Introdução:

Santa Catarina é um estado localizado na região sul do Brasil, cuja capital é Florianópolis, uma ilha conhecida por suas praias e belezas naturais. A diversidade de climas, paisagens e relevos estimula o desenvolvimento de inúmeras atividades, da agricultura ao turismo, atraindo investidores de segmentos distintos e permitindo que a riqueza não fique concentrada em apenas uma área. O Estado faz fronteira com o Paraná (ao Norte), Rio Grande do Sul (ao Sul), Oceano Atlântico (Leste) e Argentina (Oeste).

Este relatório oferece uma análise abrangente dos municípios de Santa Catarina, destacando um estado brasileiro que se sobressai por sua rica diversidade geográfica e econômica. Buscando proporcionar uma compreensão mais profunda do panorama estadual, exploraremos informações cruciais, tais como o Índice de Desenvolvimento Humano Municipal (IDHM), os municípios mais populosos, o Produto Interno Bruto (PIB) e outros indicadores sociais e econômicos relevantes.

Os dados apresentados nesta análise foram meticulosamente coletados do Instituto Brasileiro de Geografia e Estatística (IBGE), uma fonte confiável e reconhecida por fornecer informações precisas e atualizadas sobre diversos aspectos do Brasil.

Metodologia:

O objetivo principal deste relatório é proporcionar uma análise detalhada e aprofundada das experiências adquiridas no campo do domínio de dados, com especial atenção à utilização de ferramentas estatísticas de grande importância. Nossa abordagem incluirá a identificação dos municípios com os mais elevados Índices de Desenvolvimento Humano Municipal (IDHM), a comparação desses índices com a média nacional do IDH, a análise dos municípios com os maiores e menores Produto Interno Bruto (PIB), além de considerar outros fatores relevantes para uma compreensão abrangente. Além disso, este relatório visa não apenas apresentar os dados de forma estruturada e organizada, mas também utilizar análise exploratória de dados (AED) para explorar visualmente as principais características dos municípios catarinenses. A AED será complementada pelo uso de medidas de variação e dispersão, que nos fornecerão insights cruciais sobre a distribuição e variabilidade dos dados socioeconômicos coletados. Ao final, esperamos proporcionar uma visão holística e embasada sobre a situação econômica e social dos municípios de Santa Catarina, contribuindo assim para um entendimento mais profundo e informado do estado.

Neste relatório, utilizamos um conjunto de bibliotecas essenciais para análise de dados em R, comecei utilizando o ggplot2(esta poderosa biblioteca foi fundamental para a criação de gráficos informativos e visualmente atraentes, permitindo-nos explorar e visualizar os dados de maneira eficaz), depois utilizei o readxl(utilizada para importar dados diretamente de arquivos Excel para o ambiente R, facilitando o manuseio e análise dos dados coletados) tambem usei o DBI e o RSQLite(bibliotecas utilizadas para interação com bancos de dados, permitindo a gestão e manipulação eficiente dos dados armazenados) e por fim o knitr(crucial para a geração de relatórios dinâmicos e bem formatados, integrando perfeitamente o código R com a documentação e os resultados da análise)

Os dados apresentados foram retirados no site do IBGE: https://www.ibge.gov.br/cidades-e-estados/sc/

Empregamos métodos estatísticos para resumir extensos conjuntos de dados em medidas concisas, tais como médias, medianas, modas, entre outras. Além disso, uma compreensão clara dos dados através de estatísticas descritivas é crucial para embasar a tomada de decisões.

Ao apresentar números significativos e tendências, os tomadores de decisão podem fundamentar suas escolhas em dados objetivos. Um exemplo disso que foi usado para ajudar na compreensão dos dados foi o Violin Boxplot que é uma representação gráfica que oferece uma visão compacta e informativa da distribuição estatística de um conjunto de dados.

Também utilizei os gráficos que proporcionam uma representação visual clara e intuitiva dos dados, tornando informações complexas mais acessíveis e compreensíveis para um público amplo.



Análises do Estado de Santa Catarina:


Municípios de Santa Catarina com as maiores áreas territorias


Santa Catarina é o décimo primeiro estado mais extenso do Brasil em termos de área territorial, com aproximadamente 95.346 km². Neste gráfico, observa-se os observa-se os 30 municípios de Santa Catarina com as maiores áreas territorias. Podemos notar que Cordilheira Alta, um dos municípios que compõem a região do Oeste Catarinense, detém a maior extensão territorial do estado.




Municípios com as maiores receitas do Estado.


Aqui utilizo de um histograma que é uma representação gráfica de dados quantitativos contínuos, exibida através de retângulos adjacentes. A altura de cada retângulo é proporcional às frequências (absolutas ou relativas) dos intervalos de valores correspondentes. Com uma posição de destaque no cenário econômico catarinense, Joinville ostenta o título de município com a maior receita do estado. Esse feito reflete não apenas a sua relevância histórica, mas também a vitalidade de suas atividades econômicas, contribuindo significativamente para o desenvolvimento econômico e social da região e do estado como um todo.




Melhores Índices de Desenvolvimento Humano Municipal (IDHM).

De acordo com dados do IBGE, os municípios de Balneário Camboriú e Florianópolis lideram a lista, ocupando o primeiro e o segundo lugar, respectivamente, destacando-se pelo seu alto nível de desenvolvimento humano. Santa Catarina destaca-se com uma média do Índice de Desenvolvimento Humano (IDH) de 0,792, superando a média nacional de 0,758. Atualmente, Santa Catarina ocupa a terceira posição no ranking do IBGE dos melhores IDHs do Brasil. Essa comparação ressalta a posição relativamente elevada do estado em termos de desenvolvimento humano, indicando um nível de qualidade de vida, educação e renda acima da média nacional. A diferença entre as médias sugere um desempenho mais robusto nos indicadores que compõem o IDH em Santa Catarina em comparação com o cenário nacional.






Piores Índices de Desenvolvimento Humano Municipal (IDHM).

Cerro Negro é identificado como o município com o menor Índice de Desenvolvimento Humano Municipal(IDHM) do Estado de Santa Catarina. Embora Cerro Negro enfrente desafios em seu desenvolvimento humano, seu IDH de 0,621 está consideravelmente acima do registrado em Melgaço(PA) que é de de 0,418, destacando a extensão das dificuldades enfrentadas pelo município paraense em termos de expectativa de vida, educação e renda per capita. Essa comparação ressalta a diversidade das condições socioeconômicas existentes em diferentes regiões do Brasil, evidenciando a necessidade de abordagens específicas para melhorar o bem-estar e o desenvolvimento nessas comunidades.





Tabela de Distribuição de Frequência:

A tabela de distribuição de frequência é uma ferramenta essencial em estatística e análise de dados que permite organizar, resumir e visualizar dados de maneira eficaz, facilitando a compreensão e a tomada de decisões. Ela serve para várias finalidades importantes, especialmente em análises de dados exploratórias, pois facilita a organização dos dados em classes ou intervalos, tornando mais fácil a visualização da distribuição dos dados.

Tabela de Distribuição do IDHM
Categoria Frequencia_Absoluta Frequencia_Absoluta_Acumulada Frequencia_Relativa Frequencia_Relativa_Porcentagem
Baixo 0 0 0.0000000 0.000000
Médio Baixo 64 64 0.2184300 21.843003
Médio Alto 219 283 0.7474403 74.744027
Alto 10 293 0.0341297 3.412969 
## Média do IDHM de 2010: 0.732 
## Mediana do IDHM de 2010: 0.736 
## Moda do IDHM de 2010: 0.738

Média: é a soma de todos os valores dividida pelo número de valores. Ela representa o valor central de um conjunto de dados.

Mediana: é o valor que separa os dados ordenados em duas metades iguais. Se o número de valores for ímpar, a mediana é o valor do meio. Se for par, a mediana é a média dos dois valores do meio.

Moda: é o valor que aparece com mais frequência em um conjunto de dados. Pode haver mais de uma moda se vários valores tiverem a mesma frequência máxima.

O Índice de Desenvolvimento Humano Municipal (IDHM) é uma métrica crucial para avaliar a qualidade de vida e o desenvolvimento humano em municípios brasileiros. Classificado em quatro categorias distintas, o IDHM baixo (inferior a 0,500) indica áreas com deficiências significativas em longevidade, educação e renda. Municípios com IDHM médio (entre 0,500 e 0,799) demonstram melhorias, mas enfrentam desafios em diferentes dimensões. Aqueles com IDHM alto (entre 0,800 e 0,899) exibem indicadores positivos em longevidade, educação e renda, enquanto os municípios com IDHM muito alto (igual ou superior a 0,900) destacam-se por condições de vida excelentes e bem equilibradas nas três áreas avaliadas. Pela tabela de distribuição do Índice de Desenvolvimento Humano Municipal (IDHM), conclui-se que nenhum município apresenta um IDHM classificado como baixo, ou seja, abaixo de 0,500. Isso sugere que todos os municípios analisados na amostra alcançaram um nível mínimo aceitável de condições de vida de acordo com os critérios estabelecidos pelo IDHM.

Medidas de Variação ou Dispersão do IDHM
Medida Valor
Amplitude (Range) 0.2260000
Variância 0.0016133
Desvio Padrão 0.0401655
Coeficiente de Variação (%) 5.4897307

Amplitude:

É a diferença entre o valor máximo e o valor mínimo do conjunto de dados. Ela fornece uma ideia da variação total no conjunto de dados. No caso do IDHM, a amplitude mostra a diferença entre o município com o menor IDHM e o município com o maior IDHM.

Variância:

É uma medida que indica o quanto os valores de um conjunto de dados se dispersam em relação à média. Uma variância alta indica que os dados estão amplamente dispersos. Para o IDHM, a variância ajuda a entender quão dispersos estão os valores dos municípios em relação à média estadual.

Desvio Padrão:

É a raiz quadrada da variância e também fornece uma medida de dispersão. Ele tem a vantagem de estar na mesma unidade de medida dos dados originais. No caso do IDHM, o desvio padrão indica, em média, quanto os valores dos municípios diferem da média estadual.

Coeficiente de Variação:

É a razão entre o desvio padrão e a média, expressa como uma porcentagem. Ele é útil para comparar a dispersão entre diferentes conjuntos de dados com médias diferentes. Para o IDHM, o coeficiente de variação mostra a magnitude da dispersão em relação à média estadual, facilitando a comparação com outras variáveis ou regiões.

Essas medidas fornecem uma visão abrangente sobre a variação e dispersão dos valores de IDHM entre os municípios de Santa Catarina, ajudando a compreender melhor as desigualdades e variações no desenvolvimento humano dentro do estado.

Neste gráfico, destacamos os 20 municípios mais populosos de Santa Catarina, e Joinville lidera a lista como o município com a maior população.

Joinville, como o município mais populoso de Santa Catarina, ocupa o 34º lugar no ranking nacional, com uma população de 616.323 habitantes. Essa posição demonstra sua expressiva população, destacando a relevância demográfica da cidade no contexto brasileiro. No entanto, ao comparar Joinville com São Paulo, o município paulista lidera o ranking como o mais populoso do Brasil, com uma população significativamente maior de 11.451.999 habitantes.




Violin Plot exibindo as despesas que foram geradas pelos municípios de Santa Catarina com os outliers.

O Violin Plot exibe a distribuição dos dados ao longo de um eixo vertical, mostrando a densidade de probabilidade em diferentes valores, e como um boxplot, o Violin Plot apresenta a mediana (linha no centro), quartis (caixa) e possíveis outliers (pontos fora do intervalo interquartil). Assim, permitindo comparar visualmente várias distribuições de dados lado a lado, facilitando a identificação de diferenças em suas formas e dispersões.


Neste gráfico, apresentamos os 20 municípios de Santa Catarina com os maiores Produto Interno Bruto (PIB), e Piratuba se destaca como o município com o PIB mais elevado.

Em uma análise dos 20 municípios de Santa Catarina com os maiores Produtos Internos Brutos (PIBs), Piratuba se destaca como o município líder, apresentando o PIB mais elevado entre eles. Essa posição ressalta o vigor econômico e o contributo significativo de Piratuba para o desenvolvimento econômico do estado.




Neste gráfico, apresentamos os 20 municípios de Santa Catarina com os maiores Taxas de Escolarização.

Em relação à escolarização, o estado tem um histórico de investimentos em educação e apresenta indicadores educacionais relativamente positivos se comparados a outros estados brasileiros. Santa Catarina ocupa a terceira posição no país em termos do maior índice de participação de jovens(97,8%), com idades entre 18 e 24 anos, no ensino superior, ficando abaixo de Rio de Janeiro(97,9%) e Distrito Federal(98,1%).


Usando o comando “Sumary”, nós geramos um resumo estatístico das colunas do conjunto de dados que foram utilizados para fazer esse relatório.

summary(dados[,1:10])
##   Município             Código        Area_territorial     Pop_muni     
##  Length:293         Min.   :4200051   Min.   :  35.14   Min.   :  1651  
##  Class :character   1st Qu.:4204558   1st Qu.: 138.95   1st Qu.:  3653  
##  Mode  :character   Median :4209805   Median : 233.70   Median :  8285  
##                     Mean   :4209769   Mean   : 326.14   Mean   : 25882  
##                     3rd Qu.:4215059   3rd Qu.: 384.13   3rd Qu.: 19746  
##                     Max.   :4219853   Max.   :2637.66   Max.   :616323  
##                                                                         
##   Densid_2022      Escolarização      IDHM_2010      Mort_infantil_2020
##  Min.   :   1.97   Min.   : 92.80   Min.   :0.6210   Min.   : 1.920    
##  1st Qu.:  20.43   1st Qu.: 97.50   1st Qu.:0.7050   1st Qu.: 8.752    
##  Median :  34.74   Median : 98.40   Median :0.7360   Median :13.140    
##  Mean   : 104.44   Mean   : 98.18   Mean   :0.7316   Mean   :15.985    
##  3rd Qu.:  74.96   3rd Qu.: 99.10   3rd Qu.:0.7590   3rd Qu.:19.850    
##  Max.   :3077.70   Max.   :100.00   Max.   :0.8470   Max.   :62.500    
##                                                      NA's   :113       
##     Receitas       Despesas_2017    
##  Min.   :  12912   Min.   :  10033  
##  1st Qu.:  18783   1st Qu.:  15994  
##  Median :  27811   Median :  24120  
##  Mean   :  88893   Mean   :  76691  
##  3rd Qu.:  62033   3rd Qu.:  53066  
##  Max.   :2280394   Max.   :1907864  
##



Esse comando mostra o total de linhas e colunas do nosso banco de dados.

## [1] 293  11

Conclusão:

Neste relatório, realizamos uma análise dos dados disponibilizados pelo IBGE referentes ao estado de Santa Catarina. Apresentamos informações relevantes que destacam alguns dos principais aspectos do estado, incluindo Índice de Desenvolvimento Humano Municipal (IDHM), população, Produto Interno Bruto (PIB) e outros indicadores importantes. Utilizamos a Análise Exploratória de Dados (AED) e Medidas de Variação e Dispersão para obter uma visão abrangente de diversos aspectos socioeconômicos e demográficos do estado, contribuindo para uma compreensão mais completa de Santa Catarina.

Diante do exposto, podemos observar que Santa Catarina, o décimo primeiro estado mais extenso do Brasil, destaca-se em vários aspectos. Cordilheira Alta é o município com a maior extensão territorial. Joinville lidera em receita, evidenciando sua vitalidade econômica. No Índice de Desenvolvimento Humano (IDH), Santa Catarina supera a média nacional, com Balneário Camboriú e Florianópolis destacando-se. Cerro Negro, apesar dos desafios, possui IDH superior a Melgaço (PA). Joinville é o município mais populoso do estado, mas São Paulo lidera nacionalmente. Piratuba destaca-se nos 20 municípios com maiores PIBs em Santa Catarina, evidenciando seu papel econômico crucial. No âmbito educacional, Santa Catarina se posiciona como o terceiro estado com o maior índice de participação de jovens no ensino superior, evidenciando investimentos em educação. Esses diversos aspectos ressaltam a complexidade e a heterogeneidade de Santa Catarina, indicando a necessidade de abordagens específicas para lidar com as diferentes realidades presentes no estado.



Referências

library(ggplot2)
library(readxl) 
library(DBI)
library(RSQLite)
library(knitr)


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


dados <- dados[order(dados$Area_territorial), ]
AreaTerritorial <- head(dados, 30)

ggplot(AreaTerritorial, aes(x = Area_territorial, y = reorder(Município, Area_territorial))) +
  geom_bar(stat = "identity", width = .90, fill="#819ca9") +
  ggtitle("Área Territórial por Município") +
  ylab("Municípios") + xlab("Área Territorial")

library(ggplot2)


dados <- dados[order(dados$Receitas, decreasing = TRUE),]


maior_Receitasrealizadas <- head(dados, 5)


ggplot(maior_Receitasrealizadas, aes(x = Município, y = Receitas, fill = Município)) +
  geom_bar(stat = "identity") +
  theme_minimal() +
  labs(title = "Municípios com as maiores Receitas", x = "Município", y = "Receitas") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) 

dados <- dados[order(dados$IDHM_2010, decreasing = TRUE), ]
melhor_índice <- head(dados, 10)

ggplot(melhor_índice, aes(x = Município, y = IDHM_2010)) +
  geom_bar(stat = "identity", fill = "lightgreen") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
  labs(title = "Municípios com os 10 melhores IDHMs de Santa Catarina",
       x = "Município",
       y = "IDHM")


dados <- dados[order(dados$IDHM_2010, decreasing = FALSE), ]
pior_índice <- head(dados, 10)


ggplot(pior_índice, aes(x = Município, y = IDHM_2010)) +
  geom_bar(stat = "identity", fill = "red") +
  theme(axis.text.x = element_text(angle = 50, hjust = 1)) +
  labs(title = "Municípios com os 10 piores IDHMs de Santa Catarina",
       x = "Município",
       y = "IDHM")


categorias <- cut(dados$IDHM_2010, breaks = c(0, 0.6, 0.7, 0.8, 1), labels = c("Baixo", "Médio Baixo", "Médio Alto", "Alto"))
tabela <- table(categorias)


freq_abs_acumulada <- cumsum(tabela)


freq_relativa <- prop.table(tabela)


freq_relativa_percent <- prop.table(tabela) * 100


tabela_df <- data.frame(
  Categoria = names(tabela),
  Frequencia_Absoluta = as.vector(tabela),
  Frequencia_Absoluta_Acumulada = as.vector(freq_abs_acumulada),
  Frequencia_Relativa = as.vector(freq_relativa),
  Frequencia_Relativa_Porcentagem = as.vector(freq_relativa_percent)
)


knitr::kable(tabela_df, align = "c", caption = "Tabela de Distribuição do IDHM")


dados <- dados[!is.na(dados$IDHM_2010), ]


if (all(is.numeric(dados$IDHM_2010))) {
  idhm <- dados$IDHM_2010
  

  media_idhm <- mean(idhm)
  

  mediana_idhm <- median(idhm)
  

  moda_idhm <- as.numeric(names(sort(table(idhm), decreasing = TRUE)[1]))
  

  cat("Média do IDHM de 2010:", round(media_idhm, 3), "\n")
  cat("Mediana do IDHM de 2010:", round(mediana_idhm, 3), "\n")
  cat("Moda do IDHM de 2010:", round(moda_idhm, 3), "\n")
} else {
  cat("A coluna IDHM_2010 contém valores não numéricos.")
}


dados <- dados[!is.na(dados$IDHM_2010), ]


if (all(is.numeric(dados$IDHM_2010))) {
  idhm <- dados$IDHM_2010
  

  media_idhm <- mean(idhm)
  

  mediana_idhm <- median(idhm)
  

  moda_idhm <- as.numeric(names(sort(table(idhm), decreasing = TRUE)[1]))
  
  
  p <- ggplot(data = dados, aes(x = IDHM_2010)) +
    geom_histogram(binwidth = 0.02, fill = "lightblue", color = "black", alpha = 0.7) +
    geom_vline(aes(xintercept = media_idhm, color = "Média"), linetype = "dashed", linewidth = 1) +
    geom_vline(aes(xintercept = mediana_idhm, color = "Mediana"), linetype = "dashed", linewidth = 1) +
    geom_vline(aes(xintercept = moda_idhm, color = "Moda"), linetype = "dashed", linewidth = 1) +
    labs(title = "Histograma do IDHM de 2010 com Média, Moda e Mediana",
         x = "IDHM de 2010",
         y = "Frequência") +
    theme_minimal() +
    scale_color_manual(name = "Estatísticas",
                       values = c("Média" = "blue", "Mediana" = "green", "Moda" = "red")) +
    theme(legend.position = "top")
  
  print(p)
} else {
  cat("A coluna IDHM_2010 contém valores não numéricos.")
}


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


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


dados <- dados[!is.na(dados$IDHM_2010), ]


if (all(is.numeric(dados$IDHM_2010))) {
  idhm <- dados$IDHM_2010
  

  amplitude <- range(idhm)
  amplitude_total <- amplitude[2] - amplitude[1]
  

  variancia <- var(idhm)
  

  desvio_padrao <- sd(idhm)
  

  media_idhm <- mean(idhm)
  coeficiente_variacao <- (desvio_padrao / media_idhm) * 100
  

  medidas_variacao_df <- data.frame(
    Medida = c("Amplitude (Range)", "Variância", "Desvio Padrão", "Coeficiente de Variação (%)"),
    Valor = c(amplitude_total, variancia, desvio_padrao, coeficiente_variacao)
  )
  
  knitr::kable(medidas_variacao_df, align = "c", caption = "Medidas de Variação ou Dispersão do IDHM")
} else {
  cat("A coluna IDHM_2010 contém valores não numéricos.")
}


dados <- dados[order(dados$Pop_muni, decreasing = TRUE),]

Maior_contingente_populacional<- head(dados,20)

ggplot(Maior_contingente_populacional, aes(x=Município, y=Pop_muni)) +
  geom_bar(stat="identity", fill="green") +
  theme(axis.text.x = element_text(angle =50, hjust =1)) +
  labs(title="20 maiores contigentes populacionais", 
       x="Município", 
       y="População")


old <- options("warn")
options(warn = -1)


ggplot(dados, aes(x = "", y = Despesas_2017)) +
  geom_violin(trim = FALSE, fill = "lightblue", linewidth = 0.5) +
  geom_boxplot(width = 0.1, fill = "lightgray", outlier.colour = "red", outlier.shape = 16, outlier.linewidth = 0.5, linewidth = 0.5) +
  labs(title = "Violin Plot das Despesas de 2017",
       x = "Despesas",
       y = "Valores") +
  theme_minimal()


options(old)


dados <- dados[order(dados$PIB_2020, decreasing = TRUE),]

Maior_pib<- head(dados,20)

ggplot(Maior_pib, aes(x=Município, y=PIB_2020)) +
  geom_bar(stat="identity", fill="orange") +
  theme(axis.text.x = element_text(angle =50, hjust =1)) +
  labs(title="20 maiores Pib's por Município", 
       x="Município", 
       y="PIB")


dados <- dados[order(dados$Escolarização, decreasing = TRUE),]

Escola <- head(dados, 20)


Escola$cumulative <- cumsum(Escola$Escolarização)
Escola$cumulative_perc <- Escola$cumulative / sum(Escola$Escolarização) * 100


ggplot(Escola, aes(x=reorder(Município, -Escolarização), y=Escolarização)) +
  geom_bar(stat="identity", fill="lightblue") +
  geom_line(aes(y=cumulative_perc, group=1), color="red", size=1) +
  geom_point(aes(y=cumulative_perc, group=1), color="red", size=2) +
  scale_y_continuous(sec.axis = sec_axis(~., name = "Frequência Acumulada (%)")) +
  theme(axis.text.x = element_text(angle = 50, hjust = 1)) +
  labs(title="20 municípios com as maiores Taxas de Escolarização",
       x="Município",
       y="Escolarização")

summary(dados[,1:10])


dim(dados)





dados_agregados <- dados %>%
  group_by(Município) %>%
  summarise(Media_Escolarizacao = mean(Escolarização, na.rm = TRUE))


colnames(dados_agregados) <- c("Municipio", "Media_Escolarizacao")


amostra <- dados_agregados %>%
  sample_n(size = 100, replace = FALSE)


datatable(amostra)

library(dplyr)
library(DT)  


dados_agregados <- dados %>%
  group_by(Município) %>%
  summarise(Media_Escolarizacao = mean(Escolarização, na.rm = TRUE))


colnames(dados_agregados) <- c("Municipio", "Media_Escolarizacao")


amostra <- dados_agregados %>%
  sample_n(size = 100, replace = TRUE)


datatable(amostra)

library(dplyr)
library(DT)  
set.seed(123)  

dados <- data.frame(
  Municipio = rep(1:20, each = 10),  
  Escolarizacao = rnorm(200, mean = 70, sd = 10)  
)


conglomerados <- unique(dados$Municipio)


conglomerados_amostrados <- sample(conglomerados, size = 5, replace = FALSE)


dados_amostra <- dados %>%
  filter(Municipio %in% conglomerados_amostrados)


datatable(dados_amostra)