Introdução

Pessoal, espero que estejam ótimos!

Aqui é o lugar onde eu vou fazer as ilustrações para a ERU 487. Com este material eu espero que vocês consigam, em um futuro próximo, fazer as suas próprias ilustrações, análises, etc.

Pacotes Usados

Se o library("nomedopacote") não funcionar, talvez você não tenha instalado o pacote ainda. Por isso, talvez você precise utilizar o install.packages("nomedopacote") antes. Este procedimento de instalar algo precisa ser feito apenas uma vez, mas o carregamento do pacote, library("nomedopacote") precisa ser feito toda vez que você abrir o Rstudio.

library("ipeadatar")
library("ggplot2")
library("ggthemes")
library("sidrar")
library("tidyr")
library("tidyverse")

Aula 01 - 11 de março de 2025

Eu fiz as ilustrações da aula de hoje com o ipeadatar.

Vale a pena usar o pacote!

Primeiro a gente vai olhar todas as séries disponíveis. Assim vai ficar bem mais fácil de procurar por elas depois.

A gente vai fazer isso usando este pacote ipeadatar.

as<-available_series(language = c("br"))

Agora você pode visualizar o objeto “as” e filtrar pelos nomes que está procurando.

De posse das bases, você precisa fazer boas perguntas e entender qual a melhor forma de respondê-las.

Será que é mais perigoso ser jovem hoje ou na época dos seus pais?

Procure por homicídios no objeto “as”.

Vamos então olhar as bases: THOMIC e THOMICJ.

th1<-ipeadata("THOMIC", language = c("br"), quiet = FALSE)
th2<-ipeadata("THOMICJ", language = c("br"), quiet = FALSE)

save(th1, file="th1.Rda")
save(th2, file="th2.Rda")

Agora a gente vai filtrar as duas bases (th1 e th2) pelo código que indica que o valor é para o Brasil inteiro. Você pode fazer isso tanto pela coluna “uname” quanto pela “tcode”.

load("th1.Rda")
load("th2.Rda")
i1<-th1 %>% filter(uname=="Brasil")
i2<-th2 %>% filter(uname=="Brasil")
i1 <- i1 %>% mutate(th_total = value) 
i2 <- i2 %>% mutate(th_jovem = value) 

th3 <- merge(i1, i2, by="date") %>% select(date, th_jovem, th_total)
th3$ano <- as.numeric(substr(th3$date, 1, 4))

Fazendo o gráfico

ggplot(th3, aes(x = ano)) +
  geom_line(aes(y = th_total, color = "Total", linetype = "Total"), size = 1) +
  geom_point(aes(y = th_total, color = "Total"), size = 2) +
  geom_line(aes(y = th_jovem, color = "Jovem (15-29)", linetype = "Jovem (15-29)"), size = 1) +
  geom_point(aes(y = th_jovem, color = "Jovem (15-29)"), size = 2) +
  scale_color_manual(values = c("Total" = "gray20", "Jovem (15-29)" = "darkorange")) +
  scale_linetype_manual(values = c("Total" = "solid", "Jovem (15-29)" = "dotted")) +
  labs(x = "", y = "Taxa de homicídios (mortes/100mil)", color = "", linetype = "") +
  theme_minimal()

Provável que os pais de vocês fossem jovens por volta da década de 1990. Então, quando eles falarem que “na minha época era mais seguro”. Provavelmente eles tão certos.

Mas em Viçosa-MG é diferente

#tcode==3171303
i1 <- th1 %>% 
  filter(tcode == 3171303, date < "2022-01-01")
i2<-th2  %>% 
  filter(tcode == 3171303, date < "2022-01-01")
i1 <- i1 %>% mutate(th_total = value) 
i2 <- i2 %>% mutate(th_jovem = value) 

th3 <- merge(i1, i2, by="date") %>% select(date, th_jovem, th_total)
th3$ano <- as.numeric(substr(th3$date, 1, 4))

ggplot(th3, aes(x = ano)) +
  geom_line(aes(y = th_total, color = "Total", linetype = "Total"), size = 1) +
  geom_point(aes(y = th_total, color = "Total"), size = 2) +
  geom_line(aes(y = th_jovem, color = "Jovem (15-29)", linetype = "Jovem (15-29)"), size = 1) +
  geom_point(aes(y = th_jovem, color = "Jovem (15-29)"), size = 2) +
  scale_color_manual(values = c("Total" = "gray20", "Jovem (15-29)" = "darkorange")) +
  scale_linetype_manual(values = c("Total" = "solid", "Jovem (15-29)" = "dotted")) +
  labs(x = "", y = "Taxa de homicídios (mortes/100mil)", color = "", linetype = "") +
  theme_minimal()

Em Cruz das Almas - BA

#2909802

i1 <- th1 %>% 
  filter(tcode == 2909802, date < "2022-01-01")
i2<-th2  %>% 
  filter(tcode == 2909802, date < "2022-01-01")
i1 <- i1 %>% mutate(th_total = value) 
i2 <- i2 %>% mutate(th_jovem = value) 

th3 <- merge(i1, i2, by="date") %>% select(date, th_jovem, th_total)
th3$ano <- as.numeric(substr(th3$date, 1, 4))

ggplot(th3, aes(x = ano)) +
  geom_line(aes(y = th_total, color = "Total", linetype = "Total"), size = 1) +
  geom_point(aes(y = th_total, color = "Total"), size = 2) +
  geom_line(aes(y = th_jovem, color = "Jovem (15-29)", linetype = "Jovem (15-29)"), size = 1) +
  geom_point(aes(y = th_jovem, color = "Jovem (15-29)"), size = 2) +
  scale_color_manual(values = c("Total" = "gray20", "Jovem (15-29)" = "darkorange")) +
  scale_linetype_manual(values = c("Total" = "solid", "Jovem (15-29)" = "dotted")) +
  labs(x = "", y = "Taxa de homicídios (mortes/100mil)", color = "", linetype = "") +
  theme_minimal()

Alguma notícia boa?

Pelo menos a mortalidade infantil caiu.

Fui no “as” e procurei por “infantil”.

#DEPIS_TMI
#ADH_MORT1
mo1<-ipeadata("DEPIS_TMI", language = c("br"), quiet = FALSE)
mo2<-ipeadata("ODS_MORT5UF", language = c("br"), quiet = FALSE)

mo3<-mo2 %>% filter(uname=="Brasil")
mo3$ano<-year(mo3$date)

save(mo3, file="mo3.Rda")

Fazendo o gráfico para mo3.

load("mo3.Rda")

ggplot(mo3, aes(x = ano, y=value)) +
  geom_line(size=1, color="darkred") + 
  geom_point(size=2, color="darkred")+ 
  theme_minimal()+
    labs(x = "", y = "Mortalidade Infantil (5 anos, mortes/mil)")

As vezes a gente tem um problema com gráficos com o eixo truncado. O gráfico acima parece que a taxa de mortalidade zerou. Mas isso não é verdade.

ggplot(mo3, aes(x = ano, y = value)) +
  geom_line(size = 1, color = "darkred") + 
  geom_point(size = 2, color = "darkred") + 
  scale_y_continuous(breaks = c(pretty(mo3$value), min(mo3$value))) +
  theme_minimal() +
  labs(x = "", y = "Mortalidade Infantil (5 anos, mortes/mil)")

Então, boa parte dessa queda de 50 para 14, uma redução de 72%, deve-se aos avanços da medicina, vacinas, etc.