Representatividade Feminina nas Eleições Municipais
Maria Victória
Ygor Alexandrino
Rio de Janeiro, 20 de janeiro de 2021
Deputadas reunidas no Congresso Nacional - Foto:Luis Macedo - Site:El País
1 Introdução
O presente trabalho pretende expor o problema da representatividade politica do gênero feminino. Os motivos dessa condição podem ser exemplificados como preconceito, machismo, ignorância por parte do eleitor, falta de incentivo, falta de oportunidade ou a desigualdade de gênero no Brasil. Esse debate esta longe de acabar e os motivos exemplificados só poderá ser possível mudá-los com educação politica, incentivo, debates sobre a temática, procurar fazer exaltação pública daquelas mulheres que são exemplos de capacidade e profissionalismo nas suas áreas de atuação e essa visualização é importante, porque outras mulheres percebem que elas também podem chegar naquela posição de destaque social e ser referência também em algo.
Os direitos políticos da mulher surgiram apenas em 1932 por um decreto que instituía o Código Eleitoral Provisório, após a Revolução Constitucionalista, que aconteceu por mobilizações da elite paulistana insatisfeitas com o governo ditatorial vigente e pediam a convocação de eleições para uma assembleia constituinte e outras queixas. As mulheres já vinham se mobilizando há muito tempo pedindo pelo reconhecimento de seus direitos políticos, mas eram ignoradas. A Constituição promulgada de 1934 instituiu constitucionalmente o direito ao voto feminino e o voto secreto, mas tinha restrições. Interessante observar que 110 anos antes, viabilizados pela Constituição de 1824, considerada liberal para época, foi permitido aos analfabetos votarem, aqueles que não sabiam ler e escrever podiam escolher seus representantes, mas as mulheres letradas não podiam. Prova da ignorância brasileira em colocar a mulher sempre excluída de decisões importantes da vida politica do país. (CARVALHO, 2001)
A caminhada feminina de conquistas foi aos poucos, mas no período da década de 90 foram criados dispositivos de inclusão da mulher no jogo político. A Lei 9.100/1995 instituía a cota de 20% por partido ou coligação a ser preenchidas por mulheres nas Câmaras Municipais. Seguindo a linha de enfrentamento da exclusão feminina da política, a Lei 9.504/1997 veio para ampliar a abrangência da lei anterior, aumentando de 20% para 30% e ainda alcançando as Assembleias Estaduais e a Câmara do Deputados, deixando de fora o Senado Federal com o argumento que a quantidade de vagas é reduzido, mas essa mudança não ficou definida como obrigatória e não preenchendo essa quantidade, tudo bem. Como não era obrigatório o preenchimento total dessas vagas e não havia sanções, os partidos seguiam sem preencher e a baixa candidatura feminina persistia. Percebendo os desvios dos partidos em cumprir a cota, surge a Lei 12.034/2009 na tentativa de preencher lacunas. Essa lei tornou obrigatório o preenchimento dos 30% da cota e consequentemente os partidos correram atrás de preenchê-la. Lamentavelmente o que começou a ocorrer foram candidaturas laranja que nem o próprio voto tinham e situações como essa a mídia divulga insistentemente.
A Lei 13.165/2015 que foi o resultado da Reforma Eleitoral, dentre algumas mudanças que não cabe aqui, instituiu o valor mínimo de 5% e um máximo de 15% dos recursos do Fundo Partidário para a cota feminina. São 30% de mulheres que vão ficar com apenas 15% do montante, claramente desproporcional e mantendo a desigualdade entre os gêneros. Esse artigo foi motivo de uma Ação Direta de Inconstitucionalidade (ADIN-5617), que ao ser apreciada pelo Supremo Tribunal Federal, o mesmo a julgou inconstitucional e que o correto deveria ser o valor equivalente a cota ou no caso de passar os 30%, que seja proporcional.
2 Objetivo
O objetivo do trabalho apresentado é avaliar o crescimento ou não, da representatividade feminina nas eleições municipais do Estado do Rio de Janeiro. Observar se com a obrigatoriedade do repasse do Fundo Eleitoral, houve mudanças. Para tanto, foi utilizada as informações disponíveis na base de dados do “Eleições BR”, referente aos anos de 2016 e 2020. Os cargos trabalhados serão os de Prefeito, Vice-Prefeito e de Vereadores.
3 Banco de Dados
O banco de dados “Eleições BR” nos permitiu trabalhar com diversas variáveis que compõem o universo das eleições municipais, as quais trazem as características dos candidatos aos cargos. O banco foi manipulado no intuito de separar e facilitar as análises dos cargos políticos, individualmente. Além disso, foram retiradas observações que enviesariam o estudo, como candidatos nulos e candidatos que aparecem em segundo-turno. Por fim, foram transformadas algumas variáveis que estavam como quantitativas para qualitativas, dessa maneira foi possível a abordagem com gráficos, tabelas e mapas.
library(dplyr)
library(ggplot2)
library(geobr)
library(DT)
library(kableExtra)
load("C:/Users/PCY/Documents/Estatistica R/eleicoes_RJ.RData")
# 2020
eleicoes2020_pref <- eleicoes2020[eleicoes2020$CODIGO_CARGO==11,]
eleicoes2020_vp <- eleicoes2020[eleicoes2020$CODIGO_CARGO==12,]
eleicoes2020_ver <- eleicoes2020[eleicoes2020$CODIGO_CARGO==13,]
# 2016
eleicoes2016_pref <- eleicoes2016[eleicoes2016$CODIGO_CARGO==11,]
eleicoes2016_vp <- eleicoes2016[eleicoes2016$CODIGO_CARGO==12,]
eleicoes2016_ver <- eleicoes2016[eleicoes2016$CODIGO_CARGO==13,]
#retirar o segundo turno dos prefeitos
eleicoes2016_pref<- eleicoes2016_pref[eleicoes2016_pref$COD_SIT_TOT_TURNO!=6,]
eleicoes2020_pref<- eleicoes2020_pref[eleicoes2020_pref$COD_SIT_TOT_TURNO!=6,]
# retirar os nulos dos prefeitos
eleicoes2016_pref<- eleicoes2016_pref[eleicoes2016_pref$COD_SIT_TOT_TURNO!=-1,]
eleicoes2020_pref<- eleicoes2020_pref[eleicoes2020_pref$COD_SIT_TOT_TURNO!=-1,]
# retirar o segundo turno dos vice-prefeitos
eleicoes2016_vp<- eleicoes2016_vp[eleicoes2016_vp$COD_SIT_TOT_TURNO!=6,]
eleicoes2020_vp<- eleicoes2020_vp[eleicoes2020_vp$COD_SIT_TOT_TURNO!=6,]
# retirar os nulos dos vice-prefeitos
eleicoes2016_vp<- eleicoes2016_vp[eleicoes2016_vp$COD_SIT_TOT_TURNO!=-1,]
eleicoes2020_vp<- eleicoes2020_vp[eleicoes2020_vp$COD_SIT_TOT_TURNO!=-1,]
# retirar as eleições suplementares
eleicoes2016_pref<- eleicoes2016_pref[eleicoes2016_pref$COD_TIPO_ELEICAO!=1,]
eleicoes2016_vp<- eleicoes2016_vp[eleicoes2016_vp$COD_TIPO_ELEICAO!=1,]
# retirar os nulos dos vereadores 2016 e 2020
eleicoes2016_ver<- eleicoes2016_ver[eleicoes2016_ver$COD_SIT_TOT_TURNO!=-1,]
eleicoes2020_ver<- eleicoes2020_ver[eleicoes2020_ver$COD_SIT_TOT_TURNO!=-1,]
# transformando as variáveis "character" em "factor"
#2016
eleicoes2016_pref$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2016_pref$DESC_SIT_TOT_TURNO)
eleicoes2016_pref$DESCRICAO_COR_RACA<-as.factor(eleicoes2016_pref$DESCRICAO_COR_RACA)
eleicoes2016_pref$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2016_pref$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2016_pref$DESCRICAO_SEXO<-as.factor(eleicoes2016_pref$DESCRICAO_SEXO)
eleicoes2016_pref$SIGLA_PARTIDO<-as.factor(eleicoes2016_pref$SIGLA_PARTIDO)
eleicoes2016_vp$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2016_vp$DESC_SIT_TOT_TURNO)
eleicoes2016_vp$DESCRICAO_COR_RACA<-as.factor(eleicoes2016_vp$DESCRICAO_COR_RACA)
eleicoes2016_vp$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2016_vp$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2016_vp$DESCRICAO_SEXO<-as.factor(eleicoes2016_vp$DESCRICAO_SEXO)
eleicoes2016_vp$SIGLA_PARTIDO<-as.factor(eleicoes2016_vp$SIGLA_PARTIDO)
eleicoes2016_ver$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2016_ver$DESC_SIT_TOT_TURNO)
eleicoes2016_ver$DESCRICAO_COR_RACA<-as.factor(eleicoes2016_ver$DESCRICAO_COR_RACA)
eleicoes2016_ver$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2016_ver$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2016_ver$DESCRICAO_SEXO<-as.factor(eleicoes2016_ver$DESCRICAO_SEXO)
eleicoes2016_ver$SIGLA_PARTIDO<-as.factor(eleicoes2016_ver$SIGLA_PARTIDO)
#2020
eleicoes2020_pref$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2020_pref$DESC_SIT_TOT_TURNO)
eleicoes2020_pref$DESCRICAO_COR_RACA<-as.factor(eleicoes2020_pref$DESCRICAO_COR_RACA)
eleicoes2020_pref$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2020_pref$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2020_pref$DESCRICAO_SEXO<-as.factor(eleicoes2020_pref$DESCRICAO_SEXO)
eleicoes2020_pref$SIGLA_PARTIDO<-as.factor(eleicoes2020_pref$SIGLA_PARTIDO)
eleicoes2020_vp$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2020_vp$DESC_SIT_TOT_TURNO)
eleicoes2020_vp$DESCRICAO_COR_RACA<-as.factor(eleicoes2020_vp$DESCRICAO_COR_RACA)
eleicoes2020_vp$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2020_vp$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2020_vp$DESCRICAO_SEXO<-as.factor(eleicoes2020_vp$DESCRICAO_SEXO)
eleicoes2020_vp$SIGLA_PARTIDO<-as.factor(eleicoes2020_vp$SIGLA_PARTIDO)
eleicoes2020_ver$DESC_SIT_TOT_TURNO<-as.factor(eleicoes2020_ver$DESC_SIT_TOT_TURNO)
eleicoes2020_ver$DESCRICAO_COR_RACA<-as.factor(eleicoes2020_ver$DESCRICAO_COR_RACA)
eleicoes2020_ver$DESCRICAO_GRAU_INSTRUCAO<-as.factor(eleicoes2020_ver$DESCRICAO_GRAU_INSTRUCAO)
eleicoes2020_ver$DESCRICAO_SEXO<-as.factor(eleicoes2020_ver$DESCRICAO_SEXO)
eleicoes2020_ver$SIGLA_PARTIDO<-as.factor(eleicoes2020_ver$SIGLA_PARTIDO) 4 Metodologia
A metodologia utilizada nesse trabalho foi inicialmente o tratamento da base de dados, porque a mesma conta com 63 variáveis e nem todas seriam necessárias para o uso. As variáveis utilizadas foram: “descricao eleicao, sigla ue, descricao ue, codigo cargo, nome urna candidato, sigla partido, codigo sexo, descricao grau instrucao, descricao cor raca, descricao sexo, desc sit tot turno”.
Após o tratamento, foram realizadas tabelas de proporção entre candidatos homens e mulheres para os três cargos. O gráfico do tipo “Barplot” foi gerado para apresentar visualmente a diferença de candidatos e de eleitos entre o sexo masculino e feminino. Usamos o pacote “ggplot” associado ao pacote “geobr” para mostrar geograficamente no mapa do Estado do Rio de Janeiro a localização dos municipios que elegeram mulheres para o Executivo, nos anos de 2016 e 2020. Fizemos uma complementação ao mapa com tabelas que elucidam quem são as mulheres eleitas e quais são as suas características. Num olhar para a cota do mínimo de 30% das candidaturas femininas para as Câmaras municipais, apresentamos tabelas de proporção de candidatos a Vereador nos partidos por sexo. Ao final, exibimos o teste de hipóteses para compreender se existe ou não associação entre o sexo do candidato e o resultado das eleições, para os três cargos municipais.
Todo o processo de elaboração do trabalho ocorreu no programa de estatística RStudio, em seguida foi utilizado o RMarkdown para realizar uma publicação em HTML.
Marcha das Mulheres Negras por uma Bahia Livre - Site: Soteropreta
5 Visualização de dados e discussão
5.1 Tabelas de proporção de candidatos por sexo 2016 e 2020
O olhar para as proporções entre os sexos para cargos diferentes nos revela a desigualdade de oportunidades, no que tange o sexo feminino para os cargos municipais. O número proporcionalmente menor de candidatas mulheres traz a discussão da representatividade feminina na política, o que vem sendo debatido ano após ano. Apesar das dificuldades de entrada na política municipal, torna-se importante perceber que as proporções de candidatas mulheres aumentaram, ao se comparar os anos de 2016 e 2020.
5.1.1 2016 (Prefeito - Vice-prefeito - Vereador)
## tabela de proporção prefeito 2016
tab_pref2016<-table(eleicoes2016_pref$DESCRICAO_SEXO)
round(prop.table(tab_pref2016)*100,2)##
## FEMININO MASCULINO
## 11.35 88.65## tabela de proporção vice-prefeito 2016
tab_vp2016<-table(eleicoes2016_vp$DESCRICAO_SEXO)
round(prop.table(tab_vp2016)*100,2)##
## FEMININO MASCULINO
## 20.57 79.43## tabela de proporção vereador 2016
tab_ver2016<-table(eleicoes2016_ver$DESCRICAO_SEXO)
round(prop.table(tab_ver2016)*100,2)##
## FEMININO MASCULINO
## 31.98 68.025.1.2 2020 (Prefeito - Vice-prefeito - Vereador)
### tabela de proporção prefeito 2020
tab_pref2020<-table(eleicoes2020_pref$DESCRICAO_SEXO)
round(prop.table(tab_pref2020)*100,2)##
## FEMININO MASCULINO
## 15.77 84.23### tabela de proporção vice-prefeito 2020
tab_vp2020<-table(eleicoes2020_vp$DESCRICAO_SEXO)
round(prop.table(tab_vp2020)*100,2)##
## FEMININO MASCULINO
## 26.56 73.44### tabela de proporção vereador 2020
tab_ver2020<-table(eleicoes2020_ver$DESCRICAO_SEXO)
round(prop.table(tab_ver2020)*100,2)##
## FEMININO MASCULINO
## 34.01 65.995.2 Gráficos de barras
O gráfico de barras é fundamental para a visualização da freqüência absoluta ou percentual de variáveis, que no caso deste trabalho se resume a um conjunto de dados categóricos, de variáveis qualitativas. A visualização dos gráficos abaixo evidencia a disparidade entre os sexos tanto no número de candidatos quanto de eleitos, no que se refere às eleições municipais de 2016 e 2020. Não foram percebidos aumentos significativos com relação a serem eleitas, para as mulheres, mas houve um aumento no número de candidatas nos cargos observados.
5.2.1 Prefeitos
# Prefeitos
tab_eleitos_sexo_pref2016 <- table(eleicoes2016_pref$DESC_SIT_TOT_TURNO, eleicoes2016_pref$DESCRICAO_SEXO)
barplot(tab_eleitos_sexo_pref2016, beside = TRUE,
main = "Gráfico 1 - Número de eleitos e não eleitos por sexo, para Prefeito, em 2016", cex.main=0.9,
col = c("#07e667","#c20e0e"),
legend = levels(unique(eleicoes2016_pref$DESC_SIT_TOT_TURNO)),
ylim = c(0,400), args.legend = list(x = "topleft",bty = "n"))
tab_eleitos_sexo_pref2020 <- table(eleicoes2020_pref$DESC_SIT_TOT_TURNO, eleicoes2020_pref$DESCRICAO_SEXO)
barplot(tab_eleitos_sexo_pref2020, beside = TRUE,
main = "Gráfico 2 - Número de eleitos e não eleitos por sexo, para Prefeito, em 2020", cex.main=0.9,
col = c("#07e667","#c20e0e"),
legend = levels(unique(eleicoes2020_pref$DESC_SIT_TOT_TURNO)),
ylim = c(0,500), args.legend = list(x = "topleft",bty = "n"))
5.2.2 Vice-prefeitos
tab_eleitos_sexo_vp2016 <- table(eleicoes2016_vp$DESC_SIT_TOT_TURNO, eleicoes2016_vp$DESCRICAO_SEXO)
barplot(tab_eleitos_sexo_vp2016, beside = TRUE,
main = "Gráfico 3 - Número de eleitos e não eleitos por sexo, para Vice-prefeito, em 2016", cex.main=0.9,
col = c("#2fff00","#ff261f"), legend = levels(unique(eleicoes2016_pref$DESC_SIT_TOT_TURNO)),
ylim = c(0,400), args.legend = list(x= "topleft",bty = "n"))
tab_eleitos_sexo_vp2020 <- table(eleicoes2020_vp$DESC_SIT_TOT_TURNO, eleicoes2020_vp$DESCRICAO_SEXO)
barplot(tab_eleitos_sexo_vp2020, beside = TRUE,
main = "Gráfico 4 - Número de eleitos e não eleitos por sexo, para Vice-prefeito, em 2020", cex.main=0.9,
col = c("#2fff00","#ff261f"), legend = levels(unique(eleicoes2020_pref$DESC_SIT_TOT_TURNO)),
ylim = c(0,400), args.legend = list(x= "topleft",bty = "n"))
5.2.3 Vereadores
tab_eleitos_sexo_ver2016 <- table(eleicoes2016_ver$DESC_SIT_TOT_TURNO, eleicoes2016_ver$DESCRICAO_SEXO)
barplot( tab_eleitos_sexo_ver2016, beside = TRUE,
main = "Gráfico 5 - Número de eleitos e não eleitos por sexo, para Vereador, em 2016", cex.main=0.9,
col = c("#09e32a","#1a9906","#ff081c","#ffa600"),
legend = levels(unique(eleicoes2016_ver$DESC_SIT_TOT_TURNO)),
ylim = c(0,10000), args.legend = list(x = "topleft",bty = "n"))
tab_eleitos_sexo_ver2020 <- table(eleicoes2020_ver$DESC_SIT_TOT_TURNO, eleicoes2020_ver$DESCRICAO_SEXO)
barplot( tab_eleitos_sexo_ver2020, beside = TRUE,
main = "Gráfico 6 - Número de eleitos e não eleitos por sexo, para Vereador, em 2020", cex.main=0.9,
col = c("#09e32a","#1a9906","#ff081c","#ffa600"),
legend = levels(unique(eleicoes2020_ver$DESC_SIT_TOT_TURNO)),
ylim = c(0,10000), args.legend = list(x = "topleft",bty = "n"))
5.3 Visualização de Mapas
Os mapas normalmente auxiliam para a visualização de certos padrões sociais, o que pode ser verificado abaixo a partir da aplicação de resultados das eleições municipais de 2016 e 2020. Os poucos municípios que tem mulheres no Executivo não fazem parte, em sua maioria, da região metropolitana do Rio de Janeiro, e por isso não possuem maior responsabilidade. Logo, percebe-se um problema na recepção e ingresso de mulheres nos Executivos municipais de grande importância para a região.
5.3.1 Mapa Prefeitas 2016
municipios <- read_municipality(code_muni=33, year=2010)municipios %>%
filter(code_state == 33)%>%
mutate(Mulhereseleitas = case_when(name_muni == "Rio de Janeiro" ~ "Capital",
name_muni %in% c("Carapebus","Saquarema","São João Da Barra","Iguaba Grande","Quissamã","Paracambi","Italva","São Francisco De Itabapoana","Araruama") ~ "Mulheres Eleitas",
TRUE ~ "Homens Eleitos")) %>%
ggplot(aes(fill = Mulhereseleitas))+
geom_sf(color = "white", size = 0.1)+
theme(legend.position = "bottom")+
scale_fill_brewer(palette = "Dark2")+
labs(fill = "Prefeitas 2016")
5.3.2 Mapa Prefeitas 2020
municipios %>%
filter(code_state == 33)%>%
mutate(Mulhereseleitas = case_when(name_muni == "Rio de Janeiro" ~ "Capital",
name_muni %in% c("Carapebus","Saquarema","São João Da Barra","Iguaba Grande","Quissamã","Paracambi","Japeri","São Francisco De Itabapoana","Araruama","Cardoso Moreira","Guapimirim") ~ "Mulheres Eleitas",
TRUE ~ "Homens Eleitos")) %>%
ggplot(aes(fill = Mulhereseleitas))+
geom_sf(color = "white", size = 0.1)+
theme(legend.position = "bottom")+
scale_fill_brewer(palette = "Dark2")+
labs(fill = "Prefeitas 2020")
5.3.3 Mapa Vice-prefeitas 2016
municipios %>%
filter(code_state == 33)%>%
mutate(Mulhereseleitas = case_when(name_muni == "Rio de Janeiro" ~ "Capital",
name_muni %in% c("Barra Mansa","Macuco","Cordeiro","Rio Bonito","Nilópolis","Cabo Frio","Carapebus","Silva Jardim","Pinheiral","Paraíba Do Sul",'Campos Dos Goytacazes') ~ "Mulheres Eleitas",
TRUE ~ "Homens Eleitos")) %>%
ggplot(aes(fill = Mulhereseleitas))+
geom_sf(color = "white", size = 0.1)+
theme(legend.position = "bottom")+
scale_fill_brewer(palette = "Set2")+
labs(fill = "Vice-prefeitas 2016") 
5.3.4 Mapa Vice-prefeitas 2020
municipios %>%
filter(code_state == 33)%>%
mutate(Mulhereseleitas = case_when(name_muni == "Rio de Janeiro" ~ "Capital",
name_muni %in% c("Araruama","Barra Mansa","Macuco","Seropédica","Queimados",
"Nilópolis","Cabo Frio","Bom Jardim","Cantagalo","Pinheiral","Magé","Sapucaia",
"Cachoeiras De Macacu","Vassouras","São João Da Barra") ~ "Mulheres Eleitas",
TRUE ~ "Homens Eleitos")) %>%
ggplot(aes(fill = Mulhereseleitas))+
geom_sf(color = "white", size = 0.1)+
theme(legend.position = "bottom")+
scale_fill_brewer(palette = "Set2")+
labs(fill = "Vice-prefeitas 2020") 
5.4 Tabelas Mulheres eleitas para o Executivo municipal
No intuito de complementar a visualização dos mapas, há abaixo a exposição de variáveis que estão atreladas às mulheres eleitas. A apresentação, por si só, das mulheres eleitas para o Executivo municipal não abarca as questões que as levaram para a Prefeitura, no entanto, mostram que a maioria delas exerce o cargo em municípios pequenos do estado do Rio e, majoritariamente são brancas e com ensino superior completo.
5.4.1 Eleitas para as prefeituras em 2016
5.4.1.1 Prefeitas
#prefeita
Mulheres_eleitas_pref2016 <- eleicoes2016_pref %>%
select(DESCRICAO_ELEICAO,DESCRICAO_UE,CODIGO_CARGO,NOME_URNA_CANDIDATO,SIGLA_PARTIDO,IDADE_DATA_POSSE,DESCRICAO_GRAU_INSTRUCAO,DESCRICAO_COR_RACA,CODIGO_SEXO,DESC_SIT_TOT_TURNO,)%>%
filter(CODIGO_CARGO==11,DESC_SIT_TOT_TURNO=='ELEITO',CODIGO_SEXO==4)
kable(Mulheres_eleitas_pref2016, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "500px")| DESCRICAO_ELEICAO | DESCRICAO_UE | CODIGO_CARGO | NOME_URNA_CANDIDATO | SIGLA_PARTIDO | IDADE_DATA_POSSE | DESCRICAO_GRAU_INSTRUCAO | DESCRICAO_COR_RACA | CODIGO_SEXO | DESC_SIT_TOT_TURNO |
|---|---|---|---|---|---|---|---|---|---|
| Eleições Municipais 2016 | CARAPEBUS | 11 | CHRISTIANE CORDEIRO | PP | 51 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | SAQUAREMA | 11 | MANOELA PERES | PTN | 36 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | SÃO JOÃO DA BARRA | 11 | CARLA MACHADO | PP | 51 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | IGUABA GRANDE | 11 | GRASIELLA | PP | 39 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | QUISSAMÃ | 11 | FÁTIMA | PTN | 51 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | PARACAMBI | 11 | LUCIMAR DO DR. FLÁVIO | PR | 42 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | ITALVA | 11 | MARGARETH DO JOELSON | PP | 52 | ENSINO FUNDAMENTAL COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | SÃO FRANCISCO DE ITABAPOANA | 11 | FRANCIMARA | PSB | 38 | SUPERIOR INCOMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | ARARUAMA | 11 | LÍVIA DE CHIQUINHO | PDT | 34 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
5.4.1.2 Vice-prefeitas
#vice
Mulheres_eleitas_vp2016 <- eleicoes2016 %>%
select(DESCRICAO_ELEICAO,DESCRICAO_UE,CODIGO_CARGO,NOME_URNA_CANDIDATO,SIGLA_PARTIDO,IDADE_DATA_POSSE,DESCRICAO_GRAU_INSTRUCAO,DESCRICAO_COR_RACA,CODIGO_SEXO,DESC_SIT_TOT_TURNO,)%>%
filter(CODIGO_CARGO==12,DESC_SIT_TOT_TURNO=='ELEITO',CODIGO_SEXO== 4)
kable(Mulheres_eleitas_vp2016, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "600px")| DESCRICAO_ELEICAO | DESCRICAO_UE | CODIGO_CARGO | NOME_URNA_CANDIDATO | SIGLA_PARTIDO | IDADE_DATA_POSSE | DESCRICAO_GRAU_INSTRUCAO | DESCRICAO_COR_RACA | CODIGO_SEXO | DESC_SIT_TOT_TURNO |
|---|---|---|---|---|---|---|---|---|---|
| Eleições Municipais 2016 | BARRA MANSA | 12 | PROFESSORA FATIMA | PRTB | 62 | SUPERIOR COMPLETO | PRETA | 4 | ELEITO |
| Eleições Municipais 2016 | MACUCO | 12 | MICHELLE BIANCHINI | PHS | 38 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | CORDEIRO | 12 | MARIA HELENA | PRB | 51 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | RIO BONITO | 12 | RITA DA EDUCAÇÃO | PP | 60 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | NILÓPOLIS | 12 | JANE ABRÃO | PSB | 70 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | CABO FRIO | 12 | RUTE SCHUINDT | PPS | 46 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | CARAPEBUS | 12 | DIRETORA MARINETE | SD | 66 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | SILVA JARDIM | 12 | CILENE | SD | 36 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | PINHEIRAL | 12 | PROFESSORA SEDIENE MAIA | DEM | 60 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO |
| Eleições Municipais 2016 | PARAÍBA DO SUL | 12 | MARIANGELA SANTOS | PRP | 66 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO |
| Eleições Municipais 2016 | CAMPOS DOS GOYTACAZES | 12 | CONCEIÇÃO SANT ANNA | PPS | 62 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO |
5.4.2 Eleitas para a prefeitura em 2020
5.4.2.1 Prefeitas
#prefeita
Mulheres_eleitas_pref2020 <- eleicoes2020_pref %>%
select(DESCRICAO_ELEICAO,DESCRICAO_UE,CODIGO_CARGO,NOME_URNA_CANDIDATO,SIGLA_PARTIDO,IDADE_DATA_POSSE,DESCRICAO_GRAU_INSTRUCAO,DESCRICAO_COR_RACA,CODIGO_SEXO,DESC_SIT_TOT_TURNO,SITUACAO_REELEICAO,)%>%
filter(CODIGO_CARGO==11,DESC_SIT_TOT_TURNO=='ELEITO',CODIGO_SEXO==4)
kable(Mulheres_eleitas_pref2020, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "600px")| DESCRICAO_ELEICAO | DESCRICAO_UE | CODIGO_CARGO | NOME_URNA_CANDIDATO | SIGLA_PARTIDO | IDADE_DATA_POSSE | DESCRICAO_GRAU_INSTRUCAO | DESCRICAO_COR_RACA | CODIGO_SEXO | DESC_SIT_TOT_TURNO | SITUACAO_REELEICAO |
|---|---|---|---|---|---|---|---|---|---|---|
| Eleições Municipais 2020 | PARACAMBI | 11 | LUCIMAR DO DR. FLÁVIO | PL | 46 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO | N |
| Eleições Municipais 2020 | CARAPEBUS | 11 | CHRISTIANE CORDEIRO | PP | 55 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | S |
| Eleições Municipais 2020 | ARARUAMA | 11 | LIVIA DE CHIQUINHO | PP | 38 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | SAQUAREMA | 11 | MANOELA PERES | DEM | 40 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | GUAPIMIRIM | 11 | MARINA | PMB | 31 | SUPERIOR INCOMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | QUISSAMÃ | 11 | FÁTIMA PACHECO | DEM | 55 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | S |
| Eleições Municipais 2020 | JAPERI | 11 | DRA FERNANDA ONTIVEROS | PDT | 40 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | SÃO JOÃO DA BARRA | 11 | CARLA MACHADO | PP | 55 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | S |
| Eleições Municipais 2020 | SÃO FRANCISCO DE ITABAPOANA | 11 | FRANCIMARA | SOLIDARIEDADE | 42 | SUPERIOR INCOMPLETO | BRANCA | 4 | ELEITO | S |
| Eleições Municipais 2020 | CARDOSO MOREIRA | 11 | GEANE | PSD | 39 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO | N |
| Eleições Municipais 2020 | PARAÍBA DO SUL | 11 | DAYSE ONOFRE | PL | 48 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO | N |
5.4.2.2 Vice-prefeitas
#vice
Mulheres_eleitas_vicepref2020 <- eleicoes2020_vp %>%
select(DESCRICAO_ELEICAO,DESCRICAO_UE,CODIGO_CARGO,NOME_URNA_CANDIDATO,SIGLA_PARTIDO,IDADE_DATA_POSSE,DESCRICAO_GRAU_INSTRUCAO,DESCRICAO_COR_RACA,CODIGO_SEXO,DESC_SIT_TOT_TURNO,SITUACAO_REELEICAO,)%>%
filter(CODIGO_CARGO==12,DESC_SIT_TOT_TURNO=='ELEITO',CODIGO_SEXO==4)
kable(Mulheres_eleitas_vicepref2020, row.names = FALSE)%>%
kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"),
position = "center", fixed_thead = T) %>%
scroll_box(width = "900px", height = "600px")| DESCRICAO_ELEICAO | DESCRICAO_UE | CODIGO_CARGO | NOME_URNA_CANDIDATO | SIGLA_PARTIDO | IDADE_DATA_POSSE | DESCRICAO_GRAU_INSTRUCAO | DESCRICAO_COR_RACA | CODIGO_SEXO | DESC_SIT_TOT_TURNO | SITUACAO_REELEICAO |
|---|---|---|---|---|---|---|---|---|---|---|
| Eleições Municipais 2020 | ARARUAMA | 12 | RAIANA ALCEBIADES | PSC | 31 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | SEROPÉDICA | 12 | VANDRÉA MIGUELZINHO | DEM | 42 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | QUEIMADOS | 12 | MAÍSE JUSTO | SOLIDARIEDADE | 27 | SUPERIOR COMPLETO | PRETA | 4 | ELEITO | N |
| Eleições Municipais 2020 | NILÓPOLIS | 12 | FLÁVIA DUARTE | PL | 38 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | SÃO JOÃO DA BARRA | 12 | CARLA CAPUTI | DC | 39 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO | N |
| Eleições Municipais 2020 | BOM JARDIM | 12 | SIMONE CAPOZI | PSL | 44 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | MACUCO | 12 | MICHELLE BIANCHINI | PSD | 42 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | S |
| Eleições Municipais 2020 | CANTAGALO | 12 | MANUELA | PATRIOTA | 44 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | PINHEIRAL | 12 | SEDIENE MAIA | DEM | 64 | SUPERIOR COMPLETO | PARDA | 4 | ELEITO | N |
| Eleições Municipais 2020 | BARRA MANSA | 12 | FÁTIMA LIMA | PSC | 66 | SUPERIOR COMPLETO | PRETA | 4 | ELEITO | S |
| Eleições Municipais 2020 | MAGÉ | 12 | JAMILLE COZZOLINO | PSL | 33 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | CABO FRIO | 12 | MAGDALA DE TAMOIOS | PODE | 52 | ENSINO MÉDIO COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | SAPUCAIA | 12 | MARCELLA | PL | 38 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | CACHOEIRAS DE MACACU | 12 | DRA PATRICIA COELHO | PSDB | 44 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
| Eleições Municipais 2020 | VASSOURAS | 12 | ROSI FARIAS | DEM | 49 | SUPERIOR COMPLETO | BRANCA | 4 | ELEITO | N |
Vale ressaltar que há executivos formados só por mulheres, nos casos do município de CARAPEBUS, com Christiane Cordeiro (Prefeita) e Diretora Marinete (Vice-Prefeita) no ano de 2016. E no ano de 2020, no qual há dois governos municipais formados só por mulheres, em ARARUAMA, Livia de Chiquinho (Prefeita) e Raiana Alcebiades (Vice-prefeita), e em SÃO JOÃO DA BARRA, com Carla Machado (Prefeita) e Carla Caputi (Vice-prefeita)
5.5 Tabela proporção de candidatos a Vereador nos partidos por sexo
A proposta da elaboraçao dessa tabela é para ver se os partidos estão respeitando a cota do mínimo de 30% de candidaturas femininas.
5.5.1 Ano 2016
# proporção de candidatos a vereador por sexo 2016
candidatos_part_ver_sexo1<-round(prop.table(table(eleicoes2016_ver$SIGLA_PARTIDO,eleicoes2016_ver$DESCRICAO_SEXO),1)*100,2)
kable(candidatos_part_ver_sexo1)| FEMININO | MASCULINO | |
|---|---|---|
| DEM | 31.44 | 68.56 |
| NOVO | 32.26 | 67.74 |
| PATRIOTA | 30.51 | 69.49 |
| PC do B | 32.93 | 67.07 |
| PCB | 33.33 | 66.67 |
| PCO | 50.00 | 50.00 |
| PDT | 31.46 | 68.54 |
| PHS | 31.34 | 68.66 |
| PMB | 40.81 | 59.19 |
| PMDB | 32.09 | 67.91 |
| PMN | 30.90 | 69.10 |
| PP | 32.58 | 67.42 |
| PPL | 33.02 | 66.98 |
| PPS | 32.11 | 67.89 |
| PR | 33.25 | 66.75 |
| PRB | 31.36 | 68.64 |
| PROS | 28.01 | 71.99 |
| PRP | 31.16 | 68.84 |
| PRTB | 30.68 | 69.32 |
| PSB | 32.42 | 67.58 |
| PSC | 29.95 | 70.05 |
| PSD | 30.14 | 69.86 |
| PSDB | 33.74 | 66.26 |
| PSDC | 30.66 | 69.34 |
| PSL | 30.33 | 69.67 |
| PSOL | 35.02 | 64.98 |
| PSTU | 47.37 | 52.63 |
| PT | 33.26 | 66.74 |
| PT do B | 30.59 | 69.41 |
| PTB | 32.16 | 67.84 |
| PTC | 32.50 | 67.50 |
| PTN | 33.23 | 66.77 |
| PV | 31.25 | 68.75 |
| REDE | 30.19 | 69.81 |
| SD | 31.56 | 68.44 |
5.5.2 Ano 2020
# proporção de candidatos a vereador por sexo 2020
candidatos_part_ver_sexo2<-round(prop.table(table(eleicoes2020_ver$SIGLA_PARTIDO,eleicoes2020_ver$DESCRICAO_SEXO),1)*100,2)
kable(candidatos_part_ver_sexo2)| FEMININO | MASCULINO | |
|---|---|---|
| AVANTE | 33.86 | 66.14 |
| CIDADANIA | 34.80 | 65.20 |
| DC | 33.38 | 66.62 |
| DEM | 33.49 | 66.51 |
| MDB | 33.55 | 66.45 |
| NOVO | 35.71 | 64.29 |
| PATRIOTA | 34.27 | 65.73 |
| PC do B | 34.84 | 65.16 |
| PCB | 0.00 | 100.00 |
| PCO | 33.33 | 66.67 |
| PDT | 32.99 | 67.01 |
| PL | 33.92 | 66.08 |
| PMB | 35.97 | 64.03 |
| PMN | 32.43 | 67.57 |
| PODE | 33.60 | 66.40 |
| PP | 34.43 | 65.57 |
| PROS | 33.48 | 66.52 |
| PRTB | 33.37 | 66.63 |
| PSB | 34.09 | 65.91 |
| PSC | 33.96 | 66.04 |
| PSD | 33.94 | 66.06 |
| PSDB | 34.07 | 65.93 |
| PSL | 34.00 | 66.00 |
| PSOL | 38.25 | 61.75 |
| PSTU | 41.67 | 58.33 |
| PT | 36.15 | 63.85 |
| PTB | 33.73 | 66.27 |
| PTC | 34.35 | 65.65 |
| PV | 32.89 | 67.11 |
| REDE | 33.66 | 66.34 |
| REPUBLICANOS | 33.48 | 66.52 |
| SOLIDARIEDADE | 34.03 | 65.97 |
| UP | 50.00 | 50.00 |
É possível notar que a proporção de candidatas mulheres cumpre a cota estabelecida por lei, no entanto, não corresponde ao número de eleitas proporcionalmente nas câmaras municipais.
5.6 Teste de hipóteses
O teste de hipóteses é utilizado para determinar se há efeitos estatisticamente relevantes. Este teste é um procedimento estatístico que nos permite rejeitar ou não rejeitar uma hipótese através da evidência fornecida pela amostra. Aqui, será usado um teste de hipótese que leva em consideração uma associação entre duas variáveis qualitativas, as variáveis “DESCRICAO_SEXO” e “DESC_SIT_TOT_TURNO”, que englobam os sexos dos candidatos, e se foram eleitos ou não, respectivamente. Tais variáveis serão usadas para constatar se há associação entre as mesmas nos cargos de prefeito, vice-prefeito e vereador, conforme os candidatos expostos no banco de dados, ao olharmos para os anos 2016 e 2020.
Para tanto, é utilizado o teste qui-quadrado para comparar as duas variáveis qualitativas em uma tabela de contingência para verificar se elas estão relacionadas. Antes de verificar se existe associação entre duas variáveis, é necessário determinar as hipóteses. Nesta pesquisa a hipótese que buscamos testar é se existe associação entre o sexo e ser eleito ou não. Dessa maneira as hipóteses nula e alternativa para os testes a seguir são:
H0: não existe associação entre as duas variáveis, o sexo do candidato e a eleição
H1: existe associação entre as duas variáveis
Determinado o alpha = 0,05 para comparação com o pvalor. O pvalor é o resultado que queremos obter com o teste qui-quadrado.
Se p-value ≤ alpha, rejeito H0.
Se p-value > alpha, não rejeito H0.
Contudo, primeiramente, temos que verificar o pressuposto para aplicação do teste qui-quadrado: Nenhuma célula deve ter valor menor que cinco. Isto é obtido a partir da conformação dos dados na função “chisq.test” e colocado em um objeto, e visualizado com a função de exposição dos valores esperados. Assim sendo, os resultados do pvalor são apresentados pelos testes qui-quadrado, em todos os cargos, uma vez que não houve nenhuma célula menor que cinco na verificação do pressuposto segundo todos os valores esperados, o que mudaria o tipo de teste a ser usado.
5.6.1 Associação entre variáveis Sexo e Eleição, em 2016 para prefeito
# sexo e eleição em 2016 para prefeitos
teste_qui1 <- chisq.test(eleicoes2016_pref$DESCRICAO_SEXO,eleicoes2016_pref$DESC_SIT_TOT_TURNO)
teste_qui1$expected##
## ELEITO NÃO ELEITO
## FEMININO 10.43972 37.56028
## MASCULINO 81.56028 293.43972#neste teste de sexo e eleição há células maiores que cinco, logo deve-se usar o teste qui - quadrado
# teste qui-quadrado para rejeitar ou não H0
teste_qui1##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: eleicoes2016_pref$DESCRICAO_SEXO and eleicoes2016_pref$DESC_SIT_TOT_TURNO
## X-squared = 0.12193, df = 1, p-value = 0.72695.6.2 Associação entre variáveis Sexo e Eleição, em 2020 para prefeito
# sexo e eleição em 2020 para prefeitos
teste_qui2 <- chisq.test(eleicoes2020_pref$DESCRICAO_SEXO,eleicoes2020_pref$DESC_SIT_TOT_TURNO)
teste_qui2$expected##
## ELEITO NÃO ELEITO
## FEMININO 13.87868 77.12132
## MASCULINO 74.12132 411.87868# teste qui-quadrado para rejeitar ou não H0
teste_qui2##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: eleicoes2020_pref$DESCRICAO_SEXO and eleicoes2020_pref$DESC_SIT_TOT_TURNO
## X-squared = 0.57113, df = 1, p-value = 0.4498Com pvalor > alpha nas duas situações para prefeito, não se rejeita H0, logo, não há associação entre sexo e ser eleito, para prefeitos em 2016 e 2020.
5.6.3 Associação entre variáveis Sexo e Eleição, em 2016 para vice-prefeito
# sexo e eleição em 2016 para vice-prefeitos
teste_qui5 <- chisq.test(eleicoes2016_vp$DESCRICAO_SEXO,eleicoes2016_vp$DESC_SIT_TOT_TURNO)
teste_qui5$expected##
## eleicoes2016_vp$DESCRICAO_SEXO ELEITO NÃO ELEITO
## FEMININO 18.92199 68.07801
## MASCULINO 73.07801 262.92199# teste qui-quadrado para rejeitar ou não H0
teste_qui5##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: eleicoes2016_vp$DESCRICAO_SEXO and eleicoes2016_vp$DESC_SIT_TOT_TURNO
## X-squared = 4.6837, df = 1, p-value = 0.030455.6.4 Associação entre variáveis Sexo e Eleição, em 2020 para vice-prefeito
# sexo e eleição em 2020 para vice-prefeitos
teste_qui6 <- chisq.test(eleicoes2020_vp$DESCRICAO_SEXO,eleicoes2020_vp$DESC_SIT_TOT_TURNO)
teste_qui6$expected##
## eleicoes2020_vp$DESCRICAO_SEXO ELEITO NÃO ELEITO
## FEMININO 23.375 129.625
## MASCULINO 64.625 358.375# teste qui-quadrado para rejeitar ou não H0
teste_qui6##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: eleicoes2020_vp$DESCRICAO_SEXO and eleicoes2020_vp$DESC_SIT_TOT_TURNO
## X-squared = 4.2642, df = 1, p-value = 0.03892Com pvalor < alpha, nas duas situações para vice-prefeito, rejeita-se H0, logo, há associação entre sexo e ser eleito, para vice-prefeitos em 2016 e 2020.
5.6.5 Associação entre variáveis Sexo e Eleição, em 2016 para vereador
# sexo e eleição em 2016 para vereadores
teste_qui3 <- chisq.test(eleicoes2016_ver$DESCRICAO_SEXO,eleicoes2016_ver$DESC_SIT_TOT_TURNO)
teste_qui3$expected##
## ELEITO POR MÉDIA ELEITO POR QP NÃO ELEITO SUPLENTE
## FEMININO 124.4119 256.1798 2186.324 4086.084
## MASCULINO 264.5881 544.8202 4649.676 8689.916options(scipen=999)
# teste qui-quadrado para rejeitar ou não H0
teste_qui3##
## Pearson's Chi-squared test
##
## data: eleicoes2016_ver$DESCRICAO_SEXO and eleicoes2016_ver$DESC_SIT_TOT_TURNO
## X-squared = 308.86, df = 3, p-value < 0.000000000000000225.6.6 Associação entre variáveis Sexo e Eleição, em 2020 para vereador
# sexo e eleição em 2020 para vereadores
teste_qui4 <- chisq.test(eleicoes2020_ver$DESCRICAO_SEXO,eleicoes2020_ver$DESC_SIT_TOT_TURNO)
teste_qui4$expected##
## ELEITO POR MÉDIA ELEITO POR QP NÃO ELEITO SUPLENTE
## FEMININO 181.2713 221.4026 3529.518 4482.808
## MASCULINO 351.7287 429.5974 6848.482 8698.192# teste qui-quadrado para rejeitar ou não H0
teste_qui4##
## Pearson's Chi-squared test
##
## data: eleicoes2020_ver$DESCRICAO_SEXO and eleicoes2020_ver$DESC_SIT_TOT_TURNO
## X-squared = 328.93, df = 3, p-value < 0.00000000000000022Com pvalor < alpha, nas duas situações para vereador, rejeita-se H0, logo, há associação entre sexo e ser eleito, para vereadores em 2016 e 2020.
6 Conclusão
Em resumo, os dados expostos no trabalho ilustram que no Executivo o aumento da representatividade feminina ainda é incipiente, enquanto que, no legislativo houve sim um progresso, mas, que está longe de ser o ideal de representacão da população feminina, esta que precisa dispor de mulheres nos cargos políticos para que entendam suas demandas. Conforme dito na introdução, precisamos dar mais notoriedade às mulheres e implementar politicas públicas de incentivo em todas as áreas. Acima de tudo coloca-se o respeito como primordial, porque é preciso fazer com que a sociedade aprenda a ter respeito pelas mulheres e não permitir situações sociais e políticas de desigualdade entre os gêneros.
7 Referências Bibliográficas
CARVALHO, J.M.. Cidadania no Brasil: o longo caminho. Rio de Janeiro, Civilização Brasileira, 2001.