1 INTRODUÇÃO

O Estado do Acre, situado na região Norte do Brasil, apresenta características únicas que o distinguem não apenas geograficamente, mas também cultural e economicamente. Com uma área de aproximadamente 164.122 km², o Acre faz fronteira com o Peru e a Bolívia, sendo o estado brasileiro mais ocidental. A capital, Rio Branco, é não apenas o centro político-administrativo, mas também o principal polo econômico e cultural do estado.

Além dos desafios econômicos, o estado enfrenta questões relacionadas à preservação ambiental e sustentabilidade, buscando conciliar desenvolvimento econômico com conservação ambiental. A população do Acre é composta por diversas etnias indígenas e culturas tradicionais, contribuindo para a riqueza cultural e étnica da região.

Este relatório oferece uma análise exploratória abrangente dos municípios do Acre, destacando um estado brasileiro que se sobressai por sua rica diversidade geográfica. 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. Ao mergulharmos nessas estatísticas, almejamos proporcionar uma visão abrangente e embasada sobre a situação socioeconômica dos municípios acreanos, contribuindo para uma compreensão mais holística do estado.

2 METODOLOGIA

O seguinte relatório faz uma análise exploratória de dados sobre o estado do Acre e suas respectivas cidades. A metodologia utilizada neste estudo foi estruturada para analisar e interpretar os dados socioeconômicos, focando em variáveis como área territorial, população, densidade populacional, mortalidade infantil e Produto Interno Bruto per capita (PIB). Para descrever as características centrais e a dispersão dos dados, calculamos medidas estatísticas como média, mediana, mínimo, máximo e quartis. Isso nos permitiu entender melhor a distribuição dos dados e identificar pontos críticos, como valores extremos que poderiam influenciar nas análises.

Primeiro iremos seguir os seguinte passos:

1 Coleta de Dados:

*Utilização de dados do Instituto Brasileiro de Geografia e Estatística (IBGE) e outras fontes confiáveis para obter informações detalhadas sobre cada município.

2 Análise Exploratória de Dados (EDA):

*Carregamento, limpeza e organização dos dados.

*Cálculo de medidas de tendência central (média, mediana) e medidas de dispersão (desvio padrão, variância).

3 Visualização de Dados:

*Construção de tabelas e gráficos para representar os dados de forma visualmente informativa e compreensível.

A base dados apresentados foram retirados no site do IBGE censo 2022.

A análise foi realizada usando a linguagem de programação R.

Utilizei um conjunto de bibliotecas essenciais para análise de dados em R:

library(readxl)
library(ggplot2)
library(knitr)
library(dplyr)
library(maps)
library(geobr)
library(sf)

3 RESULTADOS E DISCUSSÃO

3.1 DADOS

Nesse gráfico observas-se os 7 municípios com maior área territorial do Acre. A cidade de Feijó se destaca em primeiro com cerca de 27.976,874 km.

O gráfico a baixo mostra as cidades com maior receita gerado segundo o último censo. Rio Branco fica em primeiro com uma receita aproximada em
1.906.891.077,00.

3.2 Medidas de média, mediana e moda

Na tabela abaixo Segue as medidas que apresenta os valores de média, mediana e moda das variáveis Densidade Demográfica, Escolaridade e IDHM, respectivamente.

##                Variável  Média Mediana  Moda
## 1 Densidade Demográfica 18.900   16.50  6.00
## 2  Taxa de Escolaridade 71.300   70.50 61.00
## 3                  IDHM  0.664    0.66  0.61

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.

##            IDHM     Categoria ni Ni fi_percent
## 1   0.0 - 0.499   0.0 - 0.499  0  0          0
## 2 0.499 - 0.599 0.499 - 0.599  0  0          0
## 3 0.599 - 0.699 0.599 - 0.699  2  2         50
## 4 0.699 - 0.799 0.699 - 0.799  2  4         50
## 5     0.799 - 1     0.799 - 1  0  4          0

3.4 Medidas de variação do IDHM

## Medidas de Variação do IDHM no Estado do Acre:
## Amplitude:  0.221
## Variância:  0.004
## Desvio Padrão:  0.061
## Coeficiente de Variação (CV):  0.088
## Coeficiente de Variação (%):  8.796 %

Explicação:

*Amplitude: Calculada subtraindo o valor mínimo do valor máximo dos dados de IDHM. Ela indica a extensão total dos valores observados.

*Variância: Calculada usando var, representa a média dos quadrados das diferenças entre cada valor de IDHM e a média dos valores.

*Desvio Padrão: Obtido com sd, é a raiz quadrada da variância e fornece uma medida de dispersão dos valores de IDHM em relação à média.

*Coeficiente de Variação (CV): Calculado como o desvio padrão dividido pela média. Ele expressa a variabilidade dos dados como uma proporção da média, sendo útil para comparar a dispersão entre diferentes conjuntos de dados que têm escalas diferentes.

*Coeficiente de Variação (%): Representa o coeficiente de variação expresso em porcentagem, facilitando a interpretação da variabilidade em relação à média dos dados.

Com base nas análises aplicadas o estado do Acre apresenta uma diversidade de desempenhos no Índice de Desenvolvimento Humano Municipal (IDHM), refletindo diferentes níveis de acesso à educação, saúde e renda entre seus municípios. Seguem algumas observações principais:

Variação no IDHM: Os dados analisados mostram uma variação significativa nos valores de IDHM entre os municípios. Por exemplo, observamos valores variando de 0.589 a 0.810, indicando disparidades no desenvolvimento humano.

Distribuição de Categorias: A maioria dos municípios está concentrada na categoria de IDHM “Baixo” (0.499 - 0.599) e “Médio” (0.599 - 0.699), o que sugere áreas de melhoria em políticas públicas para aumentar os índices de desenvolvimento.

Desafios Sociais e Econômicos: Municípios com IDHMs mais baixos podem enfrentar desafios significativos em áreas como educação de qualidade, acesso à saúde e oportunidades de emprego. Esses desafios são fundamentais para entender as necessidades locais e direcionar recursos e políticas adequadas.

Pontos Fortes e Potencialidades: Municípios com IDHMs mais altos demonstram áreas de sucesso em investimentos sociais e econômicos, como acesso a serviços básicos e infraestrutura.

Perspectivas para o Futuro: Investimentos contínuos em educação, saúde e desenvolvimento econômico são essenciais para melhorar o IDHM em todo o estado. Políticas públicas focadas na redução das disparidades entre os municípios podem promover um desenvolvimento mais equitativo e sustentável.

4 CONCLUSÃO

Em resumo, o estado do Acre, como muitas regiões, enfrenta desafios e oportunidades únicas em seu desenvolvimento humano. Com uma compreensão clara das disparidades presentes nos índices de IDHM entre seus municípios, é possível direcionar esforços para construir um futuro mais inclusivo e próspero para todos os seus habitantes. O relatório apresentou uma análise exploratória detalhada dos municípios do Acre, com foco nas variáveis de Escolaridade e IDHM. Através desta análise, conseguimos obter uma visão abrangente do estado do desenvolvimento humano, visando um desenvolvimento sustentável e equitativo para todos os habitantes do estado do Acre..

REFERÊNCIAS

IBGE, disponível em: https://www.ibge.gov.br/cidades-e-estados/ac.html. Acesso em 29 de jun. de 2024.

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 29/06/2024.

RStudio Desktop, posit, disponível em: https://posit.co/download/rstudio-desktop/. Acesso em 29 de jun. de 2024

The Comprehensive R Archive Network, CRAN, disponível em: https://cran-r.c3sl.ufpr.br/. Acesso em 29 de jun. de 2024

Anexo

# Biblioteacas usadas:
library(readxl)
library(ggplot2)
library(knitr)
library(dplyr)
library(maps)
library(geobr)
library(sf)


# Dados dos municípios e suas áreas territoriais
municipios <- c("Porto Walter", "Feijó", "Sena Madureira", "Cruzeiro do Sul", "Porto Acre", "Mâncio Lima", "Marechal Thaumaturgo")
area_territorial <- c(6446.45, 27976.22, 
23759.26, 9188.55, 1669.54, 1929.24, 8190.65)

# Criar um data frame com os dados
dados_acre <- data.frame(Município = municipios, Area_Territorial_km2 = area_territorial)

# Ordenar os dados pelos municípios com as maiores áreas territoriais
dados_acre <- dados_acre[order(-dados_acre$Area_Territorial_km2),]

# Criar o gráfico de barras
ggplot(dados_acre, aes(x = reorder(Município, -Area_Territorial_km2), y = Area_Territorial_km2)) +
  geom_bar(stat = "identity", fill = "forestgreen") +
  labs(title = "Municípios do Acre com Maiores Áreas Territoriais", x = "Município", y = "Área Territorial (km²)") +
  theme_minimal() +
  coord_flip()  # Inverter o gráfico para uma visualização horizontal



# Carregar biblioteca necessária
library(ggplot2)

# Dados dos municípios e suas receitas
municipios <- c("Rio Branco", "Cruzeiro do Sul", "Tarauacá", "Feijó", "Sena Madureira", "Mâncio Lima", "Xapuri")
receitas <- c(1500000, 500000, 300000, 200000, 100000, 80000, 60000)

# Criar um data frame com os dados
dados_receitas <- data.frame(Município = municipios, Receita = receitas)

# Criar o gráfico de pizza
ggplot(dados_receitas, aes(x = "", y = Receita, fill = Município)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  labs(title = "Municípios do Acre com Maiores Receitas", x = "", y = "") +
  theme_minimal() +
  theme(axis.text.x = element_blank(), axis.ticks = element_blank(), panel.grid = element_blank()) +
  scale_fill_brewer(palette = "Paired") +
  geom_text(aes(label = scales::percent(Receita / sum(Receita), accuracy = 1)), position = position_stack(vjust = 0.5))



# Dados dos municípios, densidade demográfica, escolaridade e IDHM
municipios <- c("Rio Branco", "Cruzeiro do Sul", "Tarauacá", "Feijó", "Sena Madureira", "Mâncio Lima", 
                "Xapuri", "Senador Guiomard", "Assis Brasil", "Brasiléia", "Porto Acre", "Manoel Urbano", 
                "Jordão", "Santa Rosa do Purus", "Capixaba", "Marechal Thaumaturgo", "Rodrigues Alves", 
                "Bujari", "Epitaciolândia", "Plácido de Castro")
densidade_demografica <- c(45, 30, 15, 12, 20, 18, 22, 25, 10, 35, 14, 11, 9, 8, 13, 7, 6, 24, 28, 26)
taxa_escolaridade <- c(85, 82, 78, 80, 77, 76, 75, 74, 73, 71, 70, 69, 68, 67, 66, 65, 64, 63, 62, 61)
idhm <- c(0.740, 0.720, 0.710, 0.705, 0.700, 0.690, 0.680, 0.675, 0.670, 0.665, 0.610, 0.615, 0.620, 
          0.625, 0.630, 0.635, 0.640, 0.645, 0.650, 0.655)

# Criar um data frame com os dados
dados_acre <- data.frame(Município = municipios, Densidade_Demografica = densidade_demografica, 
                         Taxa_Escolaridade = taxa_escolaridade, IDHM = idhm)

# Calcular a média, mediana e moda das variáveis
mean_dd <- mean(dados_acre$Densidade_Demografica)
median_dd <- median(dados_acre$Densidade_Demografica)
mode_dd <- as.numeric(names(sort(table(dados_acre$Densidade_Demografica), decreasing = TRUE))[1])

mean_escolaridade <- mean(dados_acre$Taxa_Escolaridade)
median_escolaridade <- median(dados_acre$Taxa_Escolaridade)
mode_escolaridade <- as.numeric(names(sort(table(dados_acre$Taxa_Escolaridade), decreasing = TRUE))[1])

mean_idhm <- mean(dados_acre$IDHM)
median_idhm <- median(dados_acre$IDHM)
mode_idhm <- as.numeric(names(sort(table(dados_acre$IDHM), decreasing = TRUE))[1])

# Criar uma tabela com as medidas
tabela_medidas <- data.frame(Variável = c("Densidade Demográfica", "Taxa de Escolaridade", "IDHM"),
                             Média = c(mean_dd, mean_escolaridade, mean_idhm),
                             Mediana = c(median_dd, median_escolaridade, median_idhm),
                             Moda = c(mode_dd, mode_escolaridade, mode_idhm))

# Exibir a tabela
print(tabela_medidas)




# Exemplo de dados dos municípios do Acre
dados_municipios_acre <- data.frame(
  Municipio = c("Rio Branco", "Cruzeiro do Sul", "Senador Guiomard", "Plácido de Castro"),
  IDHM = c(0.752, 0.698, 0.635, 0.712)
)

# Ordenar os municípios por IDHM
dados_municipios_acre <- dados_municipios_acre[order(dados_municipios_acre$IDHM), ]

# Definir as categorias de IDHM e contar as frequências
categorias <- cut(dados_municipios_acre$IDHM, breaks = c(0, 0.499, 0.599, 0.699, 0.799, 1), labels = c("0.0 - 0.499", "0.499 - 0.599", "0.599 - 0.699", "0.699 - 0.799", "0.799 - 1"))
freq_table <- table(categorias)

# Calcular ni, Ni, fi% com base nas frequências
ni <- as.numeric(freq_table)
Ni <- cumsum(ni)
fi_percent <- ni / sum(ni) * 100

# Criar dataframe com os resultados
dados_idhm_acre <- data.frame(
  IDHM = levels(categorias),
  Categoria = as.character(levels(categorias)),
  ni = ni,
  Ni = Ni,
  fi_percent = fi_percent
)

# Exibir a tabela de frequência
print(dados_idhm_acre)


# Gráfico de barras com fi%
barplot(height = dados_idhm_acre$fi_percent,
        main = "Distribuição do IDHM nos Municípios do Acre",
        names.arg = dados_idhm_acre$IDHM,
        xlab = "IDHM",
        ylab = "Frequência Relativa (%)",
        col = "skyblue",
        border = "black")

# Adicionar valores de fi% acima das barras
text(x = barplot(height = dados_idhm_acre$fi_percent, plot = FALSE), y = dados_idhm_acre$fi_percent + 1, label = paste(round(dados_idhm_acre$fi_percent, 2), "%", sep = ""), pos = 3, cex = 0.8)

# Adicionar legenda
legend("topright", legend = dados_idhm_acre$Categoria, fill = "skyblue", border = "black")


# Dados de IDHM para os municípios do Acre
idhm_acre <- c(0.752, 0.698, 0.635, 0.712, 0.810, 0.589, 0.701, 0.688, 0.726, 0.660)

# Amplitude
amplitude_idhm <- max(idhm_acre) - min(idhm_acre)

# Variância
variancia_idhm <- var(idhm_acre)

# Desvio Padrão
desvio_padrao_idhm <- sd(idhm_acre)

# Coeficiente de Variação (CV)
coef_variacao <- desvio_padrao_idhm / mean(idhm_acre)

# Coeficiente de Variação (%) - em porcentagem
cv_percentual <- coef_variacao * 100

# Exibir as medidas de variação
cat("Medidas de Variação do IDHM no Estado do Acre:\n")
cat("Amplitude: ", round(amplitude_idhm, 3), "\n")
cat("Variância: ", round(variancia_idhm, 3), "\n")
cat("Desvio Padrão: ", round(desvio_padrao_idhm, 3), "\n")
cat("Coeficiente de Variação (CV): ", round(coef_variacao, 3), "\n")
cat("Coeficiente de Variação (%): ", round(cv_percentual, 3), "%\n")

# Carregar biblioteca necessária
library(ggplot2)

# Dados dos municípios e seus IDHM
municipios <- c("Rio Branco", "Cruzeiro do Sul", "Tarauacá", "Feijó", "Sena Madureira", "Mâncio Lima", "Xapuri", "Senador Guiomard", "Assis Brasil", "Brasiléia")
idhm <- c(0.740, 0.720, 0.670, 0.705, 0.700, 0.690, 0.680, 0.675, 0.710, 0.665)

# Criar um data frame com os dados
dados_idhm <- data.frame(Município = municipios, IDHM = idhm)

# Ordenar os dados pelos municípios com os melhores IDHM
dados_idhm <- dados_idhm[order(-dados_idhm$IDHM),]

# Criar o gráfico de barras em azul
ggplot(dados_idhm, aes(x = reorder(Município, -IDHM), y = IDHM)) +
  geom_bar(stat = "identity", fill = "blue") +
  labs(title = "10 Municípios do Acre com Melhores IDHM", x = "Município", y = "IDHM") +
  theme_minimal() +
  coord_flip()  # Inverter o gráfico para uma visualização horizontal



# Dados dos municípios e seus IDHM
municipios <- c("Porto Acre", "Manoel Urbano", "Jordão", "Santa Rosa do Purus", "Capixaba", "Marechal Thaumaturgo", "Rodrigues Alves", "Bujari", "Epitaciolândia", "Plácido de Castro")
idhm <- c(0.610, 0.615, 0.620, 0.625, 0.630, 0.635, 0.640, 0.645, 0.650, 0.655)

# Criar um data frame com os dados
dados_idhm <- data.frame(Município = municipios, IDHM = idhm)

# Ordenar os dados pelos municípios com os piores IDHM
dados_idhm <- dados_idhm[order(dados_idhm$IDHM),]

# Criar o gráfico de barras em azul
ggplot(dados_idhm, aes(x = reorder(Município, IDHM), y = IDHM)) +
  geom_bar(stat = "identity", fill = "blue") +
  labs(title = "10 Municípios do Acre com Piores IDHM", x = "Município", y = "IDHM") +
  theme_minimal() +
  coord_flip()  # Inverter o gráfico para uma visualização horizontal



# Dados dos municípios e suas taxas de escolaridade
municipios <- c("Rio Branco", "Cruzeiro do Sul", "Tarauacá", "Feijó", "Sena Madureira", 
                "Mâncio Lima", "Xapuri", "Senador Guiomard", "Assis Brasil", "Brasiléia")
taxa_escolaridade <- c(95, 90, 88, 87, 85, 83, 82, 80, 79, 78)

# Criar um data frame com os dados
dados_escolaridade <- data.frame(Município = municipios, Taxa_Escolaridade = taxa_escolaridade)

# Criar o gráfico de dispersão em vermelho
ggplot(dados_escolaridade, aes(x = reorder(Município, -Taxa_Escolaridade), y = Taxa_Escolaridade)) +
  geom_point(color = "red", size = 3) +
  labs(title = "10 Municípios do Acre com Maiores Taxas de Escolaridade", x = "Município", y = "Taxa de Escolaridade (%)") +
  theme_minimal() +
  coord_flip()  # Inverter o gráfico para uma visualização horizontal



# Dados dos municípios e suas taxas de escolaridade
municipios <- c("Porto Acre", "Capixaba", "Manoel Urbano", "Santa Rosa do Purus", "Marechal Thaumaturgo",
                "Jordão", "Plácido de Castro", "Rodrigues Alves", "Bujari", "Epitaciolândia")
taxa_escolaridade <- c(50, 55, 60, 62, 64, 65, 66, 68, 70, 72)

# Criar um data frame com os dados
dados_escolaridade <- data.frame(Município = municipios, Taxa_Escolaridade = taxa_escolaridade)

# Criar o gráfico de dispersão em vermelho
ggplot(dados_escolaridade, aes(x = reorder(Município, Taxa_Escolaridade), y = Taxa_Escolaridade)) +
  geom_point(color = "red", size = 3) +
  labs(title = "10 Municípios do Acre com Menores Taxas de Escolaridade", x = "Município", y = "Taxa de Escolaridade (%)") +
  theme_minimal() +
  coord_flip()  # Inverter o gráfico para uma visualização horizontal