Trabalho Final - Estatística

Introdução

A Administração Direta é responsável pela prestação de serviços públicos relativos ao Estado e a órgãos dos poderes federal, estadual e municipal. Sendo assim, a Administração Direita abrange a presidência da República, os ministérios do Governo Federal e as secretarias dos Estados (Portal Educa Mais Brasil, 2020).

Agente público, por definição, é qualquer pessoa que age em nome do Estado, independente de vínculo jurídico, ainda que atue sem remuneração e transitoriamente (Politize, 2018).

Entende-se por funcionários públicos os servidores estatutários, ocupantes de cargos públicos providos por concurso público, e que são regidos por estatuto, definidor de seus direitos e obrigações; os empregados públicos, ocupantes de emprego público também provido por concurso público, contratados sob o regime da Consolidação das Leis do Trabalho (CF, Art. 37, II); e os servidores temporários, que exercem função pública, despida de vinculação a cargo ou emprego público, contratados por tempo determinado para atender à necessidade temporária de excepcional interesse público (CF, Art. 37, IX), prescindindo de concurso público (Vinci Júnior, 2005).

Estagiário é aquele que exerce ato educativo escolar supervisionado, desenvolvido no ambiente de trabalho, que visa à sua preparação para o trabalho produtivo, desde que regularmente frequente ao ensino regular em instituições de educação superior, de educação profissional, de ensino médio, da educação especial e dos anos finais do ensino fundamental, na modalidade profissional da educação de jovens e adultos. (Art. 1º - Lei 11788, 2008).

As funções de confiança, exercidas exclusivamente por servidores ocupantes de cargo efetivo, e os cargos em comissão, a serem preenchidos por servidores de carreira nos casos, condições e percentuais mínimos previstos em lei, destinam-se apenas às atribuições de direção, chefia e assessoramento (Art. 37, V - Emenda Constitucional nº 19, 1998).

Trabalhador sem vínculo permanente é aquele que exerce, em caráter eventual e de forma autônoma, atividade profissional remunerada prestando serviço a uma ou mais empresas, despido de relação empregatícia e assumindo os riscos inerentes à sua atividade (Guia Trabalhista).

O Instituto Brasileiro de Geografia e Estatística - IBGE é o principal fornecedor de dados e informações de natureza geográfica e estatística do Brasil, que atendem às necessidades dos mais diversos segmentos da sociedade civil e dos órgãos das esferas governamentais federal, estadual e municipal (IBGE, 2021).

Desse modo, faz-se importante contabilizar quantos agentes públicos da Administração Direta existem por cada categoria, a fim de entender sob qual vínculo trabalhista, leis e regulamentos estão regidas tais relações laborais. Com esse propósito, os relatórios emitidos pelo IBGE são importante diagnóstico para entender o cenário dos vínculos empregatícios em estudo.

Objetivo

O objetivo geral do trabalho consiste em comparar os dados quantitativos de agentes públicos da Administração Direta nos anos de 2015 e 2019, através de análise comparativa do número de agentes públicos presentes em cada um dos estados brasileiros (incluindo Distrito Federal), avaliando através de gráficos de Boxplot, Flextable, Matriz de Correlação, Testes de Hipóteses e análise visual de Mapas Temáticos.

Metodologia

Primeiramente carregou-se a base de dados no ambiente do RStudio, ela foi retirada do IBGE com os dados de 2015 e 2019 referentes aos agentes públicos na Administração Direta e sua distribuição por estados brasileiros e Distrito Federal.

Na tabela a seguir, pode-se observar os dados obtidos:

Base de dados

knitr::opts_chunk$set(echo = TRUE)

library(readxl)
library(flextable)
library(dplyr)
library(kableExtra)
library(corrplot)

UF <- read_excel("Desktop/Base_de_dados-master/empregados_setor_publico_adm_direta.xlsx")

Tabela

knitr::opts_chunk$set(echo = TRUE)

kable(UF, row.names = FALSE)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "800px", height = "600px")

S	Sigla	Codigo	Estado	Região	CodigoReg	estatutarios_2019	clt_2019	comissionados_2019	estagiarios_2019	sem_vinculo_permanente_2019	total_2019	populacao_2019	estatutarios_2015	clt_2015	comissionados_2015	estagiarios_2015	sem_vinculo_permanente_2015	total_2015	populacao_2015
AC	AC	12	Acre	Norte	N	11253	4655	1626	449	4898	22881	881935	9943	4870	1553	310	5323	21999	803513
AL	AL	27	Alagoas	Nordeste	NE	75830	2514	12660	762	38486	130252	3337357	82420	3682	10454	497	32704	129757	3340932
AM	AM	13	Amazonas	Norte	N	13679	228	2324	196	3766	20193	845731	13459	229	2520	0	4015	20223	766679
AP	AP	16	Amapa	Norte	N	43015	3459	11332	118	40159	98083	4144597	61597	4520	9843	1444	39524	116928	3938336
BA	BA	29	Bahia	Nordeste	NE	307188	12074	51231	7917	135743	514153	14873064	311758	18009	51197	6405	118402	505771	15203934
CE	CE	23	Ceara	Nordeste	NE	184346	22759	30139	5815	73947	317006	9132078	180575	16552	27720	3933	85459	314239	8904459
DF	DF	53	Distrito Federal	Centro-Oeste	CO	102521	97	5164	1047	13368	122197	3015268	114047	3	5446	885	10158	130539	2914830
ES	ES	32	Espirito Santo	Sudeste	SE	73177	8026	11547	7910	37522	138182	4018650	76242	7788	11865	5681	39125	140701	3929911
GO	GO	52	Goias	Centro-Oeste	CO	147949	1700	42135	3151	17664	212599	7018354	147700	1164	37271	2934	20896	209965	6610681
MA	MA	21	Maranhao	Nordeste	NE	157597	9613	30995	198	98601	297004	7075181	170063	7154	25920	565	96479	300181	6904241
MG	MG	31	Minas Gerais	Sudeste	SE	71953	5545	8607	3253	20760	110118	3484466	70967	2933	8923	1826	24940	109589	3265486
MS	MS	50	Mato Grosso do Sul	Centro-Oeste	CO	70641	809	8867	4059	26459	110835	2778986	61375	546	7215	3334	18557	91027	2651235
MT	MT	51	Mato Grosso	Centro-Oeste	CO	411433	37466	39476	14712	169361	672448	21168791	403164	35959	38609	13495	178113	669340	20869101
PA	PA	15	Para	Norte	N	168594	5393	20998	1596	97202	293783	8602865	170148	3712	18637	682	103792	296971	8175113
PB	PB	25	Paraiba	Nordeste	NE	97945	1043	20684	191	49717	169580	4018127	102138	4156	19932	224	44400	170850	3972202
PE	PE	26	Pernambuco	Nordeste	NE	253848	26689	17076	25455	7104	330172	11433957	249765	30527	18731	20797	15747	335567	11163018
PI	PI	22	Piaui	Nordeste	NE	147976	3087	30921	9822	83684	275490	9557071	155374	10750	28837	3727	73074	271762	9345173
PR	PR	41	Parana	Sul	S	69120	4038	15733	835	24693	114419	3273227	66041	9375	14184	790	23959	114349	3204028
RJ	RJ	33	Rio de Janeiro	Sudeste	SE	269570	19530	48188	5419	54937	397644	17264943	283144	21824	43902	11411	61267	421548	16550024
RN	RN	24	Rio Grande do Norte	Nordeste	NE	75128	3652	16356	3517	27310	125963	3506853	80453	2980	15915	2344	25241	126933	3442175
RO	RO	11	Rondonia	Norte	N	225236	13514	22761	24636	22420	308567	11377239	220599	17829	22623	21976	22581	305608	11247972
RR	RR	14	Roraima	Norte	N	40706	3513	6459	206	1592	52476	1777225	43209	3580	5935	356	1053	54133	1768204
RS	RS	43	Rio Grande do Sul	Sul	S	11414	577	2656	0	4743	19390	605761	10597	606	2417	10	3707	17337	505665
SC	SC	42	Santa Catarina	Sul	S	133392	21929	14188	15853	40628	225990	7164788	127324	24351	13747	10170	42373	217965	6819190
SE	SE	28	Sergipe	Nordeste	NE	620932	231659	41644	49771	38983	982989	45919049	600031	259910	52294	42139	42887	997261	44396484
SP	SP	35	Sao Paulo	Sudeste	SE	43997	1114	12438	1190	17890	76629	2298696	49311	1281	11592	1134	9991	73309	2242937
TO	TO	17	Tocantins	Norte	N	41902	364	7539	500	19988	70293	1572866	41283	314	7101	352	14198	63248	1515126

Dicionário

A tabela a seguir consiste no dicionário de dados, em que constam as variáveis e sua definição:

#Carregar base de dados em que consta o dicionário de dados
library(readxl)
dicio <- read_excel("Desktop/Base_de_dados-master/empregados_setor_publico_adm_direta.xlsx", 
                    sheet = "dicionario")

#Execução e manipulação da tabela
library(DT)
DT::datatable(dicio, rownames = FALSE, colnames = FALSE)

Na base de dados utilizada não existiam dados faltantes. Para uma melhor análise comparativa entre os estados, criou-se novas variáveis com uma abordagem de números de agentes públicos em cada classe por cem mil habitantes. Conforme indica o código abaixo:

Índices/100k hab

knitr::opts_chunk$set(echo = TRUE)
UF$total2015_por100k <- (UF$total_2015/UF$populacao_2015)*100000
UF$total2019_por100k <- (UF$total_2019/UF$populacao_2019)*100000

UF$estatutarios2015_por100k <- (UF$estatutarios_2015/UF$populacao_2015)*100000
UF$estatutarios2019_por100k <- (UF$estatutarios_2019/UF$populacao_2019)*100000

UF$clt2015_por100k <- (UF$clt_2015/UF$populacao_2015)*100000
UF$clt2019_por100k <- (UF$clt_2019/UF$populacao_2019)*100000

UF$comissionados2015_por100k <- (UF$comissionados_2015/UF$populacao_2015)*100000
UF$comissionados2019_por100k <- (UF$comissionados_2019/UF$populacao_2019)*100000

UF$estagiarios2015_por100k <- (UF$estagiarios_2015/UF$populacao_2015)*100000
UF$estagiarios2019_por100k <- (UF$estagiarios_2019/UF$populacao_2019)*100000

UF$sem_vinculo_permanente2015_por100k <- (UF$sem_vinculo_permanente_2015/UF$populacao_2015)*100000
UF$sem_vinculo_permanente2019_por100k <- (UF$sem_vinculo_permanente_2019/UF$populacao_2019)*100000

As variáveis de interesse utilizadas no estudo desta base de dados são:

1. Região;

2. Estados;

3. total2015_por100k;

4. total2019_por100k;

5. estatutarios2015_por100k;

6. estatutarios2019_por100k;

7. comissionados2015_por100k;

8. comissionados2019_por100k;

9. clt2015_por100k;

10. clt2019_por100k;

11. estagiarios2015_por100k;

12. estagiarios2019_por100k;

13. sem_vinculo_permanente2015_por100k;

14. sem_vinculo_permanente2019_por100k.

Inicialmente, foram elaborados os gráficos do tipo Boxplot entre a variável qualitativa Região e as taxas por cem mil habitantes das variáveis quantitativas relativas a cada uma das categorias de agentes públicos presente na Administração direta nos anos de 2015 e 2019.

Em seguida, foram elaboradas tabelas através da função Flextable, exibindo as médias, desvios-padrão, mínimo e máximo para as mesmas variáveis utilizadas no Boxplot.

Na etapa seguinte, construiu-se a Matriz de Correlação entre o total de agentes públicos para cada categoria nos anos de 2015 e 2019.

Além da construção, análise de dados, foram elaborados gráficos do tipo “geobr”, que permitiram a elaboração de mapas do Brasil utilizando as variáveis Estados e as quantitativas de interesse do estudo, para facilitar a visualização dos dados apresentados.

Ao fim dessas etapas, o estudo abrangeu testes de hipóteses.

Teste de hipótese

Os testes de hipóteses utilizados, baseados na natureza das variáveis, seguiram o roteiro apresentado no site “Métodos quantitativos”.

Foram realizados testes de hipóteses para avaliar se a variável qualitativa Região interfere nas variáveis quantitativas referentes às taxas por cem mil habitantes dos agentes públicos para cada vínculo trabalhista analisado, nos anos de 2015 e 2019.

Para verificar a normalidade dos resíduos foram utilizados o teste de Shapiro Wilk. Adotou-se alpha = 0,05 para todos os testes realizados. A regra de decisão definida foi:

Se p-value ≤ alpha, rejeita H0.

Se p-value > alpha, não rejeita H0.

A partir do pressuposto:

H0:os dados seguem uma distribuição normal.

H1:os dados não seguem uma distribuição normal.

Para o cenário em que os resíduos seguem a distribuição normal, utilizou-se, em uma próxima etapa, o teste de Bartlett a fim de verificar se os dados apresentam ou não igualdade de variância.

H0: todas as variâncias são iguais.

H1: pelo menos uma das variâncias é diferente.

Em seguida, com o objetivo de verificar se as médias são iguais, procedeu-se à execução o teste ANOVA quando a hipótese não foi rejeitada, caso contrário, utilizou-se o teste de Welch.

H0: todas as médias são iguais.

H1: existe pelo menos uma média diferente.

Para o cenário em que os resíduos não seguem a distribuição normal, utilizou-se, em uma próxima etapa, o teste de Kruskal- Wallis a fim de verificar se os dados apresentam ou não igualdade de variância.

H0: Distribuição é considerada igual para todas as regiões

H1: Pelo menos uma das distribuições é considerada diferente

Resultados e discussões

Boxplot & Flextable

Realizou-se, para os anos de 2015 e 2019, análises entre a variável qualitativa Região e as varíáveis quantitativas com as taxas do total e de cada categoria (Estatutários, Comissionados,CLT, Estagiários e Sem vínculo permanente), através de gráficos Boxplot e da função Flextable.   

Total/100k por região

options(scipen = 999)

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(total2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        main="Boxplot 2015 \n Total por Região \n")

boxplot(total2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        main="Boxplot 2019 \n Total por Região \n")

Total/100k por região - 2015

UF %>% select(CodigoReg,total2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(total2015_por100k),
            desvio_padrao=sd(total2015_por100k),
            minimo=min(total2015_por100k),
            maximo=max (total2015_por100k)) %>%
  flextable()

Total/100k por região - 2019

UF %>% select(CodigoReg,total2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(total2019_por100k),
            desvio_padrao=sd(total2019_por100k),
            minimo=min(total2019_por100k),
            maximo=max (total2019_por100k)) %>%
  flextable()

Os comportamentos do Nordesde (NE) e Sudeste (SE) não apresentaram mudanças significativas. Na região Centro-oeste (CO) por sua vez, notou-se relevante mudança na mediana (assumindo o maior valor entre as regiões do país) e também mudanças nas concentrações, sobretudo no segundo (redução) e quarto (elevação) quartis.Na região Norte (N) ocorreu uma pequena redução na mediana, sendo a principal mudança de concentração ocorrida no quarto quartil, mudança esta influenciada pela presença de outlier em 2019 (4469, valor máximo exposto no Flextable). A região Sul (S) apresentou a menor variabilidade dos dados, o que indica que seus estados apresentaram valores semelhantes no quantitativo total de agentes publicos para os anos do estudo (isso se evidencia na proximidade entre os valores mínimo e máximo, expostos no Flextable).  

Estatutarios/100k por região

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(estatutarios2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(1000,4000),
        main="Boxplot 2015 \n Estatutários por Região \n")

boxplot(estatutarios2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(1000,4000),
        main="Boxplot 2019 \n Estatutários por Região \n")

Estatutário/100k por região - 2015

UF %>% select(CodigoReg,estatutarios2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(estatutarios2015_por100k),
            desvio_padrao=sd(estatutarios2015_por100k),
            minimo=min(estatutarios2015_por100k),
            maximo=max (estatutarios2015_por100k)) %>%
  flextable()

Estatutário/100k por região - 2019

UF %>% select(CodigoReg,estatutarios2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(estatutarios2019_por100k),
            desvio_padrao=sd(estatutarios2019_por100k),
            minimo=min(estatutarios2019_por100k),
            maximo=max (estatutarios2019_por100k)) %>%
  flextable()

Através da análise dos gráficos acima notou-se uma redução da varialibilidade dos dados na região CO, evidenciado através sensível mudança de seus valores máximos para os anos de 2015 e 2019, apresentados no Flextable. Na região NE, notou-se grande redução no primeiro quartil, devido ao aumento da presença de outliers. Na região N, houve o aumento na faixa referente ao segundo quartil, o que indica uma maior variabilidade na distibuição dos dados nessa faixa. Nas demais regiões não ocorreram mudanças significativas.   

Comissionados/100k por região

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(comissionados2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(100,600),
        main="Boxplot  2015 \n Comissionados por 100k por Região \n")

boxplot(comissionados2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(100,600),
        main="Boxplot  2019 \n Comissionados por 100k por Região \n")

Comissionados/100k por região - 2015

UF %>% select(CodigoReg,comissionados2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(comissionados2015_por100k),
            desvio_padrao=sd(comissionados2015_por100k),
            minimo=min(comissionados2015_por100k),
            maximo=max (comissionados2015_por100k)) %>%
  flextable()

Comissionados/100k por região - 2019

UF %>% select(CodigoReg,comissionados2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(comissionados2019_por100k),
            desvio_padrao=sd(comissionados2019_por100k),
            minimo=min(comissionados2019_por100k),
            maximo=max (comissionados2019_por100k)) %>%
  flextable()

Através da análise dos gráficos acima, notou-se uma maior varibilidade na região CO. Nas regiões N e NE observou-se mudanças nos gráficos Boxplots, devido ao “aparecimento” e “desaparecimento” de outliers, respectivamente. Nas demais regiões não apresentaram mudanças significativas.  

CLT/100k por região

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(clt2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,650),
        main="Boxplot 2015 \n CLT por 100k por Região \n")


boxplot(clt2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,650),
        main="Boxplot 2019 \n CLT por 100k Região \n")

CLT/100k por região - 2015

UF %>% select(CodigoReg,clt2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(clt2015_por100k),
            desvio_padrao=sd(clt2015_por100k),
            minimo=min(clt2015_por100k),
            maximo=max (clt2015_por100k)) %>%
  flextable()

CLT/100k por região - 2019

UF %>% select(CodigoReg,clt2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(clt2019_por100k),
            desvio_padrao=sd(clt2019_por100k),
            minimo=min(clt2019_por100k),
            maximo=max (clt2019_por100k)) %>%
  flextable()

As regiões CO, N e SE não apresentaram mudanças comportamentais significativas em relação ao número de empregados celetistas para os anos em análise. Na região NE, os três primeiros quartis apresentaram um aumento de variabiidade dos dados, já no quarto quartil observou-se um acréscimo na concentração dos dados. A região S apresentou uma drástica queda na mediana e significativas mudanças nas concentrações de todos os quartis.  

Estagiários/100k por região

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(estagiarios2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,250),
        main="Boxplot 2015 \n Estagiários por 100k por Região \n")

boxplot(estagiarios2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,250),
        main="Boxplot 2019 \n Estagiários por 100k por Região \n")

Estagiários/100k por região - 2015

UF %>% select(CodigoReg,estagiarios2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(estagiarios2015_por100k),
            desvio_padrao=sd(estagiarios2015_por100k),
            minimo=min(estagiarios2015_por100k),
            maximo=max (estagiarios2015_por100k)) %>%
  flextable()

Estagiários/100k por região - 2019

UF %>% select(CodigoReg,estagiarios2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(estagiarios2019_por100k),
            desvio_padrao=sd(estagiarios2019_por100k),
            minimo=min(estagiarios2019_por100k),
            maximo=max (estagiarios2019_por100k)) %>%
  flextable()

Na região NE, o desaparecimento do outlier (inclusão na análise do boxplot) que estava presente no ano de 2015 afetou consideravalmente a concentração no quarto quartil no ano de 2019. Nas regiões S e SE, houve uma maior varibilidade dos em 2019 se comparados a 2015. As demais regiões não apresentaram mudanças significativas.

SVP/100k por região

par(mfrow=c(1,2))
par(cex=0.7)
boxplot(sem_vinculo_permanente2015_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,1400),
        main="Boxplot 2015 \n Sem Vínculo Permanente por 100k por Região \n")

boxplot(sem_vinculo_permanente2019_por100k~CodigoReg, 
        data=UF,
        col=c("#CD5C5C","#BA55D3","#87CEFA","#9ACD32","#FFA500"),
        ylim=c(0,1400),
        main="Boxplot  2019 \n Sem Vínculo Permanente por 100k por Região \n")

SVP/100k por região - 2015

UF %>% select(CodigoReg,sem_vinculo_permanente2015_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(sem_vinculo_permanente2015_por100k),
            desvio_padrao=sd(sem_vinculo_permanente2015_por100k),
            minimo=min(sem_vinculo_permanente2015_por100k),
            maximo=max (sem_vinculo_permanente2015_por100k)) %>%
  flextable()

SVP/100k por região - 2019

UF %>% select(CodigoReg,sem_vinculo_permanente2019_por100k) %>% group_by (CodigoReg) %>%
  summarise(média=mean(sem_vinculo_permanente2019_por100k),
            desvio_padrao=sd(sem_vinculo_permanente2019_por100k),
            minimo=min(sem_vinculo_permanente2019_por100k),
            maximo=max (sem_vinculo_permanente2019_por100k)) %>%
  flextable()

A região NE foi que apresentou mudança mais sensível, devido ao fato de um dado presente em 2015 ter deixado de ser considerado como um outlier em 2019.

Matriz de correlação

2015

MC <-cor(UF[,c("estatutarios2015_por100k","clt2015_por100k","comissionados2015_por100k","estagiarios2015_por100k")])
corrplot.mixed(MC)

2019

MC <-cor(UF[,c("estatutarios2019_por100k","clt2019_por100k","comissionados2019_por100k","estagiarios2019_por100k")])
corrplot.mixed(MC)

Realizou-se a análise comparativa entre as seguintes quatro taxas por cem mil das variáveis quantitativas (2015 e 2019): Estaturários, CLT, Comissionados e Estagiários. Percebeu-se em ambos os anos, forte grau de associação entre agentes públicos estatutários e celetistas e associação mais fraca entre Estatutários e Estagiários.

Teste de hipóteses

Estatutário/Região

2015

#------------ Residuos estatutarios 2015 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo4 <- aov(estatutarios2015_por100k~Região,data = UF)
estatutarios2015<-residuals(modelo4)

shapiro.test(estatutarios2015)

    Shapiro-Wilk normality test

data:  estatutarios2015
W = 0.96172, p-value = 0.4042

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.4042
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Variancia = para todas as regiões
#H1: Pelo menos 1 variancia != 

bartlett.test(estatutarios2015_por100k~Região,data = UF)

    Bartlett test of homogeneity of variances

data:  estatutarios2015_por100k by Região
Bartlett's K-squared = 8.711, df = 4, p-value = 0.06874

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.06874
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2015

modelo4 <- aov(estatutarios2015_por100k~Região,data = UF)

#H0: MEDIA DE CARGOS COMISSIONADOS EM 2015 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA != 
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo4)

            Df  Sum Sq Mean Sq F value Pr(>F)
Região       4 1169916  292479   1.183  0.346
Residuals   22 5440144  247279               

# p-value = 0.346, a média de estatutário é igual por região em 2015

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.4042

Assim não rejeita H0, os resíduos seguem uma distribuição normal no ano de 2015.

Teste Bartlett:

p-value = 0.06874

Assim não rejeita H0, as regiões apresentam a mesma variância em 2015.

Teste ANOVA:

p-value = 0.346

Assim não rejeita H0, a média de estatutários é igual por região em 2015.

2019

#------------ Residuos estatutarios 2019 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo3 <- aov(estatutarios2019_por100k~Região,data = UF)
estatutarios2019<-residuals(modelo3)

shapiro.test(estatutarios2019)

    Shapiro-Wilk normality test

data:  estatutarios2019
W = 0.96249, p-value = 0.4205

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.4205
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Variancia = para todas as regiões
#H1: Pelo menos 1 variancia != 

bartlett.test(estatutarios2019_por100k~Região,data = UF)

    Bartlett test of homogeneity of variances

data:  estatutarios2019_por100k by Região
Bartlett's K-squared = 6.8917, df = 4, p-value = 0.1417

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.1417
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2019

modelo3 <- aov(estatutarios2019_por100k~Região,data = UF)

#H0: MEDIA DE CARGOS ESTATUTÁRIOS EM 2019 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA != 
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo3)

            Df  Sum Sq Mean Sq F value Pr(>F)
Região       4 1304722  326180   1.639    0.2
Residuals   22 4379162  199053               

# p-value = 0.2, a média de estatutários é igual por região em 2019

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.4205

Assim não rejeita H0, os resíduos seguem uma distribuição normal no no de 2019.

Teste Bartlett:

p-value = 0.1417

Assim não rejeita H0, as regiões apresentam a mesma variância em 2019.

Teste ANOVA:

p-value = 0.2

Assim não rejeita H0, a média de estatutários é igual por região em 2019.

Comissionados/Região

2015

#------------ Residuos comissionados 2015 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo2 <- aov(comissionados2015_por100k~Região,data = UF)
residuoscomissionados2015<-residuals(modelo2)

shapiro.test(residuoscomissionados2015)

    Shapiro-Wilk normality test

data:  residuoscomissionados2015
W = 0.97097, p-value = 0.6276

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.6276
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Variancia = para todas as regiões
#H1: Pelo menos 1 variancia != 

bartlett.test(residuoscomissionados2015~UF$Região)

    Bartlett test of homogeneity of variances

data:  residuoscomissionados2015 by UF$Região
Bartlett's K-squared = 1.5492, df = 4, p-value = 0.8179

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.8179
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2019

modelo2 <- aov(comissionados2015_por100k~Região,data = UF)

#H0: MEDIA DE CARGOS COMISSIONADOS EM 2015 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA != 
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo2)

            Df Sum Sq Mean Sq F value Pr(>F)
Região       4  19362    4841   0.293  0.879
Residuals   22 363467   16521               

# p-value = 0.879, a média de cargo comissionados é igual por região em 2015

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.6276

Assim não rejeita H0, os resíduos seguem uma distribuição normal no ano de 2015.

Teste Bartlett:

p-value = 0.8179

Assim não rejeita H0, as regiões apresentam a mesma variância em 2015.

Teste ANOVA:

p-value = 0.879

Assim não rejeita H0, a média de cargos comissionados é igual por região em 2015.

2019

#------------ Residuos comissionados 2019 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo <- aov(comissionados2019_por100k~Região,data = UF)
residuoscomissionados2019<-residuals(modelo)

shapiro.test(residuoscomissionados2019)

    Shapiro-Wilk normality test

data:  residuoscomissionados2019
W = 0.98599, p-value = 0.9658

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.9658
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Variancia = para todas as regiões
#H1: Pelo menos 1 variancia != 

bartlett.test(residuoscomissionados2019~UF$Região)

    Bartlett test of homogeneity of variances

data:  residuoscomissionados2019 by UF$Região
Bartlett's K-squared = 1.7279, df = 4, p-value = 0.7856

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.7856
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2019

modelo <- aov(comissionados2019_por100k~Região,data = UF)

#H0: MEDIA DE CARGOS COMISSIONADOS EM 2019 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA != 
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo)

            Df Sum Sq Mean Sq F value Pr(>F)
Região       4  18289    4572   0.229  0.919
Residuals   22 440198   20009               

# p-value = 0.919, a média de cargo comissionados é igual por região em 2019

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.9658

Assim não rejeita H0, os resíduos seguem uma distribuição normal no ano de 2019.

Teste Bartlett:

p-value = 0.7856

Assim não rejeita H0, as regiões apresentam a mesma variância em 2019.

Teste ANOVA:

p-value = 0.919

Assim não rejeita H0, a média de cargos comissionados é igual por região em 2019.

CLT/Região

2015

#------------ Residuos CLT 2015 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo8 <- aov(clt2015_por100k~Região,data = UF)
clt2015<-residuals(modelo8)

shapiro.test(clt2015)

    Shapiro-Wilk normality test

data:  clt2015
W = 0.7807, p-value = 0.00006453

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.00006453
# Logo Rej H0, os resíduos não seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

kruskal.test(clt2015_por100k~Região,data = UF)

    Kruskal-Wallis rank sum test

data:  clt2015_por100k by Região
Kruskal-Wallis chi-squared = 6.9468, df = 4, p-value = 0.1387

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.1387
# Logo Não Rej H0, as regiões apresentam a mesma distribuição em 2015


#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.00006453

Assim rejeita H0, os resíduos não seguem uma distribuição normal no ano de 2015.

Teste Kruskal Wallis:

p-value = 0.1387

Assim não rejeita H0, as regiões apresentam a mesma distribuição em 2015.

2019

#------------ Residuos CLT 2019 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo7 <- aov(clt2019_por100k~Região,data = UF)
clt2019<-residuals(modelo7)

shapiro.test(clt2019)

    Shapiro-Wilk normality test

data:  clt2019
W = 0.81449, p-value = 0.0002466

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.0002466
# Logo Rej H0, os resíduos não seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

kruskal.test(clt2019_por100k~Região,data = UF)

    Kruskal-Wallis rank sum test

data:  clt2019_por100k by Região
Kruskal-Wallis chi-squared = 4.1257, df = 4, p-value = 0.3893

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.3893
# Logo Não Rej H0, as regiões apresentam a mesma distribuição em 2019


#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.0002466

Assim rejeita H0, os resíduos não seguem uma distribuição normal no ano de 2019.

Teste Kruskal Wallis:

p-value = 0.3893

Assim não rejeita H0, as regiões apresentam a mesma distribuição em 2019.

Estagiários/Região

2015

#------------ Residuos estagiarios 2015 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo6 <- aov(estagiarios2015_por100k~Região,data = UF)
estagiarios2015<-residuals(modelo6)

shapiro.test(estagiarios2015)

    Shapiro-Wilk normality test

data:  estagiarios2015
W = 0.8076, p-value = 0.0001859

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.0001859
#Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

kruskal.test(estagiarios2015_por100k~Região,data = UF)

    Kruskal-Wallis rank sum test

data:  estagiarios2015_por100k by Região
Kruskal-Wallis chi-squared = 4.7166, df = 4, p-value = 0.3176

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.3176
#Logo Não Rej H0, as regiões apresentam a mesma distribuição em 2015


#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.0001859

Assim rejeita H0, os resíduos não seguem uma distribuição normal no ano de 2015.

Teste Kruskal Wallis:

p-value = 0.3176

Assim não rejeita H0, as regiões apresentam a mesma distribuição em 2015.

2019

#------------ Residuos estagiarios 2019 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo5 <- aov(estagiarios2019_por100k~Região,data = UF)
estagiarios2019<-residuals(modelo5)

shapiro.test(estagiarios2019)

    Shapiro-Wilk normality test

data:  estagiarios2019
W = 0.86022, p-value = 0.001848

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.001848
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

kruskal.test(estagiarios2019_por100k~Região,data = UF)

    Kruskal-Wallis rank sum test

data:  estagiarios2019_por100k by Região
Kruskal-Wallis chi-squared = 2.868, df = 4, p-value = 0.5802

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.5802
# Logo Não Rej H0, as regiões apresentam a mesma distribuição em 2019


#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.001848

Assim rejeita H0, os resíduos não seguem uma distribuição normal no ano de 2015.

Teste Kruskal Wallis:

p-value = 0.5802

Assim não rejeita H0, as regiões apresentam a mesma distribuição em 2015.

SVP/Região

2015

#------------ Residuos sem_vinculos_permanentes 2015 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo10 <- aov(sem_vinculo_permanente2015_por100k~Região,data = UF)
sem_vinculo_permanente2015<-residuals(modelo10)

shapiro.test(sem_vinculo_permanente2015)

    Shapiro-Wilk normality test

data:  sem_vinculo_permanente2015
W = 0.96758, p-value = 0.5393

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.5393
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

bartlett.test(sem_vinculo_permanente2015~Região,data = UF)

    Bartlett test of homogeneity of variances

data:  sem_vinculo_permanente2015 by Região
Bartlett's K-squared = 5.689, df = 4, p-value = 0.2236

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.2236
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2015

modelo10 <- aov(sem_vinculo_permanente2015~Região,data = UF)

#H0: MEDIA DOS FUNCIONARIOS SEM VINCULO PERMANENTE EM 2019 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA !=  
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo10)

            Df  Sum Sq Mean Sq F value Pr(>F)
Região       4       0       0       0      1
Residuals   22 3072430  139656               

# p-value = 1, a média de FUNCIONARIOS SEM VINCULO PERMANENTE é igual por região em 2015

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.5393

Assim não rejeita H0, os resíduos seguem uma distribuição normal no ano de 2015.

Teste Bartlett:

p-value = 0.2236

Assim não rejeita H0, as regiões apresentam a mesma variância em 2015.

Teste ANOVA:

p-value = 1

Assim não rejeita H0, a média de SVP é igual por região em 2015.

2019

#------------ Residuos sem_vinculos_permanentes 2019 ------------

# Verificando os pressupostos de normalidade (resíduos com 
# distribuição normal) 
modelo9 <- aov(sem_vinculo_permanente2019_por100k~Região,data = UF)
sem_vinculo_permanente2019<-residuals(modelo9)

shapiro.test(sem_vinculo_permanente2019)

    Shapiro-Wilk normality test

data:  sem_vinculo_permanente2019
W = 0.9703, p-value = 0.6096

# H0: os residuos seguem uma distribuição normal
# H1: os residuos NÃO seguem uma distribuição normal
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

#p-value = 0.6096
# Logo Não Rej H0, os resíduos seguem uma distribuição normal

# Verificando o pressuposto de homogeneidade de variâncias (variância  constante)
#H0: Distribuição = para todas as regiões
#H1: Pelo menos 1 distribuição != 

bartlett.test(sem_vinculo_permanente2019~Região,data = UF)

    Bartlett test of homogeneity of variances

data:  sem_vinculo_permanente2019 by Região
Bartlett's K-squared = 4.3188, df = 4, p-value = 0.3646

#p-valor <= 0,05 Rej H0
#p-valor > 0,05 Não Rej H0

# p-value = 0.3646
# Logo Não Rej H0, as regiões apresentam a mesma variância em 2015

modelo9 <- aov(sem_vinculo_permanente2019~Região,data = UF)

#H0: MEDIA DOS FUNCIONARIOS SEM VINCULO PERMANENTE EM 2019 = EM TODAS AS REGIÕES
#H1:  Pelo menos 1 MÉDIA != 
#p-valor <= 0,05 Rej H0
#p-valor > 0,05 NÃO rej H0

options(scipen = 999)
summary(modelo9)

            Df  Sum Sq Mean Sq F value Pr(>F)
Região       4       0       0       0      1
Residuals   22 3574345  162470               

# p-value = 1, a média de FUNCIONARIOS SEM VINCULO PERMANENTE é igual por região em 2019

#---------------------------------

Teste Shapiro-Wilk:

p-value = 0.6096

Assim não rejeita H0, os resíduos seguem uma distribuição normal no ano de 2019.

Teste Bartlett:

p-value = 0.3646

Assim não rejeita H0, as regiões apresentam a mesma variância em 2019.

Teste ANOVA:

p-value = 1

Assim não rejeita H0, a média de SVP é igual por região em 2019.

Mapas

library(geobr)

## Loading required namespace: sf

library(ggplot2)
geobr::list_geobr()

## # A tibble: 27 x 4
##    `function`       geography             years                           source
##    <chr>            <chr>                 <chr>                           <chr> 
##  1 `read_country`   Country               1872, 1900, 1911, 1920, 1933, … IBGE  
##  2 `read_region`    Region                2000, 2001, 2010, 2013, 2014, … IBGE  
##  3 `read_state`     States                1872, 1900, 1911, 1920, 1933, … IBGE  
##  4 `read_meso_regi… Meso region           2000, 2001, 2010, 2013, 2014, … IBGE  
##  5 `read_micro_reg… Micro region          2000, 2001, 2010, 2013, 2014, … IBGE  
##  6 `read_intermedi… Intermediate region   2017, 2019, 2020                IBGE  
##  7 `read_immediate… Immediate region      2017, 2019, 2020                IBGE  
##  8 `read_municipal… Municipality          1872, 1900, 1911, 1920, 1933, … IBGE  
##  9 `read_municipal… Municipality seats (… 1872, 1900, 1911, 1920, 1933, … IBGE  
## 10 `read_weighting… Census weighting are… 2010                            IBGE  
## # … with 17 more rows

# Carregar Mapa do Brasil
Mapa_BR <- read_state(code_state="all", year=2010)

## Using year 2010

## Loading data for the whole country

## 
  |                                                                            
  |                                                                      |   0%
  |                                                                            
  |===                                                                   |   4%
  |                                                                            
  |=====                                                                 |   7%
  |                                                                            
  |========                                                              |  11%
  |                                                                            
  |==========                                                            |  15%
  |                                                                            
  |=============                                                         |  19%
  |                                                                            
  |================                                                      |  22%
  |                                                                            
  |==================                                                    |  26%
  |                                                                            
  |=====================                                                 |  30%
  |                                                                            
  |=======================                                               |  33%
  |                                                                            
  |==========================                                            |  37%
  |                                                                            
  |=============================                                         |  41%
  |                                                                            
  |===============================                                       |  44%
  |                                                                            
  |==================================                                    |  48%
  |                                                                            
  |====================================                                  |  52%
  |                                                                            
  |=======================================                               |  56%
  |                                                                            
  |=========================================                             |  59%
  |                                                                            
  |============================================                          |  63%
  |                                                                            
  |===============================================                       |  67%
  |                                                                            
  |=================================================                     |  70%
  |                                                                            
  |====================================================                  |  74%
  |                                                                            
  |======================================================                |  78%
  |                                                                            
  |=========================================================             |  81%
  |                                                                            
  |============================================================          |  85%
  |                                                                            
  |==============================================================        |  89%
  |                                                                            
  |=================================================================     |  93%
  |                                                                            
  |===================================================================   |  96%
  |                                                                            
  |======================================================================| 100%

names(Mapa_BR)  

## [1] "code_state"   "abbrev_state" "name_state"   "code_region"  "name_region" 
## [6] "geom"

head(Mapa_BR)

## Simple feature collection with 6 features and 5 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.99045 ymin: -13.6937 xmax: -46.06095 ymax: 5.271841
## Geodetic CRS:  SIRGAS 2000
##   code_state abbrev_state name_state code_region name_region
## 1         11           RO   Rondônia           1       Norte
## 2         12           AC       Acre           1       Norte
## 3         13           AM   Amazonas           1       Norte
## 4         14           RR    Roraima           1       Norte
## 5         15           PA       Pará           1       Norte
## 6         16           AP      Amapá           1       Norte
##                             geom
## 1 MULTIPOLYGON (((-63.32721 -...
## 2 MULTIPOLYGON (((-73.18253 -...
## 3 MULTIPOLYGON (((-67.32609 2...
## 4 MULTIPOLYGON (((-60.20051 5...
## 5 MULTIPOLYGON (((-54.95431 2...
## 6 MULTIPOLYGON (((-51.1797 4....

names(UF)

##  [1] "S"                                  "Sigla"                             
##  [3] "Codigo"                             "Estado"                            
##  [5] "Região"                             "CodigoReg"                         
##  [7] "estatutarios_2019"                  "clt_2019"                          
##  [9] "comissionados_2019"                 "estagiarios_2019"                  
## [11] "sem_vinculo_permanente_2019"        "total_2019"                        
## [13] "populacao_2019"                     "estatutarios_2015"                 
## [15] "clt_2015"                           "comissionados_2015"                
## [17] "estagiarios_2015"                   "sem_vinculo_permanente_2015"       
## [19] "total_2015"                         "populacao_2015"                    
## [21] "total2015_por100k"                  "total2019_por100k"                 
## [23] "estatutarios2015_por100k"           "estatutarios2019_por100k"          
## [25] "clt2015_por100k"                    "clt2019_por100k"                   
## [27] "comissionados2015_por100k"          "comissionados2019_por100k"         
## [29] "estagiarios2015_por100k"            "estagiarios2019_por100k"           
## [31] "sem_vinculo_permanente2015_por100k" "sem_vinculo_permanente2019_por100k"

head(UF)

## # A tibble: 6 x 32
##   S     Sigla Codigo Estado   Região   CodigoReg estatutarios_2019 clt_2019
##   <chr> <chr> <chr>  <chr>    <chr>    <chr>                 <dbl>    <dbl>
## 1 AC    AC    12     Acre     Norte    N                     11253     4655
## 2 AL    AL    27     Alagoas  Nordeste NE                    75830     2514
## 3 AM    AM    13     Amazonas Norte    N                     13679      228
## 4 AP    AP    16     Amapa    Norte    N                     43015     3459
## 5 BA    BA    29     Bahia    Nordeste NE                   307188    12074
## 6 CE    CE    23     Ceara    Nordeste NE                   184346    22759
## # … with 24 more variables: comissionados_2019 <dbl>, estagiarios_2019 <dbl>,
## #   sem_vinculo_permanente_2019 <dbl>, total_2019 <dbl>, populacao_2019 <dbl>,
## #   estatutarios_2015 <dbl>, clt_2015 <dbl>, comissionados_2015 <dbl>,
## #   estagiarios_2015 <dbl>, sem_vinculo_permanente_2015 <dbl>,
## #   total_2015 <dbl>, populacao_2015 <dbl>, total2015_por100k <dbl>,
## #   total2019_por100k <dbl>, estatutarios2015_por100k <dbl>,
## #   estatutarios2019_por100k <dbl>, clt2015_por100k <dbl>,
## #   clt2019_por100k <dbl>, comissionados2015_por100k <dbl>,
## #   comissionados2019_por100k <dbl>, estagiarios2015_por100k <dbl>,
## #   estagiarios2019_por100k <dbl>, sem_vinculo_permanente2015_por100k <dbl>,
## #   sem_vinculo_permanente2019_por100k <dbl>

# Modificar nome da 3 coluna 
names(UF)[3] <-"code_state"
names(UF)[3]

## [1] "code_state"

# Trocar caracter
UF$code_state <- as.numeric(UF$code_state)

class(UF$code_state)

## [1] "numeric"

class(Mapa_BR$code_state)

## [1] "numeric"

library(dplyr)
Mapa_com_dados <- Mapa_BR %>% left_join(UF)

## Joining, by = "code_state"

names(Mapa_com_dados)

##  [1] "code_state"                         "abbrev_state"                      
##  [3] "name_state"                         "code_region"                       
##  [5] "name_region"                        "S"                                 
##  [7] "Sigla"                              "Estado"                            
##  [9] "Região"                             "CodigoReg"                         
## [11] "estatutarios_2019"                  "clt_2019"                          
## [13] "comissionados_2019"                 "estagiarios_2019"                  
## [15] "sem_vinculo_permanente_2019"        "total_2019"                        
## [17] "populacao_2019"                     "estatutarios_2015"                 
## [19] "clt_2015"                           "comissionados_2015"                
## [21] "estagiarios_2015"                   "sem_vinculo_permanente_2015"       
## [23] "total_2015"                         "populacao_2015"                    
## [25] "total2015_por100k"                  "total2019_por100k"                 
## [27] "estatutarios2015_por100k"           "estatutarios2019_por100k"          
## [29] "clt2015_por100k"                    "clt2019_por100k"                   
## [31] "comissionados2015_por100k"          "comissionados2019_por100k"         
## [33] "estagiarios2015_por100k"            "estagiarios2019_por100k"           
## [35] "sem_vinculo_permanente2015_por100k" "sem_vinculo_permanente2019_por100k"
## [37] "geom"

# Remove plot axis
no_axis <- theme(axis.title=element_blank(),
                 axis.text=element_blank(),
                 axis.ticks=element_blank())

Total/100k

2015

library(ggplot2)

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=total2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total por 100k em 2015", limits = c(2200,4500))+
  theme_minimal() + no_axis

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

2019

library(ggplot2)

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=total2019_por100k), color= "black") +
  labs(subtitle="Total por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total por 100k em 2019", limits = c(2100,4500))+
  theme_minimal() + no_axis

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

No ano de 2015 os estados com maior quantitativo de agentes públicos foram DF, MA e PB, nessa ordem; já em 2019, foram TO, PB e MA, nessa ordem.
;

Entre os estados com menor quantitativo do ano de 2015, formam SE, RJ e AM, nessa ordem; já em 2019, foram SE, RJ e AP.

Estatuários/100k

2015

library(ggplot2)

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=estatutarios2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total de estatutarios por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total estatutarios por 100k em 2015", limits = c(137,3913))+
  theme_minimal() + no_axis

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

2019

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=estatutarios2019_por100k), color= "black") +
  labs(subtitle="Total de estatutarios por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total estatutarios  por 100k em 2019", limits = c(1037,3400))+
  theme_minimal() + no_axis

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

No ano de 2015 os estados com maior quantitativo de agentes públicos estatutários foram DF, TO e PB, nessa ordem; já em 2019, foram DF, TO e MS.

Entre os estados com menor quantitativo do ano de 2015, formam AC, SE e AP, nessa ordem; já em 2019, foram AP, AC e SE.

Comissionados/100k

2015

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=comissionados2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total de comissionados por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total comissionados por 100k em 2015", limits = c(116,564))+
  theme_minimal() + no_axis

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

2019

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=comissionados2019_por100k), color= "black") +
  labs(subtitle="Total de comissionados por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total comissionados por 100k em 2019", limits = c(90,601))+
  theme_minimal() + no_axis

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

Nos anos de 2015 e 2019 os estados com maior quantitativo de agentes públicos comissionados foram GO, SP e PB, nessa ordem.

Entre os estados com menor quantitativo do ano de 2015, formam SE, PE e MT, nessa ordem; já em 2019, foram SE, PE e DF.

CLT/100k

2015

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=clt2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total de CLT por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total por 100k em 2015", limits = c(0,607))+
  theme_minimal() + no_axis

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

2019

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=clt2019_por100k), color= "black") +
  labs(subtitle="Total de CLT por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total por 100k em 2019", limits = c(3,530))+
  theme_minimal() + no_axis

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

Nos anos de 2015 e 2019 os estados com maior quantitativo de agentes públicos celetistas foram AC, SE e SC, nessa ordem.

Entre os estados com menor quantitativo do ano de 2015, formam DF, GO e MS, nessa ordem; já em 2019, foram DF, TO e GO.

Estagiários/100k

2015

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=estagiarios2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total de estagiários por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total estagiários por 100k em 2015", limits = c(0,196))+
  theme_minimal() + no_axis

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

2019

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=estagiarios2019_por100k), color= "black") +
  labs(subtitle="Total de estagiários por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total estagiários por 100k em 2019", limits = c(0,223))+
  theme_minimal() + no_axis

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

No ano de 2015 os estados com maior quantitativo de estagiários foram RR, PE, SC, nessa ordem; já em 2019, foram PE, SC e RR.

Entre os estados com menor quantitativo do ano de 2015, formam AM, RS, PB, nessa ordem; já em 2019, foram RS, MA e AP.

SVP/100k

2015

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=sem_vinculo_permanente2015_por100k), color= "black", size=.15) +
  labs(subtitle="Total de SVP por 100k em 2015", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Reds",direction = 1, name="Total SVP por 100k em 2015", limits = c(59,1398))+
  theme_minimal() + no_axis

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

2019

ggplot() +
  geom_sf(data=Mapa_com_dados, aes(fill=sem_vinculo_permanente2019_por100k), color= "black", size=.15) +
  labs(subtitle="Total de SVP por 100k em 2019", size=10) +
  geom_sf_text(data=Mapa_com_dados,aes(label = abbrev_state), size=2, color= "black")+
  scale_fill_distiller(palette = "Blues",direction = 1, name="Total SVP por 100k em 2019", limits = c(62,1394))+
  theme_minimal() + no_axis

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

No ano de 2015 os estados com maior quantitativo de trabalhadores SVP foram MA, PA e PB, nessa ordem; já em 2019, foram MA, TO e PB.

Entre os estados com menor quantitativo do ano de 2015, formam RR, SE e PE, nessa ordem; já em 2019, foram PE, SE e RR.

Referências

BRASIL. Constituição (1988). Constituição da República Federativa do Brasil . Brasília, DF: Centro Gráfico, 1988.

DIÁRIO OFICIAL DA UNIÃO, Brasília, DF, 23 dez. 1996. ______. Lei nº 11.788 , de 25 de setembro de 2008.

NETO, Eduardo. Agentes públicos: conceito, função e classificação. Politize! , 2018. Disponível em: https://www.politize.com.br/agentes-publicos-conceito-funcao-e-classificacao/. Acesso em: 05 Ago. 2021.

OLIVEIRA, Adriele. O que significa Administração Direta e Indireta?. Portal Educa Mais Brasil , 2020. Disponível em: https://www.educamaisbrasil.com.br/cursos-e-faculdades/administracao/noticias/o-que-significa-administracao-direta-e-indireta. Acesso em: 28 jul. 2021.

VINCI JÚNIOR, Wilson José. O servidor público estatutário e a nova ordem de competência da Justiça do Trabalho estabelecida pela E.C. n° 45/04. DireitoNet . Disponível em: https://www.direitonet.com.br/artigos/exibir/2334/O-servidor-publico-estatutario-e-a-nova-ordem-de-competencia-da-Justica-do-Trabalho-estabelecida-pela-E-C-n-45-04. Acesso em: 25 jul. 2021.

O IBGE. Instituto Brasileiro de Geografia e Estatística, 2021. Disponível em: https://www.ibge.gov.br/acesso-informacao/institucional/o-ibge.html/. Acesso em: 25 jul. 2021.

Trabalho sem vínculo. Guia Trabalhista. Disponível em: http://www.guiatrabalhista.com.br/tematicas/trabalho_vinculo.htm. Acesso em: 28 jul. 2021.