, depois disso a quantidade de linhas do conjunto de dados passou a ser 494 (não contando com os nomes das colunas) e a de colunas passou a ser 6.

2.2 Bibliotecas

library(readxl)
library(ggplot2)
library(knitr)
library(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

2.3.1 Variáveis

pegaxlsx: Variável que guarda o nome do arquivo xlsx;

Dadoslidos: Variável que guarda os dados lidos pela função “read_excel”;

dados: Variável que guarda a “Dadoslidos” em formato dataframe;

medias56: Variável que guarda a média das colunas 5 e 6 de todos os municípios;

dadoscres: Variável que guarda a “dados” sob a ordem crescente da coluna Mortalidade ao fazer uso da função “order”;

dadosdecres: Variável que guarda a “dados” sob a ordem decrescente da coluna PIB ao fazer uso da função “order”;

rankingmortal: Variável que guarda os 25 municípios com as menores taxas de mortalidade infantil da “dadoscres” usando a função “head”;

rankingPIB: Variável que guarda os 25 municípios com os maiores PIBs da “dadosdecres” usando a função “head”.

2.3.2 Colunas

$Municipio: nome do município (-); (nominal)

$Area Territorial: área do território do município em quilômetros quadrados (2022); (contínua)

$Populacao: população residente naquele município (2022); (contínua)

$Densidade: densidade demográfica em habitantes por quilômetro quadrado (2022); (contínua)

$Mortalidade: mortalidade infantil em óbitos por mil nascidos vivos (2020); (contínua)

$PIB: produto interno bruto per capita (2020); (contínua)

## 'data.frame':    494 obs. of  6 variables:
##  $ Municipio       : chr  "Aceguá" "Água Santa" "Agudo" "Ajuricaba" ...
##  $ Area Territorial: num  1551 292 535 323 316 ...
##  $ Populacao       : num  4170 3912 16041 6720 6123 ...
##  $ Densidade       : num  2.69 13.42 30 20.83 19.35 ...
##  $ Mortalidade     : num  19.23 38.46 5.68 16.67 20.41 ...
##  $ PIB             : num  53518 92001 33039 46898 22721 ...

dadoscres$Mortalidade: mortalidade infantil em óbitos por mil nascidos vivos em ordem crescente (2020); (ordinal)

## 'data.frame':    494 obs. of  1 variable:
##  $ Mortalidade: num  1.2 1.97 2.35 2.42 2.93 3 3.21 3.31 3.31 3.36 ...

dadosdecres$PIB: produto interno bruto per capita em ordem decrescente (2020). (ordinal)

## 'data.frame':    494 obs. of  1 variable:
##  $ PIB: num  241635 240070 228470 181298 163594 ...

2.3.3 Funções

library: chama um pacote instalado para ser utilizado;

read_excel: lê dados de planilhas Excel;

as.data.frame: transforma em dataframe;

lappy: aplica uma função em determinados elementos;

as.numeric: transforma em numérico;

kable: cria e exibe uma tabela;

c: concatena;

str: mostra a estrutura interna;

colMeans: calcula a média de colunas;

print: exibe;

order: ordena;

head: guarda apenas as primeiras linhas;

ggplot: gera um gráfico utilizando 2 variáveis (x e y);

geom_bar: gera barras em um gráfico;

theme: define aspectos de aparência do gráfico;

element_text: personaliza elementos textuais do gráfico;

labs: modifica o que aparece no título e rótulos do gráfico.

2.4 Método

• Pegar os nomes dos 25 municípios com menos mortalidades infantis;

• Pegar os nomes dos 25 municípios com PIBs mais altos;

• Averiguar se algum(ns) nome(s) se repetem entre esses dois rankings.

3 Aplicações

Abaixo vemos o ranking em tabela que mostra quais são os 25 municípios com maiores PIBs no estado do Rio Grande do Sul:

Municipio PIB
461 Triunfo 241634.52
204 Imigrante 240070.40
265 Muitos Capões 228470.49
313 Pinhal Grande 181298.37
77 Candiota 163593.81
20 Aratiba 159159.49
67 Camargo 149400.18
312 Pinhal da Serra 111781.67
466 Tupandi 102800.57
91 Carlos Barbosa 101799.46
82 Capão Bonito do Sul 100232.76
8 Almirante Tamandaré do Sul 94337.32
2 Água Santa 92000.57
359 Santa Bárbara do Sul 91502.62
192 Horizontina 88066.79
46 Boa Vista do Cadeado 87822.58
9 Alpestre 87494.79
365 Santa Margarida do Sul 81723.79
145 Entre Rios do Sul 81427.54
362 Santa Cruz do Sul 79888.73
178 Gentil 77775.17
44 Boa Vista das Missões 76052.96
355 Salto do Jacuí 74468.59
306 Pedras Altas 73937.20
160 Eugênio de Castro 72951.39

Agora vemos o ranking em tabela no qual mostra quais são os 25 municípios com menores taxas de mortalidade infantil no estado do Rio Grande do Sul:

Municipio Mortalidade
162 Farroupilha 1.20
157 Esteio 1.97
398 São Lourenço do Sul 2.35
72 Campo Bom 2.42
372 Santo Ângelo 2.93
437 Tapejara 3.00
456 Três de Maio 3.21
182 Gramado 3.31
419 Sarandi 3.31
459 Três Passos 3.36
231 Lajeado 3.39
334 Quaraí 3.40
295 Panambi 3.45
142 Encantado 3.56
455 Três Coroas 3.58
441 Taquari 3.66
200 Igrejinha 3.70
279 Nova Petrópolis 4.00
480 Veranópolis 4.10
380 São Borja 4.13
383 São Francisco de Paula 4.15
352 Rosário do Sul 4.65
362 Santa Cruz do Sul 4.72
109 Cidreira 4.93
58 Butiá 4.98

E agora vemos a média de mortalidade e PIB:

## Mortalidade         PIB 
##    17.04594 40137.60755

Para uma visualização sob uma perspectiva gráfica, veja o gráfico a seguir ao que diz respeito do ranking da tabela 1:

Agora fite, a seguir, o gráfico referente ao ranking da tabela 2

É perceptível que dentre os nomes da tabela 1 e tabela 2, apenas um (Santa Cruz do Sul) se repete.

4 Conclusão final

Apenas um dos 25 nomes de uma tabela se repete na outra e vice-versa, apesar de haver essa repetição, é uma quantidade insuficiente para dar valor lógico verdadeiro à hipótese que investigamos. Ademais, os gráficos não são parecidos, tendo curvas divergentes, assim expondo que não se relacionam da forma que a hipótese propôs.

5 Referências

IBGE, disponível em: https://cidades.ibge.gov.br/brasil/rs/panorama. Acesso em 01 de dez. de 2023.

IBGE, disponível em: https://www.ibge.gov.br/cidades-e-estados/rs.html. Acesso em 01 de dez. de 2023.

6 Anexo

#Pacotes:
library(readxl)
library(ggplot2)
library(knitr)
library(dplyr)

#Trazendo dado:
pegaxlsx <- "RSdata.xlsx"
Dadoslidos <- read_excel(pegaxlsx, sheet = 1)

#Convertendo em dataframe:
dados <- as.data.frame(Dadoslidos)

#Garantindo que os dados que serão usados serão numéricos:
dados[, c(5:6)] <- lapply(dados[, c(5:6)], as.numeric)
str(dados)
## 'data.frame':    494 obs. of  6 variables:
##  $ Municipio       : chr  "Aceguá" "Água Santa" "Agudo" "Ajuricaba" ...
##  $ Area Territorial: num  1551 292 535 323 316 ...
##  $ Populacao       : num  4170 3912 16041 6720 6123 ...
##  $ Densidade       : num  2.69 13.42 30 20.83 19.35 ...
##  $ Mortalidade     : num  19.23 38.46 5.68 16.67 20.41 ...
##  $ PIB             : num  53518 92001 33039 46898 22721 ...
#Ordenando dataframes:
dadoscres <- dados[order(dados$Mortalidade, decreasing = FALSE),]
dadosdecres <- dados[order(dados$PIB, decreasing = TRUE),]
str(dadoscres[5])
## 'data.frame':    494 obs. of  1 variable:
##  $ Mortalidade: num  1.2 1.97 2.35 2.42 2.93 3 3.21 3.31 3.31 3.36 ...
str(dadosdecres[6])
## 'data.frame':    494 obs. of  1 variable:
##  $ PIB: num  241635 240070 228470 181298 163594 ...
#Criando e exibindo tabelas:
tabela1 <- head(dadosdecres, 25)[, c("Municipio", "PIB")]
tabela2 <- head(dadoscres, 25)[, c("Municipio", "Mortalidade")]
kable(tabela1)
Municipio PIB
461 Triunfo 241634.52
204 Imigrante 240070.40
265 Muitos Capões 228470.49
313 Pinhal Grande 181298.37
77 Candiota 163593.81
20 Aratiba 159159.49
67 Camargo 149400.18
312 Pinhal da Serra 111781.67
466 Tupandi 102800.57
91 Carlos Barbosa 101799.46
82 Capão Bonito do Sul 100232.76
8 Almirante Tamandaré do Sul 94337.32
2 Água Santa 92000.57
359 Santa Bárbara do Sul 91502.62
192 Horizontina 88066.79
46 Boa Vista do Cadeado 87822.58
9 Alpestre 87494.79
365 Santa Margarida do Sul 81723.79
145 Entre Rios do Sul 81427.54
362 Santa Cruz do Sul 79888.73
178 Gentil 77775.17
44 Boa Vista das Missões 76052.96
355 Salto do Jacuí 74468.59
306 Pedras Altas 73937.20
160 Eugênio de Castro 72951.39 
kable(tabela2)
Municipio Mortalidade
162 Farroupilha 1.20
157 Esteio 1.97
398 São Lourenço do Sul 2.35
72 Campo Bom 2.42
372 Santo Ângelo 2.93
437 Tapejara 3.00
456 Três de Maio 3.21
182 Gramado 3.31
419 Sarandi 3.31
459 Três Passos 3.36
231 Lajeado 3.39
334 Quaraí 3.40
295 Panambi 3.45
142 Encantado 3.56
455 Três Coroas 3.58
441 Taquari 3.66
200 Igrejinha 3.70
279 Nova Petrópolis 4.00
480 Veranópolis 4.10
380 São Borja 4.13
383 São Francisco de Paula 4.15
352 Rosário do Sul 4.65
362 Santa Cruz do Sul 4.72
109 Cidreira 4.93
58 Butiá 4.98 
#Fazendo e exibindo a média de colunas:
medias56 <- colMeans(dados[, c(5, 6)], na.rm = TRUE)
print(medias56)
## Mortalidade         PIB 
##    17.04594 40137.60755
#Elaborando ranking de tamanho 25:
rankingmortal <- head(dadoscres, 25)
rankingPIB <- head(dadosdecres, 25)

#Criando e exibindo gráfico do PIB:
ggplot(rankingPIB, aes(x=reorder(Municipio, -PIB),y=PIB))+
  geom_bar(stat = "identity", fill="blue")+
  theme(axis.text.x = element_text(angle = 40, hjust = 1))+
  labs(title = "PIB (Produto Interno Bruto)", x=dadosdecres$Municipio,y=dadosdecres$PIB)

#Criando e exibindo gráfico da taxa de mortalidade infantil:
ggplot(rankingmortal, aes(x=reorder(Municipio, +Mortalidade), y=Mortalidade))+
  geom_bar(stat = "identity", fill="red")+
  theme(axis.text.x = element_text(angle = 40, hjust = 1))+
  labs(title = "Taxa de mortalidade infantil (a cada 1.000 nascidos vivos)", x=dadoscres$Municipio,y=dadoscres$Mortalidade)