Relatório de Amostragem - Deputados em 2016

Docente: Ana Patrícia Bastos Peixoto (Peixoto, A. P. B.)

Discente: Artur Medeiros do Lago Soares (Lago, A. M.)

26 de junho de 2024

1 INTRODUÇÃO

A Bahia, um estado rico em cultura e história, está situada na região Nordeste do Brasil. Com uma vasta extensão territorial de 564.760,429 km², a Bahia abriga uma população residente de 14.141.626 pessoas, resultando em uma densidade demográfica de 25,04 hab/km². A economia da Bahia é diversificada, com a agricultura, indústria e serviços sendo os principais pilares.

No que diz respeito ao desenvolvimento humano, a Bahia apresentou um Índice de Desenvolvimento Humano (IDH) de 0,691 em 2021, conforme divulgado pelo IBGE. No entanto, este índice ainda está abaixo do IDH médio do Brasil, que foi de 0,76 em 2022, segundo o G1. Apesar do progresso observado nos últimos anos, é evidente que ainda há margem para melhorias.

Neste contexto, o objetivo deste relatório é realizar uma análise exploratória dos municípios da Bahia, focando nas variáveis de Escolaridade e IDHM. Pretendemos identificar padrões e tendências que possam fornecer insights sobre o estado do desenvolvimento humano na Bahia.

2 METODOLOGIA

Este relatório emprega uma abordagem de análise exploratória de dados (AED) para investigar as características dos municípios da Bahia. A análise foi realizada usando a linguagem de programação R e as seguintes bibliotecas:

readxl: Usada para ler arquivos Excel;
utf8: Usada para manipulação de strings;
DataExplorer e ggplot2: Usadas para visualização de dados;
knitr: Usada para geração de relatórios.

A AED é uma abordagem à análise de conjuntos de dados para resumir suas características principais, frequentemente com métodos visuais. A AED pode ser classificada em duas categorias: univariada e multivariada. A análise univariada explora variáveis individualmente, enquanto a análise multivariada explora relações entre duas ou mais variáveis. Neste relatório, ambas as formas de AED são utilizadas.

As variáveis analisadas neste estudo são:

Mun (nome dos municípios): Esta é uma variável qualitativa nominal, pois representa categorias sem uma ordem ou prioridade inerente.
Esco (Escolaridade) e IDHM (Índice de Desenvolvimento Humano Municipal): Estas são variáveis quantitativas contínuas, pois representam medidas numéricas que podem assumir qualquer valor dentro de um intervalo específico.

Embora a variável DenD (densidade demográfica) também esteja disponível em nosso conjunto de dados, ela não será utilizada nesta análise.

Os dados utilizados neste relatório são referentes ao ano de 2010. Portanto, as análises e conclusões tiradas desses dados serão mais relevantes para o período de tempo em torno de 2010. Através da aplicação cuidadosa da AED, este relatório busca fornecer insights valiosos sobre o desenvolvimento humano nos municípios da Bahia.

3 RESULTADOS E DISCUSSÃO

Obtendo informações da quantidade de linhas e variáveis do banco de dados.

dim(dados)

## [1] 417   4

Ilustrando as 6 primeiras linhas juntamente com o cabeçalho.

head(dados)

##             Mun  DenD Esco  IDHM
## 1        Abaíra 13.55 97.2 0.603
## 2         Abaré 10.99 96.5 0.575
## 3     Acajutiba 76.02 98.0 0.582
## 4      Adustina 22.57 98.1 0.546
## 5     Água Fria 19.52 97.0 0.550
## 6 Érico Cardoso 14.42 98.8 0.584

Exibindo o tipo de cada variável existente.

str(dados)

## 'data.frame':    417 obs. of  4 variables:
##  $ Mun : chr  "Abaíra" "Abaré" "Acajutiba" "Adustina" ...
##  $ DenD: num  13.6 11 76 22.6 19.5 ...
##  $ Esco: 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 ...

Informações básicas acerca dos dados presentes.

summary(dados)

##      Mun                 DenD              Esco            IDHM       
##  Length:417         Min.   :   0.93   Min.   :89.90   Min.   :0.4860  
##  Class :character   1st Qu.:  12.34   1st Qu.:96.50   1st Qu.:0.5660  
##  Mode  :character   Median :  22.17   Median :97.40   Median :0.5890  
##                     Mean   :  59.44   Mean   :97.15   Mean   :0.5939  
##                     3rd Qu.:  41.75   3rd Qu.:98.10   3rd Qu.:0.6140  
##                     Max.   :3509.22   Max.   :99.70   Max.   :0.7590

3.1 Uso de memória e informações do banco de dados

No gráfico a seguir, podemos observar informações sobre o uso de memória durante a execução de todo o nosso relatório, que foi de 41.1 Kb. Além disso, uma análise do nosso banco de dados revela que 75% das colunas são compostas por dados numéricos (colunas contínuas), que incluem as colunas DenD, Esco e IDHM. Por outro lado, 25% das colunas são compostas por dados do tipo caractere, que é a coluna do nome dos municípios.

Uma informação relevante a ser destacada é que nosso banco de dados possui 100% de linhas completas. Isso significa que não há dados faltantes em nosso conjunto de dados, o que é uma excelente notícia, pois isso garante que não enfrentaremos problemas relacionados à falta de dados em nossas análises. Essa integridade dos dados nos permite prosseguir com nossas análises com confiança.

3.2 Medidas de média, mediana e moda

Segue abaixo uma tabela de medidas que apresenta os valores de média, mediana e moda das variáveis Densidade Demográfica, Escolaridade e IDHM, respectivamente. Ao examinar essas medidas em conjunto com o comando “summary”, podemos confirmar a precisão das médias, medianas e modas calculadas.

Medida	Densidade_Demográfica	Escolaridade	IDHM
Média	59.438	97.151	0.594
Mediana	22.170	97.400	0.589
Moda	2.850	98.100	0.599

3.3 Tabela de frequência do IDHM

O Índice de Desenvolvimento Humano (IDHM) é uma medida composta que avalia três dimensões básicas do desenvolvimento humano: saúde, educação e renda. O IDHM varia de 0 a 1 - quanto mais próximo de 1, maior o desenvolvimento humano. As categorias do IDHM são definidas da seguinte forma:

Muito Baixo: IDHM entre 0 e 0.499
Baixo: IDHM entre 0.499 e 0.599
Médio: IDHM entre 0.599 e 0.699
Alto: IDHM entre 0.699 e 0.799
Muito Alto: IDHM entre 0.799 e 1

Outras definições importantes:

‘ni’ representa a frequência absoluta, que é o número de vezes que um determinado valor aparece no conjunto de dados.
‘Ni’ é a frequência absoluta acumulada, que é a soma das frequências de todos os valores até um certo ponto.
‘fi’ é a frequência relativa, que é a frequência absoluta de um valor dividida pelo total de observações.

Como mencionado anteriormente, um município se enquadra na categoria de IDHM Muito Baixo, representando 0.24% da nossa frequência relativa (fi). A maioria dos municípios se encontra na categoria de IDHM Baixo, totalizando 262 municípios. Uma parcela significativa também se encontra na categoria Médio, com 146 municípios. Os 8 municípios restantes estão na categoria considerada Alto.

Ao somar as frequências relativas das categorias de IDHM Muito Baixo e Baixo, concluímos que 63,07% dos municípios da Bahia estão abaixo da taxa considerada média. Esta constatação nos oferece uma perspectiva importante sobre o estado atual do desenvolvimento humano na Bahia e destaca a necessidade de políticas e intervenções direcionadas para melhorar o IDHM nesses municípios.

IDHM	Categoria	ni	Ni	fi	fi%
0\|–\|0.499	Muito Baixo	1	1	0.0023981	0.24%
0.499–\|0.599	Baixo	262	263	0.6282974	62.83%
0.599–\|0.699	Médio	146	409	0.3501199	35.01%
0.699–\|0.799	Alto	8	417	0.0191847	1.92%
0.799–\|1	Muito Alto	0	417	0.0000000	0%

3.4 Medidas de variação do IDHM

As medidas de variação do IDHM da Bahia são ilustradas abaixo. Com um coeficiente de variação de 6,95%, podemos concluir que os dados apresentam uma baixa dispersão. Isso significa que os valores do IDHM para a maioria dos municípios estão próximos da média, que é de 0.594.

No entanto, a amplitude de 0.273, que representa a diferença entre o maior e o menor valor do IDHM na Bahia, indica que existe uma variação considerável nos níveis de desenvolvimento humano entre alguns municípios. Isso sugere que, embora a maioria dos municípios tenha um IDHM próximo à média, existem alguns municípios com IDHM significativamente mais alto ou mais baixo.

Entendendo brevemente o que cada uma dessas medidas significa:

Amplitude (0.273): Esta medida indica a diferença entre o maior e o menor valor do IDHM na Bahia. Uma amplitude de 0.273 sugere que há uma variação considerável nos níveis de desenvolvimento humano entre os municípios da Bahia.
Variância (0.0017015): A variância nos dá uma ideia de quão dispersos estão os valores do IDHM em relação à média na Bahia. Uma variância de 0.0017015 é relativamente baixa, indicando que a maioria dos municípios tem um IDHM próximo à média do estado.
Desvio Padrão (0.0412496): O desvio padrão é outra medida de dispersão. Um desvio padrão de 0.0412496, novamente, é relativamente baixo, reforçando a ideia de que a maioria dos municípios da Bahia tem um IDHM próximo à média do estado.
Coeficiente de Variação (0.069455 ou 6.95%): Este é uma medida padronizada de dispersão. Um CV de 6,95% indica que a dispersão dos valores do IDHM em torno da média é relativamente baixa. Isso sugere que, embora existam diferenças nos níveis de desenvolvimento humano entre os municípios da Bahia, essas diferenças não são extremamente grandes.

Medida	Valor
Amplitude	0.273
Variância	0.0017015
Desvio Padrão	0.0412496
Coefic. de Variação	0.069455
CV (%)	6.95%

3.5 Boxplot para verificar municípios outliers

O Boxplot apresentado abaixo revela a presença de outliers na variável IDHM, tanto abaixo do valor mínimo quanto acima do valor máximo. Outliers são valores que se desviam significativamente da maioria dos outros valores em um conjunto de dados. Em outras palavras, são pontos de dados que são notavelmente diferentes dos outros.

No contexto do nosso Boxplot do IDHM, os outliers são os municípios cujo IDHM é significativamente maior ou menor do que a maioria dos municípios da Bahia. Esses outliers podem indicar municípios que estão enfrentando desafios únicos ou que estão se destacando de maneira positiva em termos de desenvolvimento humano.

É importante destacar que há um único município que está abaixo do valor mínimo. Nas análises subsequentes, vamos investigar e identificar esse município.

Essa observação dos outliers é crucial, pois nos ajuda a entender a variação no desenvolvimento humano em todo o estado da Bahia. Embora a maioria dos municípios tenha um IDHM próximo à média, como discutido anteriormente, esses outliers representam áreas que podem exigir atenção especial ou que estão se destacando positivamente. Continuaremos a explorar essas nuances em nossa análise exploratória dos dados do IDHM na Bahia.

3.6 Rank: 15 municípios com os maiores IDHM’s

Com base no Boxplot analisado anteriormente, é possível identificar que os 9 municípios considerados outliers estão localizados entre Salvador e Cruz das Almas, incluindo esses dois municípios. Isso sugere uma concentração de municípios com IDHM elevado nessa região específica da Bahia.

É importante destacar Salvador, que ocupa a primeira posição entre esses outliers. Como capital da Bahia, Salvador recebe mais investimentos socioeconômicos, o que resulta em melhor escolarização e, consequentemente, uma melhor qualidade de vida para seus habitantes.

Essa observação reforça a importância de considerar o contexto geográfico e socioeconômico ao analisar o IDHM. Embora a maioria dos municípios da Bahia tenha um IDHM próximo à média do estado, como discutido anteriormente, esses outliers representam áreas que estão se destacando positivamente. Continuaremos a explorar essas nuances em nossa análise exploratória dos dados do IDHM na Bahia.

3.7 Rank: 15 municípios com os menores IDHM’s

Como destacado anteriormente no gráfico boxplot, identificamos um único município, Itapicuru, como um outlier com um IDHM de 0.486. Este município é classificado como tendo um IDHM Muito Baixo. Além disso, observamos que os municípios de Pilão Arcado e Monte Santo estão muito próximos do valor de IDHM Muito Baixo.

Essas descobertas sublinham a importância de o governo do estado da Bahia prestar atenção especial a esses municípios, especialmente ao outlier Itapicuru, que pode ser considerado em um estado crítico. É importante ressaltar que um estudo dos municípios com os maiores IDHMs, excluindo Salvador por ser a capital, poderia fornecer insights valiosos sobre estratégias eficazes para melhorar o IDHM nos municípios com menor IDHM.

Essas análises e conclusões são parte integrante da nossa exploração dos dados do IDHM na Bahia, permitindo-nos identificar áreas de foco potencial para esforços de melhoria do desenvolvimento humano. Continuaremos a explorar essas nuances em nossa análise exploratória dos dados do IDHM na Bahia. Rank: 15 Rank: 15

3.8 Histograma do IDHM

No histograma do IDHM apresentado abaixo, podemos observar as medidas de tendência central: média, mediana e moda. A média do IDHM, como vimos nas tabelas iniciais, é de 5.94. A mediana, que representa o valor do meio do conjunto de dados quando ordenado, é um pouco menor que a média, situando-se em 5.89. A moda, que é o valor que ocorre com mais frequência, está em 5.99.

Ao examinar o histograma, notamos que a maior concentração de municípios tem um IDHM próximo de 0.6. Isso indica que a maioria dos municípios da Bahia tem um nível de desenvolvimento humano que se aproxima desse valor.

Essas observações, juntamente com as análises anteriores, nos fornecem uma visão abrangente da distribuição do IDHM entre os municípios da Bahia.

3.9 Dispersão dos 10 municípios com as maiores taxas de escolaridade

Ao analisar a dispersão dos 10 municípios com as maiores taxas de escolaridade, notamos que três municípios se destacam: São Felipe, Santana e Mortugaba. Esses municípios apresentam as maiores taxas de escolaridade, o que sugere que eles podem estar implementando práticas educacionais eficazes.

Com base nessas informações, seria valioso realizar um estudo mais aprofundado desses municípios específicos para entender o que contribui para suas altas taxas de escolaridade. Os insights obtidos a partir deste estudo poderiam então ser aplicados em municípios com taxas de escolaridade mais baixas, com o objetivo de melhorar a educação nessas áreas.

É importante enfatizar que esses dados referem-se a crianças e adolescentes entre 6 a 14 anos. Portanto, eles fornecem uma visão retrospectiva da situação da educação na Bahia nesse período.

Essas observações, juntamente com as análises anteriores, nos ajudam a entender melhor a situação da educação na Bahia e a identificar áreas potenciais para melhoria e aprendizado.

3.10 Dispersão dos 10 municípios com as menores taxas de escolaridade

Ao analisar os 10 municípios com as menores taxas de escolaridade, notamos que Caatiba se destaca por ter a menor taxa, abaixo de 90%. Esta observação é particularmente notável, pois destaca a disparidade na educação entre diferentes municípios da Bahia.

Como mencionado na análise anterior, os insights obtidos ao estudar os municípios com taxas de escolarização quase em 100% podem ser valiosos para melhorar a educação em municípios com taxas menores, como Caatiba. Isso poderia envolver a adaptação de práticas educacionais bem-sucedidas ou a implementação de novas estratégias para abordar os desafios específicos enfrentados por municípios como Caatiba.

Essas observações, juntamente com as análises anteriores, reforçam a importância de uma abordagem diferenciada para melhorar a educação em todo o estado da Bahia, levando em consideração as circunstâncias e necessidades específicas de cada município.

4 CONCLUSÃO

Este relatório apresentou uma análise exploratória detalhada dos municípios da Bahia, com foco nas variáveis de Escolaridade e IDHM. Através desta análise, conseguimos obter uma visão abrangente do estado do desenvolvimento humano na Bahia.

Descobrimos que há uma variação significativa no IDHM entre os municípios, com alguns municípios se destacando positivamente e outros enfrentando desafios únicos. Em particular, identificamos municípios como São Felipe, Santana e Mortugaba com altas taxas de escolaridade, enquanto municípios como Caatiba apresentaram as menores taxas de escolaridade.

Além disso, observamos que a maioria dos municípios da Bahia tem um IDHM próximo à média do estado. No entanto, também identificamos outliers que representam áreas que podem exigir atenção especial ou que estão se destacando positivamente.

Essas descobertas sublinham a importância de uma abordagem diferenciada para melhorar a educação e o desenvolvimento humano em todo o estado da Bahia, levando em consideração as circunstâncias e necessidades específicas de cada município.

Por fim, as informações e insights obtidos a partir desta análise podem ser valiosos para informar políticas e intervenções destinadas a melhorar a educação e o desenvolvimento humano na região.

REFERÊNCIAS

Aula de Análise Exploratória de Dados no R | Estatística Básica. Youtube. 2020. Disponível em: https://www.youtube.com/watch?v=r8Os6ubU5zY&list=PLcP_keheVT-fT5kMGn-2oTIYB05mZ5pAB&index=7. Acesso em 24/06/2024.

Brasil cai duas posições no ranking do Índice de Desenvolvimento Humano. G1. 2024. Disponível em: https://g1.globo.com/mundo/noticia/2024/03/13/brasil-cai-duas-posicoes-no-ranking-do-indice-de-desenvolvimento-humano.ghtml. Acesso em 25/06/2024.

Cidades e Estados: Bahia. IBGE. 2023. Disponível em: https://www.ibge.gov.br/cidades-e-estados/ba.html. Acesso em 24/06/2024.

IDH: saiba o que é, como é calculado e IDH do Brasil e do mundo. Economista Finaceiro. 2020. Disponível em: https://economistafinanceiro.com.br/idh-saiba-o-que-e-como-e-calculado-e-idh-do-brasil-e-do-mundo/. Acesso em 25/06/2024.

ANEXOS

library(readxl)
library(utf8)
library(DataExplorer)
library(ggplot2)
library(knitr)

meuxlsx <- "BA.xlsx"
Dados<- read_excel(path = meuxlsx, sheet = 1)
dados <- as.data.frame(Dados)


plot_intro(dados)


mediaDenD <- mean(dados$DenD)
mediaEsco <- mean(dados$Esco)
mediaIDHM <- mean(dados$IDHM)

medianaDenD <- median(dados$DenD)
medianaEsco <- median(dados$Esco)
medianaIDHM <- median(dados$IDHM)

modaDenD <- as.numeric(names(sort(table(dados$DenD), decreasing = TRUE)[1]))
modaEsco <- as.numeric(names(sort(table(dados$Esco), decreasing = TRUE)[1]))
modaIDHM <- as.numeric(names(sort(table(dados$IDHM), decreasing = TRUE)[1]))
  
resultados <- data.frame(
  Medida = c("Média", "Mediana", "Moda"),
  Densidade_Demográfica = c(round(mediaDenD, 3), round(medianaDenD, 3), round(modaDenD, 3)),
  Escolaridade = c(round(mediaEsco, 3), round(medianaEsco, 3), round(modaEsco, 3)),
  IDHM = c(round(mediaIDHM, 3), round(medianaIDHM, 3), round(modaIDHM, 3))
)

kable(resultados, align = "c")


categorias <- cut(dados$IDHM, breaks = c(0, 0.499, 0.599, 0.699, 0.799, 1), labels = c("Muito Baixo", "Baixo", "Médio", "Alto", "Muito Alto"))
tabela2 <- table(categorias)

freq_abs_acumulada <- cumsum(tabela2)

freq_relativa <- prop.table(tabela2)

freq_relativa_percent <- round(prop.table(tabela2) * 100, 2)
freq_relativa_percent <- paste0(freq_relativa_percent, "%")

tabela_df <- data.frame(
  IDHM = c("0|--|0.499", "0.499--|0.599", "0.599--|0.699", "0.699--|0.799", "0.799--|1"),
  Categoria = names(tabela2),
  Frequencia_Absoluta = as.vector(tabela2),
  Frequencia_Absoluta_Acumulada = as.vector(freq_abs_acumulada),
  Frequencia_Relativa = as.vector(freq_relativa),
  Frequencia_Relativa_Porcentagem = as.vector(freq_relativa_percent)
)

colnames(tabela_df) <- c("IDHM", "Categoria", "ni", "Ni", "fi", "fi%")

kable(tabela_df, align = "c")


amplitude <- range(dados$IDHM)
amplitude_total <- amplitude[2] - amplitude[1]

variancia <- round(var(dados$IDHM), 7)

desvio_padrao <- round(sd(dados$IDHM), 7)

media_idhm <- mean(dados$IDHM)
coeficiente_variacao <- round((desvio_padrao / media_idhm), 7)
coefic_variacao_percent <- round((desvio_padrao / media_idhm) * 100, 2)
coefic_variacao_percent <- paste0(coefic_variacao_percent, "%")

medidas_variacao_df <- data.frame(
  Medida = c("Amplitude", "Variância", "Desvio Padrão", "Coefic. de Variação", "CV (%)"),
  Valor = c(amplitude_total, variancia, desvio_padrao, coeficiente_variacao, coefic_variacao_percent)
)

kable(medidas_variacao_df, align = "c")


ggplot(dados, aes(y = IDHM)) +
  geom_boxplot(width = .75, fill = "#c41818", outlier.size = 1.8, outlier.shape = 16, outlier.colour = "#c41818", outlier.fill = "#c41818") +
  xlab("") +
  ylab("IDHM") +
  scale_y_continuous(breaks = seq(0.45, 0.8, by = 0.025), limits = c(0.45, 0.8)) +
  theme(legend.position = "none")


dados_somados <- aggregate(IDHM ~ Mun, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$IDHM), ]
top_15 <- head(dados_ordenados, 15)

ggplot(top_15, aes(x = IDHM, y = reorder(Mun, IDHM), fill = IDHM)) +
  geom_bar(stat = "identity", width = .75) +
  geom_text(aes(label = IDHM), hjust = -0.1, color = "#404040") +
  xlab("IDHM") +
  ylab("Município") +
  scale_fill_gradient(low = "#FF3333", high = "#990000") +
  scale_x_continuous(labels = scales::comma_format(), limits = c(0, max(top_15$IDHM) * 1.1)) +
  theme(legend.position = "none")


dados_somados <- aggregate(IDHM ~ Mun, data = dados, sum)
dados_ordenados <- dados_somados[order(dados_somados$IDHM), ]
top_15 <- head(dados_ordenados, 15)


ggplot(top_15, aes(x = IDHM, y = reorder(Mun, -IDHM), fill = IDHM)) +
  geom_bar(stat = "identity", width = .75) +
  geom_text(aes(label = IDHM), hjust = -0.1, color = "#404040") +
  xlab("IDHM") +
  ylab("Município") +
  scale_fill_gradient(low = "#FF3333", high = "#990000") +
  scale_x_continuous(labels = scales::comma_format(), limits = c(0, max(top_15$IDHM) * 1.1)) +
  theme(legend.position = "none")


ggplot(data = dados, aes(x = IDHM)) +
  geom_histogram(aes(fill = after_stat(count)), binwidth = 0.02, color = "gray", alpha = 1) +
  geom_vline(aes(xintercept = mediaIDHM, color = "= Média;"), linetype = "solid", linewidth = 1) +
  geom_vline(aes(xintercept = medianaIDHM, color = "= Mediana;"), linetype = "solid", linewidth = 1) +
  geom_vline(aes(xintercept = modaIDHM, color = "= Moda."), linetype = "solid", linewidth = 1) +
  labs(
       x = "IDHM",
       y = "Frequência") +
  theme_minimal() +
  scale_color_manual(name = "Medidas:",
                     values = c("= Média;" = "black", "= Mediana;" = "green", "= Moda." = "blue")) +
  scale_fill_gradient(low = "#FF3333", high = "#990000") +
  theme(legend.position = "top", legend.title = element_blank())


dados_somados <- aggregate(Esco ~ Mun, data = dados, sum)
dados_ordenados <- dados_somados[order(-dados_somados$Esco), ]
top_10 <- head(dados_ordenados, 10)

ggplot(top_10, aes(y = Mun, x = Esco)) +
  geom_point(color = "#c41818", size = 3) +
  xlab("Município") +
  ylab("Escolaridade") +
  theme(axis.text.x = element_text(angle = 0, hjust = .5, vjust = .3),
        legend.position = "none")


dados_somados <- aggregate(Esco ~ Mun, data = dados, sum)
dados_ordenados <- dados_somados[order(dados_somados$Esco), ]
top_10 <- head(dados_ordenados, 10)

ggplot(top_10, aes(y = Mun, x = Esco)) +
  geom_point(color = "#c41818", size = 3) +
  xlab("Município") +
  ylab("Escolaridade") +
  theme(axis.text.x = element_text(angle = 0, hjust = .5, vjust = .3),
        legend.position = "none")

Relatório de Análise Exploratória da Bahia