1.Introdução

O estado de Mato Grosso, localizado na região Centro-Oeste do Brasil, é conhecido por sua vasta extensão territorial e pela diversidade de suas atividades econômicas. Com uma população residente variada em diferentes municípios, o PIB per capita de 2020 reflete as disparidades econômicas regionais. A análise dessas informações é crucial para entender melhor a distribuição da riqueza e das oportunidades dentro do estado. Neste trabalho, utilizamos três técnicas de amostragem para analisar os dados dos municípios de Mato Grosso: Amostragem Aleatória Simples, Amostragem Aleatória Estratificada e Amostragem Aleatória por Conglomerado. Cada uma dessas técnicas tem suas características e aplicações específicas, que serão discutidas a seguir.

2. Metodologia

2.1. Coleta de Dados

Os dados foram obtidos a partir de uma tabela contendo informações sobre a população residente e o PIB per capita dos municípios de Mato Grosso em 2020. Essas informações são essenciais para realizar uma análise representativa da distribuição econômica no estado.

2.2. Técnicas de Amostragem

Amostragem Aleatória Simples (AAS):

Esta técnica envolve a seleção aleatória de municípios de forma que cada um tenha a mesma probabilidade de ser escolhido. É uma abordagem direta e fácil de implementar, adequada quando não há necessidade de garantir a representatividade de subgrupos específicos.

Amostragem Aleatória Estratificada (AAE):

A AAE divide a população em estratos com base em características comuns (neste caso, o tamanho da população residente) e seleciona amostras aleatórias de cada estrato. Esta técnica assegura que todos os subgrupos significativos sejam representados na amostra, melhorando a precisão das estimativas.

Amostragem Aleatória por Conglomerado (AAC):

Na AAC, a população é dividida em conglomerados (grupos) e alguns desses conglomerados são selecionados aleatoriamente. Todos os elementos dos conglomerados selecionados são incluídos na amostra. Esta técnica é útil quando a população está naturalmente dividida em grupos, como municípios.

3. Resultados e Discussão

O PIB per capita em 2020, avaliado em 9.825,55 R$, evidencia o potencial econômico do estado. No entanto, esse indicador também destaca desafios em assegurar que o crescimento econômico se traduza em melhoria efetiva na qualidade de vida de todos os cidadãos. Em síntese, os dados apresentados pintam um quadro multifacetado de Mato Grosso, evidenciando suas conquistas e desafios. À medida que o estado avança no século XXI, a compreensão profunda desses indicadores é fundamental para moldar políticas públicas que impulsionem um desenvolvimento sustentável, inclusivo e equitativo para todos os mato-grossenses.

3.1. Amostragem Aleatória Simples

Para a amostragem aleatória simples, selecionamos aleatoriamente 10 municípios dos dados fornecidos. Os municípios selecionados foram analisados em termos de população residente e PIB per capita. Essa técnica é útil para proporcionar uma visão geral, mas pode não capturar todas as variações significativas dentro do estado.

## [1] "LC_COLLATE=pt_PT.UTF-8;LC_CTYPE=pt_PT.UTF-8;LC_MONETARY=pt_PT.UTF-8;LC_NUMERIC=C;LC_TIME=pt_PT.UTF-8"
## [1] "Mato Grosso | Todos os Municípios" "...2"                             
## [3] "...3"
##   Municipio         Populacao_residente PIB_per_capita    
##  Length:143         Length:143          Length:143        
##  Class :character   Class :character    Class :character  
##  Mode  :character   Mode  :character    Mode  :character
library(dplyr)
library(ggplot2)

set.seed(123) # Garantir reprodutibilidade
amostra_aleatoria_simples <- dados %>% sample_n(10)

ggplot(amostra_aleatoria_simples) +
  aes(x = PIB_per_capita, fill = Municipio) +
  geom_bar() +
  scale_fill_hue(direction = 1) +
  theme_minimal()

3.2. Amostragem Aleatória Estratificada

Para a amostragem estratificada, os municípios foram divididos em três estratos com base na população residente: pequeno (até 10.000 habitantes), médio (10.001 a 50.000 habitantes) e grande (mais de 50.000 habitantes). Selecionamos uma amostra proporcional de cada estrato para garantir que todos os tamanhos de municípios fossem representados.

library(dplyr)
library(sampling)
## Warning: package 'sampling' was built under R version 4.3.3
library(ggplot2)

dados$PIB_per_capita <- as.numeric(dados$PIB_per_capita)
## Warning: NAs introduzidos por coerção
dados$estrato <- cut(dados$PIB_per_capita, breaks = 3, labels = c("Baixo" , "Médio" , "Alto"))

set.seed(123)  
amostra_estratificada <- dados %>% 
  group_by(estrato) %>%
  sample_frac(size = 0.1)

ggplot(amostra_estratificada) +
  aes(x = Municipio, y = estrato, fill = estrato) +
  geom_tile() +
  scale_fill_hue(direction = 1) +
  theme_minimal()

3.3. Amostragem Aleatória por Conglomerado

Para a amostragem por conglomerado, dividimos os municípios em 10 conglomerados aleatórios e selecionamos 3 desses conglomerados. Todos os municípios dentro dos conglomerados selecionados foram incluídos na amostra, permitindo uma análise detalhada de grupos específicos.

library(ggplot2)
library(dplyr)

# Selecionar 10% dos municípios como conglomerados
set.seed(123) 
conglomerados <- dados %>% sample_n(size = round(nrow(dados) * 0.1))

ggplot(conglomerados) +
  aes(x = estrato, y = Municipio, fill = Populacao_residente) +
  geom_tile() +
  scale_fill_hue(direction = 1) +
  theme_minimal()

4. Conclusão

A análise das disparidades socioeconômicas dos municípios de Mato Grosso utilizando diferentes técnicas de amostragem revelou variações significativas na distribuição de riqueza. A amostragem aleatória simples ofereceu uma visão geral, enquanto a amostragem estratificada garantiu uma melhor representatividade dos diferentes tamanhos de municípios. A amostragem por conglomerado permitiu uma análise detalhada de grupos específicos, revelando disparidades dentro dos conglomerados. Essas análises são fundamentais para formular políticas públicas que promovam um desenvolvimento mais equilibrado no estado.

Cada técnica de amostragem aplicada apresentou suas vantagens e desvantagens. A amostragem aleatória simples é eficiente e fácil de aplicar, mas pode não ser representativa de todas as subpopulações. A amostragem estratificada garantiu uma melhor representatividade dos diferentes tamanhos de municípios, proporcionando uma visão mais equilibrada. A amostragem por conglomerado foi útil para analisar grupos específicos, embora possa introduzir variabilidade intra-conglomerados.

5. Referências Bibliográficas

IBGE. 2020. Instituto Brasileiro de Geografia e Estatística. https://www.ibge.gov.br/cidades-e-estados/mt.html