Introdução

O trabalho que será apresentado a seguir tem como objetivo correlacionar variáveis que impactam as mesorregiões do Rio de Janeiro. Estas se dividem em seis grupos de municípios, os quais compartilham de características físicas, econômicas e sociais específicas. A partir da formulação de algumas hipóteses e desevolvimento analítico das mesmas, pudemos constatar fenômenos que centralizam a região metropolitana, dada a sua relevância nas variáveis das demais mesorregiões. Assim, começamos desmistificando relações comumente feitas quando se carece de aprofundamento matemático. Uma das principais variáveis, da qual pudemos extrair informações imprescindíveis no estudo, é o índice de Desenvolvimento Humano Municipal. Por se tratar de um instrumento completo por si, já que trata de dados relativos à saúde, educação e renda concomitamente, tendemos a tirar conclusões muitas vezes precipitadas. Ainda na primeira hipótese levantamos o questionamento acerca da quantidade versus qualidade. É natural que associemos a região metropolitana como a grande matriz ofertante de serviços de ponta, comparados aos das demais regiões, portanto, ao longo do trabalho, veremos, por exemplo, que surpreendentemente a área delimitada ao Sul Fluminense possui altos índices qualitativos que facilmente descartaríamos pelo senso comum. Nesse sentido, por meio dessa breve apresentação, esperamos despertar curiosidade em nossos possíveis leitores.

Objetivos

Nosso intuito, de maneira resumida, é demonstrar graficamente as hipóteses formuladas sobre o Estado do Rio de Janeiro e as suas mesorregiões. Tem-se a pretensão de que os resultados aqui apresentados sirvam como ferramenta para a formulação de políticas públicas, tendo em vista a gama de questões sociais que pedem, urgentemente, atenção e esforço dos gestores. Conseguimos observar diversas contrariedades associadas ao planejamento urbano e o real aproveitamento dos serviços pela população local. Curiosamente, embora o deslocamento para as regiões centrais ainda seja evidente, a desconcentração de atividades também é uma ocorrência cada vez mais presente na atualidade. Dessa forma, esperamos que nossos dados transformem expectativas e impacte da maneira mais utilitária possível.

Metodologia

Inicialmente carregamos a base de dados relativa aos municípios do Rio de Janeiro. Selecionamos as variáveis Índice de Desenvolvimento Humano Municipal, número de estabelecimentos SUS, número de pessoas residentes, pessoas residentes alfabetizadas, nome das mesorregiões, unidades escolares locais, pessoal ocupado total e valor de rendimento nominal mediano urbano para construir nossas hipóteses. A fim de que nossa análise descritiva seja melhor verificada, a primeira demonstração é um gráfico de dispersão que nos permite comprovar numericamente o quanto as variáveis estão correlacionadas. Para detalhar ainda mais, nos utilizamos de resumos dos principais dados por meio da ferramenta “summary”. Para a segunda hipótese, utilizamos um gráfico em barras, o que gerou uma análise um pouco mais simples entre uma variável qualitativa e outra quantitativa. Para muitas das relações quantitativas, exploramos o gráfico de correlação. Uma dessas demonstrações, inclusive, foi feita com três variáveis, sendo uma delas qualitativa. Nos utilizamos ainda do gráfico de caixa; o qual nos permitiu verificar os outliers (dados que fogem da normalidade esperada pela sequência numérica). Além disso, fizemos uso de histogramas e gráfico de linhas; sendo cada um deles responsável por uma perspectiva diferente sobre as variáveis.

library(kableExtra)
library(readxl)
Munic_rj <- read_excel("C:/Users/Lenovo/Downloads/RJ_Mun97_region.xls")
View(Munic_rj)
kable(Munic_rj)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "900px", height = "600px")

Código IBGE do Município	Código da Unidade da Federação	Sigla da Unidade da Federação	Nome das Grandes Regiões	Código IBGE da Mesoregião	Nome da Mesoregião	Código IBGE da Microregião	Nome da Microregião	Área da unidade territorial	Estabelecimentos de Saúde SUS	Índice de Desenvolvimento Humano Municipal - 2010 (IDHM 2010)	Matrícula - Ensino fundamental - 2012	Matrícula - Ensino médio - 2012	Número de unidades locais	Pessoal ocupado total	PIB per capita a preços correntes	População residente	População residente - Homens	População residente - Mulheres	População residente alfabetizada	População residente que frequentava creche ou escola	População residente, religião católica apostólica romana	População residente, religião espírita	População residente, religião evangélicas	Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Rural	Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana	Valor do rendimento nominal médio mensal dos domicílios particulares permanentes com rendimento domiciliar, por situação do domicílio - Rural	Valor do rendimento nominal médio mensal dos domicílios particulares permanentes com rendimento domiciliar, por situação do domicílio - Urbana
330010	33	RJ	Sudeste	3305	Sul Fluminense	33013	BaÝa da Ilha Grande	825.088	58	0.724	26742	6959	4306	48971	60119.62	169511	84666	84845	147785	53526	70209	3114	60307	406.67000000000002	550.00	1634.1199999999999	2595.28
330015	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	94.636	8	0.692	1242	343	283	2132	8946.10	10213	5023	5190	8593	2672	5042	154	3604	400	430.00	1056.4000000000001	1622.55
330020	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	638.023	32	0.718	18810	4405	2360	22708	11290.91	112008	54283	57725	96062	33040	44004	3837	38042	250	500.00	1095.1199999999999	2180.20
330022	33	RJ	Sudeste	3303	Centro Fluminense	33005	TrÛs Rios	110.919	11	0.684	1614	235	511	7950	17154.80	11423	5661	5762	9848	3230	7461	1047	2119	370	500.00	1442.8800000000001	1948.85
330023	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	70.278	16	0.728	5973	1129	1885	13084	46806.66	27560	13742	13818	24074	7863	8525	586	10902	.	550.00	.	2573.25
330025	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	160.286	11	0.733	4238	1009	689	5718	12862.13	27715	13627	14088	24427	8190	12792	454	9239	.	517.50	.	2218.05
330030	33	RJ	Sudeste	3305	Sul Fluminense	33012	Barra do PiraÝ	578.965	41	0.733	11952	2564	2034	21071	14620.59	94778	45154	49624	83881	26419	51985	4567	27191	500	510.00	1435.05	2252.93
330040	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	547.226	69	0.729	22672	5679	4401	39991	18022.37	177813	85792	92021	158763	50697	97513	4528	54201	340	510.00	1645.3900000000001	2220.03
330045	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	77.815	58	0.684	73405	18777	4431	37059	9520.41	469332	226757	242575	406738	153662	152503	8550	174250	.	402.50	.	1600.98
330050	33	RJ	Sudeste	3303	Centro Fluminense	33007	Nova Friburgo	384.639	14	0.660	4148	763	868	5827	14030.05	25333	12720	12613	21264	6326	17860	282	4975	425	525.00	1538.55	2227.98
330060	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	598.825	35	0.732	5517	2037	869	6840	11494.55	35411	17196	18215	29964	10699	23837	533	8850	304	510.00	1092.79	2373.96
330070	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	410.418	54	0.735	30275	6311	6155	49052	35182.24	186227	90831	95396	161724	57199	63163	4611	78061	500	540.00	2002.1600000000001	2755.31
330080	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33016	Macacu-Caceribu	953.801	32	0.700	8703	2029	1042	9741	16987.64	54273	27062	27211	45544	15261	17628	353	20907	340	510.00	1230.96	1949.43
330090	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	561.700	8	0.691	1869	528	266	1713	10809.38	14827	7407	7420	12317	3763	8997	71	4104	350	410.00	1197.9000000000001	1587.65
330093	33	RJ	Sudeste	3302	Norte Fluminense	33004	MacaÚ	308.130	9	0.713	1880	520	131	2591	83859.53	13359	6788	6571	11263	3752	5351	82	5022	383.32999999999998	510.00	1564.9300000000001	2162.29
330095	33	RJ	Sudeste	3303	Centro Fluminense	33005	TrÛs Rios	106.887	10	0.685	1455	309	560	4432	15629.23	8180	4076	4104	7053	2310	4898	147	2246	510	508.00	1693.5899999999999	1774.67
330100	33	RJ	Sudeste	3302	Norte Fluminense	33003	Campos dos Goytacazes	4026.696	110	0.716	73959	15612	10478	106196	54607.81	463731	223259	240472	397520	145898	232568	10956	144025	266.67000000000002	466.67	1104.8699999999999	2371.91
330110	33	RJ	Sudeste	3303	Centro Fluminense	33006	Cantagalo-Cordeiro	749.279	28	0.709	2828	619	648	4542	28420.30	19830	9831	9999	16758	5784	13266	197	4369	370	510.00	1457.01	2205.04
330115	33	RJ	Sudeste	3302	Norte Fluminense	33003	Campos dos Goytacazes	524.631	11	0.648	2102	360	213	1700	9537.31	12600	6270	6330	10059	3481	4052	114	4857	266.67000000000002	406.67	896.69000000000005	1552.49
330120	33	RJ	Sudeste	3303	Centro Fluminense	33006	Cantagalo-Cordeiro	321.943	17	0.696	2571	550	456	3203	22517.67	17434	8600	8834	14650	4766	10762	797	4070	400	460.00	1484.8900000000001	1737.81
330130	33	RJ	Sudeste	3304	Baixadas	33009	Bacia de SÒo JoÒo	460.771	16	0.726	6048	2097	976	7164	48517.35	35347	17423	17924	30185	10513	11589	689	14420	500	570.67	2175.6799999999998	2419.98
330140	33	RJ	Sudeste	3302	Norte Fluminense	33004	MacaÚ	347.272	13	0.712	3359	874	464	2541	8727.37	21211	10549	10662	17746	6372	9576	106	7580	340	506.67	1464.01	2034.45
330150	33	RJ	Sudeste	3303	Centro Fluminense	33006	Cantagalo-Cordeiro	116.349	14	0.729	3005	800	865	5245	10339.48	20430	9781	10649	17944	5924	12290	328	5984	305	510.00	1351.8299999999999	2278.57
330160	33	RJ	Sudeste	3303	Centro Fluminense	33007	Nova Friburgo	375.126	10	0.659	1726	243	273	1615	14571.11	10930	5511	5419	9036	3161	7593	82	2145	354	500.00	1378.9300000000001	1796.01
330170	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	467.619	82	0.711	131810	36447	14291	204043	30988.80	855048	411074	443974	744587	262968	299971	19178	314459	255	478.20	1489.8499999999999	1900.47
330180	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	132.940	12	0.722	1753	769	229	1958	11138.21	13237	6449	6788	11833	3357	6149	208	4141	340	500.00	1531.24	1653.42
330185	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	360.766	11	0.698	7459	1540	1107	5983	9425.08	51483	25280	26203	43618	15387	18434	922	17352	334	452.50	1314.6400000000001	2005.83
330187	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	51.945	14	0.761	3785	1115	359	2951	10326.53	22851	11046	11805	20525	6492	9194	930	7369	.	510.00	.	2438.61
330190	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	430.374	62	0.693	36776	7618	3148	37551	10025.62	218008	106190	111818	187913	67951	72914	3306	85147	382.5	446.67	1328.3900000000001	1860.87
330200	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33017	ItaguaÝ	275.867	27	0.715	19812	5426	2365	36944	39252.85	109091	54409	54682	94451	32931	35487	1558	45127	437.5	500.00	1610.9000000000001	2047.75
330205	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	293.818	13	0.688	1717	435	302	2253	9575.87	14063	6853	7210	11808	3569	6345	54	5594	355	510.00	1259.3900000000001	1913.20
330210	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	431.335	14	0.713	2916	862	751	4099	11269.84	22899	11192	11707	19278	6422	12767	275	7507	410	510.00	1442.02	1845.58
330220	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	1105.341	46	0.730	12799	3356	2971	22423	14689.73	95841	46553	49288	83101	26267	50664	1227	35392	333.32999999999998	510.00	1137.01	2144.72
330225	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	245.147	11	0.737	4006	507	1011	8654	48855.42	28783	14213	14570	25002	7979	16005	437	7641	387.5	533.33	1393.22	2403.97
330227	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	81.871	15	0.659	16859	3415	615	6237	9611.85	95492	48080	47412	80294	29346	25151	949	36490	.	340.00	.	1385.52
330230	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	249.974	8	0.668	1160	301	159	1075	10273.93	7487	3751	3736	6080	2167	5765	49	1273	300	380.40	939.99000000000001	1607.06
330240	33	RJ	Sudeste	3302	Norte Fluminense	33004	MacaÚ	1216.846	83	0.764	31610	7452	6046	139994	54501.02	206728	102432	104296	180281	62182	76574	7782	72152	380	666.67	1381.23	3429.79
330245	33	RJ	Sudeste	3303	Centro Fluminense	33006	Cantagalo-Cordeiro	77.719	6	0.703	1185	184	214	1680	15752.34	5269	2528	2741	4449	1562	3948	7	1005	255	453.33	1376.1400000000001	1917.84
330250	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	388.496	78	0.709	39976	10185	3536	23452	9053.41	227322	110576	116746	196290	68812	90325	5079	78411	370	452.50	1462.54	1872.58
330260	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33017	ItaguaÝ	356.408	16	0.753	5961	1124	747	17565	25882.48	36456	17962	18494	32528	10637	15606	1006	11663	370	600.00	1379.95	2772.87
330270	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	362.571	26	0.765	17802	4003	2328	16506	12900.00	127461	62649	64812	113245	33555	59687	6355	34018	382.5	650.00	1384.6900000000001	2731.07
330280	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	97.035	18	0.736	2379	463	368	3060	10013.61	17935	8651	9284	15921	4741	10074	603	4227	218.66999999999999	510.00	1184.27	1911.55
330285	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	39.062	19	0.737	21930	4361	1595	18241	9105.33	168376	79790	88586	149424	50080	57408	5661	63580	.	503.33	.	2040.72
330290	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	289.183	24	0.745	3897	919	1383	6035	13429.21	24642	11719	12923	21550	6464	10851	1681	6735	327.5	525.00	1344.1500000000001	2523.49
330300	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	304.513	13	0.713	4254	1123	666	4099	9591.51	26843	13026	13817	22172	7987	20336	189	4823	327.5	510.00	1294.5999999999999	2060.43
330310	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	386.740	12	0.730	2165	639	298	2170	10220.60	15082	7445	7637	12560	4104	9773	313	3940	292.5	510.00	1192.48	2176.90
330320	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	19.393	21	0.753	24276	8947	2547	23121	10597.72	157425	73674	83751	143043	44145	61720	6169	51943	.	538.00	.	2369.34
330330	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	133.916	87	0.837	60830	20359	18084	206728	23011.46	487562	225838	261724	448750	138281	258391	34484	97759	.	1150.00	.	5783.73
330340	33	RJ	Sudeste	3303	Centro Fluminense	33007	Nova Friburgo	933.414	43	0.745	25575	5434	7649	59897	15580.00	182082	87254	94828	161972	48085	86882	6404	51384	450	612.00	1557.47	2695.68
330350	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	521.247	104	0.713	119851	32289	10230	109549	11942.30	796257	381750	414507	696059	243856	263499	20914	294099	267.77999999999997	450.00	1265.97	1926.18
330360	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	179.680	27	0.720	5808	2137	931	11077	10581.28	47124	23793	23331	42189	12056	16000	930	16903	300	510.00	1328.77	1844.98
330370	33	RJ	Sudeste	3303	Centro Fluminense	33005	TrÛs Rios	580.525	30	0.702	6200	1253	1002	8743	12949.68	41084	19751	21333	35895	12294	25248	1218	11235	347.32999999999998	505.00	1377.3699999999999	2036.46
330380	33	RJ	Sudeste	3305	Sul Fluminense	33013	BaÝa da Ilha Grande	925.053	34	0.693	7269	1452	1178	7577	16841.04	37533	18964	18569	31301	10723	17373	700	11982	405	535.50	1618.0999999999999	2686.84
330385	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	318.801	17	0.671	4113	1104	477	3368	10386.34	26359	12817	13542	21558	7401	9276	657	12171	260	433.33	1244.4300000000001	2123.47
330390	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33015	Serrana	795.798	79	0.745	42814	11480	11018	88438	23858.33	295917	140996	154921	266036	83200	168615	12580	79069	420	566.67	1755.3499999999999	2899.70
330395	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	76.530	14	0.715	3325	967	468	3788	9144.38	22719	11034	11685	20009	6272	11389	767	6714	300	500.00	2145.1399999999999	2131.41
330400	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	505.375	20	0.708	4505	1103	516	6979	39777.60	26314	12917	13397	22868	7410	12487	1005	7780	376.67000000000002	500.00	1848.0799999999999	2291.68
330410	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	302.025	15	0.697	2633	639	367	2227	10588.18	17760	8874	8886	14557	5316	11762	281	4332	200	510.00	1052.4000000000001	2183.10
330411	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	50.748	16	0.713	2914	367	384	12314	290834.08	16592	8242	8350	14179	4684	9767	173	5162	1880	508.00	3914.4299999999998	1919.49
330412	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	286.093	14	0.690	1906	309	278	2745	14511.36	12793	6238	6555	11003	3433	9375	200	2526	342	510.00	1396.1400000000001	1732.44
330414	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	75.695	15	0.680	25141	7055	1275	18560	12110.81	137962	66585	71377	117977	42778	36285	1903	59079	.	400.00	.	1595.39
330415	33	RJ	Sudeste	3302	Norte Fluminense	33004	MacaÚ	712.867	19	0.704	3562	835	336	3784	153769.95	20242	10043	10199	17143	6585	11787	300	4751	340	500.00	1378.52	2366.02
330420	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	1095.253	47	0.768	17359	4509	3721	37414	53565.13	119769	58268	61501	106037	37141	73601	2976	29558	510	605.00	2569.3299999999999	2851.27
330430	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33016	Macacu-Caceribu	456.455	35	0.710	8918	2213	4291	28922	15417.34	55551	27318	28233	47862	16824	20765	892	21297	300	510.00	1268.51	2286.06
330440	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	837.265	18	0.683	2732	568	285	2086	11408.51	17425	8769	8656	14690	4826	12125	394	3583	325	510.00	1179.6199999999999	2217.47
330450	33	RJ	Sudeste	3305	Sul Fluminense	33012	Barra do PiraÝ	478.313	13	0.680	1381	278	484	3792	38930.77	8561	4211	4350	7301	2650	4961	143	1518	324	453.00	1242.2	1900.83
330452	33	RJ	Sudeste	3304	Baixadas	33009	Bacia de SÒo JoÒo	229.044	19	0.773	18663	4129	3286	25976	57882.81	105676	52207	53469	92779	30798	40227	4588	39050	510	700.00	2312.25	3243.22
330455	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	1200.278	257	0.799	803315	239708	204691	2786326	30088.24	6320446	2959817	3360629	5707871	1847787	3229192	372851	1477021	.	750.00	.	4402.35
330460	33	RJ	Sudeste	3303	Centro Fluminense	33008	Santa Maria Madalena	814.763	15	0.668	1440	190	272	1738	12065.00	10321	5275	5046	8460	3023	6678	92	2598	336.67000000000002	510.00	1124.1600000000001	1874.18
330470	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	603.357	23	0.718	5490	1660	1428	9759	13655.98	40589	19961	20628	34660	10668	22521	423	13309	375	510.00	1354.9400000000001	2174.34
330475	33	RJ	Sudeste	3302	Norte Fluminense	33003	Campos dos Goytacazes	1122.438	27	0.639	7214	1264	517	2757	14903.46	41354	20808	20546	31320	13320	17211	65	15210	255	333.33	961.86000000000001	1407.81
330480	33	RJ	Sudeste	3302	Norte Fluminense	33003	Campos dos Goytacazes	1031.562	22	0.691	4897	1301	759	5759	11392.40	37543	18394	19149	31716	10471	15343	366	14331	382.5	510.00	1063.8099999999999	1834.71
330490	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	247.709	194	0.739	110310	26481	13139	127974	10341.78	999728	475264	524464	897674	285552	417577	27450	325310	400	510.00	917.23000000000002	2078.59
330500	33	RJ	Sudeste	3302	Norte Fluminense	33003	Campos dos Goytacazes	455.044	12	0.671	5810	1170	683	8762	106348.05	32747	16229	16518	27517	9760	20128	756	7018	300	500.00	1187.1300000000001	1916.64
330510	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	35.216	48	0.719	65132	18732	6295	67704	10506.47	458673	218104	240569	407461	134233	167809	11940	163005	.	503.33	.	1871.93
330513	33	RJ	Sudeste	3301	Noroeste Fluminense	33002	Santo Ant¶nio de Pßdua	250.280	5	0.652	902	249	214	1127	10535.20	7003	3498	3505	5632	1835	4634	16	1788	255	420.00	891.92999999999995	1657.86
330515	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33015	Serrana	220.432	12	0.660	2957	664	508	3238	31945.20	20251	10145	10106	17052	5796	8286	184	7892	366.67000000000002	468.00	1457.8599999999999	1848.21
330520	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	332.792	29	0.712	14731	2778	1449	14629	10689.19	87875	43431	44444	75747	26697	28320	1974	37690	340	510.00	1223.52	2345.23
330530	33	RJ	Sudeste	3303	Centro Fluminense	33008	Santa Maria Madalena	397.898	8	0.646	1068	357	216	1185	11125.37	8895	4467	4428	7159	2310	6025	5	2354	300	455.00	1140.01	1640.47
330540	33	RJ	Sudeste	3303	Centro Fluminense	33005	TrÛs Rios	541.711	15	0.675	2731	778	593	4227	23052.41	17525	8766	8759	14694	4323	11474	278	4479	207.33000000000001	510.00	960.82000000000005	2061.24
330550	33	RJ	Sudeste	3304	Baixadas	33010	Lagos	353.566	22	0.709	11414	2961	6181	26497	12746.12	74234	36855	37379	64626	20875	31573	2373	22415	400	510.00	1530.54	2215.86
330555	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33017	ItaguaÝ	283.762	23	0.713	14488	3894	827	12805	10904.39	78186	38433	39753	67808	24977	21457	1106	34413	408	500.00	1573	2023.55
330560	33	RJ	Sudeste	3304	Baixadas	33009	Bacia de SÒo JoÒo	937.547	19	0.654	3544	575	370	3547	9012.88	21349	10808	10541	17021	6884	5734	176	9753	255	395.71	1348.47	1614.76
330570	33	RJ	Sudeste	3303	Centro Fluminense	33007	Nova Friburgo	395.516	15	0.611	2166	386	261	1896	12875.01	14900	7652	7248	11763	3163	7532	41	4684	333.32999999999998	510.00	1275.01	1674.16
330575	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33018	Rio de Janeiro	145.503	10	0.654	4692	662	428	4364	9458.03	30732	15289	15443	25936	8786	9433	163	12628	368.67000000000002	375.00	1618.24	1391.58
330580	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33015	Serrana	770.601	48	0.730	24901	5767	5094	38853	16874.51	163746	78275	85471	142581	47345	68732	4662	55675	347.5	510.00	1488.05	2765.80
330590	33	RJ	Sudeste	3303	Centro Fluminense	33008	Santa Maria Madalena	589.812	11	0.667	1556	400	205	1829	8912.09	10289	5258	5031	8222	2815	5410	60	3279	336	510.00	1441.1400000000001	1860.18
330600	33	RJ	Sudeste	3303	Centro Fluminense	33005	TrÛs Rios	326.136	33	0.725	11947	2738	2818	26379	22363.32	77432	37014	40418	67510	22502	47353	2588	21000	402.5	510.00	1635.3399999999999	2361.47
330610	33	RJ	Sudeste	3305	Sul Fluminense	33012	Barra do PiraÝ	1304.813	48	0.738	10420	2575	1602	13194	13727.11	71843	34450	37393	62960	20807	50237	4079	12079	393.32999999999998	510.00	1649.79	2177.09
330615	33	RJ	Sudeste	3301	Noroeste Fluminense	33001	Itaperuna	190.061	5	0.659	1781	346	175	1343	10100.17	9475	4756	4719	7669	2861	6370	10	2519	271	375.00	1252.5899999999999	1489.26
330620	33	RJ	Sudeste	3306	Metropolitana do Rio de Janeiro	33014	Vassouras	538.129	25	0.714	5494	1285	811	8098	11751.34	34410	16391	18019	29523	11298	20502	1218	8837	380	510.00	1460.9400000000001	2495.28
330630	33	RJ	Sudeste	3305	Sul Fluminense	33011	Vale do ParaÝba Fluminense	182.483	94	0.771	37158	11713	7197	85913	35546.76	257803	122919	134884	232803	74622	126357	13061	86208	850	622.00	2087.4499999999998	2829.94

Descrição da base de dados

A base de dados possui 92 linhas e 28 colunas e se refere aos municípios do Estado do Rio de Janeiro no ano de 2010. Como fruto da análise cabe destacar as variáveis:

Código IBGE do município - sequência de números que diferencia os municípios e é informado na emissão de documentos.

Código da Unidade da Federação - número que identifica os estados da federação brasileira.

Sigla da Unidade da Federação - letras que identificam os estados na federação brasileira.

Nome das grandes regiões - identifica a região brasileira na qual está inserida o Estado e os município correspondentes.

Código IBGE da mesorregião - número que identifica a mesorregião correspondente.

Nome da mesorregião - é uma subdivisão dos estados brasileiros que congrega diversos municípios de uma área geográfica com similaridades econômicas e sociais, que por sua vez, são subdivididas em microrregiões.

Código IBGE da microrregião - número que identifica as microrregiões.

Nome da microregião - nome dos conjuntos de municípios contíguos (partes menores das mesorregiões com características comuns)

Área da unidade territorial - espaço em metros quadrados do município analisado.

Estabelecimentos de Saúde SUS - número de estabelecimenttos do SUS disposto nos muncípios.

Índice de Desenvolvimento Humano Municipal - é um indicador formado por renda, educação e saúde dos municípios do Rio de Janeiro. No quesito saúde considera-se a expectativa de vida, para a educação são calculados o índice de alfabetização e escolarização e a renda é medida pelo PIB per capita divido pelo número populacional, além de avaliar o poder de compra (considerando a situação de valorização ou desvalorização da moeda).

Matrícula ensino fundamental (2012) - número de matriculados no ensino fundamental nos municípios do Rio de Janeiro.

Matrícula ensino médio (2012) - número de matriculados no ensino médio nos municípios do Rio de Janeiro.

Número de unidades locais - refere-se a quantidade de estabelecimentos escolares no município.

Pessoal ocupado total - significa as pessoas que possuem algum tipo de emprego ou subemprego.

PIB per capita a preços correntes - mede o valor total dos bens e serviços finais (exclui as transações intermediárias) produzido por habitante em dado município.

População residente - quantidade de pessoas residentes em determinado município.

População residente (homens) - quantidade de homens residentes em determinado município.

População residente (mulheres) - quantidade de mulheres residentes em determinado município.

População residente alfabetizada - quantidade de moradores de determinado município que sabem ler e escrever.

População residente que frequentava creche ou escola.

População residente de religião católica apostólica romana.

População residente de religião espírita.

População residente de religião evangélica.

Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes (rural) - valor do rendimento mediano mensal de cada residência em determinda área rural do município.

Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes (urbano) - valor do rendimento mediano mensal de cada residência em determinda área urbana do município.

Valor de rendimento nominal médio mensal dos domicílios particulares permanentes com rendimento domiciliar por situação do domicílio (rural) - valor do rendimento médio mensal de cada residência em determinda área rural do município.

Valor de rendimento nominal médio mensal dos domicílios particulares permanentes com rendimento domiciliar por situação do domicílio (urbano) - valor do rendimento mediano mensal dos moradores de cada residência na área urbano do município.

Transformação de variáveis

library(gdata)

## gdata: Unable to locate valid perl interpreter
## gdata: 
## gdata: read.xls() will be unable to read Excel XLS and XLSX files
## gdata: unless the 'perl=' argument is used to specify the location of a
## gdata: valid perl intrpreter.
## gdata: 
## gdata: (To avoid display of this message in the future, please ensure
## gdata: perl is installed and available on the executable search path.)

## gdata: Unable to load perl libaries needed by read.xls()
## gdata: to support 'XLX' (Excel 97-2004) files.

##

## gdata: Unable to load perl libaries needed by read.xls()
## gdata: to support 'XLSX' (Excel 2007+) files.

##

## gdata: Run the function 'installXLSXsupport()'
## gdata: to automatically download and install the perl
## gdata: libaries needed to support Excel XLS and XLSX formats.

## 
## Attaching package: 'gdata'

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

## The following object is masked from 'package:utils':
## 
##     object.size

## The following object is masked from 'package:base':
## 
##     startsWith

Munic_rj <- rename.vars(Munic_rj, from = "Sigla da Unidade da Federação", to = "Sigla Federação")

## 
## Changing in Munic_rj                                   
## From: Sigla da Unidade da Federação
## To:   Sigla Federação

Munic_rj <- rename.vars(Munic_rj, from = "Índice de Desenvolvimento Humano Municipal - 2010 (IDHM 2010)"
                        , to = "IDH Municipal")

## 
## Changing in Munic_rj                                                                   
## From: Índice de Desenvolvimento Humano Municipal - 2010 (IDHM 2010)
## To:   IDH Municipal

Munic_rj <- rename.vars(Munic_rj, from = "Estabelecimentos de Saúde SUS"
                        , to = "Unidades Sus")

## 
## Changing in Munic_rj                                   
## From: Estabelecimentos de Saúde SUS
## To:   Unidades Sus

Munic_rj$`IDH Municipal` <- as.numeric(Munic_rj$`IDH Municipal`)

Hipótese 1: IDH x unidades SUS

library(corrplot)

## corrplot 0.84 loaded

par(bg="lightgrey")
plot(Munic_rj$`Unidades Sus`,Munic_rj$`IDH Municipal`,pch=20,col="black",
     main="Diagrama de dispersão",
     xlab = "Unidades sus",
     ylab = " IDH Municipal")
abline(lsfit(Munic_rj$`Unidades Sus`,Munic_rj$`IDH Municipal`),
       col="red")

cor(Munic_rj$`Unidades Sus`,Munic_rj$`IDH Municipal`)*100

## [1] 47.66044

summary(Munic_rj$`Unidades Sus`)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   13.00   19.00   32.63   35.00  257.00

summary(Munic_rj$`IDH Municipal`)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.6110  0.6847  0.7125  0.7089  0.7300  0.8370

Observa-se no gráfico que a correlação entre as variáveis é baixa. Isso significa que, embora alguns municípios possuam poucas unidades SUS, o IDH ainda é alto. Podemos dizer que a quantidade não se relaciona diretamente com a qualidade de vida dos indivíduos, visto que o índice máximo de IDH atingido (0.8370) é por um município que possui menos de 100 unidades SUS. Um aspecto interessante relativo à análise do gráfico é que os municípios de baixo IDH e pouca quantidade de unidades SUS podem estar nessa condição devido ao fenômeno free rider nas políticas públicas. A microeconomia o define como sendo aquele em que um ou mais agentes econômicos acabam usufruindo de um determinado benefício proveniente de um bem, sem que tenha havido uma contribuição para a obtenção de tal; ou seja, a população residente desses locais provavelmente se desloca para a região metropolitana em busca de serviços e, por isso, os gestores continuam a não aplicar a verba para aumentar os serviços.

Hipótese 2: Unidades SUS x mesorregiões

library(ggplot2)
ggplot(Munic_rj) +
  aes(x = `Nome da Mesoregião`, weight = `Unidades Sus`) +
  geom_bar(fill = "#4682B4") +
  labs(x = "Mesorregião", y = "Unidades Sus") +
  theme_gray()

Nesse gráfico observamos que a região metropolitana possui a maior quantidade de Unidades SUS. Haja visto que essa qualidade não se relaciona diretamente com um alto valor de IDH. Pode-se presumir que, os municípios da região metropolitana que possuem baixo IDH, carecem de qualidade em seus serviços. Nesse caso, tem-se a hipótese acerca do inchaço urbano; que, por ser fenômeno de comum ocorrência em regiões polarizadas, acaba por afetar qualitativamente a oferta de serviços dada a grande demanda.

Hipótese 3: Unidades SUS x população residente

library(corrplot)
par(bg="lightgrey")

plot(Munic_rj$`Unidades Sus`,Munic_rj$`População residente`,pch=20,col="black",
     main="Diagrama de dispersão",
     xlab = "Unidades Sus",
     ylab = "População residente")

abline(lsfit(Munic_rj$`Unidades Sus`,Munic_rj$`População residente`),
       col="red")

cor(Munic_rj$`Unidades Sus`,Munic_rj$`População residente`)*100

## [1] 78.5272

Observa-se no gráfico acima que, em regiões com maior índice populacional, também há muitas Unidades SUS. Verifica-se uma alta correlação (78.5) entre as variáveis, o que demonstra o esforço dos gestores desses municípios em desenvolver as atividades locais. Isso não impede, portanto, a intensidade ainda característica do fluxo de pessoas que se movimenta para região metropolitana diariamente em busca de serviços.

Hipótese 3: IDH x mesorregiões

ggplot(Munic_rj) +
aes(x = `Nome da Mesoregião`, y = `IDH Municipal`) +
geom_boxplot(shape = "circle", fill = "#C18DCD") +
labs(x = "Mesorregião", y = "IDH") +
theme_gray() +
theme(
  axis.title.y = element_text(face = "bold"),
  axis.title.x = element_text(face = "bold")
)

Na análise do gráfico podemos observar que a maioria das mesorregiões do Estado do Rio de Janeiro possuem um IDH entre 0,7 e 0,75. Porém, no gráfico também é possível analisar que existe uma desigualdade social acentuada se compararmos os outliers da região metropolitana do Rio de Janeiro com o primeiro quartil das regiões do centro fluminense, norte e noroeste fluminense. O Estado do Rio de janeiro possui um outlier com um IDH de 0.83 enquanto outros tantos municípios das regiões supracitadas possuem IDH abaixo de 0,7. A discrepância entre o município de maior IDH com o de menor no Estado inteiro é de aproximadamente 0,22 o que representa um abismo entre a realidade desses municípios. Os gestores públicos devem procurar desenvolver as áreas com o IDH menores através de diálogos e parcerias com o setor privado visando maiores investimentos nessas regiões.

Hipótese 4: Mesorregiões x população residente alfabetizada

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:gdata':
## 
##     combine, first, last

## The following object is masked from 'package:kableExtra':
## 
##     group_rows

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

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

Munic_rj %>%
  filter(`População residente alfabetizada` >= 4449L & `População residente alfabetizada` <= 
           5505622L) %>%
  ggplot() +
  aes(x = `População residente alfabetizada`) +
  geom_histogram(bins = 30L, fill = "#46337E") +
  theme_classic() +
  facet_wrap(vars(`Nome da Mesoregião`))

Ao analisarmos o gráfico podemos identificar qual mesorregião possui o maior número de moradores alfabetizados. Como podemos observar a região metropolitana possui um número muito maior do que as demais regiões no que tange a quantidade de moradores alfabetizados isso deve a vários fatores como: quantidade de estabelecimentos educacionais, investimentos governamentais, desenvolvimento comercial, etc. As regiões da baixada, norte fluminense e sul fluminense, por exemplo, possuem uma menor quantidade de pessoas alfabetizadas se compararmos com a região metropolitana. Muitos municípios pequenos que ficam bem distantes dos grandes centros urbanos possuem uma população mais pobre e que muitas das vezes só tem como opção de sobrevivência o trabalho braçal. A falta de oportunidade de emprego faz com que os municípios mais interioranos tenham uma população de analfabetos maior do que nos grandes centros.

Hipótese 5: IDH x valor de rendimento nominal mediano urbano

par(bg="lightgrey")

plot(Munic_rj$`IDH Municipal`,Munic_rj$`Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana`,pch=20,col="black",
     main="Diagrama de dispersão",
     xlab = "IDH Municipal",
     ylab = " Rendimento nominal mediano - urbano")

abline(lsfit(Munic_rj$`IDH Municipal`,Munic_rj$`Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana`),
       col="red")

cor(Munic_rj$`IDH Municipal`,Munic_rj$`Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana`)*100

## [1] 75.01534

Como um importante fator para se medir a qualidade de vida em um dado município, o valor do rendimento nominal urbano per capita é um importante fator para se observar o IDH. Os municípios com os melhores índices de desenvolvimento humano tendem a ter uma população com um poder de compra maior do que os demais municípios . No gráfico podemos constatar tal observação, a partir da forte correlação entre as variáveis IDH e rendimento nominal urbano. Como consequência direta disso os municípios que possuem uma população que ganha mais são necessariamente municípios onde existem mais oportunidades de emprego, pois quanto maior a população economicamente ativa e o rendimento nominal per capita menor será a taxa de desemprego. A variável rendimento nominal per capita além de ser importante para se analisar o IDH de um município é também fundamental para entendermos outras questões sociais atreladas a ela. Vale destacar por exemplo a taxa de desemprego, de violência, de nível educacional, etc. Portanto, ao compreendermos o poder de compra de um município estamos falando indiretamente de tantos outros fatores que também influenciam na qualidade de vida .

Hipótese 6: Unidades escolares locais x população residente alfabetizada

library(dplyr)
library(ggplot2)

Munic_rj %>%
  filter(`Pessoal ocupado total` >= 1075L & `Pessoal ocupado total` <= 1502345L) %>%
  ggplot() +
  aes(x = `Número de unidades locais`, y = `População residente alfabetizada`, colour = `Nome da Mesoregião`) +
  geom_point(shape = "circle", size = 4L) +
  scale_color_manual(values = list(Baixadas = "#FF1100",
                                   `Centro Fluminense` = "#0A0A09", `Metropolitana do Rio de Janeiro` = "#00BB4C", `Noroeste Fluminense` = "#00BAD5",
                                   `Norte Fluminense` = "#FDFF00", `Sul Fluminense` = "#FF00F8")) +
  theme_gray()

cor(Munic_rj$`Número de unidades locais`, Munic_rj$`População residente alfabetizada`)*100

## [1] 98.9072

No presente gráfico é possível observar que existe uma forte correlação entre as variáveis unidades escolares locais e população residente alfabetizada. Com a correlação de 0,98 indicando uma forte relação entre as variáveis, podemos concluir que os municípios que mais investem em uma ampla rede educacional possuem uma população residente alfabetizada muito maior se comparada com os demais municípios. No gráfico a coloração dos pontos indica as mesorregiões do Estado do Rio de janeiro, com isso podemos destacar que Mesorregião com o maior número de unidades escolares e população residente alfabetizada é a região metropolitana do Rio de Janeiro, o grande centro econômico do estado.Como um fator decisivo para o desenvolvimento de um país a educação deve ser prioridade nas pautas governamentais em todas as esferas de políticas públicas, tendo em vista o retorno gerado à sociedade e ao próprio Estado. Mais unidades escolares significam mais oportunidades de ensino aos moradores que moram longe dos grandes centros, por exemplo, como na região Noroeste Fluminense. O desempenho socioeconômico de um município só melhorará se o município tiver uma grande capilaridade de estabelecimentos escolares, podendo assim difundir o conhecimento e agregar valor para a sociedade.

Hipótese 7: Pessoal ocupado total x população residente alfabetizada

library(ggplot2)
cor(Munic_rj$`Pessoal ocupado total`, Munic_rj$`População residente alfabetizada`)*100

## [1] 98.65225

Munic_rj %>%
  filter(`Pessoal ocupado total` >= 1075L & `Pessoal ocupado total` <= 1512222L) %>%
  filter(`População residente alfabetizada` >= 
           4449L & `População residente alfabetizada` <= 2957285L) %>%
  ggplot() +
  aes(x = `População residente alfabetizada`, y = `Pessoal ocupado total`) +
  geom_line(size = 1.65, 
            colour = "#47BD47") +
  theme_gray()

cor(Munic_rj$`Pessoal ocupado total`, Munic_rj$`População residente alfabetizada`)*100

## [1] 98.65225

A correlação entre as variáveis é muito forte como é possível analisar no gráfico. A linha verde mostra que quanto maior o número de pessoas alfabetizadas maior será a quantidade de pessoas ocupadas, isto é, com algum tipo de trabalho. Por ser um correlação forte o poder público deve analisar os fatores que estão diretamente ligados às variáveis analisadas: emprego e educação. Diante da presente análise, vemos que os municípios que conseguem proporcionar uma rede de ensino de qualidade a sua população necessariamente são municípios que têm um índice de desemprego menor se comparados com os municípios que não possuem uma rede de ensino de qualidade. Portanto, a conclusão que chegamos é que quanto maior e melhor é o ensino de um município, maior será também a população economicamente ativa que por sua vez, pode proporcionar maiores receitas tributárias ao próprio município para que se invista em outros setores. A educação é um investimento que gera muitas externalidades positivas para a sociedade e para o poder público. Assim, a educação acaba fomentando a cultura, proporciona maiores receitas ao poder público, desenvolve a região através da mão de obra qualificada e ajuda o Estado a construir de uma sociedade mais cidadã e cada vez mais justa.

Testes de Hipóteses

Foi executado o teste de Shapiro Wilk para as variáveis quantitativas.

# H0: distribuição normal
# H1: não tem distribuição normal
# alpha: 0,05
# Se o pvalor for menor que 0,05  Rej H0
# Se o pvalor for maior que 0,05  Não Rej H0

IDH Municipal

shapiro.test(Munic_rj$`IDH Municipal`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`IDH Municipal`
## W = 0.98229, p-value = 0.2463

Para a variável IDH Municipal, o p valor é maior que 0,05,logo, não se rejeita a hipótese nula H0. Portanto, os dados seguem uma distribuição normal.

Unidades SUS

shapiro.test(Munic_rj$`Unidades Sus`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`Unidades Sus`
## W = 0.6154, p-value = 3.636e-14

Para a variável Unidades Sus, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

População residente

shapiro.test(Munic_rj$`População residente`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`População residente`
## W = 0.20867, p-value < 2.2e-16

options(scipen = 999)

Para a variável População residente, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

População residente alfabetizada

shapiro.test(Munic_rj$`População residente alfabetizada`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`População residente alfabetizada`
## W = 0.20562, p-value < 0.00000000000000022

options(scipen = 999)

Para a variável População residente alfabetizada, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

Valor nominal mediano dos domicílios urbanos

shapiro.test(Munic_rj$`Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`Valor do rendimento nominal mediano mensal per capita dos domicílios particulares permanentes - Urbana`
## W = 0.68281, p-value = 0.0000000000008486

Para a variável Rendimento nominal mediano mensal dos domicílios urbanos, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

Unidades escolares locais

shapiro.test(Munic_rj$`Número de unidades locais`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`Número de unidades locais`
## W = 0.1583, p-value < 0.00000000000000022

Para a variável número de unidades locais, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

Pessoal ocupado total

shapiro.test(Munic_rj$`Pessoal ocupado total`)

## 
##  Shapiro-Wilk normality test
## 
## data:  Munic_rj$`Pessoal ocupado total`
## W = 0.14085, p-value < 0.00000000000000022

Para a variável Pessoal ocupado total, o p valor é muito menor que 0,05,logo, rejeita-se a hipótese nula H0. Portanto, os dados não seguem uma distribuição normal.

Conclusão

Com esse trabalho, intencionávamos expor detalhes acerca das mesorregiões do estado do Rio de Janeiro. Fizemos isso por meio de gráficos, análises descritivas e hipóteses. Podemos concluir que no entorno de cada variável orbita uma diversidade de fenômenos invisíveis a olho nu. De forma geral, verificamos que a alta quantidade de unidades SUS não indica necessariamente um alto IDH e que a região metropolitana lidera nessa quantidade. Isso nos incitou a refletir acerca da qualidade vs quantidade, haja visto que há municípios indicando alto IDH e relativamente poucas unidades de saúde. Logo, observamos que as regiões de maior número populacional residente também possuem mais unidades SUS. Isso porque há maior demanda de esforço por parte do poder público e, com isso, a rede de antendimento tende a ser mais capilar. Além disso, constatamos que os melhores índices de desenvolvimento humano tendem a ter uma população com um poder de compra maior e, por isso, grande quantidade de escolas e pessoas alfabetizadas. Nesse sentido, cabe aos gestores públicos debruçarem no presente trabalho e aplicar medidas cabíveis, com a finalidade de garantir a concretização dos objetivos fundamentais da República Federativa do Brasil.

Trabalho Final

Mariana Sampaio da Silva e Marcos Vinícius Silva Varejão dos Santos

02/05/2021