library(sidrar)
library(dplyr)
Attaching package: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlibrary(stringr)
library(tidyr)
library(ggplot2)
library(DT)
library(geobr)
library(sf)Linking to GEOS 3.12.1, GDAL 3.8.4, PROJ 9.4.0; sf_use_s2() is TRUE# Dados de Rendimento (Tabela 7443)
dados_renda <- get_sidra(api = "/t/7443/n1/all/n3/all/v/10774/p/2020,2025/c1568/120704")All others arguments are desconsidered when 'api' is informed# Dados de Escolaridade (Tabela 7132)
dados_escolaridade <- get_sidra(api = "/t/7132/n1/all/n3/all/v/1641/p/2019,2025/c86/95251/c71/95309")All others arguments are desconsidered when 'api' is informed# Renda - Ano 2025, removendo o agregado Brasil
renda_limpa <- dados_renda %>%
filter(Ano == "2025", `Brasil e Unidade da Federação` != "Brasil") %>%
select(Estado = `Brasil e Unidade da Federação`, Renda = Valor)
# Escolaridade - Ano 2025, removendo o agregado Brasil
escolaridade_limpa <- dados_escolaridade %>%
filter(Ano == "2025", `Brasil e Unidade da Federação` != "Brasil") %>%
select(Estado = `Brasil e Unidade da Federação`, Taxa_Escolaridade = Valor)
# Unindo pelo nome do Estado
dados_analise1 <- inner_join(renda_limpa, escolaridade_limpa, by = "Estado")
head(dados_analise1) Estado Renda Taxa_Escolaridade
1 Rondônia 3362 1392
2 Acre 2794 653
3 Amazonas 2733 3226
4 Roraima 3438 486
5 Pará 2508 6748
6 Amapá 3089 612grafico1 <- ggplot(dados_analise1, aes(x = Renda, y = Taxa_Escolaridade)) +
geom_point(color = "#2c3e50", size = 3, alpha = 0.7) +
geom_smooth(method = "lm", color = "#e74c3c", se = FALSE, linewidth = 1.2) +
theme_minimal() +
labs(
title = "Relação entre Nível de Renda e Escolaridade por Estado (2025)",
x = "Rendimento Médio Real Domiciliar per Capita (R$)",
y = "Taxa de Escolaridade / Instrução (%)",
caption = "Fonte: IBGE / SIDRA"
) +
theme(
plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
axis.title = element_text(face = "bold")
)
print(grafico1)`geom_smooth()` using formula = 'y ~ x'
tabela1 <- datatable(
dados_analise1,
colnames = c("Estado", "Rendimento per Capita (R$)", "Escolaridade (%)"),
options = list(pageLength = 10, order = list(list(1, "desc"))),
rownames = FALSE
)
tabela1mapa_estados <- read_state(year = 2020, showProgress = FALSE)ℹ Using year/date 2020dados_mapa1 <- mapa_estados %>%
rename(Estado = name_state) %>%
inner_join(dados_analise1, by = "Estado")
mapa_escolaridade <- ggplot(dados_mapa1) +
geom_sf(aes(fill = Taxa_Escolaridade), color = "white", linewidth = 0.1) +
scale_fill_viridis_c(option = "mako", name = "Escolaridade (%)") +
theme_void() +
labs(
title = "Distribuição da Taxa de Escolaridade por Estado (2025)",
caption = "Fonte: IBGE / geobr"
) +
theme(
plot.title = element_text(face = "bold", size = 14, hjust = 0.5)
)
print(mapa_escolaridade)
dados_mercado_completo <- get_sidra(api = "/t/4097/n1/all/n3/all/v/4090/p/202001,202002,202003,202004,202601/c11913/all")All others arguments are desconsidered when 'api' is informeddados_analise2 <- dados_mercado_completo %>%
filter(Trimestre == "1º trimestre 2026", `Brasil e Unidade da Federação` != "Brasil") %>%
select(
Estado = `Brasil e Unidade da Federação`,
Categoria = `Posição na ocupação e categoria do emprego no trabalho principal`,
Percentual = Valor
) %>%
filter(str_detect(Categoria, "com carteira|sem carteira|informal|Ocupado informal"))
head(dados_analise2) Estado
1 Rondônia
2 Rondônia
3 Rondônia
4 Rondônia
5 Rondônia
6 Rondônia
Categoria
1 Empregado no setor privado, exclusive trabalhador doméstico - com carteira de trabalho assinada
2 Empregado no setor privado, exclusive trabalhador doméstico - sem carteira de trabalho assinada
3 Trabalhador doméstico - com carteira de trabalho assinada
4 Trabalhador doméstico - sem carteira de trabalho assinada
5 Empregado no setor público, exclusive militar e funcionário público estatutário - com carteira de trabalho assinada
6 Empregado no setor público, exclusive militar e funcionário público estatutário - sem carteira de trabalho assinada
Percentual
1 259
2 107
3 9
4 35
5 14
6 27grafico2 <- ggplot(dados_analise2, aes(x = reorder(Estado, Percentual), y = Percentual, fill = Categoria)) +
geom_bar(stat = "identity", position = "stack") +
coord_flip() +
scale_fill_brewer(palette = "Set2", name = "Tipo de Ocupação") +
theme_minimal() +
labs(
title = "Comparativo de Ocupação Formal vs. Informal por Estado (2026)",
x = "Estado",
y = "Percentual (%)",
caption = "Fonte: IBGE / PNAD Contínua (Tabela 4097)"
) +
theme(
plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
legend.position = "bottom",
axis.text.y = element_text(size = 9)
)
print(grafico2)
dados_tabela2 <- dados_analise2 %>%
pivot_wider(names_from = Categoria, values_from = Percentual)
tabela2 <- datatable(
dados_tabela2,
options = list(pageLength = 10, order = list(list(1, "asc"))),
rownames = FALSE
)
tabela2dados_mapa2 <- mapa_estados %>%
rename(Estado = name_state) %>%
inner_join(dados_tabela2, by = "Estado")
# Ajuste este nome pelo exato de uma das colunas de dados_tabela2, se necessário
coluna_interesse <- colnames(dados_tabela2)[2]
mapa_mercado <- ggplot(dados_mapa2) +
geom_sf(aes(fill = .data[[coluna_interesse]]), color = "white", linewidth = 0.1) +
scale_fill_viridis_c(option = "plasma", name = "Percentual (%)") +
theme_void() +
labs(
title = paste("Distribuição Regional:", coluna_interesse, "(2026)"),
caption = "Fonte: IBGE / PNAD Contínua"
) +
theme(
plot.title = element_text(face = "bold", size = 12, hjust = 0.5)
)
print(mapa_mercado)