UNIVERSIDADE FEDERAL FLUMINENSE

ESCOLA DE ENGENHARIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA CIVIL

INDICADORES DE DESEMPENHO EDUCACIONAL E SOCIO-ECONOMICOS: ANALISE COMPARATIVA ENTRE OS ESTADO DO ACRE E RONDÔNIA.

ESTATÍSTICA - RELATÓRIO FINAL

Aluno: José Fontes Pegorim (M015.220.009)

Disciplina: Estatística

Professor: Steven Dutt Ross

Data: 24/03/2021

RESUMO

O presente artigo tem como objetivo avaliar os indices de rendimento de escolas do ensino fundamental e médio em todos os municipios dos estados do Acre e Rondônia, tentando relaciona-los com indicadores socio-economicos, como PIB, Numero de familias pobres.O objeto é rejeitar ou não rejeitar as hipoteses da relação entre níveis de investimento per capta com os indicadores de desempenho escolar dos alunos.

INTRODUÇÃO

O INEP, IBGE e os demais institutos de pesquisa e dados estatísticos desempenham um papel crucial para o planejamento e desenvolvimento da sociedade brasileira, já que seu trabalho possibilitauma visão macro e micro atraves de diversos indicadores das mais diversas áreas: economica, social, politica, e tantas outras. Sendo assim, optou-se para trabalhar com uma base de dados que foi feita a partir de dados fornecidos por bases do INEP e do IBGE, na tentativa de encontrar relações para o desempenho educacional de estados da região norte do país.

OBJETIVO

O trabalho tem como objetivo principal gerar e interpretar dados estatísticos que relacionem o desempenho educacional para os alunos do Ensino Fundamental e Médio nos estados do Acre e Rondônia. As variáveis que serão trabalhadas são: Indice de Aprovação, Indice de Reprovação, Indice de Evasão Escolar, PIB per capta(por municipio), e QUantidade de Familias Pobres(por municipio).

METODOLOGIA E JUSTIFICATIVAS

Após a busca de bases de dados no INEP e no IBGE e fornecessem as informações desejadas de rendimento escolar por municipio de cada estado e demais indicadores sociais também fornecidos por municipio, foi gerada uma base de dados com base nestas informações também com o fim de facilitar a manipulação e tratamento destes dados planilhados.

A escolha por fazer apenas de um região se deu pelo fato de o BRasil, por ser um país em escala continental, tem um processo histórico de formação e desenvolvimento bastante complexo e heterogeneo, o que poderia tonar a nossa amostra menos confiavel, já que teriamos elemementos(municipios e estados) com caracteriticas historias e socio-economicas muito diversas entre si. Portanto, optou-se pela região Norte do país por ser, históricamente, a mais carente de investientos e, portanto mais sensíveis a pequenas variações dos indicadores de desenvolvimento, por dependerem mais diretamente deles, já que as regiões estudadas, embora hoje já bem desenvolvidas, não possuem um tecido economico e social intricado e profundamente complexo, como seria o caso da cidade de São Paulo, por exemplo. Desta forma, se espera, com o cruzamento das variáveis disponibilizadas e dos dados estatísticos gerados a partir delas, um resultado mais confiável, tendo menos outliers e um desvio padrão mais homogeneo.

A escolha especificamente pelos estados do Acre e Rondônia, tem haver com o fato de terem relativamente o mesmo número de municipios e nível de desenvolvimento diferente, oq eu pode gerar uma comparação valiosa entre os dois.

CONFIGURAÇÕES INICIAIS E MANIPULAÇÃO DA BASE DE DADOS

options(scipen=999)
library (dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library (geobr)

## Warning: package 'geobr' was built under R version 4.0.4

## Loading required namespace: sf

library(corrplot)

## corrplot 0.84 loaded

library(RColorBrewer)
AZULAC <- colorRampPalette(brewer.pal(9,"Blues"))(25)
AZULRO <- colorRampPalette(brewer.pal(9,"Blues"))(52)
VERDE <- colorRampPalette(brewer.pal(9,"Greens"))(52)
VERMELHOAC <- colorRampPalette(brewer.pal(9,"Reds"))(25)
VERMELHORO <- colorRampPalette(brewer.pal(9,"Reds"))(52)
LARANJAAC <- colorRampPalette(brewer.pal(9,"Oranges"))(25)
LARANJARO <- colorRampPalette(brewer.pal(9,"Oranges"))(52)
CINZAAC <- colorRampPalette(brewer.pal(9,"Greys"))(25)
CINZARO <- colorRampPalette(brewer.pal(9,"Greys"))(52)

BASE DE DADOS PARA O ESTADO DO ACRE

library(readxl)
AC_Tabela_Final <- read_excel("C:/Users/José Pegorim/Desktop/Relatorio final estatistica/AC_Tabela Final.xlsx")

A base de dados tanto do Acre conta com a listagem dos seus 22 municipios, com respectivos nomes, códigos, e 5 variáveis do seus indicadores educacionais e socio-econoômicos.

BASE DE DADOS PARA O ESTADO DE RONDÔNIA

library(readxl)
RO_Tabela_Final <- read_excel("C:/Users/José Pegorim/Desktop/Relatorio final estatistica/RO_Tabela Final.xlsx")

A base de informações para o estado de Rondônia conta com uma listagem dos seus 15 municipios e respectivas informações de nome, código e região, juntamente com as mesmas 5 varia´veis de indicadores de desempenho educacional e socio-economicos.

DICIONÁRIO E BASE DE DADOS

library(readxl)
Dicionario <- read_excel("C:/Users/José Pegorim/Desktop/Relatorio final estatistica/Dicionario.xlsx")

## O dicionário conta com a descrição de cada variável presente na base de dados.

AMOSTRA DE DADOS E CONSTRUÇÃO DE INDICADORES

Embora tenha sido feito, inicialmente, apenas uma base de dados, se fez necessário dividi-la por estados para facilitar a analise dos dados pelo R.

É importante ressaltar também que os dados de rendimento educacional adiquiridos em uma base de dados do INEP, tiveram variaveis como as da área da escola (urbana ou Rural), Ensino médio, Ensino Fundamental mesclados e oferecendo como resultado uma média aritmética de ambos a fim de que para que cada variavel tivesse um só indicador, conforme consta no dicionário da base de dados.

ABORDAGEM E ANALISE DOS DADOS - ANALISE COMPARATIVA ENTRE ACRE E RODÔNIA

ETAPA I - BOXPLOTS

ETAPA II - GRÁFICO DE DISPERSÃO

ETAPA III - MATRIZ DE CORRELAÇÃO

ETAPA IV - TESTE DE HIPOTESES

ETAPA V - CONSTRUÇÃO DE MAPAS

ETAPA VI - CONSIDERAÇÕES FINAIS

ETAPA I -

BOXPLOTS - ACRE x RONDÔNIA - PIB per capta

boxplot(AC_Tabela_Final$`PIBpc`)

boxplot(RO_Tabela_Final$`PIBpc`)

Nesta comparação de PIB´s entre os estados podemos perceber que, ainda que Rondônia possua dois outliers que fogem consideravelmente da média, ambos os estados tem nível de investimento médio per capta entre 6 e 8 mil reais.

BOXPLOTS - ACRE x RONDÔNIA - INDICE DE APROVAÇÃO

boxplot(AC_Tabela_Final$`IAE`)

boxplot(RO_Tabela_Final$`IAE`)

Nesta comparação podemos ver que Rondônia apresenta maior Indice de Aprovação do que Acre ainda que ambos apresentem um desvio padrão muito similar, com uma média relativamente simetrica em relação a dispersão dos dados.

BOXPLOTS - ACRE x RONDÔNIA - EVASÃO ESCOLAR

boxplot(AC_Tabela_Final$`IEE`)

boxplot(RO_Tabela_Final$`IEE`)

#### Na comparação do Indice de Evasão, vemos que Rondônia apresenta aproximadamente 3,5% enquanto Acre 7,5% #### O que, a principio, pode ser corroborado também pelo maior índice de aprovação em Rondonia.

ETAPA II - GRAFICO DE DISPERSÃO - ACRE: PIB per capta x Indice de Aprovação

RONDÔNIA: PIB per capta x Indice de Aprovação

boxplot(AC_Tabela_Final$`PIBpc`~ AC_Tabela_Final$`IAE`)

boxplot(RO_Tabela_Final$`PIBpc`~ RO_Tabela_Final$`IAE`)

#### Para ambos casos é interessante perceber que parece não haver relação entre niveis de investimento percapta e indices de aprovação, já que temos municipios com quase 100% de aprovação e com a mesma media de investimento per capta.

ETAPA II - GRÁFICO DE DISPERSÃO

plot(AC_Tabela_Final$IAE,AC_Tabela_Final$PIBpc,pch=19,col="lightblue",
     xlab = "Indice de Aprovação Escolar",
     ylab = "PIB percapta",
     main = "ACRE: Diagrama de dispersão para o IAE em relação ao PIB")
abline(lsfit(AC_Tabela_Final$IAE,AC_Tabela_Final$PIBpc),
       col="red")

plot(RO_Tabela_Final$IAE,RO_Tabela_Final$PIBpc,pch=19,col="lightblue",
     xlab = "Indice de Aprovação Escolar",
     ylab = "PIB percapta",
     main = "RONDONIA: Diagrama de dispersão para o IAE em relação ao PIB")
abline(lsfit(RO_Tabela_Final$IAE,RO_Tabela_Final$PIBpc),
       col="red")

Aqui ambos os gráficos de dispersão nos mostram que, na verdade, que o PIB tende a diminuir a medida que o Indice de Aprovação aumenta.

ETAPA III - MATRIZ DE CORRELAÇÃO

cor(AC_Tabela_Final$`PIBpc`,AC_Tabela_Final$IAE)

## [1] -0.04870788

cor(RO_Tabela_Final$`PIBpc`,RO_Tabela_Final$IAE)

## [1] -0.1135748

No caso do Acre e Rondonia ha um indice de correlação levemente negativo, apenas reafirmando o descrescimo suave apresentado no gráfico de dispersão.

ACRE_variaveis_quanti <- c("IAE","IRE","IEE","PIBpc","QFP")   

correlacao <- cor(AC_Tabela_Final[,c("IAE","IRE","IEE","PIBpc","QFP")])

corrplot(correlacao)

RO_variaveis_quanti <- c("IAE","IRE","IEE","PIBpc","QFP")

correlacao2 <- cor(RO_Tabela_Final[,c("IAE", "IRE","IEE","PIBpc","QFP")])

corrplot(correlacao2)

#### Para o caso do Acre é possivel perceber alguns elementos que causam alguma estranheza, como por exemplo o indice de reprovação ter relação positiva com o PIB ou o indice de aprovação ter relação positiva com o a quantidade de familias pobres. #### Para o caso de Rondonia já pode ser percebido uma forte relação entre indice de evasão e o numero de familias pobres.

ETAPA IV - TESTES DE HIPÓTESES

ESTADO DO ACRE

Para avaliar a normalidade da distribuição dos dados, utilizaremos o teste de SHapiro-wilk, considerando alpha=0,05, e as seguintes hipoteses:

H0 = Dados seguem distribuição normal

H1 = Dados não seguem distribuição normal

alpha = 0,5

shapiro.test(AC_Tabela_Final$IAE)

## 
##  Shapiro-Wilk normality test
## 
## data:  AC_Tabela_Final$IAE
## W = 0.988, p-value = 0.9921

shapiro.test(AC_Tabela_Final$IRE)

## 
##  Shapiro-Wilk normality test
## 
## data:  AC_Tabela_Final$IRE
## W = 0.9285, p-value = 0.1142

shapiro.test(AC_Tabela_Final$IEE)

## 
##  Shapiro-Wilk normality test
## 
## data:  AC_Tabela_Final$IEE
## W = 0.94696, p-value = 0.2746

shapiro.test(AC_Tabela_Final$PIBpc)

## 
##  Shapiro-Wilk normality test
## 
## data:  AC_Tabela_Final$PIBpc
## W = 0.94701, p-value = 0.2752

shapiro.test(AC_Tabela_Final$QFP)

## 
##  Shapiro-Wilk normality test
## 
## data:  AC_Tabela_Final$QFP
## W = 0.73625, p-value = 0.00005873

Temos para as variáveis do Estado do Acre, p-valor > 0,05 exceto para a variável QFP(Quantidade de Familias Pobres).

Logo, para IAE, IRE, IEE, PIBpc, não rejeitamos H0 e rejeitamos H1. Como consequnencia, faremos para estas variáveis os testes de Bartlett, ANOVA e Tukey. Para a variável QFP que apresentou p-valor < 0,05, seguiremos para os testes de, Wilcoxon, e Spearman.

Como temos apenas variaveis quantitativas, o teste de Kruskal-Wallis Não será feito.

Teste de Wilcoxon para a variável QFP X IEA | QFP x IEE | QFP x IRE | QFP x PIBpc

H0: Os doi grupos são amostras de populações com distribuições iguais.

H1: Os dois grupos são amostras de populações com distribuições não-iguais.

Se P-valor > alpha = rejeita H0;

Se P-valor < alpha = nao-rejeito H0;

alpha = 0,05

library(dplyr)
library(rstatix)

## 
## Attaching package: 'rstatix'

## The following object is masked from 'package:stats':
## 
##     filter

summary(AC_Tabela_Final)

##       AC                  CM           name_muni              IAE       
##  Length:22          Min.   :1200013   Length:22          Min.   :79.00  
##  Class :character   1st Qu.:1200215   Class :character   1st Qu.:84.04  
##  Mode  :character   Median :1200348   Mode  :character   Median :86.70  
##                     Mean   :1200351                      Mean   :86.86  
##                     3rd Qu.:1200433                      3rd Qu.:89.55  
##                     Max.   :1200807                      Max.   :95.55  
##       IRE              IEE             PIBpc            QFP        
##  Min.   : 0.900   Min.   : 2.700   Min.   : 3888   Min.   : 385.0  
##  1st Qu.: 5.000   1st Qu.: 5.275   1st Qu.: 5164   1st Qu.: 791.8  
##  Median : 7.350   Median : 7.850   Median : 6348   Median :1337.5  
##  Mean   : 8.505   Mean   : 8.859   Mean   : 6512   Mean   :1791.4  
##  3rd Qu.:12.000   3rd Qu.:12.025   3rd Qu.: 7411   3rd Qu.:2018.8  
##  Max.   :23.700   Max.   :17.600   Max.   :10277   Max.   :7400.0

AC_Tabela_Final$QFP <- as.double(AC_Tabela_Final$QFP)

AC_Tabela_Final$IAE <- as.double(AC_Tabela_Final$IAE)

AC_Tabela_Final$IRE <- as.double(AC_Tabela_Final$IRE)

AC_Tabela_Final$IEE <- as.double(AC_Tabela_Final$IEE)

AC_Tabela_Final$PIBpc <- as.double(AC_Tabela_Final$PIBpc)




PMW1 <- pairwise.wilcox.test(AC_Tabela_Final$QFP, AC_Tabela_Final$IAE, p.adjust.method="fdr")

PMW2 <- pairwise.wilcox.test(AC_Tabela_Final$QFP,
                             AC_Tabela_Final$IRE,
                             p.adjust.method="fdr")

PMW3 <- pairwise.wilcox.test(AC_Tabela_Final$QFP,
                             AC_Tabela_Final$IRE,
                             p.adjust.method="fdr")

PMW4 <- pairwise.wilcox.test(AC_Tabela_Final$QFP,
                             AC_Tabela_Final$PIBpc,
                             p.adjust.method="fdr")

Teste de Spearman

H0: Não existe correlação entre as duas variáveis.

H1: existe correlação entre as duas variáveis.

alpha = 0,05

AC_Tabela_Final$QFP <- as.numeric(AC_Tabela_Final$QFP)

AC_Tabela_Final$IAE <- as.numeric(AC_Tabela_Final$IAE)

AC_Tabela_Final$IRE <- as.numeric(AC_Tabela_Final$IRE)

AC_Tabela_Final$IEE <- as.numeric(AC_Tabela_Final$IEE)

AC_Tabela_Final$PIBpc <- as.numeric(AC_Tabela_Final$PIBpc)

cor.test(AC_Tabela_Final$QFP, AC_Tabela_Final$IAE, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  AC_Tabela_Final$QFP and AC_Tabela_Final$IAE
## S = 1816, p-value = 0.9118
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##         rho 
## -0.02540937

sendo rho distante de -1 e p-valor > 0,05 rejeita-se H0 e não rejeita H1, loho, há correlação entre as duas variáveis.

cor.test(AC_Tabela_Final$QFP, AC_Tabela_Final$IRE, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  AC_Tabela_Final$QFP and AC_Tabela_Final$IRE
## S = 1616, p-value = 0.6979
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## 0.08752117

sendo rho distante de 1 e p-valor > 0,05 rejeita-se H0 e não rejeita H1, logo, há correlação entre as duas variáveis.

cor.test(AC_Tabela_Final$QFP, AC_Tabela_Final$IEE, method = "spearman")

## Warning in cor.test.default(AC_Tabela_Final$QFP, AC_Tabela_Final$IEE, method =
## "spearman"): Cannot compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  AC_Tabela_Final$QFP and AC_Tabela_Final$IEE
## S = 1788, p-value = 0.9662
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##          rho 
## -0.009601808

sendo rho distante de 1 e p-valor > 0,05 rejeita-se H0 e não rejeita H1, logo, há correlação entre as duas variáveis.

cor.test(AC_Tabela_Final$QFP, AC_Tabela_Final$PIBpc, method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  AC_Tabela_Final$QFP and AC_Tabela_Final$PIBpc
## S = 2538, p-value = 0.04535
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.4330887

sendo rho distante de -1 e p-valor < 0,05 rejeita-se H1 e não rejeita H0, logo, não há correlação entre as duas variáveis.

BARTLET, ANOVA E TUKEY

Teste de Bartlet para as variaveis com distribuição normal (P-valor > a)

modelo1 <- aov(IAE ~ PIBpc, data=AC_Tabela_Final)
residuos1 <- residuals(modelo1)
summary(residuos1)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -7.6700 -2.8990 -0.2489  0.0000  2.8273  8.7447

modelo2 <- aov(IAE ~ IRE, data=AC_Tabela_Final)
residuos2 <- residuals(modelo2)
summary(residuos2)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  -4.190  -2.094  -0.137   0.000   1.612   5.627

shapiro.test(residuos2)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos2
## W = 0.96413, p-value = 0.577

modelo3 <- aov(IAE ~ IEE, data=AC_Tabela_Final)
residuos3 <- residuals(modelo3)
summary(residuos3)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -5.2245 -1.7583  0.4124  0.0000  1.4011  4.7511

shapiro.test(residuos3)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos3
## W = 0.98413, p-value = 0.9676

modelo4 <- aov(IAE ~ PIBpc, data=AC_Tabela_Final)
residuos4 <- residuals(modelo4)
summary(residuos4)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
## -7.6700 -2.8990 -0.2489  0.0000  2.8273  8.7447

shapiro.test(residuos4)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos4
## W = 0.98965, p-value = 0.9967

Hipóteses

H0: os dados seguem uma distribuição normal

H1: os dados NÃO seguem uma distribuição normal

alpha = 0.05

Sendo p-valor > 0,05, Não se rejeita H0, e rejeita H1. Logo, dados seguem distribuição normal.

ESTADO DE RONDONIA

Para avaliar a normalidade da distribuição dos dados, utilizaremos o teste de Shapiro-wilk, considerando alpha=0,05, e as seguintes hipoteses:

H0 = Dados seguem distribuição normal

H1 = Dados não seguem distribuição normal

alpha = 0,5

shapiro.test(RO_Tabela_Final$IAE)

## 
##  Shapiro-Wilk normality test
## 
## data:  RO_Tabela_Final$IAE
## W = 0.94838, p-value = 0.02488

shapiro.test(RO_Tabela_Final$IRE)

## 
##  Shapiro-Wilk normality test
## 
## data:  RO_Tabela_Final$IRE
## W = 0.89503, p-value = 0.0002515

shapiro.test(RO_Tabela_Final$IEE)

## 
##  Shapiro-Wilk normality test
## 
## data:  RO_Tabela_Final$IEE
## W = 0.89366, p-value = 0.0002267

shapiro.test(RO_Tabela_Final$PIBpc)

## 
##  Shapiro-Wilk normality test
## 
## data:  RO_Tabela_Final$PIBpc
## W = 0.87646, p-value = 0.00006476

shapiro.test(RO_Tabela_Final$QFP)

## 
##  Shapiro-Wilk normality test
## 
## data:  RO_Tabela_Final$QFP
## W = 0.49847, p-value = 0.000000000004481

Para os testes de shapiro-wilk, encontramos P-valor < 0,05 para todas as variáveis, logo, Rejeitamos H0 e não rejeitamos H1.

como consequência disso seguiremos para os testes de Kurskall-Wallis, Wilcoxon, e Spearman.

###ETAPA VI - CONSTRUÇÃO DOS MAPAS #### Mapa 1 - O Brasil e suas regiões

library(geobr)
library(dplyr)

AC_Tabela_Final2 <- read_excel("C:/Users/José Pegorim/Desktop/Relatorio final estatistica/AC_Tabela Final.xlsx") %>% rename(code_muni=CM) 

RO_Tabela_Final2 <- read_excel("C:/Users/José Pegorim/Desktop/Relatorio final estatistica/RO_Tabela Final.xlsx") %>% rename(code_muni=CM)

AC1 <- read_municipality(code_muni="AC", year=2010)

## Using year 2010

## 
  |                                                                            
  |                                                                      |   0%
  |                                                                            
  |======================================================================| 100%
## 
Downloading: 1.6 kB     
Downloading: 1.6 kB     
Downloading: 2 kB     
Downloading: 2 kB     
Downloading: 2.1 kB     
Downloading: 2.1 kB     
Downloading: 10 kB     
Downloading: 10 kB     
Downloading: 10 kB     
Downloading: 10 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 26 kB     
Downloading: 35 kB     
Downloading: 35 kB     
Downloading: 35 kB     
Downloading: 35 kB     
Downloading: 35 kB     
Downloading: 35 kB     
Downloading: 43 kB     
Downloading: 43 kB     
Downloading: 43 kB     
Downloading: 43 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 51 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 59 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 67 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 75 kB     
Downloading: 83 kB     
Downloading: 83 kB     
Downloading: 83 kB     
Downloading: 83 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 91 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 99 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB

library(ggplot2)

AC_Tabela_Final2$code_muni<-as.character(AC_Tabela_Final2$code_muni)  
AC1$code_muni<-as.character(AC1$code_muni) 
full_join(AC1,AC_Tabela_Final2,by="code_muni")

## Simple feature collection with 22 features and 11 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: -73.99045 ymin: -11.14556 xmax: -66.62376 ymax: -7.111824
## geographic CRS: SIRGAS 2000
## First 10 features:
##    code_muni     name_muni.x code_state abbrev_state AC     name_muni.y   IAE
## 1    1200013      Acrelândia         12           AC AC      Acrelândia 81.25
## 2    1200054    Assis Brasil         12           AC AC    Assis Brasil 86.70
## 3    1200104       Brasiléia         12           AC AC       Brasiléia 95.55
## 4    1200138          Bujari         12           AC AC          Bujari 91.65
## 5    1200179        Capixaba         12           AC AC        Capixaba 85.80
## 6    1200203 Cruzeiro Do Sul         12           AC AC Cruzeiro do Sul 85.45
## 7    1200252  Epitaciolândia         12           AC AC  Epitaciolândia 83.65
## 8    1200302           Feijó         12           AC AC           Feijó 83.60
## 9    1200328          Jordão         12           AC AC          Jordão 88.65
## 10   1200336     Mâncio Lima         12           AC AC     Mâncio Lima 93.80
##     IRE  IEE    PIBpc  QFP                           geom
## 1  17.8 14.9 10276.54  952 MULTIPOLYGON (((-67.14117 -...
## 2   7.2  6.2  6364.95  520 MULTIPOLYGON (((-69.79978 -...
## 3   2.9  2.7  7025.48 2133 MULTIPOLYGON (((-69.58835 -...
## 4   4.7  5.2  8811.72  670 MULTIPOLYGON (((-68.31643 -...
## 5   5.3 10.9 10134.17  881 MULTIPOLYGON (((-67.84667 -...
## 6  15.8  6.8  5052.59 7400 MULTIPOLYGON (((-72.89221 -...
## 7  13.3 13.4  6615.73 1187 MULTIPOLYGON (((-68.71719 -...
## 8   7.5 10.1  3887.67 3693 MULTIPOLYGON (((-70.57658 -...
## 9   0.9  7.9  6074.99  605 MULTIPOLYGON (((-71.79514 -...
## 10  1.6  5.1  4059.09  762 MULTIPOLYGON (((-73.71531 -...

unidosAC <- full_join(AC1,AC_Tabela_Final2,by="code_muni")

RO1 <- read_municipality(code_muni="RO", year=2010)

## Using year 2010

## 
  |                                                                            
  |                                                                      |   0%
  |                                                                            
  |======================================================================| 100%
## 
Downloading: 1.9 kB     
Downloading: 1.9 kB     
Downloading: 2 kB     
Downloading: 2 kB     
Downloading: 2 kB     
Downloading: 2 kB     
Downloading: 3.5 kB     
Downloading: 3.5 kB     
Downloading: 3.5 kB     
Downloading: 3.5 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 44 kB     
Downloading: 44 kB     
Downloading: 52 kB     
Downloading: 52 kB     
Downloading: 52 kB     
Downloading: 52 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 76 kB     
Downloading: 76 kB     
Downloading: 76 kB     
Downloading: 76 kB     
Downloading: 76 kB     
Downloading: 76 kB     
Downloading: 84 kB     
Downloading: 84 kB     
Downloading: 84 kB     
Downloading: 84 kB     
Downloading: 93 kB     
Downloading: 93 kB     
Downloading: 93 kB     
Downloading: 93 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 140 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 150 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 160 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 170 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 180 kB     
Downloading: 190 kB     
Downloading: 190 kB     
Downloading: 190 kB     
Downloading: 190 kB     
Downloading: 200 kB     
Downloading: 200 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 210 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 220 kB     
Downloading: 240 kB     
Downloading: 240 kB     
Downloading: 250 kB     
Downloading: 250 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 260 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 270 kB     
Downloading: 280 kB     
Downloading: 280 kB     
Downloading: 290 kB     
Downloading: 290 kB     
Downloading: 290 kB     
Downloading: 290 kB

library(ggplot2)
summary(RO_Tabela_Final2)

##       RO              code_muni        name_muni              IAE       
##  Length:52          Min.   :1100015   Length:52          Min.   :79.65  
##  Class :character   1st Qu.:1100144   Class :character   1st Qu.:88.72  
##  Mode  :character   Median :1100391   Mode  :character   Median :91.95  
##                     Mean   :1100682                      Mean   :91.03  
##                     3rd Qu.:1101327                      3rd Qu.:94.16  
##                     Max.   :1101807                      Max.   :97.45  
##       IRE              IEE            PIBpc            QFP         
##  Min.   : 0.750   Min.   :0.000   Min.   : 4430   Min.   :   73.0  
##  1st Qu.: 3.775   1st Qu.:1.087   1st Qu.: 6425   1st Qu.:  902.5  
##  Median : 5.375   Median :1.975   Median : 7220   Median : 1633.0  
##  Mean   : 6.209   Mean   :2.760   Mean   : 7914   Mean   : 2295.5  
##  3rd Qu.: 8.000   3rd Qu.:4.025   3rd Qu.: 9134   3rd Qu.: 2449.0  
##  Max.   :19.300   Max.   :9.150   Max.   :15357   Max.   :22827.0

RO_Tabela_Final2$code_muni<-as.character(RO_Tabela_Final2$code_muni)  
RO1$code_muni<-as.character(RO1$code_muni) 
summary(RO_Tabela_Final2)  

##       RO             code_muni          name_muni              IAE       
##  Length:52          Length:52          Length:52          Min.   :79.65  
##  Class :character   Class :character   Class :character   1st Qu.:88.72  
##  Mode  :character   Mode  :character   Mode  :character   Median :91.95  
##                                                           Mean   :91.03  
##                                                           3rd Qu.:94.16  
##                                                           Max.   :97.45  
##       IRE              IEE            PIBpc            QFP         
##  Min.   : 0.750   Min.   :0.000   Min.   : 4430   Min.   :   73.0  
##  1st Qu.: 3.775   1st Qu.:1.087   1st Qu.: 6425   1st Qu.:  902.5  
##  Median : 5.375   Median :1.975   Median : 7220   Median : 1633.0  
##  Mean   : 6.209   Mean   :2.760   Mean   : 7914   Mean   : 2295.5  
##  3rd Qu.: 8.000   3rd Qu.:4.025   3rd Qu.: 9134   3rd Qu.: 2449.0  
##  Max.   :19.300   Max.   :9.150   Max.   :15357   Max.   :22827.0

glimpse(RO_Tabela_Final2)

## Rows: 52
## Columns: 8
## $ RO        <chr> "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO", "RO...
## $ code_muni <chr> "1100015", "1100023", "1100031", "1100049", "1100056", "1...
## $ name_muni <chr> "Alta Floresta D'Oeste", "Ariquemes", "Cabixi", "Cacoal",...
## $ IAE       <dbl> 93.10, 87.80, 93.80, 94.45, 93.20, 94.45, 95.40, 90.85, 9...
## $ IRE       <dbl> 3.20, 7.60, 4.45, 4.00, 3.85, 4.80, 3.55, 7.45, 3.45, 8.5...
## $ IEE       <dbl> 3.70, 4.60, 1.75, 1.55, 2.95, 0.75, 1.05, 1.70, 0.70, 1.7...
## $ PIBpc     <dbl> 6688.43, 8443.84, 9299.26, 9471.29, 8604.37, 7783.84, 102...
## $ QFP       <dbl> 1853, 1152, 2447, 2045, 6960, 5291, 349, 388, 5206, 1742,...

full_join(RO1,RO_Tabela_Final2,by="code_muni")

## Simple feature collection with 52 features and 11 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: -66.81025 ymin: -13.6937 xmax: -59.77435 ymax: -7.969294
## geographic CRS: SIRGAS 2000
## First 10 features:
##    code_muni           name_muni.x code_state abbrev_state RO
## 1    1100015 Alta Floresta D'oeste         11           RO RO
## 2    1100023             Ariquemes         11           RO RO
## 3    1100031                Cabixi         11           RO RO
## 4    1100049                Cacoal         11           RO RO
## 5    1100056            Cerejeiras         11           RO RO
## 6    1100064     Colorado Do Oeste         11           RO RO
## 7    1100072            Corumbiara         11           RO RO
## 8    1100080         Costa Marques         11           RO RO
## 9    1100098       Espigão D'oeste         11           RO RO
## 10   1100106         Guajará-Mirim         11           RO RO
##              name_muni.y   IAE  IRE  IEE    PIBpc  QFP
## 1  Alta Floresta D'Oeste 93.10 3.20 3.70  6688.43 1853
## 2              Ariquemes 87.80 7.60 4.60  8443.84 1152
## 3                 Cabixi 93.80 4.45 1.75  9299.26 2447
## 4                 Cacoal 94.45 4.00 1.55  9471.29 2045
## 5             Cerejeiras 93.20 3.85 2.95  8604.37 6960
## 6      Colorado do Oeste 94.45 4.80 0.75  7783.84 5291
## 7             Corumbiara 95.40 3.55 1.05 10280.51  349
## 8          Costa Marques 90.85 7.45 1.70  5792.54  388
## 9        Espigão D'Oeste 95.85 3.45 0.70  7637.66 5206
## 10         Guajará-Mirim 89.80 8.50 1.70  8082.48 1742
##                              geom
## 1  MULTIPOLYGON (((-62.2462 -1...
## 2  MULTIPOLYGON (((-63.13712 -...
## 3  MULTIPOLYGON (((-60.52408 -...
## 4  MULTIPOLYGON (((-61.42679 -...
## 5  MULTIPOLYGON (((-61.41347 -...
## 6  MULTIPOLYGON (((-60.66352 -...
## 7  MULTIPOLYGON (((-60.73158 -...
## 8  MULTIPOLYGON (((-63.89618 -...
## 9  MULTIPOLYGON (((-61.05118 -...
## 10 MULTIPOLYGON (((-65.25284 -...

unidosRO <- full_join(RO1,RO_Tabela_Final2,by="code_muni")

unidosAC$IAE<-as.factor(unidosAC$IAE)
ggplot(unidosAC)+
  geom_sf(aes(fill=IAE))+
  scale_fill_manual(values = AZULAC)+
  labs(title = "Indice de aprovação Escolar ACRE",
       subtitle = "Municipios",
       fill="Indice de Aprovação",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=AC1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosRO$IAE<-as.factor(unidosRO$IAE)
ggplot(unidosRO)+
  geom_sf(aes(fill=IAE))+
  scale_fill_manual(values = AZULRO)+
  labs(title = "Indice de aprovação Escolar Rondonia",
       subtitle = "Municipios",
       fill="Indice de Aprovação",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=RO1,aes(label =name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosAC$IEE<-as.factor(unidosAC$IEE)
ggplot(unidosAC)+
  geom_sf(aes(fill=IEE))+
  scale_fill_manual(values = VERMELHOAC)+
  labs(title = "Indice de Evasão Escolar ACRE",
       subtitle = "Municipios",
       fill="Indice de Evasão",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=AC1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosRO$IEE<-as.factor(unidosRO$IEE)
ggplot(unidosRO)+
  geom_sf(aes(fill=IEE))+
  scale_fill_manual(values = VERMELHORO)+
  labs(title = "Indice de Evasão Escolar Rondonia",
       subtitle = "Municipios",
       fill="Indice de Evasão",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=RO1,aes(label =name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosAC$PIBpc<-as.factor(unidosAC$PIBpc)
ggplot(unidosAC)+
  geom_sf(aes(fill=PIBpc))+
  scale_fill_manual(values = LARANJAAC)+
  labs(title = "PIB per capta ACRE",
       subtitle = "Municipios",
       fill="PIB per capta(R$)",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=AC1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosRO$PIBpc<-as.factor(unidosRO$PIBpc)
ggplot(unidosRO)+
  geom_sf(aes(fill=PIBpc))+
  scale_fill_manual(values = LARANJARO)+
  labs(title = "PIB per capta Rondonia",
       subtitle = "Municipios",
       fill="PIB per capta(R$)",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=RO1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosAC$QFP<-as.factor(unidosAC$QFP)
ggplot(unidosAC)+
  geom_sf(aes(fill=QFP))+
  scale_fill_manual(values = CINZAAC)+
  labs(title = "Quantidade de Familias Pobres",
       subtitle = "Municipios",
       fill="Quantidade de Familias pobres",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=AC1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

unidosRO$QFP<-as.factor(unidosRO$QFP)
ggplot(unidosRO)+
  geom_sf(aes(fill=QFP))+
  scale_fill_manual(values = CINZARO)+
  labs(title = "Quantidade de Familias Pobres",
       subtitle = "Municipios",
       fill="Quantidade de Familias pobres",
       x=NULL,
       y=NULL)+
  geom_sf_text(data=RO1,aes(label = name_muni), size=2, color= "black")+
  theme_bw()

## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data

CONCLUSÃO

O relatório conclui que, dentro de uma situação em que ambos os estados tem o mesmo nível de investimento per capta, Rondonia apresenta melhores resultado educacionais, com maioresa indices de aprovação, menores indices de evasão escolar e reprovação. Interessante perceber que segundo as estatísticas construída, há uma correlação NEGATIVA entre PIB e Indices de aprovação para ambos s estados, oq eu, no nosso julgamento, deve ser estudado mais a fundo seus reais motivos, por fugirem do tipo de correlação positiva que, em principio, existe entre indices de aprovação e melhoria da qualidade de vida.