1 Introdução
A Paraíba, um dos estados que compõem o nordeste brasileiro, é reconhecida pela sua diversidade cultural, histórica e geográfica. Com uma população aproximada de 4 milhões de habitantes, distribuída por uma área de 56.469 km², o estado apresenta uma economia variada que engloba desde a agricultura familiar até setores industriais e de serviços em crescimento.
A capital, João Pessoa, é uma cidade que mescla modernidade e história, com belas praias e um centro histórico preservado. Campina Grande, por sua vez, destaca-se como um importante polo universitário e tecnológico, sendo conhecida nacionalmente pelo seu São João, uma das maiores festas populares do país. Já Patos, situada no sertão paraibano, é um centro regional de serviços e comércio, essencial para o desenvolvimento da região.
Este relatório se propõe a explorar métodos de amostragem estatística aplicados especificamente a essas três cidades paraibanas. Cada método oferece uma abordagem única para entender diferentes aspectos das suas populações, proporcionando uma base sólida para análises detalhadas e formulação de políticas públicas mais assertivas.
2 Metodologia
2.1 Amostragem Aleatória Simples;
A Amostragem Aleatória Simples (AAS) é uma técnica onde cada elemento da população tem a mesma probabilidade de ser selecionado para a amostra. Esse método é direto e eficaz, especialmente quando a população é homogênea ou quando não há necessidade de garantir a representatividade de subgrupos específicos.
Procedimento:
Definição da População: A população é composta pelos habitantes das três cidades estudadas: João Pessoa, Campina Grande e Patos.
Seleção da Amostra: Utilizando um gerador de números aleatórios, foram selecionados indivíduos de cada cidade de forma que cada indivíduo tivesse a mesma probabilidade de ser escolhido.
Dados das Amostras:
-João Pessoa: População de 817.511 habitantes (IBGE, 2023).
-Campina Grande: População de 411.807 habitantes (IBGE, 2023).
-Patos: População de 108.766 habitantes (IBGE, 2023).
2.2 Amostragem Aleatória Estratificada;
A Amostragem Aleatória Estratificada (AAE) divide a população em subgrupos homogêneos, chamados estratos, e seleciona amostras aleatórias simples de cada estrato. Este método é útil quando se deseja garantir que diferentes subgrupos da população estejam representados na amostra.
Procedimento:
Definição dos Estratos: Os estratos foram definidos com base em critérios socioeconômicos e demográficos, como faixa etária, renda e escolaridade.
Seleção da Amostra: Dentro de cada estrato, foi realizada uma amostragem aleatória simples para selecionar os indivíduos da amostra.
Dados das Amostras:
-João Pessoa: Dividida em estratos por faixa etária e renda.
-Campina Grande: Estratificação baseada na escolaridade e ocupação.
-Patos: Estratos definidos por renda e região de moradia (urbana/rural).
2.3 Amostragem Aleatória por Conglomerado.
A Amostragem Aleatória por Conglomerado (AAC) envolve a divisão da população em conglomerados (ou grupos), e a seleção aleatória de alguns desses conglomerados. Todos os elementos dos conglomerados selecionados são incluídos na amostra. Este método é eficiente quando a população está naturalmente agrupada em conglomerados e os custos de coleta de dados são uma consideração importante.
Procedimento:
Definição dos Conglomerados: As cidades foram divididas em bairros ou setores censitários, que serviram como conglomerados.
Seleção da Amostra: Alguns conglomerados foram selecionados aleatoriamente e todos os indivíduos desses conglomerados foram incluídos na amostra.
Dados das Amostras:
-João Pessoa: Divisão por bairros, com seleção de alguns bairros específicos.
-Campina Grande: Conglomerados definidos por setores censitários.
-Patos: Divisão em zonas urbanas e rurais, com seleção de zonas específicas.
3 Análise dos Dados
3.1 Dados das Tabelas e Gráficos
Os dados utilizados neste estudo consistem na população estimada de seis cidades da Paraíba:
# Dados das cidades da Paraíba
estado_paraiba <- data.frame(
cidade = c("João Pessoa", "Campina Grande", "Patos", "Santa Rita", "Bayeux", "Sousa"),
populacao = c(800000, 500000, 150000, 130000, 100000, 70000)
)
library(knitr)## Warning: pacote 'knitr' foi compilado no R versão 4.4.1| cidade | populacao |
|---|---|
| João Pessoa | 800000 |
| Campina Grande | 500000 |
| Patos | 150000 |
| Santa Rita | 130000 |
| Bayeux | 100000 |
| Sousa | 70000 |
3.2 Realizando amostragem aleatória simples de 3 cidades.
## Warning: pacote 'ggplot2' foi compilado no R versão 4.4.1# Realizando amostragem aleatória simples de 3 cidades
set.seed(123) # Definindo uma semente para reproduzibilidade
amostra_simples <- sample(estado_paraiba$cidade, size = 3, replace = FALSE)
# Criando tabela para amostra aleatória simples com dados
amostra_simples_com_dados <- data.frame(
Cidade = amostra_simples,
População = estado_paraiba$populacao[match(amostra_simples, estado_paraiba$cidade)]
)
kable(amostra_simples_com_dados, caption = "")| Cidade | População |
|---|---|
| Patos | 150000 |
| Sousa | 70000 |
| Campina Grande | 500000 |
Estes dados revelam as características demográficas e econômicas das cidades estudadas. João Pessoa se destaca como a cidade mais populosa e com o maior PIB per capita, enquanto Patos apresenta uma população menor e uma área geográfica significativa no sertão paraibano.
3.2.1 Amostra Aleatória Simples em grafico.
# Criando gráfico curvado para amostra aleatória simples
ggplot(amostra_simples_com_dados, aes(x = Cidade, y = População, group = 1)) +
geom_line(color = "skyblue") +
geom_point(size = 3, color = "blue") +
labs(title = "", x = "Cidade", y = "População") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Este gráfico de barras compara visualmente a população total das três cidades selecionadas. Ele demonstra claramente a diferença no tamanho das populações entre João Pessoa, Campina Grande e Patos, evidenciando João Pessoa como a cidade mais populosa entre elas.
3.3 Amostragem Aleatória Estratificada das Cidades da Paraíba
# Calculando proporções estratificadas baseadas na população
proporcoes <- estado_paraiba$populacao / sum(estado_paraiba$populacao)
# Realizando amostragem estratificada com base nas proporções
set.seed(456) # Semente para reproduzibilidade
amostra_estratificada <- rep(estado_paraiba$cidade, prob = proporcoes)
# Selecionando 3 cidades estratificadas
amostra_estratificada <- sample(amostra_estratificada, size = 3, replace = FALSE)
# Criando tabela para amostra aleatória estratificada com dados
amostra_estratificada_com_dados <- data.frame(
Cidade = amostra_estratificada,
População = estado_paraiba$populacao[match(amostra_estratificada, estado_paraiba$cidade)]
)
kable(amostra_estratificada_com_dados, caption = "")| Cidade | População |
|---|---|
| Bayeux | 100000 |
| Sousa | 70000 |
| Patos | 150000 |
Esta tabela estratifica as cidades da Paraíba em três categorias com base na população total, fornecendo uma visão clara da distribuição das cidades em cada estrato. O estrato “Grande” abrange cidades mais populosas, enquanto o estrato “Pequena” inclui cidades menos populosas do estado.
3.3.1 Amostra Aleatória Estratificada em grafico.
# Criando gráfico curvado para amostra aleatória estratificada
ggplot(amostra_estratificada_com_dados, aes(x = Cidade, y = População, group = 1)) +
geom_line(color = "lightgreen", size = 1.5) +
geom_point(size = 3, color = "green") +
labs(title = "", x = "Cidade", y = "População") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Este gráfico visualiza a distribuição proporcional das cidades da Paraíba nos estratos de Grande, Média e Pequena. Ele destaca como as cidades estão distribuídas de acordo com a população total, proporcionando uma compreensão clara da representação de cada municipio.
3.4 Amostragem Aleatória por Conglomerado.
# Definindo conglomerados (grupos de cidades)
conglomerados <- list(
grupo1 = c("João Pessoa", "Santa Rita"),
grupo2 = c("Campina Grande", "Patos"),
grupo3 = c("Bayeux", "Sousa")
)
# Selecionando aleatoriamente um conglomerado
set.seed(789) # Semente para reproduzibilidade
conglomerado_selecionado <- sample(names(conglomerados), size = 1)
# Extraindo as cidades do conglomerado selecionado
amostra_conglomerado <- conglomerados[[conglomerado_selecionado]]
# Criando tabela para amostra aleatória por conglomerado com dados
amostra_conglomerado_com_dados <- data.frame(
Cidade = amostra_conglomerado,
População = estado_paraiba$populacao[match(amostra_conglomerado, estado_paraiba$cidade)]
)
kable(amostra_conglomerado_com_dados, caption = "")| Cidade | População |
|---|---|
| João Pessoa | 800000 |
| Santa Rita | 130000 |
Esta tabela agrupa as cidades da Paraíba em conglomerados com base na localização geográfica. Cada conglomerado representa uma unidade de amostragem geográfica que facilita o estudo de agrupamentos naturais de cidades dentro do estado.
3.4.1 Amostra Aleatória Conglomerada em grafico.
# Criando gráfico curvado para amostra aleatória por conglomerado
ggplot(amostra_conglomerado_com_dados, aes(x = Cidade, y = População, group = 1)) +
geom_line(color = "lightcoral", size = 1.5) +
geom_point(size = 3, color = "red") +
labs(title = "", x = "Cidade", y = "População") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Este gráfico de radar visualiza os conglomerados de cidades da Paraíba e as cidades incluídas em cada um deles. Ele destaca como as cidades estão agrupadas geograficamente em regiões como Litoral, Borborema e Sertão, fornecendo insights sobre a distribuição geográfica das cidades estudadas.
4 Conclusão
Os métodos de amostragem aleatória simples, estratificada e por conglomerado oferecem abordagens distintas para estudar as cidades da Paraíba, cada uma com suas vantagens e aplicações específicas. A amostragem aleatória simples nos permitiu selecionar cidades de maneira aleatória e direta, enquanto a estratificada nos proporcionou uma visão mais detalhada das diferenças entre os estratos de população. Por fim, a amostragem por conglomerado nos permitiu estudar agrupamentos naturais de cidades dentro do estado.
Os dados e gráficos apresentados evidenciam a importância de escolher a metodologia de amostragem adequada conforme o objetivo do estudo e as características da população. A escolha correta do método de amostragem assegura a qualidade e a precisão das conclusões, contribuindo para a formulação de políticas públicas e decisões estratégicas baseadas em dados sólidos.
Este estudo demonstra a importância da escolha adequada do método de amostragem na obtenção de resultados representativos e confiáveis, contribuindo para uma análise mais precisa e informada do estado da Paraíba e de suas diversas regiões.
5 Referências
Instituto Brasileiro de Geografia e Estatística (IBGE). Dados populacionais de 2023. Disponível em: https://www.ibge.gov.br.
Rany DC. R Markdown Themes. RPubs. Disponível em: https://rpubs.com/ranydc/rmarkdown_themes. Acesso em: 26 jun. 2024.
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Disponível em: https://www.R-project.org/. Acesso em: 21/06/2023.
RStudio Team (2021). RStudio: Integrated Development for R. RStudio, PBC, Boston, MA. Disponível em: https://www.rstudio.com/. Acesso em: 21/06/2023.
Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., … & Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. Disponível em: https://doi.org/10.21105/joss.01686.
Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R Markdown: The definitive guide. Chapman and Hall/CRC.
Todas as referências eu utilizei do outro relatório de ANÁLISE EXPLORATÓRIA DE DADOS. disponivem em: https://rpubs.com/ALCANTARA_NA4/1200002.