PAGE 1

Column

Total de Depósito de Patentes vs Total de Concessões de Patentes

CONCLUSÃO

Conclusão

O cálculo de correlação entre as variáveis Total de Depósitos de Patentes e Total de Concessões de Patentes é de 0.028. Portanto, observa-se que não há correlação positiva ou negativa entre as duas variáveis, sendo assim é muito improvável alguma casualidade entre estas variáveis.

Na coluna da direita, apresentam-se os gráficos para cada tipo de Depósito e Concessão, os quais corroboram que não há correlação entre as variáveis de análise.

Column

PI {data-height=333}

MU {data-height=333}

CA {data-height=334}

PAGE 2

Column

Total de Depósito de Patentes e Total de Concessões de Patentes vs PIB per Capita

CONCLUSÃO

Conclusão

Nota-se que visualmente há forte relação entre o aumento do PIB per Capita e o aumento do Total de Depósitos de Patentes, ao passo que não se observa a mesma relação entre Total de Concessões e o PIB per Capita.

Desta forma, para conferir maior credibilidade, calculou-se a correlação entre as variáveis Total de Depósitos de Patentes e PIB per Capita, sendo assim possível estabelecer que há altíssima probabilidade de causalidade entre o aumento do PIB e um consequente aumento na produção tecnológica, uma vez que a correlação é de 0.93.

Cabe ressaltar que o Total de Depósitos é composto por: Patente de Invenção (PI), Modelo de Utilidade (MU) e Certificado de Adição (CA). Cada uma destas variáveis foram pormenorizadas na coluna à direita, o qual se destaca o tipo PI, cuja correlação com o PIB per Capita é de 0.93, ao passo que a correlação com os tipos MU e CA são respectivamente -0.7 e 0.025

Portanto, somente se pode afirmar que os Depósitos de Patente de Invenção possuem uma alta probabilidade de serem impactadas com o aumento do PIB per Capita, isto é, a produção tecnológica está diretamente relacionado ao desempenho da economia.

Referências

Column

PI

MU

CA

PAGE 3

Column

Total de Depósito de Patentes e Total de Concessões de Patentes vs Gastos com Educação[%]

CONCLUSÃO

Conclusão

Com o objetivo de aprofundar o entendimento sobre variáveis explicativas para o aumento da produção tecnológica (Patentes), observou-se a aderência dos Gastos com a educação sobre o PIB sobre as Patentes, conforme já observado na análise do PIB per Capita. Como já era de se esperar, as Concessões de Patentes não possuem nenhuma correlação com Gastos com a educação sobre o PIB.

No entanto, esperava-se uma maior correlação entre os Gastos com a Educação sobre o PIB e o seu efeito nos Depósitos de patentes. Analisando-se somente a Patente de Inovação, houve uma diminuição da correlação denotando que há mais variáveis explicativas além do Gastos com a Educação sobre o PIB.

A Tabela 1 apresenta os valores de correlação para cada tipo de Patente.

r2 - Educação Sobre o PIB r2 - PIB per Capita
PI 0.9126287 0.9263079
CA -0.0281359 0.0248632
MU -0.8484861 -0.6997566
Total 0.9070310 0.9274549

Referências

Column

PI

MU

CA

PAGE 4

Column

Indicadores de Programas de Computador - Depósitos em 2019

CONCLUSÃO 1

Conclusão 1

Nota-se que grande parte dos Depósitos de Programas de Computadores são feitos nas regiões SUDESTE e SUL, pois são os estados mais ricos do Brasil. No entanto, esse gráfico não consegue avaliar a eficência frente ao tamanho da população e seu PIB.

Referências

Column

CA

CONCLUSÃO 2

Conclusão 2

Baseado no gráfico nacional de Depósitos de Programas de Computador, faz-se uma análise detalhada baseado no PIB por Estado, população do estado e na quantidade de depósitos.

Nota-se os estados de Minas Gerais e Paraná são aqueles que presentaram a maior “eficiência” no Depósito de Programa de Computadores, uma vez que eles conseguiram ter alto índices de depósitos mesmo possuindo uma pequena população (menor oferta de recurso humano) e um baixo PIB. 

---
title: "Atividade 2"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    source_code: embed
---

```{r setup, include=FALSE}
# Packages usados para a execução dos Scripts
library(flexdashboard)   # Package para criar o Dashboard
library(tidyverse)       # Data cleaning
library(ggplot2)         # Data Viz
library(plotly)          # Data VizWeb Interativo
library(kableExtra)      # Create Tables
library(leaflet)         # Package de Mapas.
```

PAGE 1
======================================

Column {data-width=650}
-----------------------------------------------------------------------

### Total de Depósito de Patentes vs Total de Concessões de Patentes {data-height=2000/3 .no-title}

```{r}
# Importação das Tabelas da Pasta Indicadores Patentes
tabela_1 <- read_csv(file = "./_Indicadores_Patentes/1.csv")
tabela_13 <- read_csv(file = "./_Indicadores_Patentes/13.csv")

# Criação de uma coluna para diferenciação.
tabela_1['tipo'] <- "deposito"
tabela_13['tipo'] <- "concessao"

# Merging dos dataframes
tabela_x <- rbind(tabela_1, tabela_13)

# Criando o Plotly e Adicionando os dados de Depositos de todos os tipos
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~Total,
               name = "Total de Depósito",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~Total, name="Total de Concessão")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

# Configurando os layout dos eixos X e Y
fig <- fig %>% layout(
    title = "Total de Depósito e Concessão de Patentes",
    xaxis = list(title="Ano"),
    yaxis = list(title="Quantidade de Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           legend = list(orientation = 'h',
                         xanchor = "center",
                         x = 0.5,
                         yanchor = "bottom",
                         y = -0.2))

fig
```

### CONCLUSÃO {data-height=1000/3 .no-title}

```{r}
# Cálculo da Correlação R2
r2_graph_1 <- cor(x = tabela_1$Total, y = tabela_13$Total, method = "pearson")
```


Conclusão



O cálculo de correlação entre as variáveis **Total de Depósitos de Patentes** e **Total de Concessões de Patentes** é de `r format(r2_graph_1, digits = 2)`. Portanto, observa-se que não há correlação positiva ou negativa entre as duas variáveis, sendo assim é muito improvável alguma casualidade entre estas variáveis.



Na coluna da direita, apresentam-se os gráficos para cada tipo de Depósito e Concessão, os quais corroboram que não há correlação entre as variáveis de análise.


Column {data-width=350}
-----------------------------------------------------------------------

### PI {data-height=333} {.no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo PI
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~PI,
               name = "Depósito de PI",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~PI,
                         name="Concessão de PI")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "Patente de Invenção (PI)",
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### MU {data-height=333} {.no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo MU
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~MU,
               name = "Depósito de MU",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~MU,
                         name="Concessão de MU")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "Modelo de Utilidade (MU)",
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### CA {data-height=334} {.no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo CA
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~CA,
               name = "Depósito de CA",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~CA,
                         name="Concessão de CA")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')
# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "Certificado de Adição (CA)",
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

PAGE 2
===============================

Column {data-width=650}
-----------------------------------------------------------------------

### Total de Depósito de Patentes e Total de Concessões de Patentes vs PIB per Capita {data-height=2000/3 .no-title}

```{r}
# Importando dados de PIB
tabela_br <- read_csv(file = "./pib_br.csv")

# Renomeando as colunas do DataFrame de PIB
colnames(tabela_br) <- c("Ano", "gdp")

# Fazendo o Subset dos dados entre 2000 e 2019
filter(.data = tabela_br, Ano >= 2000 & Ano<=2019) -> tabela_br

# Criando o Plotly e Adicionando os dados de Depositos de todos os tipos
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~Total,
               name = "Total de Depósito",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~Total, name="Total de Concessão")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_br,
                         x = ~Ano,
                         y = ~gdp,
                         name = "PIB per Capita",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "Depósito e Concessão de Patentes vs PIB per Capita",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "PIB per capita",
        range = c(0, 30000),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Quantidade de Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           legend = list(orientation = 'h',
                         xanchor = "center",
                         x = 0.5,
                         yanchor = "bottom",
                         y = -0.2))

fig
```

### CONCLUSÃO {data-height=1000/3 .no-title}

```{r}
# Cálculo dos R2 - Total
r2_graph_2 <- cor(x = tabela_1$Total, y = tabela_br %>% arrange(Ano) %>% select(gdp))

# Fracionados
r2_graph_2_pi <- cor(x = tabela_1$PI, y = tabela_br %>% arrange(Ano) %>% select(gdp))
r2_graph_2_mu <- cor(x = tabela_1$MU, y = tabela_br %>% arrange(Ano) %>% select(gdp))
r2_graph_2_ca <- cor(x = tabela_1$CA, y = tabela_br %>% arrange(Ano) %>% select(gdp))
```


Conclusão



Nota-se que visualmente há forte relação entre o aumento do **PIB per Capita** e o aumento do **Total de Depósitos de Patentes**, ao passo que não se observa a mesma relação entre **Total de Concessões** e o **PIB per Capita**.



Desta forma, para conferir maior credibilidade, calculou-se a correlação entre as variáveis **Total de Depósitos de Patentes** e **PIB per Capita**, sendo assim possível estabelecer que há altíssima probabilidade de causalidade entre o aumento do PIB e um consequente aumento na produção tecnológica, uma vez que a correlação é de `r format(r2_graph_2, digits = 2)`.



Cabe ressaltar que o **Total de Depósitos** é composto por: Patente de Invenção (PI), Modelo de Utilidade (MU) e Certificado de Adição (CA). Cada uma destas variáveis foram pormenorizadas na coluna à direita, o qual se destaca o tipo PI, cuja correlação com o PIB per Capita é de `r format(r2_graph_2_pi, digits = 2)`, ao passo que a correlação com os tipos MU e CA são respectivamente `r format(r2_graph_2_mu, digits = 2)` e `r format(r2_graph_2_ca, digits = 2)`



Portanto, somente se pode afirmar que os **Depósitos de Patente de Invenção** possuem uma alta probabilidade de serem impactadas com o aumento do **PIB per Capita**, isto é, a produção tecnológica está diretamente relacionado ao desempenho da economia.



Referências


* PIB per Capita: https://datacommons.org/place/country/BRA

Column {data-width=350}
-----------------------------------------------------------------------

### PI {data-height=333 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo PI
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~PI,
               name = "Depósito de PI",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~PI,
                         name="Concessão de PI")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_br,
                         x = ~Ano,
                         y = ~gdp,
                         name = "PIB per Capita",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "PI vs PIB per Capita",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "PIB per capita",
        range = c(0, 30000),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### MU {data-height=333 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo MU
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~MU,
               name = "Depósito de MU",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~MU,
                         name="Concessão de MU")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_br,
                         x = ~Ano,
                         y = ~gdp,
                         name = "PIB per Capita",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "MU vs PIB per Capita",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "PIB per capita",
        range = c(0, 30000),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### CA {data-height=334 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo CA
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~CA,
               name = "Depósito de CA",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~CA,
                         name="Concessão de CA")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_br,
                         x = ~Ano,
                         y = ~gdp,
                         name = "PIB per Capita",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "CA vs PIB per Capita",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "PIB per capita",
        range = c(0, 30000),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

PAGE 3
===============================

Column {data-width=650}
-----------------------------------------------------------------------

### Total de Depósito de Patentes e Total de Concessões de Patentes vs Gastos com Educação[%] {data-height=2000/3 .no-title}

```{r}
# Importando dados de Gastos com a Educação
tabela_edu <- read_csv(file = "./education_over_gdp.csv")

# Renomeando as colunas do DataFrame de Educação
colnames(tabela_edu) <- c("country", "code", "Ano", "percentage")

# Fazendo o Subset dos dados entre 2000 e 2017
filter(.data = tabela_edu, Ano >= 2000 & Ano<=2017) -> tabela_edu

# Re-scaling para deixar entre 0 e 1.
tabela_edu["percentage"] <- tabela_edu$percentage/100

# Fazendo o Subset dos dados só para dados do Brasil
filter(.data = tabela_edu, code == "BRA") -> tabela_edu

# Criando o Plotly e Adicionando os dados de Depositos de todos os tipos
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano, y = ~Total,
               name = "Total de Depósito",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~Total,
                         name="Total de Concessão")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_edu,
                         x = ~Ano,
                         y = ~percentage,
                         name = "Gastos na Educação sobre PIB",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "Depósito e Concessão de Patentes vs Gastos na Educação sobre PIB",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "Gastos na Educação sobre PIB",
        tickformat = ".1%",
        range = c(0, 0.07),
        automargin = T),
    xaxis = list(title="Ano",
                 automargin = T),
    yaxis = list(title="Quantidade de Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           legend = list(orientation = 'h',
                         xanchor = "center",
                         x = 0.5,
                         yanchor = 'bottom',
                         y = -0.2))

fig
```

### CONCLUSÃO {data-height=1000/3 .no-title}


Conclusão


```{r}
# O Our World in Data não possui o dado de porcentagem da educação sobre o PIB de 2003.

# Cálculo dos R2 - Total
r2_graph_3 <- cor(x = tabela_1 %>% filter(Ano >= 2000 & Ano <= 2017 & Ano != 2003) %>% select(Total),
                  y = tabela_edu %>% filter(Ano >= 2000 & Ano <= 2017) %>% arrange(Ano) %>% select(percentage))

# Fracionados
r2_graph_3_pi <- cor(x = tabela_1 %>% filter(Ano >= 2000 & Ano <= 2017 & Ano != 2003) %>% select(PI),
                  y = tabela_edu %>% filter(Ano >= 2000 & Ano <= 2017) %>% arrange(Ano) %>% select(percentage))
r2_graph_3_mu <- cor(x = tabela_1 %>% filter(Ano >= 2000 & Ano <= 2017 & Ano != 2003) %>% select(MU),
                  y = tabela_edu %>% filter(Ano >= 2000 & Ano <= 2017) %>% arrange(Ano) %>% select(percentage))
r2_graph_3_ca <- cor(x = tabela_1 %>% filter(Ano >= 2000 & Ano <= 2017 & Ano != 2003) %>% select(CA),
                  y = tabela_edu %>% filter(Ano >= 2000 & Ano <= 2017) %>% arrange(Ano) %>% select(percentage))
```


Com o objetivo de aprofundar o entendimento sobre variáveis explicativas para o aumento da produção tecnológica (Patentes), observou-se a aderência dos **Gastos com a educação sobre o PIB** sobre as **Patentes**, conforme já observado na análise do **PIB per Capita**. Como já era de se esperar, as Concessões de Patentes não possuem nenhuma correlação com **Gastos com a educação sobre o PIB**.



No entanto, esperava-se uma maior correlação entre os **Gastos com a Educação sobre o PIB** e o seu efeito nos **Depósitos de patentes**. Analisando-se somente a Patente de Inovação, houve uma diminuição da correlação denotando que há mais variáveis explicativas além do **Gastos com a Educação sobre o PIB**.


A Tabela 1 apresenta os valores de correlação para cada tipo de Patente.

```{r}
# Inicializando uma tabela
table_pg3 <- tibble()

# Populando a tabela de r2
cbind(rbind(r2_graph_3_pi,r2_graph_3_ca, r2_graph_3_mu, r2_graph_3),
      rbind(r2_graph_2_pi,r2_graph_2_ca, r2_graph_2_mu, r2_graph_2)) -> table_pg3

# Renomeando as colunas
colnames(table_pg3) <- c("r2 - Educação Sobre o PIB", "r2 - PIB per Capita")

# Plotando a tabela.
table_pg3 %>%
    kbl() %>%
    kable_styling()
```


Referências


* Educação sobre o PIB: https://ourworldindata.org/grapher/total-government-expenditure-on-education-gdp?country=~BRA

Column {data-width=350}
-----------------------------------------------------------------------

### PI {data-height=333 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo PI
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~PI,
               name = "Depósito de PI",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~PI,
                         name="Concessão de PI")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_edu,
                         x = ~Ano,
                         y = ~percentage,
                         name = "Gastos na Educação sobre PIB",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "PI vs Educação sobre PIB",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "Educação sobre PIB",
        tickformat = ".1%",
        range = c(0, 0.07),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### MU {data-height=333 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo MU
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~MU,
               name = "Depósito de MU",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~MU,
                         name="Concessão de MU")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_edu,
                         x = ~Ano,
                         y = ~percentage,
                         name = "Gastos na Educação sobre PIB",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "MU vs Educação sobre PIB",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "Educação sobre PIB",
        tickformat = ".1%",
        range = c(0, 0.07),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

### CA {data-height=334 .no-title}

```{r}
# Criando o Plotly e Adicionando os dados de Depositos do tipo CA
fig <- plot_ly(data = tabela_x %>% filter(tipo=="deposito"),
               x = ~Ano,
               y = ~CA,
               name = "Depósito de CA",
               type = "bar")

# Add traces - Concessão
fig <- fig %>% add_trace(data = tabela_x %>% filter(tipo=="concessao"),
                         y = ~CA,
                         name="Concessão de CA")

# Criando as barras em grupo
fig <- fig %>% layout(yaxis = list(title = 'Count'),
                      barmode = 'group')

#Adicionando os dados do segundo eixo Y
fig <- fig %>% add_trace(data = tabela_edu,
                         x = ~Ano,
                         y = ~percentage,
                         name = "Gastos na Educação sobre PIB",
                         yaxis = "y2",
                         mode = "lines+markers",
                         type = "scatter")

# Configurando os layout dos eixos Y
fig <- fig %>% layout(
    title = "CA vs Educação sobre PIB",
    yaxis2 = list(
        overlaying = "y",
        side = "right",
        title = "Educação sobre PIB",
        tickformat = ".1%",
        range = c(0, 0.07),
        automargin = T),
    xaxis = list(title="Ano"),
    yaxis = list(title="Depósitos ou Concessão"))%>%
    layout(plot_bgcolor='#e5ecf6',
           xaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           yaxis = list(
               zerolinecolor = '#ffff',
               zerolinewidth = 2,
               gridcolor = 'ffff'),
           showlegend = FALSE)

fig
```

PAGE 4
===============================

Column {data-width=500}
-----------------------------------------------------------------------

### Indicadores de Programas de Computador - Depósitos em 2019 {data-height=2000/3}

```{r}
# Importação das Tabelas da Pasta Indicadores de Programas de Computador
tabela_1_pc <- read_csv(file = "./_Indicadores_Programa_Computador/2.csv")

# Importa dados das UF
uf <- geojsonio::geojson_read(x = "./uf.json", what = "sp")

# Adicionando os dados do Indicador de Programa de Computador
uf@data[['DEPOSITO']] <- tabela_1_pc %>% filter(Ano == 2019) %>% select(-Ano, -NAA, -MUL, -BRA) %>% as_vector()

# Correção dos Nomes dos Estados
uf@data[["NOME_UF"]] <- c("Acre", "Alagoas", "Amazonas", "Amapá", "Bahia", "Ceará", "DF",
                          "Espírito Santo", "Goiás", "Maranhão", "Minas Gerais", "Mato Grosso do Sul",
                          "Mato Grosso", "Pará", "Paraíba", "Pernambuco", "Piauí", "Paraná", "Rio de Janeiro",
                          "Rio Grande do Norte", "Rondônia", "Roraima", "Rio Grande do Sul", "Santa Catarina",
                          "Sergipe", "São Paulo", "Tocantins")

# Criando uma função para colorir o mapa.
bins <- c(0, 10, 20, 50, 100, 200, 500, 1000, Inf)
pal <- colorBin("YlOrRd", domain = uf$DEPOSITO, bins = bins)

# Leaftlet
m <- leaflet(uf) %>% 
    setView(lng = -51.92,    # Centrando o mapa no Brasil
            lat =  -14.23,   #
            zoom =  3.5) %>% 
    addTiles("MapBox",
             options = providerTileOptions(id = "mapbox.light"))

# Gera o Texto ao passar o mouse
labels <- sprintf("%s
%g Depósitos",
                  utf8::utf8_encode(uf@data[["NOME_UF"]]),
                  uf@data[["DEPOSITO"]]) %>%
    lapply(htmltools::HTML)

# Adiciona os polígonos com os Labels
m %>% addPolygons(
    fillColor = ~pal(DEPOSITO),
  weight = 2,
  opacity = 1,
  color = "white",
  dashArray = "3",
  fillOpacity = 0.7,
  highlightOptions = highlightOptions(
    weight = 5,
    color = "#666",
    dashArray = "",
    fillOpacity = 0.7,
    bringToFront = TRUE),
  label = labels,
  labelOptions = labelOptions(
    style = list("font-weight" = "normal", padding = "3px 8px"),
    textsize = "15px",
    direction = "auto")) %>%
    addLegend(pal = pal, values = ~DEPOSITO, opacity = 0.7, title = NULL,
              position = "bottomright")
```

### CONCLUSÃO 1 {data-height=1000/3 .no-title}


Conclusão 1



Nota-se que grande parte dos **Depósitos de Programas de Computadores** são feitos nas regiões SUDESTE e SUL, pois são os estados mais ricos do Brasil. No entanto, esse gráfico não consegue avaliar a eficência frente ao tamanho da população e seu PIB.



Referências


* PIB por Estado: https://www.ibge.gov.br/explica/pib.php
* População por Estado: https://pt.wikipedia.org/wiki/Lista_de_unidades_federativas_do_Brasil_por_população
* Lista de Universidades por Estado: https://pt.wikipedia.org/wiki/Lista_de_universidades_federais_do_Brasil
* Dados Cartográficos das UF: https://github.com/fititnt/gis-dataset-brasil/tree/master/uf/geojson

Column {data-width=500}
-----------------------------------------------------------------------

### CA {data-height=2000/3 .no-title}

```{r}
# Importação dos Dados de PIB e População
tabela_pib_pop <- read_csv(file = "./pib_pop.csv")

# Ordenar corretamente as UF 
tabela_pib_pop <- tabela_pib_pop %>% arrange(uf)

# Correção dos Nomes dos Estados
uf@data[["NOME_UF"]] <- c("Acre", "Alagoas", "Amazonas", "Amapá", "Bahia", "Ceará", "DF",
                          "Espírito Santo", "Goiás", "Maranhão", "Minas Gerais", "Mato Grosso do Sul",
                          "Mato Grosso", "Pará", "Paraíba", "Pernambuco", "Piauí", "Paraná", "Rio de Janeiro",
                          "Rio Grande do Norte", "Rondônia", "Roraima", "Rio Grande do Sul", "Santa Catarina",
                          "Sergipe", "São Paulo", "Tocantins")

#  Adição da Coluna Depósito
tabela_pib_pop["deposito"] <- uf@data %>% arrange(NOME_UF) %>% select(DEPOSITO)

# Adição da Coluna Região
tabela_pib_pop["regiao"] <- as.factor(uf@data %>% arrange(NOME_UF) %>% select(REGIAO) %>% as_vector())

# Atribuição do eixo X Depósito de Programas de Computador
x <- tabela_pib_pop$deposito

# Atribuição do eixo Y para PIB
y <- tabela_pib_pop$pib

# Inicialização do gráfico.
fig <- plot_ly(data = tabela_pib_pop,
               x = ~deposito,
               y = ~pib,
               type = 'scatter',
               mode = 'markers',
               color = ~regiao,
               colors = "Paired",
               size = ~tabela_pib_pop$pop/100000000,
               sizes = c(5, 50),
               marker = list(opacity = 0.5, sizemode = 'diameter'),
               text = paste("Estado: ", tabela_pib_pop$uf,
                 "
PIB: BRL ", format(tabela_pib_pop$pib, big.mark = ".", decimal.mark = "."),
                 "
Depósitos: ",tabela_pib_pop$deposito,
                 "
População: ", format(tabela_pib_pop$pop, big.mark = ".", decimal.mark = ".")),
    hoverinfo = 'text',
    showlegend = T) %>% 
  layout(title = "PIB vs Depósito de Programa de Computador",
         xaxis = list(title = "Depósito de Programa de Computador"), 
         yaxis = list(title = "PIB"),
         legend = list(orientation = 'h',
                         xanchor = "center",
                         x = 0.5,
                         yanchor = "bottom",
                         y = -0.2))

fig
```

### CONCLUSÃO 2 {data-height=1000/3 .no-title}


Conclusão 2



Baseado no gráfico nacional de **Depósitos de Programas de Computador**, faz-se uma análise detalhada baseado no PIB por Estado, população do estado e na quantidade de depósitos.



Nota-se os estados de **Minas Gerais** e **Paraná** são aqueles que presentaram a maior "eficiência" no Depósito de Programa de Computadores, uma vez que eles conseguiram ter alto índices de depósitos mesmo possuindo uma pequena população (menor oferta de recurso humano) e um baixo PIB.