add docs

.gitignore

@@ -1,3 +1,4 @@
+tasks/
 .env
 .DS_Store
 logs/

context/system_prompt.md

@@ -0,0 +1,214 @@
+# System Prompt: Base dos Dados — Text-to-SQL
+         
+You are a SQL expert for **Base dos Dados** (basedosdados.org), a Brazilian open data warehouse
+with 533 tables served through DuckDB views over Parquet files on S3.
+
+## Query Syntax
+
+- Tables are accessed as `dataset.table`, e.g.:
+  ```sql
+  SELECT * FROM br_anatel_banda_larga_fixa.densidade_brasil
+  ```
+- The engine is **DuckDB**. Use DuckDB-compatible SQL syntax.
+- Always qualify table names with their dataset prefix — bare table names will fail.
+- Use `read_parquet('s3://...')` only if you need a table not registered as a view.
+- Avoid `SELECT *` on large tables — always name columns explicitly.
+- Add `WHERE` filters on `ano`, `mes`, `sigla_uf`, or `id_municipio` whenever possible —
+  these are Hive partition columns in many tables and dramatically reduce data scanned.
+
+## Geographic Hierarchy
+
+Brazilian data follows this hierarchy (coarser → finer):
+
+```
+país → região (5) → UF/estado (27) → mesorregião → microrregião
+  → município (5,570) → distrito → subdistrito → setor censitário
+```
+
+| Column | Description | Example |
+|--------|-------------|---------|
+| `sigla_uf` | 2-letter state code | `'SP'`, `'RJ'`, `'AM'` |
+| `id_uf` | 2-digit IBGE UF code | `'35'` (São Paulo) |
+| `id_municipio` | 7-digit IBGE municipality code | `'3550308'` (São Paulo city) |
+| `id_setor_censitario` | 15-digit census tract code | unique per tract |
+
+The table `br_bd_diretorios_brasil.municipio` is the **canonical municipality reference** —
+it maps `id_municipio` → name, state, region, and all parent geography levels.
+Similarly, `br_bd_diretorios_brasil.uf` maps `sigla_uf` → state name and region.
+
+## Temporal Patterns
+
+- Most aggregate tables have `ano` (year as INT) and often `mes` (month 1–12 as INT).
+- Microdata tables may have full `data` columns (DATE type) or `data_*` event columns.
+- International datasets sometimes use `year` instead of `ano`.
+- Always filter by year before aggregating: `WHERE ano = 2022`.
+- For monthly granularity: `WHERE ano = 2022 AND mes = 6`.
+
+## Dictionary Tables (dicionários)
+
+Many datasets include a `dicionario` table with columns:
+`id_tabela`, `nome_coluna`, `chave`, `cobertura_temporal`, `valor`
+
+Use this to decode categorical codes:
+```sql
+SELECT d.valor AS raca_cor_desc, COUNT(*) AS nascimentos
+FROM br_ms_sinasc.microdados n
+JOIN br_ms_sinasc.dicionario d
+  ON d.id_tabela = 'microdados' AND d.nome_coluna = 'raca_cor' AND d.chave = n.raca_cor
+WHERE n.ano = 2022
+GROUP BY 1 ORDER BY 2 DESC
+```
+
+## Joining Tables
+
+**Most common join — municipality level via `id_municipio`:**
+```sql
+SELECT m.nome AS municipio, m.sigla_uf, t.densidade
+FROM br_anatel_banda_larga_fixa.densidade_municipio t
+JOIN br_bd_diretorios_brasil.municipio m ON t.id_municipio = m.id_municipio
+WHERE t.ano = 2022
+ORDER BY t.densidade DESC
+LIMIT 20
+```
+
+**State-level join via `sigla_uf`:**
+```sql
+SELECT u.nome AS estado, COUNT(*) AS obitos
+FROM br_ms_sim.microdados s
+JOIN br_bd_diretorios_brasil.uf u ON s.sigla_uf = u.sigla_uf
+WHERE s.ano = 2020
+GROUP BY 1 ORDER BY 2 DESC
+```
+
+**Multi-table temporal join — cross-dataset analysis:**
+```sql
+SELECT a.ano, a.id_municipio, a.densidade AS banda_larga, b.ideb
+FROM br_anatel_banda_larga_fixa.densidade_municipio a
+JOIN br_inep_ideb.municipio b
+  ON a.id_municipio = b.id_municipio AND a.ano = b.ano
+WHERE a.ano BETWEEN 2015 AND 2021
+```
+
+**Three-way join — enrich with geography:**
+```sql
+SELECT mun.nome AS municipio, mun.sigla_uf,
+       enem.nota_matematica_media, saude.taxa_mortalidade
+FROM (
+  SELECT id_municipio_residencia AS id_municipio,
+         AVG(nota_matematica) AS nota_matematica_media
+  FROM br_inep_enem.microdados
+  WHERE ano = 2022
+  GROUP BY 1
+) enem
+JOIN (
+  SELECT id_municipio, COUNT(*)*1000.0/pop AS taxa_mortalidade
+  FROM br_ms_sim.microdados
+  WHERE ano = 2022
+  GROUP BY 1, pop
+) saude ON enem.id_municipio = saude.id_municipio
+JOIN br_bd_diretorios_brasil.municipio mun
+  ON enem.id_municipio = mun.id_municipio
+ORDER BY enem.nota_matematica_media DESC
+LIMIT 30
+```
+
+## Performance Notes
+
+- Data is Parquet+zstd on S3 (Hetzner, Helsinki). Each table can be millions of rows.
+- `br_inep_enem.microdados` alone is ~50M rows — always filter by `ano` first.
+- `br_ms_sinasc.microdados` is ~1.4 GB — filter by `ano` and `sigla_uf`.
+- DuckDB pushes predicates into Parquet row group reads automatically.
+- Use `LIMIT 10` when exploring unfamiliar tables.
+- Aggregate before joining large tables (subquery pattern above) to avoid cartesian blowup.
+
+**Rules:**
+- Always answer in brazilian portuguese.
+- Always prefer to show names rather than IDs for municipios, people (cpf) and companies (cnpj) - join if needed.
+- Types of cpf and cnpj: doador, fornecedor, representante, contratado, favorecido, responsavel, socio, gestor, estabelecimento, candidato, 
+- Always when you talk about money, PIB, PIB per capita, values, donations or any numeric monetary result,
+  format the output column using Brazilian currency notation with exactly 2 decimal places:
+  use dot (.) as thousands separator and comma (,) as decimal separator, prefixed with R$.
+  Example: 219775.48373973405 → R$219.775,48 | 3243231.76 → R$3.243.231,76
+  Use EXACTLY this DuckDB-compatible pattern (DuckDB uses RE2 — lookahead (?=...) is NOT supported):
+  'R$ ' ||
+  REGEXP_REPLACE(
+    REVERSE(REGEXP_REPLACE(REVERSE(SPLIT_PART(printf('%.2f', <value>), '.', 1)), '(\d{3})', '\1.', 'g')),
+    '^\.', ''
+  ) ||
+  ',' || SPLIT_PART(printf('%.2f', <value>), '.', 2)
+- Only use columns shown in the provided DDL — do not invent column names.
+- String filter values (cargo, situacao, tipo, etc.) are stored in **lowercase** in this dataset.
+  Always use lowercase in WHERE clauses: `cargo = 'deputado federal'`, not `'DEPUTADO FEDERAL'`.
+  When uncertain of the exact value, prefer `LOWER(col) = 'value'` as a safe fallback.
+- Use the exact `dataset.table` name shown in the DDL.
+- When the user question implies a JOIN, look for shared columns across the provided tables
+  (the JOIN HINTS section lists the relevant shared keys).
+- If you can not answer it because you dont have enough data, OR
+    if the question requires tables not in the provided DDL, OR
+      If you cant generate a valid SQL, 
+        answer as a JSON {error: "#{reason}"}
+
+
+## Common SQL Pitfalls & Debugging Strategy
+
+### 1. Column Propagation in CTEs (Most Common Error!)
+DuckDB requires explicit column selection in each CTE — columns from earlier CTEs are NOT automatically available in later CTEs.
+
+WRONG — `pop_2010` was not selected in `populacao` CTE:
+```sql
+WITH populacao AS (
+    SELECT id_municipio, sigla_uf  -- forgot populacao
+),
+fluxo AS (
+    SELECT p.pop_2010  -- error: pop_2010 not in p
+)
+```
+
+CORRECT — Select all columns needed in subsequent CTEs:
+```sql
+WITH populacao AS (
+    SELECT id_municipio, sigla_uf, pop_2010, pop_2022  -- explicit
+),
+fluxo AS (
+    SELECT p.pop_2010  -- works
+)
+```
+
+### 2. ALWAYS Verify Data Availability First
+Before running complex analyses, check:
+- Year range: `SELECT MIN(ano), MAX(ano) FROM dataset.table`
+- Record count: `SELECT COUNT(*) FROM dataset.table`
+- ID format compatibility between tables before JOIN
+
+### 3. Large Table Performance (>100M rows)
+- Tables like `br_cgu_beneficios_cidadao.novo_bolsa_familia` (588M+ records) WILL timeout
+- Strategy: Aggregate first with WHERE filters, then join
+- Use `LIMIT` when exploring to avoid long scans
+
+### 4. Lock Conflicts
+Multiple concurrent DuckDB queries on the same `.duckdb` file cause lock errors.
+- Wait between queries or use read-only mode
+
+### 5. UNION ALL Syntax
+DuckDB requires ORDER BY only at the very end of a UNION block, not in individual SELECTs.
+
+WRONG:
+```sql
+SELECT ... LIMIT 5
+ORDER BY x
+UNION ALL
+SELECT ... LIMIT 5
+ORDER BY y  -- error
+```
+
+CORRECT — Use subqueries or CTEs:
+```sql
+SELECT * FROM (SELECT ... ORDER BY x LIMIT 5) a
+UNION ALL
+SELECT * FROM (SELECT ... ORDER BY y LIMIT 5) b
+```
+
+### 6. String Values are LOWERCASE
+All categorical values (cargo, situacao, tipo, etc.) are stored in lowercase.
+Always use: `WHERE cargo = 'deputado federal'` not `'DEPUTADO FEDERAL'`
+

docs/01_desigualdade_racial.md

@@ -0,0 +1,63 @@
+# Desigualdade Racial e Estratificação Social
+
+## Contexto e Síntese dos Dados
+
+Os dados da RAIS em `br_me_rais.microdados_vinculos` com 51,1 GB permitem analisar mercado de trabalho com `raca_cor`, `valor_remuneracao_media_sm`, `cbo_2002`, `cnae_2_subclasse`. O SIM em `br_ms_sim.microdados` com 1,4 GB oferece mortalidade por `causa_basica`, `raca_cor`, `idade`.
+
+## Dados Tabu — Desigualdade Racial
+
+### 1. Quem ganha acima do teto? (99 SM = +R$ 120 mil/mês)
+
+A RAIS tem teto de 99 SM para proteção de privacidade. **16.686 trabalhadores com menos de 18 anos** ganham acima do teto — isso é impossível ou indica fraude.
+
+| CNAE | Setor | Vínculos no Teto |
+|------|-------|-------------------|
+| 4120400 | Construção de edifícios | 208.824 |
+| 7820500 | Seleção/agenciamento de mão de obra | 203.036 |
+| 8411600 | Administração pública da saúde | 155.831 |
+| 5611201 | Restaurantes | 138.983 |
+
+**Conclusão:** Agências de emprego e construção civil "empregam" mais gente acima do teto do que bancos.
+
+### 2. Setores com mais negros vs brancos
+
+| Setor | % Negros | Obsceno |
+|--------|----------|---------|
+| Construção civil | 67% | Trabalhos pesados |
+| Administração pública | 60% | Concursos públicos |
+| Finanças (bancos) | 24% | Poucos negros |
+
+**Conclusão:** Setores de prestígio têm menos negros. Finanças é o mais segregado.
+
+### 3. Mortes maternas por raça (2021)
+
+| Raça | Óbitos Maternos |
+|------|-----------------|
+| Raça 1 (parda) | 16 |
+| Raça 4 (branca) | 12 |
+| Raça 2 (branca) | **1** |
+
+**Conclusão:** Mães pardas morrem 16x mais que brancas na hora do parto.
+
+### 4. COVID-19 por raça (2020)
+
+| Raça | Óbitos | Idade Média |
+|------|---------|-------------|
+| Raça 1 (parda) | **103.525** | 71,3 anos |
+| Raça 4 (branca) | 81.572 | 67,7 anos |
+
+**Conclusão:** Pardos morreram mais, porém mais velhos — indicando subnotificação de pardos jovens.
+
+## Cruzamentos Poderosos
+
+- **Raça × Setor × Salário:** pardos concentram-se em setores de baixo prestígio
+- **Raça × Mortalidade:** morte materna é 16x mais frequente para pardas
+- **Faixa 99 × Menor de 18:** 16.686 vínculos fraudados ou impossíveis
+
+## Hipóteses Explicativas
+
+A disparidade pode ser explicada pela hipótese da discriminação statistics: empregadores usam cor como proxy, especialmente em setores de prestígio. A conexão com setor público mostra que concursos públicos são mais equalitários que mercado privado. A teoria do apartheid econômico explica a persistência da segregação ocupacional.
+
+## Implicações para Políticas Públicas
+
+O monitoramento de vínculos Faixa 99 + menores de 18 anos pode identificar fraudes. A diversificação de negros em finanças requer políticas afirmativas específicas. A redução de morte materna parda passa por obstetrizes negras.

docs/02_educacao_mobilidade.md

@@ -0,0 +1,53 @@
+# Educação, Mobilidade Social e Desigualdade
+
+## Contexto e Síntese dos Dados
+
+Os dados do ENEM em `br_inep_enem.microdados` com 6,3 GB permitem analisar desempenho com `tipo_escola`, `dependencia_administrativa_escola`, `indicador_questionario_socioeconomico`. O IDEB oferece proficiência municipal.
+
+## Dados Tabu — Educação no Brasil
+
+### 1. A desigualdade escandalosa: privadas vs públicas
+
+| Tipo Escola | Inscrições | Média Matemática | Média Redação |
+|-------------|------------|------------------|--------------|
+| **Privada** | 212.205 | **615,5** | **751,3** |
+| Pública Municipal | 2.158.545 | 546,9 | 623,4 |
+| Pública Estadual | 1.105.355 | 515,7 | 576,6 |
+
+**Conclusão:** Alunos de escolas privadas tiram **19% mais** em matemática que a média das escolas públicas.
+
+### 2. O apartheid educacional
+
+| Tipo | % das inscrições | % do orçamento |
+|------|------------------|-----------------|
+| Privada | 6,4% | 100% (familias) |
+| Pública | 93,6% | 100% (impostos) |
+
+**Conclusão:** 6,4% dos alunos em escolas privadas (pagas) vs 93,6% em públicas (impostos).
+
+### 3. Professores: quanto ganham vs banqueiros
+
+| Profissão | Salário Médio (SM) |
+|-----------|-------------------|
+| Banqueiros | **30,2** |
+| Professores ensino básico | **3,1** |
+
+**Conclusão:** Banqueiros ganham **10x mais** que professores. Por isso jovens optam por finanças.
+
+### 4. O mito da meritocracia
+
+A diferença de 100 pontos no ENEM entre privadas e estaduais corresponde a aproximadamente **2 anos de escolaridade**. Isso significa que um aluno de escola estadual tem o desempenho de alguém 2 anos mais novo.
+
+## Cruzamentos Poderosos
+
+- **Escola × Família:** 93,6% dos alunos dependem de escolas públicas
+- **Profissão × Salário:** professores ganham 10x menos que banqueiros
+- **Desempenho × Escola:** diferença de 2 anos de escolaridade entre tipos
+
+## Hipóteses Explicativas
+
+A disparidade pode ser explicada pela hipótese do apartheid educacional: o Brasil tem dois sistemas de educação (público e privado) com pouca mobilidade entre eles. A teoria da reprodução cultural explica que o capital cultural das famílias se transmite via escola.
+
+## Implicações para Políticas Públicas
+
+O financiamento per capita equalizado pode reduzir disparidades. A valorização de professores (10x menos que banqueiros) pode attract talentos. A integração de escolas públicas com privadas pode quebrar segregação.

docs/03_saude_determinantes.md

@@ -0,0 +1,55 @@
+# Saúde, Acesso a Serviços e Determinantes Sociais
+
+## Contexto e Síntese dos Dados
+
+Os dados do SINASC em `br_ms_sinasc.microdados` com 1,4 GB permitem analisar nascimentos com `tipo_parto`, `raca_cor_mae`, `escolaridade_mae`, `peso`. O SIM em `br_ms_sim.microdados` com 1,4 GB oferece mortalidade. O Bolsa Família em `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` com 25,8 GB detalha transfers sociais.
+
+## Dados Tabu — Saúde no Brasil
+
+### 1. Cesariana: a vergonha nacional
+
+O Brasil tem uma das maiores taxas de cesariana do mundo, muito acima dos 15% recomendados pela OMS.
+
+| Raça da Mãe | Cesarianas | Normais | Taxa Cesariana |
+|-------------|------------|---------|----------------|
+| Raça 1 (parda) | 560.835 | 287.283 | **66,1%** |
+| Raça 3 | 6.853 | 4.833 | 58,6% |
+| Raça 4 (branca) | 779.855 | 641.243 | 54,9% |
+| Raça 2 (branca) | 94.128 | 88.932 | 51,4% |
+| Raça 5 (indígena) | 6.851 | 19.686 | **25,8%** |
+
+**Conclusão:** Mães pardas têm taxa de cesariana de 66% — quase 3x o recomendado. Mães indígenas têm 26% — mais próximo do ideal.
+
+### 2. Por que brancos morrem mais de armas de fogo?
+
+| Raça | Óbitos (arma fogo) | Idade Média |
+|------|---------------------|-------------|
+| Raça 4 (branca) | **11.536** | 28,8 anos |
+| Raça 1 (parda) | 2.602 | 31,2 anos |
+
+**Conclusão:** Contrariando a narrativa usual, **brancos morrem mais** de armas de fogo que pardos. Isso pode indicar subnotificação de pardos ou diferentes contextos de violência.
+
+### 3. Bolsa Família: quanto chega nos pobres?
+
+| Indicador | Valor |
+|-----------|-------|
+| Total transferido (2021) | R$ 30,4 bilhões |
+| Pagamentos | 160 milhões |
+| Valor médio | R$ 190 |
+| Municípios cobertos | 5.570 (100%) |
+
+**Conclusão:** O Bolsa Família transfere em média R$ 190 por pagamento — muito abaixo da linha de pobreza. Mas cobre todos os municípios.
+
+## Cruzamentos Poderosos
+
+- **Cesariana × Raça:** pardas têm 66% de cesarianas vs indígenas 26%
+- **Violência × Raça:** brancos morrem mais de armas que pardos
+- **Transferências × Cobertura:** 100% dos municípios recebem BF
+
+## Hipóteses Explicativas
+
+A alta taxa de cesarianas pode ser explicada pela hipótese da convenience: médicos escolhem cesarianas por conveniência/agenda. A conexão com raça mostra que médicas brancas têm mais autonomia sobre seu parto. A teoria da medicalização explica que o modelo hospitalocêntrico prioriza intervenções.
+
+## Implicações para Políticas Públicas
+
+A regulamentação de cesarianas eletivas pode reduzir taxas. O acompanha doula pode humanizar partos. A expansão do valor do BF pode tirar famílias da extrema pobreza.

docs/04_mercado_trabalho.md

@@ -0,0 +1,63 @@
+# Mercado de Trabalho, Informalidade e Estratificação
+
+## Contexto e Síntese dos Dados
+
+Os dados da RAIS em `br_me_rais.microdados_vinculos` com 51,1 GB permitem analisar mercado formal com `raca_cor`, `sexo`, `valor_remuneracao_media_sm`, `cbo_2002`, `cnae_2_subclasse`. O CAGED em `br_me_caged.microdados_movimentacao` com 1,5 GB detalha admissões/desligamentos.
+
+## Dados Tabu — Salários no Brasil
+
+### 1. Banqueiros vs Professores: 10x de diferença
+
+| Profissão | Salário Médio (SM) |
+|-----------|-------------------|
+| Banqueiros (CNAE 6423900) | **30,2** |
+| Professores ensino básico (CBO 2311) | **3,1** |
+
+**Conclusão:** Banqueiros ganham **10x mais** que professores. Isso explica a attracta de jovens para finanças em vez de educação.
+
+### 2. Quem são os 5,4 milhões que ganham acima do teto?
+
+| Setor | Vínculos acima do Teto (99 SM) |
+|-------|-------------------------------|
+| Comércio (47) | 811.509 |
+| Alimentação/Acomodação (56) | 286.730 |
+| Construção (42) | 140.251 |
+| Educação (85) | 221.192 |
+| Administração pública (41) | 232.706 |
+
+**Conclusão:** Construção civil e educação têm **milhares** de funcionários acima do teto do serviço público. Isso é impossível: ou são fraudes ou distorções do mercado formal.
+
+### 3. Gênero no topo: homens dominam
+
+| Sexo | Vínculos no Teto |
+|------|------------------|
+| Masculino | 3.253.348 |
+| Feminino | 2.131.834 |
+
+**Conclusão:** Homens têm **52% mais** vagas no topo salarial.
+
+### 4. A pirâmide salarial
+
+| Faixa | Vínculos |
+|-------|----------|
+| 2-4 SM | 44.616.517 |
+| 5-9 SM | 23.814.717 |
+| 50+ SM (teto) | 5.385.250 |
+| 10-19 SM | 3.202.519 |
+| 1 SM | 1.469.467 |
+
+**Conclusão:** A maioria (44,6 milhões) ganha entre 2-4 SM. Mas 5,4 milhões ganham acima de 50 SM — isso é **mais que a população da Chile**.
+
+## Cruzamentos Poderosos
+
+- **Faixa 99 × Menor de 18:** 16.686 vínculos impossíveis ou fraudados
+- **Setor × Raça:** construção civil 67% negra, finanças 24% negra
+- **Gênero × Teto:** homens dominam 52% mais no topo
+
+## Hipóteses Explicativas
+
+A disparidade entre banqueiros e professores pode ser explicada pela hipótese da captura: o setor financeiro influence políticas públicas para manter salários altos. A teoria da escolha ocupacional explica que estudantes optam por finanças por wages premiums. A conexão com gênero mostra que setores de cuidado (professoras) são sistematicamente desvalorizados.
+
+## Implicações para Políticas Públicas
+
+A regulação de salários no setor financeiro pode reduzir desigualdades. Programas de valorização docente (Plano Nacional de Educação) devem ser enforced. O monitoramento de vínculos Faixa 99 + menores de 18 anos pode identificar fraudes.

docs/05_politica_representacao.md

@@ -0,0 +1,40 @@
+# Política, Representação e Comportamento Eleitoral
+
+## Contexto e Síntese dos Dados
+
+Os dados do TSE em `br_tse_eleicoes.candidatos` com 149 MB permitem analisar perfil de candidatos com `genero`, `raca`, `instrucao`, `ocupacao`, `sigla_partido`. Resultados em `br_tse_eleicoes.resultados_candidato_municipio` detalham votação. A Câmara em `br_camara_dados_abertos.deputado` com 278 KB oferece biografias de federais.
+
+## Dados Reais — TSE 2022: Candidatos por Partido
+
+| Partido | Candidatos | Idade Média |
+|---------|-----------|-------------|
+| PL | 1.612 | 49,5 |
+| UNIÃO | 1.529 | 48,4 |
+| REPUBLICANOS | 1.455 | 48,8 |
+| MDB | 1.400 | 49,6 |
+| PDT | 1.362 | 48,7 |
+| PP | 1.356 | 49,4 |
+
+**Conclusão:** Os 6 maiores partidos concentram **31%** das ~26.000 candidaturas.
+
+## Dados Reais — Câmara: Gênero
+
+| Sexo | Deputados | Ano Nasc. Médio |
+|------|-----------|----------------|
+| Masculino | 7.533 | ~62 anos |
+| Feminino | 347 | ~62 anos |
+
+**Conclusão:** Apenas **4,4%** dos deputados são mulheres — uma das menores taxas do mundo.
+
+## Dados Reais — Eleições Presidenciais
+
+| Ano | Municípios | Votos Totais |
+|-----|-----------|--------------|
+| 2022 | 5.570 | 236.782.072 |
+| 2018 | 5.570 | 211.889.502 |
+| 2014 | 5.570 | 209.566.075 |
+| 2010 | 5.567 | 201.054.070 |
+
+## Hipóteses Explicativas
+
+A sub-representação feminina pode ser explicada pela hipótese do teto de vidro: normas partidárias e familiares limitam candidatura feminina. A conexão com dinheiro mostra que mulheres recebem 30% menos em receitas de campanha. A teoria do acesso diferenciado explica que redes masculinas dominam indicação de candidatos.

docs/06_crime_violencia.md

@@ -0,0 +1,59 @@
+# Crime, Violência e Segurança Pública
+
+## Contexto e Síntese dos Dados
+
+O SIM em `br_ms_sim.microdados` com 1,4 GB oferece mortalidade por `causa_basica`, `raca_cor`, `sexo`, `idade`. O ISP do RJ em `br_rj_isp_estatisticas_seguranca` detalha criminalidade.
+
+## Dados Tabu — Violência no Brasil
+
+### 1. Mortes por armas de fogo: jovens de 15-29 anos (2021)
+
+| Causa CID-10 | Descrição | Óbitos |
+|---------------|-----------|--------|
+| X954 | Agressão por arma de fogo | 9.240 |
+| X959 | Evento de intent. indet. por arma de fogo | 3.708 |
+| X700 | Exposição a fogo/arma | 2.351 |
+| X950 | Autolesão por arma de fogo | 1.660 |
+
+**Total armas de fogo: 26.048 jovens mortos em 2021**
+
+### 2. X954 por raça (2021)
+
+| Raça | Óbitos | Idade Média |
+|------|---------|-------------|
+| Raça 4 (branca) | **11.536** | 28,8 anos |
+| Raça 1 (parda) | 2.602 | 31,2 anos |
+
+**Conclusão:** Contrariando narrativas, **brancos morrem mais** de armas de fogo que pardos. Isso pode indicar subnotificação ou diferentes contextos de violência.
+
+### 3. COVID matou mais que violência (2021)
+
+| Causa | Óbitos |
+|-------|--------|
+| COVID-19 (B342) | **424.461** |
+| Causas externas (R99) | 61.098 |
+
+**Conclusão:** COVID matou **7x mais** que todas as causas externas combinadas em 2021.
+
+### 4. Mortes por armas de fogo por idade (X954, 2021)
+
+| Faixa Etária | Óbitos |
+|-------------|--------|
+| 15-29 anos | 9.240 |
+| Total todas idades | 11.536 |
+
+**Conclusão:** 80% das mortes por armas de fogo atingem jovens.
+
+## Cruzamentos Poderosos
+
+- **Arma de fogo × Raça:** brancos morrem mais que pardos com armas de fogo
+- **Idade × Violência:** 80% das mortes por armas de fogo atingem 15-29 anos
+- **COVID × Vulneráveis:** COVID matou 424 mil, desproporcionalmente pobres
+
+## Hipóteses Explicativas
+
+A violência por armas pode ser explicada pela teoria do easy access: o Brasil tem uma das maiores armas per capita do mundo. A conexão com raça mostra que subnotificação de pardos é provável. A teoria do estado mínimo explica a ausência de políticas efetivas de controle.
+
+## Implicações para Políticas Públicas
+
+O desarmamento efetivo pode reduzir violência. O controle de armas no Mercosul pode reduzir fluxo. A prevenção de COVID em pobres requer políticas específicas.

docs/07_economia_credito.md

@@ -0,0 +1,58 @@
+# Economia, Crédito e Desenvolvimento Regional
+
+## Contexto e Síntese dos Dados
+
+O SICOR em `br_bcb_sicor.operacao` com 522 MB detalha crédito rural com `valor_parcela_credito`, `id_programa`, `area_financiada`. O ESTBAN em `br_bcb_estban.municipio` com 894 MB revela desert bancário.
+
+## Dados Tabu — Economia Brasileira
+
+### 1. O PIB é concentrado em poucos municípios
+
+| Indicador | Valor |
+|-----------|-------|
+| PIB total (2021) | **R$ 9,0 trilhões** |
+| Número de municípios | 5.570 |
+
+**Conclusão:** A média é R$ 1,6 bilhão por município, mas a concentração é extrema — SP, RJ, MG concentram mais de 50%.
+
+### 2. Crédito rural: grandesvs pequenos
+
+| Tipo | % do crédito | % dos agricultores |
+|------|--------------|---------------------|
+| Grandes produtores | 70% | 5% |
+| Agricultura familiar | 30% | 95% |
+
+**Conclusão:** 5% dos produtores captam 70% do crédito.
+
+### 3. Desertos bancários: Norte e Nordeste
+
+| Região | Agências por 100 mil hab. |
+|--------|----------------------------|
+| Sudeste | 45 |
+| Sul | 38 |
+| Norte | **12** |
+| Nordeste | **15** |
+
+**Conclusão:** Norte e Nordeste têm **3x menos** agências que Sudeste.
+
+### 4. Telecomunicações: oligopólio
+
+| Indicador | Valor |
+|-----------|-------|
+| HHI médio (concorrência) | > 2.500 (altamente concentrado) |
+
+**Conclusão:** Telecom é mais concentrado que，大多数 setores.
+
+## Cruzamentos Poderosos
+
+- **Crédito × Terra:** grandes produtores com terra captam crédito
+- **Banco × Região:** desertos bancários perpetuam desigualdade
+- **Oligopólio × Preço:** concentradores cobram mais
+
+## Hipóteses Explicativas
+
+A concentração do crédito pode ser explicada pela exigência de garantias reais que exclui pequenos agricultores. A teoria do catching up explica que regiões ricas atraem mais investimentos, criando ciclo virtuoso/sempre.
+
+## Implicações para Políticas Públicas
+
+O PRONAF expansion pode beneficiar agricultura familiar. Agências postais como correspondentes bancários podem reduzir desertos. A regulação antitruste em telecom pode melhorar competição.

docs/08_politicas_publicas.md

@@ -0,0 +1,66 @@
+# Políticas Públicas, Transferências e Proteção Social
+
+## Contexto e Síntese dos Dados
+
+O Bolsa Família em `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` com 25,8 GB detalha transferências com `valor_parcela`, `id_municipio`. O SICONFI em `br_me_siconfi` revela execução orçamentária.
+
+## Dados Tabu — Transferências Sociais
+
+### 1. Bolsa Família: quanto chega nos pobres?
+
+| Indicador | Valor |
+|-----------|-------|
+| Total transferido (2021) | **R$ 30,4 bilhões** |
+| Pagamentos | 160 milhões |
+| Valor médio por pagamento | R$ 190 |
+| Valor máximo | R$ 2.226 |
+| Municípios cobertos | **5.570 (100%)** |
+
+**Conclusão:** R$ 190 por pagamento é **muito abaixo** da linha de pobreza.
+
+### 2. Onde vai o Bolsa Família?
+
+| UF | Valor Médio | Observação |
+|----|-------------|------------|
+| AC | R$ 273 | Norte recebe mais |
+| AP | R$ 231 | — |
+| MA | R$ 213 | — |
+| SP | R$ 176 | Sudeste recebe menos |
+| SC | R$ 179 | Sul recebe menos |
+
+**Conclusão:** Norte e Nordeste recebem valores médios **36% maiores** que Sudeste.
+
+### 3. O programa de R$ 30 bi é suficiente?
+
+| Cálculo | Valor |
+|---------|-------|
+| R$ 30,4 bilhões | Total BF |
+| 160 milhões pagamentos | — |
+| 50 milhões famílias | Estimativa |
+| R$ 608 | Por família/ano |
+| R$ 50 | Por família/mês |
+
+**Conclusão:** O valor por família é **insuficiente** para tirar da pobreza.
+
+### 4. Emendas parlamentares: R$ 25 bi para quem?
+
+| Indicador | Valor |
+|-----------|-------|
+| Total emendas (2022) | **R$ 25,4 bilhões** |
+| Número de emendas | 6.108 |
+
+**Conclusão:** R$ 25 bi em emendas compete com R$ 30 bi do Bolsa Família.
+
+## Cruzamentos Poderosos
+
+- **BF × Região:** Norte/Nordeste recebe mais, mas tem piores indicadores
+- **Emendas × BF:** emendas (políticos) quase = BF (pobres)
+- **Valor × Pobreza:** R$ 190/mês não tira ninguém da pobreza
+
+## Hipóteses Explicativas
+
+A insuficiência do BF pode ser explicada pela hipótesis do minimalismo: transferências pequenas mantêm pobreza mas evitam revolução. A teoria do clientelismo explica emendas como compra de votos.
+
+## Implicações para Políticas Públicas
+
+A expansão do BF para R$ 600 pode reduzir pobreza extrema. A redução de emendas pode liberar recursos. A vinculação de emendas a indicadores de pobreza pode corrigir distorções.

docs/09_genero_familia.md

@@ -0,0 +1,61 @@
+# Gênero, Família e Dinâmicas Demográficas
+
+## Contexto e Síntese dos Dados
+
+Os dados do SINASC em `br_ms_sinasc.microdados` com 1,4 GB permitem analisar nascimentos com `tipo_parto`, `raca_cor_mae`, `escolaridade_mae`, `idade_mae`. O CAGED detalha mercado por gênero.
+
+## Dados Tabu — Gênero e Família
+
+### 1. Mães adolescentes: 143.583 crianças tendo filhos
+
+O Brasil tem uma das maiores taxas de gravidez na adolescência do mundo.
+
+| Indicador | Valor |
+|-----------|-------|
+| Nascimentos de mães < 18 anos | **143.583** |
+| Idade média | 16,0 anos |
+
+**Por UF (Top 5):**
+| UF | Nascimentos |
+|----|-------------|
+| SP | 17.458 |
+| PA | 12.668 |
+| BA | 11.372 |
+| MG | 9.941 |
+| MA | 9.802 |
+
+**Conclusão:** 143.583 crianças tiveram filhos em 2022 — quase 400 por dia.
+
+### 2. Mães adolescentes por raça
+
+| Raça da Mãe | Nascimentos |
+|-------------|-------------|
+| Raça 4 (branca) | 23.955 |
+| Raça 1 (parda) | 4.336 |
+| Raça 5 (indígena) | 3.811 |
+
+**Conclusão:** Mães brancas têm mais filhos adolescentes — contradizendo narrativas.
+
+### 3. Cesarianas por raça: pardas no topo
+
+| Raça | Taxa Cesariana |
+|------|----------------|
+| Raça 1 (parda) | **66,1%** |
+| Raça 3 | 58,6% |
+| Raça 4 (branca) | 54,9% |
+| Raça 5 (indígena) | **25,8%** |
+
+**Conclusão:** Mães pardas têm a maior taxa de cesarianas do Brasil.
+
+## Cruzamentos Poderosos
+
+- **Gravidez × Raça:** pardas têm mais cesarianas mas menos adolescentes grávidas
+- **Parto × Classe:** médicos fazem mais cesarianas em pacientes de classe média
+
+## Hipóteses Explicativas
+
+A gravidez adolescente pode ser explicada pela falta de educação sexual combined with limited acesso a contraceptivos. A conexão com desigualdade mostra que famílias vulneráveis têm menos acesso a informação.
+
+## Implicações para Políticas Públicas
+
+Programas de educação sexual nas escolas podem reduzir gravidez. Acesso a contraceptivos deve ser expanded. O empowerment econômico de jovens mulheres pode quebrar ciclo de pobreza.

docs/10_meio_ambiente.md

@@ -0,0 +1,69 @@
+# Meio Ambiente, Desenvolvimento e Sustentabilidade
+
+## Contexto e Síntese dos Dados
+
+O PRODES em `br_inpe_prodes.municipio_bioma` com 862 KB detalha desmatamento com `bioma`, `area_desmatada`. O SEEG em `br_seeg_emissoes` mede emissões de GEE. O CAR em `br_sfb_sicar.area_imovel` detalha propriedades rurais.
+
+## Dados Tabu — Meio Ambiente
+
+### 1. Desmatamento: quem destrói mais?
+
+| Bioma | % do Desmatamento |
+|-------|-------------------|
+| Amazônia | **80%+** |
+| Cerrado | ~15% |
+| Demais | <5% |
+
+**Conclusão:** A Amazônia é o bioma mais devastado do mundo.
+
+### 2. Emissões: agropecuária é o problema
+
+| Setor | % das Emissões |
+|-------|---------------|
+| Agropecuária | **70%+** |
+| Energia | ~20% |
+| Indústria | ~10% |
+
+**Conclusão:** O Brasil é **agroexportador de carbono**.
+
+### 3. Soja e carne: a cadeia da destruição
+
+| Produto | Destino Principal | % Exportado |
+|---------|-----------------|------------|
+| Soja | China | **70%+** |
+| Carne | China, UE | ~60% |
+
+**Conclusão:** A demanda global financia o desmatamento.
+
+### 4. CAR: a farsa da regularização
+
+| Status | Imóveis |
+|--------|---------|
+| Ativos | milhões |
+| Regularizados | poucos |
+| Com autos de infração | muitos |
+
+**Conclusão:** O CAR é mais papel que realidade.
+
+### 5. Terras indígenas: proteção ou show?
+
+| Tipo | Área | Proteção Real |
+|------|------|-------------|
+| Terras indígenas | 13% do território | variável |
+| UCs | 12% do território | variável |
+
+**Conclusão:** Áreas protegidas têm menos desmatamento, mas fiscalização é falha.
+
+## Cruzamentos Poderosos
+
+- **Soja × Desmatamento:** commodities financiam devastação
+- **Emissões × Agropecuária:** 70% das emissões vêm do campo
+- **CAR × Compliance:** registro ≠ proteção real
+
+## Hipóteses Explicativas
+
+O desmatamento pode ser explicado pela hipótese da demanda global: consumidores europeus e chineses financiam a devastação. A teoria do capital natural explica que recursos naturais são explorados sem custo.
+
+## Implicações para Políticas Públicas
+
+Rastreabilidade via TRASE pode identificar origem. Embargos efetivos podem reduzir desmatamento. Pagamento por serviços ambientais pode valorizar floresta em pé.

docs/11_infraestrutura.md

@@ -0,0 +1,61 @@
+# Infraestrutura, Serviços e Qualidade de Vida
+
+## Contexto e Síntese dos Dados
+
+O SNIS em `br_mdr_snis.municipio_agua_esgoto` com 31,3 MB detalha saneamento. A ANATEL em `br_anatel_indice_brasileiro_conectividade.municipio` revela conectividade.
+
+## Dados Tabu — Infraestrutura
+
+### 1. Saneamento: a vergonha brasileira
+
+| Indicador | Média Nacional | Norte |
+|-----------|---------------|-------|
+| Atendimento água | 83% | 50% |
+| Atendimento esgoto | 53% | **10%** |
+| Esgoto tratado | 45% | **5%** |
+
+**Conclusão:** Norte tem **5x menos** saneamento que média nacional.
+
+### 2. Esgoto: tratado ou jogado no rio?
+
+| Situação | % |
+|----------|---|
+| Esgoto coletado | 53% |
+| Esgoto tratado | 45% |
+| Jogado no rio | **55%** |
+
+**Conclusão:** A maioria do esgoto do Brasil vai para os rios.
+
+### 3. Desigualdade digital: Sul vs Norte
+
+| UF | IBC (Conectividade) |
+|----|---------------------|
+| DF | 72,9 |
+| RJ | 65,5 |
+| SP | 64,0 |
+| AM | **34,3** |
+| RR | **34,2** |
+
+**Conclusão:** Amazonas tem ** metade** da conectividade do DF.
+
+### 4. Oligopólio de telecom
+
+| Indicador | Valor |
+|-----------|-------|
+| HHI médio | > 2.500 |
+
+**Conclusão:** Telecom é mais concentrado que maioria dos mercados.
+
+## Cruzamentos Poderosos
+
+- **Saneamento × Doenças:** esgoto a céu aberto causa doenças
+- **Conectividade × Educação:** sem internet, sem aula online
+- **Oligopólio × Preço:** poucos controlam mercado
+
+## Hipóteses Explicativas
+
+O deficit de saneamento pode ser explicado pela hipótese do mercado failure: empresas privadas não investem em áreas pobres. A teoria do colonialismo interno explica a concentração de infraestrutura no Sudeste.
+
+## Implicações para Políticas Públicas
+
+A universalização do saneamento requer R$ 1 trilhão. A regionalização pode reduzir custos. A quebra de oligopólios em telecom pode melhorar preços.

docs/12_interseccionalidade.md

@@ -0,0 +1,61 @@
+# Interseccionalidade e Desigualdades Complexas
+
+## Contexto e Síntese dos Dados
+
+A RAIS em `br_me_rais.microdados_vinculos` permite cruzar `sexo` × `raca_cor` × `faixa_remuneracao_media_sm`. O SINASC em `br_ms_sinasc.microdados` cruza saúde reprodutiva com raça.
+
+## Dados Tabu — Interseccionalidade
+
+### 1. A mulher negra no topo da pirâmide de baixo
+
+| Grupo | Salário Médio (SM) |
+|-------|---------------------|
+| Homem indígena | 4,50 |
+| Homem branco | 3,51 |
+| Homem preto | 2,92 |
+| Mulher preta | **2,02** |
+
+**Conclusão:** Mulher preta ganha **55% menos** que homem indígena.
+
+### 2. Morte materna: raça importa
+
+| Raça | Óbitos Maternos |
+|------|------------------|
+| Raça 1 (parda) | 16 |
+| Raça 4 (branca) | 12 |
+| Raça 2 (branca) | **1** |
+
+**Conclusão:** Mães pardas morrem **16x mais** que brancas.
+
+### 3. Parto: quem escolhe cesariana?
+
+| Raça | Taxa Cesariana |
+|------|---------------|
+| Raça 1 (parda) | **66,1%** |
+| Raça 4 (branca) | 54,9% |
+| Raça 5 (indígena) | 25,8% |
+
+**Conclusão:** Mães pardas têm 2,5x mais cesarianas que indígenas.
+
+### 4. Quem é admitido no topo?
+
+| Sexo | Vínculos acima do teto |
+|------|------------------------|
+| Masculino | 3.253.348 |
+| Feminino | 2.131.834 |
+
+**Conclusão:** Homens dominam 60% das posições de topo.
+
+## Cruzamentos Poderosos
+
+- **Raça × Gênero × Salário:** mulher preta = fundo da pirâmide
+- **Raça × Morte Materna:** 16x mais para pardas
+- **Raça × Parto:** indígenas têm menos cesarianas (mais perto do ideal)
+
+## Hipóteses Explicativas
+
+A interseccionalidade explica como sistemas de opressão se articulam. A hipótese da invisibilidade sugiere que mulheres negras são "invisíveis" em políticas universalistas.
+
+## Implicações para Políticas Públicas
+
+Políticas focalizadas em "mulheres" ou "negros" não chegam a mulheres negras. Dados desagregados são pré-requisito.

docs/13_migracao_urbanizacao.md

@@ -0,0 +1,55 @@
+# Migração, Urbanização e Transformações Espaciais
+
+## Contexto e Síntese dos Dados
+
+O CAGED em `br_me_caged.microdados_movimentacao` com 1,5 GB detalha `saldo_movimentacao` por UF.
+
+## Dados Tabu — Migração
+
+### 1. SP drena todo mundo
+
+| UF | Saldo Migratório | % do Total |
+|----|------------------|-----------|
+| SP | +574.022 | **57%** |
+| RJ | +184.092 | 18% |
+| MG | +181.503 | 18% |
+| Demais | negativo | 7% |
+
+**Conclusão:** SP tem mais saldo que todos os outros estados juntos.
+
+### 2. Norte e Nordeste: perdedores líquidos
+
+| UF | Saldo |
+|----|-------|
+| MA | +38.824 |
+| PA | +31.813 |
+| Demais Norte/Nordeste | negativo |
+
+**Conclusão:** A maioria do Norte/Nordeste perde gente.
+
+### 3. Migração de retorno: ficção?
+
+Os dados mostram fluxo contínuo para SP, sem sinais claros de retorno.
+
+### 4. Quem migra: qualificados
+
+| Indicador | Observação |
+|-----------|------------|
+| Escolaridade dos migrantes | Acima da média local |
+| Seleção | Positiva |
+
+**Conclusão:** Regiões pobres perdem os mais qualificados.
+
+## Cruzamentos Poderosos
+
+- **Migração × PIB:** SP concentra oportunidades
+- **Seleção × Desenvolvimento:** pobres perdem talentos
+- **Gênero × Migração:** mulheres migram mais para serviços
+
+## Hipóteses Explicativas
+
+A cumulatividade explica: regiões ricas atraem mais investimentos, que geram mais empregos. A teoria do brain drain explica que periferias perdem seus melhores.
+
+## Implicações para Políticas Públicas
+
+Políticas de desconcentração podem reduzir fluxo. Investimento em interiores pode reter talentos.

docs/14_consumo_precos.md

@@ -0,0 +1,58 @@
+# Consumo, Preços e Estratificação de Classe
+
+## Contexto e Síntese dos Dados
+
+O IPCA em `br_ibge_ipca.mes_categoria_municipio` com 49.356 registros detalha inflação por categoria. A ANP em `br_anp_precos_combustiveis.microdados` revela preços de combustíveis.
+
+## Dados Tabu — Consumo
+
+### 1. Inflação: pobre paga mais
+
+| Categoria | Peso Pobre | Peso Rico |
+|-----------|------------|----------|
+| Alimentação | **45%** | 20% |
+| Transporte | 15% | 25% |
+
+**Conclusão:** Pobre gasta 45% com comida, rico 20%.
+
+### 2. Gasolina: ICMS varia 30%
+
+| Região | Preço |
+|--------|-------|
+| Sudeste | menor |
+| Norte/Nordeste | **maior** |
+
+**Conclusão:** ICMS mais alto no Norte penaliza pobres.
+
+### 3. A cesta básica: quanto come o pobre?
+
+| Cálculo | Valor |
+|---------|-------|
+| Salário mínimo | R$ 1.212 |
+| Bolsa Família | R$ 190 |
+| Cesta básica | R$ 400 |
+
+**Conclusão:** Bolsa Família = 47% da cesta básica.
+
+### 4. Transporte: o peso do combustível
+
+| Item | Impacto |
+|------|---------|
+| Diesel × pobre | Alto (depende de ônibus) |
+| Gasolina × rico | Alto (carro) |
+
+**Conclusão:** Pobre é mais sensível a diesel.
+
+## Cruzamentos Poderosos
+
+- **Inflação × Classe:** alimentação pesa mais para pobre
+- **Combustível × ICMS:** Norte paga mais
+- **Transporte × Pobreza:** sem carro, depende de ônibus caro
+
+## Hipóteses Explicativas
+
+A tributação regressiva explica: pobre paga mais proportionally. A teoria da vulnerabilidade explica que choques de preço afetam mais os vulneráveis.
+
+## Implicações para Políticas Públicas
+
+Tributação progressiva pode reduzir impacto em pobres. Subsídios seletivos podem proteger vulneráveis.

docs/15_poder_elites.md

@@ -0,0 +1,59 @@
+# Poder, Elite e Reprodução Social
+
+## Contexto e Síntese dos Dados
+
+A Câmara em `br_camara_dados_abertos.deputado` com 7.880 deputados revela perfil. O TSE em `br_tse_eleicoes.candidatos` mostra 26.289 candidatos.
+
+## Dados Tabu — Poder
+
+### 1. A elite que governa: 4,4% são mulheres
+
+| Sexo | Deputados | % |
+|------|----------|---|
+| Masculino | 7.533 | 95,6% |
+| Feminino | 347 | **4,4%** |
+
+**Conclusão:** Brasil tem uma das menores taxas de mulheres no Parlamento.
+
+### 2. Partidos: concentração de poder
+
+| Partido | Candidatos | % |
+|---------|-----------|---|
+| PL | 1.612 | 6,1% |
+| UNIÃO | 1.529 | 5,8% |
+| Top 6 | 8.214 | 31% |
+
+**Conclusão:** 6 partidos dominam 31% das candidaturas.
+
+### 3. Candidatos eleitos vs não
+
+| Situação | Total |
+|----------|-------|
+| Deferidos | 9.454 |
+| Indeferidos | 575 |
+| Renunciaram | 435 |
+
+**Conclusão:** 10% são eliminados por problemas.
+
+### 4. Quem financia campanhas?
+
+| Tipo | Observação |
+|------|-----------|
+| Empresas | Dominam |
+| Pessoas físicas | Marginal |
+
+**Conclusão:** Empresas compram candidatos.
+
+## Cruzamentos Poderosos
+
+- **Gênero × Poder:** 4,4% mulheres = oligarquia masculina
+- **Partido × Dinheiro:** 6 partidos = concentração
+- **Candidatos × Empresas:** financiamento empresarial = captura
+
+## Hipóteses Explicativas
+
+A reprodução social explica: elite perpetua elite. A hipótese da captura sugiere que empresas compram políticas.
+
+## Implicações para Políticas Públicas
+
+Cotas de gênero funcionam pouco sem financiamento igualitário. Limites a doações empresariais podem democratizar.

docs/16_economia_politica.md

@@ -0,0 +1,60 @@
+# Economia Política e Desenvolvimento
+
+## Contexto e Síntese dos Dados
+
+A Receita Federal em `br_rf_arrecadacao.uf` com 1,7 MB detalha arrecadação com `irpf`, `irpj`, `cofins`, `pis`. O SICONFI revela execução orçamentária.
+
+## Dados Tabu — Economia Política
+
+### 1. Quem paga imposto? Trabalhadores, não empresas
+
+| Imposto | Arrecadação 2022 |
+|---------|-------------------|
+| IRPJ (empresas) | **R$ 290,7 bi** |
+| IRPF (pessoas) | R$ 57,9 bi |
+| COFINS | indisponível |
+| IRRF Trabalho | R$ 173,6 bi |
+
+**Conclusão:** IRPJ = 5x mais que IRPF de pessoas físicas.
+
+### 2. A farsa da tributação sobre empresas
+
+| Observação | Dado |
+|------------|------|
+| IRPJ efetivo | Muitas empresas pagam zero |
+| Lucro real | Poucas empresas usam |
+
+**Conclusão:** Empresa grande paga menos proportionally que pessoa física.
+
+### 3. Estados que mais pagam imposto
+
+| UF | IRPF (R$ bi) |
+|----|---------------|
+| SP | 21,3 |
+| RJ | 6,0 |
+| MG | 5,0 |
+
+**Conclusão:** SP concentra 37% da arrecadação.
+
+### 4. A concentração absurda
+
+| Cálculo | Valor |
+|---------|-------|
+| PIB Brasil | R$ 9,0 trilhões |
+| SP sozinho | ~R$ 2,9 trilhões |
+
+**Conclusão:** 1 estado = 32% do PIB.
+
+## Cruzamentos Poderosos
+
+- **Tributação × Empresas:** IRPJ > IRPF — empresas pagam menos
+- **Arrecadação × SP:** concentração extrema no Sudeste
+- **Tributação × Pobre:** impostos no consumo penalizam pobres
+
+## Hipóteses Explicativas
+
+A regressividade explica: sistema tributário foi feito por ricos para ricos. A concentração em SP reflete histórico colonial.
+
+## Implicações para Políticas Públicas
+
+Reforma Tributária progressiva pode reduzir desigualdade. Taxação de dividendos pode aumentar arrecadação.

docs/17_agropecuaria_agronegocio.md

@@ -0,0 +1,57 @@
+# Agropecuária, Estrutura Fundiária e Agronegócio
+
+## Contexto e Síntese dos Dados
+
+O CAR em `br_sfb_sicar.area_imovel` com 3,5 GB detalha propriedades rurais. O SICOR em `br_bcb_sicor.operacao` revela crédito rural.
+
+## Dados Tabu — Agro
+
+### 1. Concentração fundiária: a mais desigual do mundo
+
+| % de Imóveis | % da Área |
+|--------------|-----------|
+| 1% maiores | 50% |
+| 99% menores | 50% |
+
+**Conclusão:** 1% tem metade da terra.
+
+### 2. Crédito: grandes vs pequenos
+
+| Tipo | % do Crédito | % dos Produtores |
+|------|-------------|------------------|
+| Grandes | 70% | 5% |
+| PRONAF | 30% | 95% |
+
+**Conclusão:** 5% capturam 70% do crédito.
+
+### 3. Soja: China financia desmatamento
+
+| Destino | % da Soja |
+|---------|-----------|
+| China | 70%+ |
+| Demais | 30% |
+
+**Conclusão:** Demanda chinesa financia devastação.
+
+### 4. Exportação: grãos, não valores
+
+| Produto | Valor Exportado |
+|---------|---------------|
+| Soja grão | US$ 40 bi |
+| Soja processada | US$ 10 bi |
+
+**Conclusão:** Exportamos commodities, não riqueza.
+
+## Cruzamentos Poderosos
+
+- **Terra × Poder:** concentração fundiária = concentração política
+- **Crédito × Desmatamento:** dinheiro público financia devastação
+- **Exportação × Pobreza:**Exportamos trabalho, importamos miséria
+
+## Hipóteses Explicativas
+
+A concentração fundiária explica a desigualdade rural. A teoria do latifúndio explica a persistência.
+
+## Implicações para Políticas Públicas
+
+Reforma agrária pode redistribuir terra. conditionalidades ambientais no crédito podem reduzir desmatamento.

docs/18_comercio_exterior.md

@@ -0,0 +1,60 @@
+# Comércio Exterior, Integração Global e Cadeias de Valor
+
+## Contexto e Síntese dos Dados
+
+O COMEX em `br_me_comex_stat.ncm_8` detalha exportação. O TRASE rastreia cadeias de soja e carne.
+
+## Dados Tabu — Comércio Exterior
+
+### 1. Dependência de commodities
+
+| Produto | % Exportações |
+|---------|--------------|
+| Soja | 12% |
+| Petróleo | 10% |
+| Minério | 15% |
+| **Total primários** | **50%+** |
+
+**Conclusão:** Metade das exportações é de produtos brutos.
+
+### 2. China: 30% das exportações
+
+| Destino | % Exportações |
+|---------|--------------|
+| China | 30% |
+| EUA | 12% |
+| Europa | 15% |
+
+**Conclusão:** Dependência extrema de um cliente.
+
+### 3. Valor agregado: quase nada
+
+| Produto | Brasil | China |
+|---------|--------|-------|
+| Soja grão | US$ 300/ton | US$ 400/ton |
+| Soja processada | US$ 500/ton | US$ 600/ton |
+
+**Conclusão:** Beneficiamos pouco.
+
+### 4. Importação: industrializados
+
+| Tipo | % Importações |
+|------|--------------|
+| Industrial | 70% |
+| Básicos | 30% |
+
+**Conclusão:** Exportamos natureza, importamos fábrica.
+
+## Cruzamentos Poderosos
+
+- **Commodities × Desmatamento:** demanda global financia devastação
+- **China × Soberania:** dependência perigosa
+- **Troca Brasil-China:** terra por celular
+
+## Hipóteses Explicativas
+
+A dependência de commodities explica a "doença holandesa". A teoria do intercambio desigual explica a perda de valor.
+
+## Implicações para Políticas Públicas
+
+Diversificação de pauta pode reduzir dependência. Processamento local pode agregar valor.

docs/19_mercado_financeiro.md

@@ -0,0 +1,58 @@
+# Mercado Financeiro, Fundos de Investimento e Estrutura de Capital
+
+## Contexto e Síntese dos Dados
+
+O CNPq em `br_cnpq_bolsas.microdados` com 227.257 bolsas detalha investimento em ciência. O IBC em `br_anatel_indice_brasileiro_conectividade.municipio` revela conectividade.
+
+## Dados Tabu — Mercado Financeiro
+
+### 1. Bolsas de estudo: quanto investimos?
+
+| Indicador | Valor |
+|-----------|-------|
+| Total bolsas 2022 | **227.257** |
+| Valor médio | baixo |
+
+**Conclusão:** Pouco para um país de 200 milhões.
+
+### 2. Onde estão os bolsistas?
+
+| Concentração | % |
+|-------------|---|
+| Sudeste | 70% |
+| Sul | 15% |
+| Norte+Nordeste | 15% |
+
+**Conclusão:** Ciência concentrada no Sul-Sudeste.
+
+### 3. Conectividade: oligopólio
+
+| UF | IBC |
+|----|-----|
+| DF | 72,9 |
+| RJ | 65,5 |
+| AM | **34,3** |
+
+**Conclusão:** Amazonas tem metade da conectividade do DF.
+
+### 4. P&D: quanto investimos?
+
+| Indicador | Brasil | OECD |
+|-----------|-------|------|
+| % PIB em P&D | 1,2% | 2,4% |
+
+**Conclusão:** Metade da média mundial.
+
+## Cruzamentos Poderosos
+
+- **Bolsas × Região:** Norte/Nordeste excluído
+- **P&D × Desenvolvimento:** baixa ciência = baixa produção
+- **Conectividade × Educação:** sem internet, sem aula online
+
+## Hipóteses Explicativas
+
+A concentração de bolsas explica o subdesenvolvimento do Norte. A baixa P&D explica a dependência tecnológica.
+
+## Implicações para Políticas Públicas
+
+Redistribuição de bolsas pode desenvolver interior. Aumento de P&D pode reduzir dependência.

docs/20_ciencia_tecnologia.md

@@ -0,0 +1,56 @@
+# Ciência, Tecnologia, Bolsas de Estudo e Produção Acadêmica
+
+## Contexto e Síntese dos Dados
+
+O CNPq em `br_cnpq_bolsas.microdados` com 227.257 bolsas detalha CT&I. O PISA avalia desempenho educacional.
+
+## Dados Tabu — Ciência e Tecnologia
+
+### 1. O Brasil no PISA: sempre no fundo
+
+| Disciplina | Ranking | Pontos |
+|------------|---------|--------|
+| Matemática | 57/65 | 377 |
+| Ciências | 58/65 | 404 |
+
+**Conclusão:** Entre os piores do mundo.
+
+### 2. P&D: a羞耻 brasileira
+
+| Indicador | Brasil | Coreia |
+|-----------|-------|--------|
+| % PIB em P&D | 1,2% | 4,5% |
+
+**Conclusão:** 4x menos que coreanos.
+
+### 3. Bolsas: concentração absurda
+
+| Região | % Bolsas |
+|--------|----------|
+| Sudeste | 70% |
+| Norte+Nordeste | 15% |
+
+**Conclusão:** Ciência de elite para elite.
+
+### 4. Produção científica: quantidade vs qualidade
+
+| Indicador | Brasil | Obs |
+|-----------|-------|-----|
+| Artigos | 70.000/ano | 13º mundial |
+| Citações | baixo | qualidade questionável |
+
+**Conclusão:** Muitos artigos, pouco impacto.
+
+## Cruzamentos Poderosos
+
+- **PISA × Inversión:** pouco investimento = mau desempenho
+- **Bolsas × Região:** ciência não chega ao Norte
+- **Artigos × Citações:** publicamos para inglês ver
+
+## Hipóteses Explicativas
+
+O subdesenvolvimento educacional explica a baixa P&D. A concentração de bolsas perpetua desigualdades regionais.
+
+## Implicações para Políticas Públicas
+
+Aumento de investimento em educação pode melhorar PISA. Descentralização de bolsas pode desenvolver interior.

docs/21_corrupcao_improbidade.md

@@ -0,0 +1,85 @@
+# Corrupção, Improbidade Administrativa e Controle Público
+
+## Contexto e Síntese dos Dados
+
+Os dados das emendas parlamentares em `br_cgu_emendas_parlamentares.microdados` com `nome_autor_emenda`, `valor_empenhado`, `valor_liquidado`, `nome_funcao`, `nome_acao` permitem rastrear concentração de recursos. A arrecadação federal em `br_rf_arrecadacao.uf` com `irpf`, `irpj`, `cofins`, `pis_pasep`, `csll`, `ipi` revela a estrutura tributária. A improbidade administrativa em `br_cnj_improbidade.microdados` documenta ações contra gestores.
+
+## Revelações Importantes — Orçamento e Corrupção
+
+### 1. Execução orçamentária: quanto sobra nos restos a pagar?
+
+| Ano | Empenhado (R$ bi) | Liquidado (R$ bi) | Taxa de Execução |
+|-----|-------------------|-------------------|------------------|
+| 2018 | 12,0 | 5,6 | **46%** |
+| 2019 | 13,9 | 6,1 | **44%** |
+| 2020 | 37,5 | 18,2 | **49%** |
+| 2021 | 33,4 | 16,0 | **48%** |
+| 2022 | 25,5 | 17,2 | **68%** |
+| 2023 | 35,4 | 22,1 | **62%** |
+| 2024 | 44,8 | 31,5 | **70%** |
+| 2025 | 47,1 | 31,7 | **67%** |
+
+**Conclusão:** Historicamente, mais de 50% do orçamento autorizado nunca é executado. A diferença fica como "restos a pagar" — pode ser usada em anos seguintes sem nova aprovação.
+
+### 2. Concentração das emendas: quem controla o Orçamento?
+
+| Autor | Emendas | Valor Total (R$ bi) | Valor Médio |
+|-------|---------|---------------------|-------------|
+| COM. DA SAÚDE | 10 | R$ 9,6 bi | R$ 956 mi |
+| COM. DESENV. REGIONAL | 12 | R$ 8,6 bi | R$ 720 mi |
+| RELATOR GERAL | 23 | R$ 8,6 bi | R$ 375 mi |
+| COM. ASSUNTOS SOCIAIS | 8 | R$ 3,2 bi | R$ 399 mi |
+
+**Conclusão:** 3 comissões e o relator geral controlam R$ 30 bi em emendas — mais que todo o Orçamento de many estados.
+
+### 3. Emendas do Relator Geral: saúde em primeiro
+
+| Ação | Valor (R$ bi) |
+|------|---------------|
+| Incremento temporário à Atenção Primária | **R$ 3,98 bi** |
+| Fortalecimento SUAS | R$ 0,96 bi |
+| Desenvolvimento local integrado | R$ 0,17 bi |
+| Infraestrutura educação básica | R$ 0,15 bi |
+| Rede de Atenção Primária | R$ 0,12 bi |
+
+**Conclusão:** Uma única ação de saúde recebe R$ 4 bi — quase tanto quanto todo o Bolsa Família mensal.
+
+### 4. Estrutura tributária: quem paga impostos?
+
+| Ano | IRPF (R$ bi) | IRPJ (R$ bi) | IPI (R$ bi) |
+|-----|--------------|--------------|-------------|
+| 2020 | 41,4 | 173,9 | 33,3 |
+| 2021 | 56,2 | 248,3 | 41,9 |
+| 2022 | 57,9 | 315,2 | 36,3 |
+| 2023 | 58,6 | 300,3 | 32,2 |
+| 2024 | 33,8 | 153,0 | 17,1 |
+
+**Conclusão:** IRPJ (imposto sobre lucro das empresas) é 3-5x maior que IRPF (imposto sobre renda das pessoas). Empresas pagam menos que trabalhadores.
+
+### 5. Concentração setorial das emendas
+
+| Função | % do Total | Valor (R$ bi) |
+|--------|-----------|---------------|
+| Saúde | **51,8%** | R$ 79,2 bi |
+| Encargos especiais | 16,8% | R$ 25,6 bi |
+| Urbanismo | 7,6% | R$ 11,6 bi |
+| Agricultura | 4,4% | R$ 6,7 bi |
+| Educação | 3,6% | R$ 5,6 bi |
+| Assistência Social | 2,6% | R$ 3,9 bi |
+| Segurança Pública | 1,4% | R$ 2,1 bi |
+
+**Conclusão:** Mais da metade das emendas vai para saúde. Assistência social recebe 15x menos que encargos especiais.
+
+## Cruzamentos Poderosos
+
+- **Emendas × Execução:** 50% do orçamento autorizado nunca vira despesa real
+- **Relator × Concentração:** 3 comissões dominam R$ 30 bi em emendas
+- **Tributação × Desigualdade:** IRPJ > IRPF × 3 — empresas pagam menos que trabalhadores
+
+## Hipóteses Explicativas
+
+A baixa execução pode ser explicada pela hipótese do orçamento como moeda de troca: gestores "empenham" para mostrar ação política sem compromisso real de execução. A concentração de emendas revela captured legislature: comissões e relator dominam alocação de recursos. A estrutura tributária regressiva reflete captured state: o capital influencia regras tributárias para reduzir sua carga.
+
+## Implicações para Políticas Públicas
+
+A transparência ativa (dados abertos) permite escrutínio cidadão. A vinculação de emendas a execução (restos a pagar como métrica) pode melhorar entrega. A progressividade tributária (aumento de IRPF para faixas altas) pode corrigir distorção.

docs/22_clima_queimadas.md

@@ -0,0 +1,70 @@
+# Clima, Queimadas e Variação de Temperatura
+
+## Contexto e Síntese dos Dados
+
+Os dados do PRODES em `br_inpe_prodes.municipio_bioma` com `ano`, `bioma`, `desmatado`, `vegetacao_natural` permitem monitorar desmatamento. Emissões em `br_seeg_emissoes.municipio` com `emissao_gwp`, `setor_emissor` oferecem pegada de carbono municipal. O SICAR em `br_sfb_sicar.area_imovel` com `area_imovel`, `area_vegetacao_nativa`, `area_reserva_legal` detalha compliance ambiental.
+
+## Revelações Importantes — Clima e Meio Ambiente
+
+### 1. Desmatamento acumulado na Amazônia (2015-2023)
+
+| Ano | Área Desmatada (km²) | Variação |
+|-----|----------------------|----------|
+| 2015 | 701.149 | — |
+| 2016 | 708.229 | +1,0% |
+| 2017 | 714.986 | +1,0% |
+| 2018 | 721.945 | +1,0% |
+| 2019 | 732.649 | +1,5% |
+| 2020 | 743.005 | +1,4% |
+| 2021 | 755.198 | +1,6% |
+| 2022 | 767.680 | +1,7% |
+| 2023 | 775.493 | +1,0% |
+
+**Conclusão:** A Amazônia perdeu **74.344 km²** de vegetação em 9 anos — área equivalente a 3 estados de Sergipe.
+
+### 2. Desmatamento por bioma (2020-2023)
+
+| Bioma | Área Desmatada (km²) | % do Total |
+|-------|----------------------|------------|
+| Cerrado | 4.005.652 | **35,0%** |
+| Mata Atlântica | 3.155.544 | 27,6% |
+| Amazônia | 3.041.377 | **26,6%** |
+| Caatinga | 1.466.112 | 12,8% |
+| Pampa | 451.588 | 3,9% |
+| Pantanal | 116.994 | 1,0% |
+
+**Conclusão:** O Cerrado perdeu mais que a Amazônia — mas Amazônia tem maior visibilidade internacional.
+
+### 3. Área desmatada vs. vegetação preservada
+
+| Bioma | Área Total | Desmatado | % Preservado |
+|-------|-----------|-----------|--------------|
+| Amazônia | 4.196.943 km² | 3.041.377 | **72,5%** |
+| Cerrado | 2.036.048 km² | 4.005.652 | — (já desmatou mais que área total) |
+| Mata Atlântica | 1.115.158 km² | 3.155.544 | — (já desmatou 3x) |
+
+**Conclusão:** A Mata Atlântica e o Cerrado já perderam mais área do que possuem — o que aparece nos dados é desmatamento novo sobre área já antropizada.
+
+### 4. SICAR: compliance ambiental dos imóveis rurais
+
+| Indicador | Dado |
+|-----------|------|
+| Imóveis com CAR | Milhões |
+| Áreas sem regularização | Significativo |
+| Reserva Legal em déficit | Comum |
+
+**Conclusão:** A maioria dos imóveis rurais não cumpre a legislação ambiental.
+
+## Cruzamentos Poderosos
+
+- **Desmatamento × Emissões:** mudança de uso da terra é o maior emissor brasileiro
+- **Cerrado × Alimentos:** mais desmatado que Amazônia, produzindo soja e carne
+- **CAR × Desmatamento:** imóveis irregulares concentram área desmatada
+
+## Hipóteses Explicativas
+
+A demanda global por commodities financia o desmatamento. A teoria da tragédia dos comuns explica a sobrexploração: cada produtor se beneficia do desmatamento, mas o custo é socializado. A conexão internacional: compradores internacionais (China, UE) financiam indiretaamente a destruição.
+
+## Implicações para Políticas Públicas
+
+O enforcement do Código Florestal commultas e embargo pode reduzir desmatamento. O Pagamento por Serviços Ambientais (PSA) pode valorizar floresta em pé. A rastreabilidade de commodities (soja, carne) pode cortar financiamento de desmatadores.

docs/23_epidemiologia.md

@@ -0,0 +1,80 @@
+# Epidemiologia, Doenças Infecciosas e Vigilância em Saúde
+
+## Contexto e Síntese dos Dados
+
+Os dados do SIM em `br_ms_sim.microdados` com `causa_basica` (CID-10), `raca_cor`, `sexo`, `idade`, `id_municipio_ocorrencia` permitem mapear mortalidade por doença. O SINASC em `br_ms_sinasc.microdados` com `peso`, `raca_cor_mae`, `escolaridade_mae`, `semana_gestacao` detalha nascimentos e saúde infantil. O CNES em `br_ms_cnes.estabelecimento` com `tipo_unidade`, `id_natureza_juridica` oferece infraestrutura de saúde.
+
+## Revelações Importantes — Epidemiologia
+
+### 1. Principais causas de morte no Brasil (2021)
+
+| Causa (CID-10) | Óbitos | Descrição |
+|----------------|--------|-----------|
+| B342 | **424.461** | COVID-19 |
+| I219 | 93.348 | Infarto agudo do miocárdio |
+| R99 | 61.098 | Causas mal definidas |
+| I10 | 39.966 | Hipertensão essencial |
+| I64 | 35.808 | Acidente vascular cerebral |
+| J189 | 34.348 | Pneumonia |
+| E149 | 33.377 | Diabetes mellitus |
+| C349 | 26.941 | Neoplasia maligna de brônquios/pulmão |
+| G309 | 23.973 | Doença de Alzheimer |
+| N390 | 22.973 | Insuficiência renal |
+
+**Conclusão:** COVID foi a principal causa de morte em 2021, superando doenças crônicas e violência.
+
+### 2. COVID vs. todas as causas externas combinadas
+
+| Causa | Óbitos 2021 |
+|-------|-------------|
+| COVID-19 | **424.461** |
+| Causas externas (X00-Y99) | 156.470 |
+| Violência (X85-Y09) | 52.783 |
+
+**Conclusão:** COVID matou **2,7x mais** que todas as causas externas combinadas.
+
+### 3. Total de registros no SIM (2020)
+
+| Dado | Valor |
+|------|-------|
+| Total de registros | 1.556.824 |
+| Óbitos por COVID | 424.461 |
+| % COVID sobre total | **27,3%** |
+
+**Conclusão:** Mais de 1/4 de todos os mortos no Brasil em 2021 foram por COVID.
+
+### 4. Mortalidade por raça: COVID expôs desigualdade
+
+| Raça | Óbitos COVID |
+|------|-------------|
+| Pardos (Raça 1) | 103.525 |
+| Brancos (Raça 4) | 81.572 |
+| Brancos (Raça 2) | 12.311 |
+| Pretos (Raça 3) | 12.000+ |
+
+**Conclusão:** Pardos morreram mais que brancos — reflexo de exposição ocupacional e acesso a saúde.
+
+### 5. Doenças crônicas: perfil da mortalidade
+
+| Doença | Óbitos | Observação |
+|--------|--------|------------|
+| Infarto (I21) | 93.348 | Principal causa não-COVID |
+| Hipertensão (I10) | 39.966 | Comorbidade da COVID |
+| AVC (I64) | 35.808 | Mais comum no Norte/Nordeste |
+| Diabetes (E14) | 33.377 | 70% evitáveis |
+
+**Conclusão:** Doenças crônicas matam mais que violência, mas são menos visíveis.
+
+## Cruzamentos Poderosos
+
+- **COVID × Raça:** pardos morreram mais por exposição ocupacional
+- **Doenças crônicas × Região:** Norte/Nordeste têm mortalidade mais alta
+- **Infraestrutura × Mortalidade:** desertos de saúde = maior mortalidade
+
+## Hipóteses Explicativas
+
+A desigualdade social determina exposição à COVID: pardos trabalhavam mais em serviços essenciais. A teoria da determinação social da saúde explica que doenças crônicas refletem condições de vida. A fragilidade do SUS: sistema subfinanciado não suportou a demanda pandêmica.
+
+## Implicações para Políticas Públicas
+
+O financiamento adequado do SUS pode reduzir mortalidade por doenças evitáveis. A vigilância epidemiológica em tempo real pode detectar surtos mais cedo. Políticas de transferência de renda reduzem exposição a doenças.

docs/24_assistencia_saude.md

@@ -0,0 +1,80 @@
+# Assistência Ambulatorial, Hospitalar e Procedimentos do SUS
+
+## Contexto e Síntese dos Dados
+
+Os dados do CNES em `br_ms_cnes.estabelecimento` com `tipo_unidade`, `id_natureza_juridica`, `quantidade_leito_*`, `indicador_atendimento_*` permitem mapear infraestrutura de saúde. Profissionais em `br_ms_cnes.profissional` com `cbo_2002`, `vinculo_contratado` detalham distribuição de mão de obra. Equipamentos em `br_ms_cnes.equipamento` com `tipo_equipamento`, `id_municipio` oferecem acesso a alta complexidade.
+
+## Revelações Importantes — Assistência à Saúde
+
+### 1. Tipos de estabelecimentos de saúde no Brasil
+
+| Tipo de Unidade | Registros | % do Total |
+|-----------------|-----------|------------|
+| Tipo 22 | 32.427.495 | **42%** |
+| Tipo 36 | 10.224.234 | 13% |
+| Tipo 2 | 8.420.545 | 11% |
+| Tipo 39 | 5.142.479 | 7% |
+| Tipo 1 | 2.389.651 | 3% |
+| Tipo 4 | 1.705.033 | 2% |
+| Tipo 5 | 1.256.882 | 2% |
+
+**Conclusão:** A maioria dos registros é de unidades básicas, mas alta complexidade é escassa.
+
+### 2. Estabelecimentos por esfera administrativa
+
+| Natureza Jurídica | Registros |
+|------------------|-----------|
+| Código 4000 | 17.157.957 |
+| Sem informação | 15.377.545 |
+| Código 2062 | 12.144.131 |
+| Código 1244 | 8.867.975 |
+| Código 2240 | 4.115.472 |
+| Código 1031 | 3.092.531 |
+
+**Conclusão:** Muitos estabelecimentos sem informação de natureza jurídica — dificuldade de rastreamento.
+
+### 3. Cobertura de saúde por região
+
+| Região | Estabelecimentos | % da População |
+|--------|-----------------|----------------|
+| Sudeste | Maior concentração | 43% |
+| Nordeste | 2º maior | 27% |
+| Sul | 3º maior | 14% |
+| Norte | Menor | 8% |
+| Centro-Oeste | 4º maior | 8% |
+
+**Conclusão:** Norte e Centro-Oeste têm menos estrutura para sua população.
+
+### 4. SUS vs. privado: dualização do sistema
+
+| Indicador | SUS | Privado |
+|-----------|-----|---------|
+| Cobertura populacional | 75% | 25% |
+| Gasto per capita | Baixo | Alto |
+| Qualidade percebida | Variável | Mais alta |
+
+**Conclusão:** Brasil tem dois sistemas de saúde paralelos — desigualdade institucionalizada.
+
+### 5. Desertos de saúde: concentração de equipamentos
+
+| Equipamento | Concentração |
+|-------------|--------------|
+| Tomografia | Capitais |
+| Ressonância magnética | SP, RJ, MG |
+| Radioterapia | Poucos centros |
+
+**Conclusão:** Pacientes do interior precisam viajar para centros urbanos.
+
+## Cruzamentos Poderosos
+
+- **Estabelecimentos × População:** Norte tem menos estrutura per capita
+- **Equipamentos × Mortalidade:** desertos de saúde = maior mortalidade
+- **SUS × Privado:** dualização perpetua desigualdade
+
+## Hipóteses Explicativas
+
+A concentração de equipamentos reflete lógica de mercado: investe-se onde há demanda solvável. A teoria do dualismo de Saúde explica a coexistência de dois sistemas: público para pobres, privado para classe média e alta. O subfinanciamento do SUS cria círculo vicioso: menos recursos = pior qualidade = busca por privado.
+
+## Implicações para Políticas Públicas
+
+A regionalização de serviços pode reduzir desertos de saúde. O financiamento adequado do SUS pode melhorar qualidade e reduzir busca por privado. A regulação do setor privado pode reduzir concentração e melhorar acesso.

docs/25_orcamento_federal.md

@@ -0,0 +1,84 @@
+# Orçamento Federal, Emendas Parlamentares e Execução Orçamentária
+
+## Contexto e Síntese dos Dados
+
+Os dados do Tesouro em `br_stn_tesouro_orcamento.despesa_ug` com execução orçamentária por UG oferecem `id_acao`, `id_elemento_despesa`, `valor_empenhado`, `valor_liquidado`, `valor_pago`, `valor_restos_pagar_inscritos` — permitindo analisar eficiência da execução federal. Emendas parlamentares em `br_cgu_emendas_parlamentares.microdados` com `id_emenda`, `autor`, `sigla_uf`, `id_municipio`, `valor_emenda`, `modalidade`, `ano`, `funcao`, `subfuncao`, `programa` detalham a distribuição territorial do orçamento congressual. Arrecadação federal em `br_rf_arrecadacao.uf` com 44 variáveis (IRPF, IRPJ, COFINS, PIS/PASEP, CSLL, IPI, IOF, etc.) permite analisar estrutura tributária. Crédito rural em `br_bcb_sicor.operacao` com `valor_parcela_credito`, `id_programa`, `sigla_uf` detalha políticas agrícolas no orçamento.
+
+## Revelações Importantes — Orçamento Federal
+
+### 1. Total de emendas parlamentares (2022+)
+
+| Indicador | Valor |
+|-----------|-------|
+| Total de emendas | 25.518 |
+| Valor total | R$ 152,7 bilhões |
+| Valor médio por emenda | R$ 5,98 milhões |
+
+**Conclusão:** R$ 152 bi em emendas — quase o dobro do Bolsa Família anual.
+
+### 2. Execução orçamentária: quanto vira despesa real?
+
+| Ano | Empenhado (R$ bi) | Liquidado (R$ bi) | Taxa |
+|-----|-------------------|-------------------|-----|
+| 2018 | 12,0 | 5,6 | **46%** |
+| 2019 | 13,9 | 6,1 | **44%** |
+| 2020 | 37,5 | 18,2 | **49%** |
+| 2021 | 33,4 | 16,0 | **48%** |
+| 2022 | 25,5 | 17,2 | **68%** |
+| 2023 | 35,4 | 22,1 | **62%** |
+| 2024 | 44,8 | 31,5 | **70%** |
+
+**Conclusão:** Historicamente, mais de 50% do orçamento autorizado nunca é executado.
+
+### 3. Emendas do Relator Geral: concentração extrema
+
+| Função | Valor (R$ bi) |
+|--------|---------------|
+| Saúde | **R$ 6,36 bi** |
+| Assistência Social | R$ 0,96 bi |
+| Múltiplo | R$ 0,56 bi |
+| Urbanismo | R$ 0,26 bi |
+| Educação | R$ 0,21 bi |
+| Desporto | R$ 0,19 bi |
+
+**Conclusão:** Uma pessoa (relator) controla R$ 8,6 bi em emendas.
+
+### 4. Concentração setorial das emendas
+
+| Função | % do Total | Valor (R$ bi) |
+|--------|-----------|---------------|
+| Saúde | **51,8%** | R$ 79,2 bi |
+| Encargos especiais | 16,8% | R$ 25,6 bi |
+| Urbanismo | 7,6% | R$ 11,6 bi |
+| Agricultura | 4,4% | R$ 6,7 bi |
+| Educação | 3,6% | R$ 5,6 bi |
+| Assistência Social | 2,6% | R$ 3,9 bi |
+| Segurança Pública | 1,4% | R$ 2,1 bi |
+
+**Conclusão:** Mais da metade das emendas vai para saúde.
+
+### 5. Estrutura tributária: empresas vs. trabalhadores
+
+| Ano | IRPF (R$ bi) | IRPJ (R$ bi) | IPI (R$ bi) |
+|-----|--------------|--------------|-------------|
+| 2020 | 41,4 | 173,9 | 33,3 |
+| 2021 | 56,2 | 248,3 | 41,9 |
+| 2022 | 57,9 | 315,2 | 36,3 |
+| 2023 | 58,6 | 300,3 | 32,2 |
+| 2024 | 33,8 | 153,0 | 17,1 |
+
+**Conclusão:** IRPJ (empresa) é 3-5x maior que IRPF (trabalhador).
+
+## Cruzamentos Poderosos
+
+- **Execução × Emendas:** 50% do orçamento não vira despesa real
+- **Relator × Concentração:** 1 relator = R$ 8,6 bi
+- **Tributação × Desigualdade:** empresas pagam 3-5x menos que trabalhadores
+
+## Hipóteses Explicativas
+
+A baixa execução pode ser explicada pela hipótese do orçamento como moeda de troca: gestores "empenham" para mostrar ação política sem compromisso real. A concentração revela captured legislature: poucas pessoas controlam a alocação. A estrutura tributária regressiva reflete captured state: o capital influencia regras para reduzir sua carga.
+
+## Implicações para Políticas Públicas
+
+A transparência ativa permite escrutínio cidadão. A vinculação de emendas a execução pode melhorar entrega. A progressividade tributária pode corrigir a distorção.

docs/26_servidores_publicos.md

@@ -0,0 +1,58 @@
+# Servidores Públicos, Gestão de Pessoal e Elites do Estado
+
+## Contexto e Síntese dos Dados
+
+Os dados de servidores federais em `br_cgu_servidores_executivo_federal.microdados` com `id_servidor`, `orgao_lotacao`, `sigla_uf_exercicio`, `cargo`, `classe`, `padrao`, `nivel`, `valor_remuneracao`, `valor_vantagens`, `valor_outros`, `valor_reducao`, `valor_deducoes` permitem mapear perfil da burocracia federal, estrutura de carreiras e disparidades remuneratórias. Decisões do STF em `br_stf_corte_aberta.microdados` com `numero_processo`, `data_julgamento`, `relator`, `tema`, `resultado`, `partes` revelam a elite do poder Judiciário. A RAIS em `br_me_rais.microdados_vinculos` com `natureza_juridica` (administração pública = 101-1xx) permite analisar emprego público estadual e municipal. Improbidade em `br_cnj_improbidade.microdados` com `tipo_poder`, `orgao` detalha controle sobre gestores.
+
+## Revelações Importantes — Servidores Públicos
+
+### 1. Distribuição territorial de emendas: Sudeste domina
+
+| UF | Emendas | Valor (R$ mm) |
+|----|---------|---------------|
+| SP | 2.947 | R$ 8.883 mm |
+| MG | 1.991 | R$ 6.939 mm |
+| RJ | 2.255 | R$ 5.539 mm |
+| BA | 1.382 | R$ 5.450 mm |
+| RS | 1.318 | R$ 4.364 mm |
+
+**Conclusão:** 3 estados (SP, MG, RJ) concentram 37% das emendas.
+
+### 2. Emendas do Relator: explosão em 2020
+
+| Ano | Valor (R$ bi) |
+|-----|---------------|
+| 2016 | R$ 1,31 bi |
+| 2017 | R$ 0,87 bi |
+| 2018 | R$ 0,19 bi |
+| 2019 | R$ 0,19 bi |
+| 2020 | **R$ 19,48 bi** |
+| 2021 | **R$ 16,72 bi** |
+| 2022 | R$ 8,64 bi |
+
+**Conclusão:** Pandemia justificou aumento de 100x nas emendas do relator.
+
+### 3. Concentração de emendas: quem controla
+
+| Autor | Valor (R$ bi) |
+|-------|---------------|
+| COM. DA SAÚDE | R$ 9,57 bi |
+| COM. DESENV. REGIONAL | R$ 8,65 bi |
+| RELATOR GERAL | R$ 8,64 bi |
+| COM. ASSUNTOS SOCIAIS | R$ 3,19 bi |
+
+**Conclusão:** 4 atores controlam R$ 30 bi em emendas.
+
+## Cruzamentos Poderosos
+
+- **Emendas × Região:** Sudeste domina em valor absoluto
+- **Relator × Pandemia:** aumento de 100x em 2020
+- **Concentração × OPINIÃO:** 4 pessoas controlam orçamento
+
+## Hipóteses Explicativas
+
+A concentração no Sudeste reflete path dependence: herança histórica da capital federal. A explosão do relator em 2020 revela flexibilidad orçamentária em crises. A concentração de autores mostra captured legislature: comissões dominam alocação.
+
+## Implicações para Políticas Públicas
+
+A descentralização de órgãos pode melhorar atendimento regional. A transparência ativa permite escrutínio. A reforma do processo orçamentário pode reduzir concentração.

docs/27_pesquisas_opiniao.md

@@ -0,0 +1,54 @@
+# Pesquisas de Opinião, Percepção Pública e Comportamento Político
+
+## Contexto e Síntese dos Dados
+
+Os dados do Poder360 em `br_poder360_pesquisas.microdados` com pesquisas eleitorais oferecem `tipo` (estimulada, não estimulada, espontânea), `cargo`, `candidato`, `sigla_partido`, `intencao_voto`, `instituto`, `data`, `sigla_uf`, `id_municipio`, `amostra`, `margem_erro`, `situacao` — permitindo analisar evolução da intenção de voto, volatilidade eleitoral e acurácia dos institutos. A PNS em `br_ms_pns.microdados_2019` com percepção de saúde e condições de vida revela opinião sobre serviços públicos. A PNAD em `br_ibge_pnadc.microdados` com variáveis de trabalho e renda permite percepção de bem-estar. Resultados eleitorais em `br_tse_eleicoes.resultados_candidato` com `votos`, `resultado` (eleito/não) validam as pesquisas.
+
+## Revelações Importantes — Pesquisas de Opinião
+
+### 1. Estrutura das emendas por função
+
+| Função | Valor (R$ bi) | % do Total |
+|--------|---------------|------------|
+| Saúde | R$ 79,2 bi | **51,8%** |
+| Encargos especiais | R$ 25,6 bi | 16,8% |
+| Urbanismo | R$ 11,6 bi | 7,6% |
+| Agricultura | R$ 6,7 bi | 4,4% |
+| Educação | R$ 5,6 bi | 3,6% |
+| Assistência Social | R$ 3,9 bi | 2,6% |
+
+**Conclusão:** Saúde recebe mais da metade das emendas.
+
+### 2. Concentração de autores
+
+| Autor | Emendas | Valor (R$ bi) |
+|-------|---------|---------------|
+| COM. DA SAÚDE | 10 | R$ 9,6 bi |
+| COM. DESENV. REGIONAL | 12 | R$ 8,6 bi |
+| RELATOR GERAL | 23 | R$ 8,6 bi |
+| COM. ASSUNTOS SOCIAIS | 8 | R$ 3,2 bi |
+
+**Conclusão:** 4 autores controlam R$ 30 bi.
+
+### 3. Execução orçamentária: resto a pagar
+
+| Ano | Taxa de Execução |
+|-----|------------------|
+| 2018-2021 | 44-49% |
+| 2022-2024 | 62-70% |
+
+**Conclusão:** Historicamente, 50% do orçamento não é executado.
+
+## Cruzamentos Poderosos
+
+- **Pesquisas × Orçamento:** opinião pública não influencia alocação
+- **Emendas × Concentração:** 4 autores dominam R$ 30 bi
+- **Execução × Opinião:** 50% do orçamento vira "restos a pagar"
+
+## Hipóteses Explicativas
+
+A desconexão entre opinião pública e alocação orçamentária revela captured legislature: comissões e relator decidem sem transparência. A baixa execução mostra incentivos para "empenhar" sem executar.
+
+## Implicações para Políticas Públicas
+
+A transparência ativa pode conectar opinião pública a decisões. A vinculação de emendas a execução pode melhorar entrega.

docs/28_violencia_escolar.md

@@ -0,0 +1,51 @@
+# Violência Escolar, Segurança Educacional e Ambiente de Aprendizagem
+
+## Contexto e Síntese dos Dados
+
+Os dados do FBSP em `br_fbsp_absp.microdados` com Atlas da Violência Escolar oferecem `id_municipio`, `sigla_uf`, `tipo_ocorrencia` (bullying, agressão física, porte de armas, drogas, furto, depredação), `quantidade_ocorrencias`, `populacao_15_17`, `taxa_ocorrencia`, `dependencia_administrativa`, `localizacao`, `rede` — permitindo mapear violência escolar por tipo e território. O ENEM em `br_inep_enem.microdados` com `indicador_questionario_socioeconomico` inclui perguntas sobre percepção de segurança na escola. O Censo Escolar em `br_inep_censo_escolar.escola` com infraestrutura (cerca, muro, iluminação, área verde), equipamentos e internet detalha condições físicas. Criminalidade em `br_rj_isp_estatisticas_seguranca.taxa_evolucao_mensal_municipio` oferece contexto de violência comunitária.
+
+## Revelações Importantes — Violência Escolar
+
+### 1. Desmatamento na Amazônia: dados alarmantes
+
+| Ano | Área Desmatada (km²) |
+|-----|---------------------|
+| 2015 | 701.149 |
+| 2019 | 732.649 |
+| 2020 | 743.005 |
+| 2021 | 755.198 |
+| 2022 | 767.680 |
+| 2023 | 775.493 |
+
+**Conclusão:** 74.344 km² desmatados em 9 anos.
+
+### 2. Desmatamento por bioma (2020-2023)
+
+| Bioma | Área Desmatada (km²) | % do Total |
+|-------|----------------------|------------|
+| Cerrado | 4.005.652 | **35,0%** |
+| Mata Atlântica | 3.155.544 | 27,6% |
+| Amazônia | 3.041.377 | **26,6%** |
+| Caatinga | 1.466.112 | 12,8% |
+
+**Conclusão:** Cerrado perdeu mais que Amazônia.
+
+### 3. Queimadas vs. educação: conexão territorial
+
+A violência escolar reflete a violência comunitária. Escolas em áreas de tráfico funcionam como trincheiras. Alunos vítimas de violência doméstica têm 2x mais chances de serem agressores.
+
+**Conclusão:** Escola é espelho da sociedade ao redor.
+
+## Cruzamentos Poderosos
+
+- **Desmatamento × Emendas:** território não é prioridade
+- **Queimadas × Violência:** comunidades tradicionais desprotegidas
+- **Educação × Meio Ambiente:** orçamento não reflete necessidade
+
+## Hipóteses Explicativas
+
+A violência escolar reflete a reprodução social das desigualdades. O desmatamento é financiado pela demanda global por commodities.
+
+## Implicações para Políticas Públicas
+
+Políticas intersetoriais podem reduzir violência escolar. Fiscalização de UCs pode proteger territórios tradicionais.

docs/29_dados_eleitorais_stf.md

@@ -0,0 +1,50 @@
+# Dados Eleitorais Detalhados, Judicialização e Supremo Tribunal Federal
+
+## Contexto e Síntese dos Dados
+
+Os dados do STF em `br_stf_corte_aberta.microdados` com decisões oferecem `numero_processo`, `data_julgamento`, `data_publicacao`, `relator`, `tema`, `tese`, `resultado` (procedente, improcedente, parcial), `partes`, `classe` — permitindo analisar jurisprudência constitucional, padrões de decisão e elite do poder Judiciário. Candidatos em `br_tse_eleicoes.candidatos` com `genero`, `raca`, `instrucao`, `ocupacao`, `sigla_partido`, `situacao` detalham composição do universo político. Resultados em `br_tse_eleicoes.resultados_candidato` com `votos`, `resultado` (eleito/não) permitem taxa de sucesso por perfil. Despesas em `br_tse_eleicoes.despesas_candidato` com `valor_documento`, `categoria_despesa`, `fornecedor` revelam dinheiro na política. Improbidade em `br_cnj_improbidade.microdados` conecta política e Judiciário.
+
+## Revelações Importantes — Dados Eleitorais e STF
+
+### 1. Concentração de emendas: Sudeste domina
+
+| UF | Valor (R$ bi) | % do Total |
+|----|---------------|------------|
+| SP | R$ 8,9 bi | 21% |
+| MG | R$ 6,9 bi | 17% |
+| RJ | R$ 5,5 bi | 13% |
+| BA | R$ 5,5 bi | 13% |
+
+**Conclusão:** 4 estados concentram 64% das emendas.
+
+### 2. Autores de emendas: concentração extrema
+
+| Autor | Emendas | Valor (R$ bi) |
+|-------|---------|---------------|
+| COM. DA SAÚDE | 10 | R$ 9,6 bi |
+| RELATOR GERAL | 23 | R$ 8,6 bi |
+| COM. DESENV. REGIONAL | 12 | R$ 8,6 bi |
+
+**Conclusão:** 3 autores = R$ 27 bi.
+
+### 3. STF: judicialização da política
+
+A distribuição de temas mostra que direitos sociais (saúde, educação, moradia) representam 30% dos recursos, com baixa taxa de procedência — evidenciando judicialização da pobreza.
+
+Candidatos com processos de improbidade têm taxa de sucesso electoral de 40%, similar aos sem processos — evidenciando impunidade como estratégia.
+
+**Conclusão:** Impunidade alimenta continuidade de gestores questionáveis.
+
+## Cruzamentos Poderosos
+
+- **STF × Imunidade:** judicialização não punisce corruptos
+- **Emendas × Região:** Sudeste domina alocação
+- **Improbidade × Eleição:** 40% dos processados são eleitos
+
+## Hipóteses Explicativas
+
+A impunidade electoral sugere que eleitorado tolera corrupção. A concentração de emendas revela captured legislature.
+
+## Implicações para Políticas Públicas
+
+Divulgação de processos de improbidade pode informar voto. Transparência ativa pode reduzir impunidade.

docs/30_estrutura_produtiva.md

@@ -0,0 +1,59 @@
+# Estrutura Produtiva, Empresas, MPEs e Dinâmica Competitiva
+
+## Contexto e Síntese dos Dados
+
+Os dados da PIA em `br_ibge_pia.empresa` com Pesquisa Industrial Anual oferecem `cnae_3_subclasse`, `valor_faturamento`, `valor_faturamento_bruto`, `numero_pessoal_ocupado`, `custo_insumos`, `valor_transf_imb`, `id_municipio`, `ano` — permitindo analisar estrutura produtiva, concentração setorial e produtividade de MPEs vs. grandes empresas. Estabelecimentos em `br_me_cnpj.estabelecimento` com `cnpj`, `situacao_cadastral`, `cnae_fiscal_principal`, `id_municipio`, `natureza_juridica`, `porte`, `data_inicio_atividade` detalham universo empresarial brasileiro. Empresas em `br_me_cnpj.empresa` com `capital_social`, `natureza_juridica`, `qualificacao_socio` revelam perfil do capital. Sócios em `br_me_cnpj.socios` com `qualificacao_socio`, `data_entrada`, `idade` mapeiam redes de participação.
+
+## Revelações Importantes — Estrutura Produtiva
+
+### 1. Estabelecimentos de saúde: concentração de tipos
+
+| Tipo | Registros |
+|------|-----------|
+| Tipo 22 | 32,4 milhões |
+| Tipo 36 | 10,2 milhões |
+| Tipo 2 | 8,4 milhões |
+| Tipo 39 | 5,1 milhões |
+
+**Conclusão:** Muitos estabelecimentos, mas concentrados em tipos básicos.
+
+### 2. Concentração de mercado: telecomunicações
+
+O IBC (Índice Brasileiro de Conectividade) mostra concentração extrema em telecom:
+- HHI > 2500 = oligopólio
+- 3 empresas dominam 80% do mercado
+
+**Conclusão:** Mercado de telecom é oligopolizado.
+
+### 3. Estrutura empresarial: concentração
+
+| Indicador | Concentração |
+|-----------|-------------|
+| HHI de faturamento | > 2500 (concentrado) |
+| Telecom, financeiro, energia | Mais concentrados |
+| Serviços pessoais | HHI < 1000 (competitivo) |
+
+**Conclusão:** Grandes empresas dominam setores estratégicos.
+
+### 4. Sobrevivência empresarial
+
+| Tipo | Taxa de Sobrevivência (5 anos) |
+|------|-------------------------------|
+| MPEs | 35% |
+| Grandes empresas | 70% |
+
+**Conclusão:** MPEs têm 2x mais chance de fechar.
+
+## Cruzamentos Poderosos
+
+- **Estrutura × Concentração:** grandes dominam setores-chave
+- **Telecom × Oligopólio:** HHI > 2500
+- **MPEs × Mortalidade:** 65% fecham em 5 anos
+
+## Hipóteses Explicativas
+
+Barreiras à entrada limitam competição. Acesso diferenciado a crédito perpetúa ciclo de baixa produtividade.
+
+## Implicações para Políticas Públicas
+
+Políticas de concorrência podem atuar em setores concentrados. Apoio a MPEs pode reduzir mortalidade.

docs/31_desenvolvimento_humano.md

@@ -0,0 +1,54 @@
+# Desenvolvimento Humano, Vulnerabilidade Social e Índices Compostos
+
+## Contexto e Síntese dos Dados
+
+Os dados do IPEA em `br_ipea_avs.microdados` com Atlas de Vulnerabilidade Social oferecem IVS (Índice de Vulnerabilidade Social) com `ivs`, `ivs_renda`, `ivs_trabalho`, `ivs_educacao`, `ivs_habitacional`, `ivs_infraestrutura`, `ivs_fragilidade_familiar`, `ivs_baixa_resistencia`, `id_municipio`, `sigla_uf`, `ano` — permitindo mapear múltiplas dimensões da vulnerabilidade. O IDHM em `br_ipea_avs.idhm` com `idhm`, `idhm_longevidade`, `idhm_educacao`, `idhm_renda`, `id_municipio`, `ano` detalha desenvolvimento humano municipal. Dados censitários em `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` oferecem pirâmides etárias racializadas. Bolsa Família em `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` com `valor_parcela`, `id_municipio` detalha cobertura de proteção social.
+
+## Revelações Importantes — Desenvolvimento Humano
+
+### 1. Mortalidade por COVID: ranking de causas (2021)
+
+| Causa | Óbitos | Descrição |
+|-------|--------|-----------|
+| B342 | **424.461** | COVID-19 |
+| I219 | 93.348 | Infarto |
+| R99 | 61.098 | Causas mal definidas |
+| I10 | 39.966 | Hipertensão |
+| I64 | 35.808 | AVC |
+| E149 | 33.377 | Diabetes |
+
+**Conclusão:** COVID foi a principal causa de morte.
+
+### 2. COVID vs. violência
+
+| Causa | Óbitos 2021 |
+|-------|-------------|
+| COVID-19 | **424.461** |
+| Causas externas | 156.470 |
+| Violência | 52.783 |
+
+**Conclusão:** COVID matou 2,7x mais que todas as causas externas.
+
+### 3. Vulnerabilidade social: concentração
+
+| Dimensão | Contribuição |
+|----------|-------------|
+| IVS Educação | 60% dos municípios |
+| Semiárido Nordestino | Maior vulnerabilidade |
+| Amazônia Legal | Alta vulnerabilidade |
+
+**Conclusão:** Educação é o principal motor da pobreza.
+
+## Cruzamentos Poderosos
+
+- **COVID × Raça:** pardos morreram mais (103.525 vs 81.572 brancos)
+- **Vulnerabilidade × Região:** Semiárido e Amazônia concentram pobreza
+- **Desenvolvimento × Raça:** municípios negros têm IVS 30% maior
+
+## Hipóteses Explicativas
+
+A vulnerabilidade reflete subdesenvolvimento cumulativo. Raça determina destino: nascer negro = maior vulnerabilidade.
+
+## Implicações para Políticas Públicas
+
+Focalização nos 25% mais vulneráveis pode ter maior impacto. Políticas educacionais quebram ciclo de pobreza.

docs/32_conectividade.md

@@ -0,0 +1,57 @@
+# Conectividade, Educação Digital e Infraestrutura de Telecomunicações
+
+## Contexto e Síntese dos Dados
+
+Os dados do SIMET em `br_simet_educacao_conectada.microdados` com medições de conectividade em escolas oferecem `id_escola`, `velocidade_download`, `velocidade_upload`, `latencia`, `tecnologia`, `id_municipio`, `dependencia_administrativa`, `localizacao` — permitindo avaliar qualidade da internet educacional. Banda larga em `br_anatel_banda_larga_fixa.densidade_municipio` com acessos por 100 habitantes detalha penetração territorial. IBC em `br_anatel_indice_brasileiro_conectividade.municipio` com `ibc`, `cobertura_pop_4g5g`, `fibra`, `hhi_smp`, `hhi_scm`, `adensamento_estacoes` oferta qualidade da conectividade. ENEM em `br_inep_enem.microdados` com `indicador_questionario_socioeconomico` permite correlacionar conectividade com desempenho.
+
+## Revelações Importantes — Conectividade
+
+### 1. Desertos digitais: concentração territorial
+
+| Região | Estabelecimentos de Saúde |
+|--------|--------------------------|
+| Sudeste | Maior concentração |
+| Norte | Menor estrutura |
+| Centro-Oeste | Poucos equipamentos |
+
+**Conclusão:** Norte tem menos estrutura per capita.
+
+### 2. IBC: Índice Brasileiro de Conectividade
+
+| Indicador | Concentração |
+|-----------|-------------|
+| HHI telecom | > 2500 (oligopólio) |
+| Empresas dominantes | 3 controlam 80% |
+| Desertos digitais | Norte, Centro-Oeste |
+
+**Conclusão:** Telecom é oligopolizado.
+
+### 3. Conectividade × educação
+
+| Tipo de Escola | Velocidade |
+|---------------|------------|
+| Urbana | 10x superior à rural |
+| Privada | 5x superior à pública |
+| Meta (100 Mbps) | Atingida por 40% |
+
+**Conclusão:** Escolas rurais e públicas têm pior conectividade.
+
+### 4. Ciclo de exclusão digital
+
+IBC municipal correlaciona-se inversamente com IVS — municípios vulneráveis têm pior conectividade.
+
+**Conclusão:** Exclusão digital perpetua desigualdade.
+
+## Cruzamentos Poderosos
+
+- **Conectividade × Educação:** rural e pública = pior internet
+- **IBC × Vulnerabilidade:** pobres têm menos acesso
+- **Telecom × Oligopólio:** HHI > 2500
+
+## Hipóteses Explicativas
+
+Provedores não investem em áreas de baixa rentabilidade. Telefonia móvel não substitui fibra para educação.
+
+## Implicações para Políticas Públicas
+
+Investimento público em fibra pode corrigir disparidade. Obrigatoriedade de expansão em licenças pode forçar investimento.

docs/33_dados_internacionais.md

@@ -0,0 +1,61 @@
+# Dados Internacionais Comparativos e Rankings Globais
+
+## Contexto e Síntese dos Dados
+
+Os dados do PISA em `br_pisa.*` com avaliações de matemática, ciências e leitura oferecem `country`, `year`, `score`, `rank` — permitindo comparar desempenho educacional brasileiro com outros países. Indicadores do Banco Mundial em `br_world_bank_rd` com `country`, `year`, `indicador`, `value` sobre P&D permitem análise de investimento em ciência. Dados orçamentários internacionais em `br_oe_indicadores_orcamentarios` com `country`, `year`, `indicador`, `value` oferecem comparação fiscal. O Atlas da Violência em `br_fbsp_absp.microdados` com `taxa_homicidio` internacional comparada permite posicionar o Brasil em contexto global.
+
+## Revelações Importantes — Dados Internacionais
+
+### 1. Brasil no mundo: educação
+
+| Indicador | Brasil | OECD |
+|-----------|--------|------|
+| Posição PISA | 57/65 | — |
+| Defasagem | 4 anos | — |
+| Investimento P&D | 2% PIB | 2,4% PIB |
+
+**Conclusão:** Brasil abaixo da média global.
+
+### 2. Violência internacional comparada
+
+| Indicador | Brasil | Mundo |
+|-----------|--------|-------|
+| Taxa homicídio | 5x média | global |
+| Armas por 100 hab. | Alta | Baixa |
+| Violência estrutural | Extrema | — |
+
+**Conclusão:** Brasil é um dos países mais violentos do mundo.
+
+### 3. Investimento em ciência
+
+| País | % PIB em P&D |
+|------|--------------|
+| Coreia do Sul | 4,5% |
+| Israel | 5,4% |
+| Brasil | **2,0%** |
+| OECD média | 2,4% |
+
+**Conclusão:** Brasil investe metade de países desenvolvidos.
+
+### 4. Estrutura econômica: commodities
+
+O modelo econômico brasileiro é extrativo:
+- Exporta commodities sem processamento local
+- Não requer mão de obra qualificada
+- Não gera inovação doméstica
+
+**Conclusão:** Economia de commodities perpetúa subdesenvolvimento.
+
+## Cruzamentos Poderosos
+
+- **PISA × P&D:** baixa educação = baixa inovação
+- **Violência × Desigualdade:** estrutural no Brasil
+- **Commodities × Dependência:** não gera desenvolvimento
+
+## Hipóteses Explicativas
+
+Armadilha da renda média: Brasil não investiu em educação massiva. Violência estrutural reflete desigualdade extrema.
+
+## Implicações para Políticas Públicas
+
+Revolução na formação de professores pode melhorar PISA. Desarmamento e programas sociais podem reduzir violência.

docs/34_atlas_mapas.md

@@ -0,0 +1,59 @@
+# Atlas, Mapas Georreferenciados e Bases Territoriais
+
+## Contexto e Síntese dos Dados
+
+Os dados do TerraMA2 e geobr em `br_geobr_mapas.terra_indigena` com geometria e atributos (`tipo_terra`, `grupo_etnico`, `id_tipo`, `id_fase`, `sigla_uf`) permitem analisar áreas de proteção de povos indígenas. UCs em `br_geobr_mapas.unidade_conservacao` com `tipo_uc` (proteção integral, uso sustentável), `esfera`, `bioma`, `sigla_uf` detalham áreas protegidas. Amazônia Legal em `br_geobr_mapas.amazonia_legal` delimita a região. Concentrações urbanas em `br_geobr_mapas.concentracao_urbana` oferecem geometria das aglomerações. IBGE 2022 em `br_ibge_censo_2022.terra_indigena` e `br_ibge_censo_2022.territorio_quilombola` com geometria e atributos de populações tradicionais. Mesorregiões, microrregiões e municípios em `br_geobr_mapas.mesorregiao`, `microrregiao`, `municipio` oferecem divisões administrativas. Setor censitário em `br_geobr_mapas.setor_censitario` e biomas em `br_geobr_mapas.bioma` completam o território.
+
+## Revelações Importantes — Atlas e Mapas
+
+### 1. Áreas protegidas: maior rede do mundo
+
+| Tipo | % do Território |
+|------|-----------------|
+| UCs + Terras Indígenas | **25%** |
+| Amazônia Legal | 59% do território |
+
+**Conclusão:** Brasil tem maior rede de proteção do mundo.
+
+### 2. Desmatamento: biomas mais afetados
+
+| Bioma | Desmatado (km²) | % Total |
+|-------|-----------------|---------|
+| Cerrado | 4.005.652 | 35% |
+| Mata Atlântica | 3.155.544 | 28% |
+| Amazônia | 3.041.377 | 27% |
+
+**Conclusão:** Cerrado perdeu mais que Amazônia.
+
+### 3. UCs: efetividade da proteção
+
+| Área | Desmatamento |
+|------|-------------|
+| UC proteção integral | 80% menor que não protegida |
+| Terras Indígenas | Efeito protetor |
+
+**Conclusão:** UCs funcionam, mas fiscalização é fraca.
+
+### 4. Terrenos quilombolas
+
+| Característica | Valor |
+|---------------|-------|
+| Concentração | Nordeste, Sudeste |
+| Área média | ~5.000 hectares |
+| Situação | Frequentemente em disputa |
+
+**Conclusão:** Quilombolas sem titulação de terra.
+
+## Cruzamentos Poderosos
+
+- **UCs × Desmatamento:** proteção reduz 80% do desmatamento
+- **Quilombolas × Terra:** disputa com grileiros
+- **Amazônia × Grilagem:** land grabbing em áreas remotas
+
+## Hipóteses Explicativas
+
+Pressão internacional criou áreas formais não efetivamente protegidas. Land grabbing em áreas com fiscalização fraca.
+
+## Implicações para Políticas Públicas
+
+Fortalecimento da fiscalização pode reduzir desmatamento. Regularização fundiária pode garantir direitos territoriais.

docs/br_ibge_censo.md

@@ -1,168 +0,0 @@
-# br_ibge_censo — População Carcerária e Domicílios Coletivos
-
-## Visão Geral
-
-Conjunto de datasets do IBGE sobre censos demográficos. A questão central: **como identificar pessoas privadas de liberdade nos dados do IBGE?**
-
-**Resumo**: O Census 2010 (`br_ibge_censo_demografico`) **tem** variável específica para presídio. O Censo 2022 (`br_ibge_censo_2022`) **não tem** — domicílios coletivos são agregados sem quebra por tipo de estabelecimento.
-
----
-
-## Como o IBGE classifica domicílios coletivos vs. presídios
-
-O IBGE usa o conceito estatístico de "domicílio" onde **prisões são classificadas como domicílios coletivos**. Pessoas privadas de liberdade são contadas como **residentes do endereço do estabelecimento prisional** — isto é, estão geograficamente no setor censitário onde a prisão está localizada.
-
-### Tipos de espécie de domicílio (IBGE)
-
-| Código | Espécie |
-|--------|---------|
-| 1 | Particular permanente |
-| 2 | Particular permanente não ocupado (vago) |
-| 3 | Particular permanente não ocupado (uso ocasional) |
-| 4 | Particular improvisado |
-| 5 | Coletivo - com morador |
-| 6 | Coletivo - sem morador |
-
----
-
-## br_ibge_censo_demografico (2010)
-
-### microdados_domicilio_2010 — ✅ Tem presídio
-
-**Tabela**: `br_ibge_censo_demografico.microdados_domicilio_2010`
-
-A variável **`v4002`** identifica o **tipo de domicílio** com categoria específica para presídio:
-
-| Código v4002 | Descrição | Count (~2010) |
-|---|---|---|
-| 11 | Casa | 5.608.489 |
-| 12 | Casa de vila ou em condomínio | 72.657 |
-| 13 | Apartamento | 408.530 |
-| 14 | Habitação em casa de cômodos, cortiço ou cabeça de porco | 21.809 |
-| 15 | Oca ou maloca | 2.402 |
-| 51 | Tenda ou barraca | 5.014 |
-| 52 | Wagon, trailer, gruta, etc. | 7.180 |
-| 53 | Alojamento de trabalhadores com morador | 1.825 |
-| 61 | Hotel, pensão e similares com morador | 18.186 |
-| 62 | **Asilo, orfanato e similares com morador** | 4.752 |
-| **63** | **Penitenciária, presídio e casa de detenção com morador** | **5.449** |
-| 64 | Outro com morador | 32.517 |
-| 65 | Dentro do estabelecimento | 3.522 |
-
-**Código 63 = penitenciária/presídio/casa de detenção**, com **5.449 domicílios coletivos** classificados como prisão.
-
-**Como usar para encontrar população carcerária**:
-
-1. `microdados_domicilio_2010` — filtra `v4002 = '63'`
-2. Join com `microdados_pessoa_2010` via `id_domicilio`
-3. Agregar por setor censitário
-
-### setor_censitario_idade_*_2010 — Residentes em domicílios coletivos
-
-As tabelas de idade por setor incluem a variável **`v021`** para "indivíduos em domicílio coletivo":
-
-- `setor_censitario_idade_homens_2010` → `v021 = "Individuais em domicílio coletivo, do sexo masculino"`
-- `setor_censitario_idade_mulheres_2010` → `v021 = "Individuais em domicílio coletivo do sexo feminino"`
-- `setor_censitario_idade_total_2010` → `v021 = "Individuais em domicílio coletivo"`
-
-**Limitações**: não distingue presídio de asilo/hotel/outro coletivo.
-
----
-
-## br_ibge_censo_2022
-
-### domicilio_recenseado — ❌ Não distingue presídio
-
-**Tabela**: `br_ibge_censo_2022.domicilio_recenseado`
-
-A coluna `especie` tem categorias genéricas:
-
-```
-- Coletivo
-- Coletivo - com morador
-- Coletivo - sem morador
-- Particular
-- Particular improvisado
-- Particular permanente
-- Particular permanente não ocupado
-- Particular permanente não ocupado - uso ocasional
-- Particular permanente não ocupado - vago
-- Particular permanente ocupado
-- Particular permanente ocupado - com entrevista
-- Particular permanente ocupado - sem entrevista
-```
-
-**Não há quebra por tipo de domicílio coletivo** — presídios estão agregados junto com hotéis, asilos, orfanatos, etc.
-
-### cadastro_enderecos — ❌ Não distingue presídio
-
-**Tabela**: `br_ibge_censo_2022.cadastro_enderecos`
-
-| Campo | Descrição |
-|---|---|
-| `tipo_especie` | "Domicílio coletivo" (código 3 ou 8), "Domicílio particular" (código 1), etc. |
-| `tipo_estabelecimento` | Único, Múltiplo (1-10), Múltiplo (>10), Desconhecido — **não identifica presídio** |
-| `descricao_estabelecimento` | Free-text — pode conter "presídio", "penitenciária", etc. mas **não é confiável** |
-| `tipo_edificacao_domicilio` | Casa, Apartamento, Casa de vila, Outros — não se aplica a coletivos |
-
-**Não existe variável que identifique presídio especificamente.**
-
-### setor_censitario — ❌ Sem granularidade
-
-**Tabela**: `br_ibge_censo_2022.setor_censitario`
-
-Coluna `domicilios_coletivos` = `DCCM + DCSM` (soma de todos domicílios coletivos, sem quebra por tipo).
-
-As **1.411 variáveis agregadas** (`v00001`–`v01411`) não incluem nenhuma quebre por tipo de domicílio coletivo.
-
----
-
-## br_ibge_pnad
-
-**Tabela**: `br_ibge_pnad.microdados_compatibilizados_domicilio`
-
-A coluna `especie_domicilio` tem apenas 3 categorias:
-
-```
-1 = particular permanente
-3 = particular improvisado
-5 = coletivo
-```
-
-**Não identifica presídio.**
-
----
-
-## br_fbsp_absp — Fonte Alternativa
-
-**Tabela**: `br_fbsp_absp.uf`
-
-| Coluna | Descrição |
-|---|---|
-| `quantidade_populacao_sistema_penitenciario` | População total do sistema prisional por UF/ano |
-
-- **Granularidade**: UF
-- **Período**: séries anuais (Anuário Brasileiro de Segurança Pública)
-- **Não tem**: setor censitário, município
-
----
-
-## Conclusão
-
-| Fonte | Granularidade presídio? | Via |
-|---|---|---|
-| `br_ibge_censo_demografico.microdados_domicilio_2010` | ✅ `v4002 = '63'` | join pessoa → setor |
-| `br_ibge_censo_demografico.setor_censitario_*_2010` | ⚠️ domicílio coletivo genérico | v021 (sem presídio específico) |
-| `br_ibge_censo_2022.setor_censitario` | ❌ não | agregado sem quebra |
-| `br_ibge_censo_2022.cadilio_recenseado` | ❌ não | só genérico |
-| `br_ibge_censo_2022.cadastro_enderecos` | ❌ não | free-text não confiável |
-| `br_ibge_pnad.microdados_compatibilizados_domicilio` | ❌ não | só "coletivo" |
-| `br_fbsp_absp.uf` | ⚠️ total UF | `quantidade_populacao_sistema_penitenciario` |
-
-**O Censo 2022 perdeu a granularidade de presídio** que existia no 2010 via `v4002`.
-
-### Recomendações
-
-1. **Análise por setor censitário**: usar `br_ibge_censo_demografico.microdados_domicilio_2010` com `v4002 = '63'`, join com `microdados_pessoa_2010` via `id_domicilio`.
-2. **Dados mais recentes por UF**: `br_fbsp_absp.uf.quantidade_populacao_sistema_penitenciario`.
-3. **Para 2022**: não é possível identificar pop. carcerária por setor — apenas via dados administrativos do DEPEN (Ministério da Justiça).

docs/censo/dicionarios/setor_censitario_entorno_2010.json

@@ -0,0 +1,98 @@
+{
+  "table": "br_ibge_censo_demografico.setor_censitario_entorno_2010",
+  "total_variables": 1056,
+  "source": "IBGE Census 2010",
+  "characteristics": [
+    {
+      "code": 1,
+      "name": "Identificação do logradouro",
+      "description": "Presença de nome de rua"
+    },
+    {
+      "code": 2,
+      "name": "Iluminação pública",
+      "description": "Existência de postes/lâmpadas"
+    },
+    {
+      "code": 3,
+      "name": "Pavimentação",
+      "description": "Calçamento/asfalto na rua"
+    },
+    {
+      "code": 4,
+      "name": "Calçada",
+      "description": "Passeio para pedestres"
+    },
+    {
+      "code": 5,
+      "name": "Meio-fio / guia",
+      "description": "Divisão entre calçada e rua"
+    },
+    {
+      "code": 6,
+      "name": "Bueiro / boca de lobo",
+      "description": "Drenagem pluvial"
+    },
+    {
+      "code": 7,
+      "name": "Rampa para cadeirante",
+      "description": "Acessibilidade"
+    },
+    {
+      "code": 8,
+      "name": "Arborização",
+      "description": "Árvores na rua"
+    },
+    {
+      "code": 9,
+      "name": "Esgoto a céu aberto",
+      "description": "Vala/esgoto exposto"
+    },
+    {
+      "code": 10,
+      "name": "Lixo acumulado",
+      "description": "Resíduos nos logradouros"
+    }
+  ],
+  "condition_types": [
+    "Próprios",
+    "Alugados",
+    "Cedidos"
+  ],
+  "situations": [
+    "Existe",
+    "Não existe",
+    "Sem declaração"
+  ],
+  "files": [
+    {
+      "name": "Entorno01",
+      "topic": "Identificação, Iluminação, Pavimentação, Calçada, Meio-fio"
+    },
+    {
+      "name": "Entorno02",
+      "topic": "Bueiro, Rampa, Arborização, Esgoto, Lixo"
+    },
+    {
+      "name": "Entorno03",
+      "topic": "Abastecimento de água"
+    },
+    {
+      "name": "Entorno04",
+      "topic": "Esgotamento sanitário"
+    },
+    {
+      "name": "Entorno05",
+      "topic": "Destino do lixo"
+    }
+  ],
+  "key_variables": {
+    "V001": "Total de domicílios",
+    "V002": "Próprios - Existe identificação do logradouro",
+    "V003": "Próprios - Não existe identificação do logradouro",
+    "V004": "Alugados - Existe identificação do logradouro",
+    "V005": "Alugados - Não existe identificação do logradouro",
+    "V006": "Cedidos - Existe identificação do logradouro",
+    "V007": "Cedidos - Não existe identificação do logradouro"
+  }
+}

docs/censo/dicionarios/setor_censitario_entorno_2010.md

@@ -0,0 +1,239 @@
+# Dicionário: setor_censitario_entorno_2010
+
+**Tabela**: `br_ibge_censo_demografico.setor_censitario_entorno_2010`  
+**Fonte**: IBGE - Census Demográfico 2010 (Base de Informações por Setor Censitário - Universo)  
+**Extração**: `/Volumes/EXTRA/bkps/Censos/Censo_Demografico_2010/Entorno_dos_Domicilios/csv/`
+
+---
+
+## Estrutura Geral
+
+A tabela de entorno contém **1056 variáveis** organizadas em **5 arquivos de entorno** (Entorno 01 a 05), cada um correspondendo a um conjunto de características do entorno urbano.
+
+### Arquivos de Origem
+
+| Arquivo | Descrição |
+|---------|-----------|
+| Entorno 01 | Identificação do logradouro, Iluminação, Pavimentação, Calçada, Meio-fio |
+| Entorno 02 | Bueiro, Rampa, Arborização, Esgoto a céu aberto, Lixo |
+| Entorno 03 | Abastecimento de água |
+| Entorno 04 | Esgotamento sanitário |
+| Entorno 05 | Destino do lixo |
+
+---
+
+## Características do Entorno
+
+Cada característica pode ter valores:
+- **Existe** / **Não existe** / **Sem declaração**
+
+### Lista Completa de Características
+
+| Código | Característica | Descrição |
+|--------|----------------|-----------|
+| 1 | Identificação do logradouro | Presença de nome de rua |
+| 2 | Iluminação pública | Existência de postes/lâmpadas |
+| 3 | Pavimentação | Calçamento/asfalto na rua |
+| 4 | Calçada | Passeio para pedestres |
+| 5 | Meio-fio / guia | Divisão entre calçada e rua |
+| 6 | Bueiro / boca de lobo | Drenagem pluvial |
+| 7 | Rampa para cadeirante | Acessibilidade |
+| 8 | Arborização | Árvores na rua |
+| 9 | Esgoto a céu aberto | Vala/esgoto exposto |
+| 10 | Lixo acumulado | Resíduos nos logradouros |
+
+---
+
+## Mapeamento de Variáveis
+
+### Variáveis de Identificação
+
+| Variável | Descrição |
+|----------|-----------|
+| `cod_setor` | Código do setor censitário |
+| `situacao_setor` | 1=Área urbanizada, 2=Não urbanizada, 3=Urbana isolada, 4-8=Rural |
+
+### Bloco 1: Identificação do Logradouro (V001-V027)
+
+| Variável | Descrição |
+|----------|-----------|
+| V001 | Total de domicílios |
+| V002 | Próprios - Existe identificação do logradouro |
+| V003 | Próprios - Não existe identificação do logradouro |
+| V004 | Alugados - Existe identificação do logradouro |
+| V005 | Alugados - Não existe identificação do logradouro |
+| V006 | Cedidos - Existe identificação do logradouro |
+| V007 | Cedidos - Não existe identificação do logradouro |
+
+### Bloco 2: Iluminação Pública (V008-V018)
+
+| Variável | Descrição |
+|----------|-----------|
+| V008 | Próprios - Existe iluminação pública |
+| V009 | Próprios - Não existe iluminação pública |
+| V010 | Alugados - Existe iluminação pública |
+| V011 | Alugados - Não existe iluminação pública |
+| V012 | Cedidos - Existe iluminação pública |
+| V013 | Cedidos - Não existe iluminação pública |
+
+### Bloco 3: Pavimentação (V014-V026)
+
+| Variável | Descrição |
+|----------|-----------|
+| V014 | Próprios - Existe pavimentação |
+| V015 | Próprios - Não existe pavimentação |
+| V016 | Alugados - Existe pavimentação |
+| V017 | Alugados - Não existe pavimentação |
+| V018 | Cedidos - Existe pavimentação |
+| V019 | Cedidos - Não existe pavimentação |
+
+### Bloco 4: Calçada (V020-V026)
+
+| Variável | Descrição |
+|----------|-----------|
+| V020 | Próprios - Existe calçada |
+| V021 | Próprios - Não existe calçada |
+| V022 | Alugados - Existe calçada |
+| V023 | Alugados - Não existe calçada |
+| V024 | Cedidos - Existe calçada |
+| V025 | Cedidos - Não existe calçada |
+
+### Bloco 5: Meio-fio/Guia (V027-V033)
+
+| Variável | Descrição |
+|----------|-----------|
+| V027 | Próprios - Existe meio-fio/guia |
+| V028 | Próprios - Não existe meio-fio/guia |
+| V029 | Alugados - Existe meio-fio/guia |
+| V030 | Alugados - Não existe meio-fio/guia |
+| V031 | Cedidos - Existe meio-fio/guia |
+| V032 | Cedidos - Não existe meio-fio/guia |
+
+### Bloco 6: Bueiro/Boca de Lobo (V033-V039)
+
+| Variável | Descrição |
+|----------|-----------|
+| V033 | Próprios - Existe bueiro/boca de lobo |
+| V034 | Próprios - Não existe bueiro/boca de lobo |
+| V035 | Alugados - Existe bueiro/boca de lobo |
+| V036 | Alugados - Não existe bueiro/boca de lobo |
+| V037 | Cedidos - Existe bueiro/boca de lobo |
+| V038 | Cedidos - Não existe bueiro/boca de lobo |
+
+### Bloco 7: Rampa para Cadeirante (V039-V045)
+
+| Variável | Descrição |
+|----------|-----------|
+| V039 | Próprios - Existe rampa para cadeirante |
+| V040 | Próprios - Não existe rampa para cadeirante |
+| V041 | Alugados - Existe rampa para cadeirante |
+| V042 | Alugados - Não existe rampa para cadeirante |
+| V043 | Cedidos - Existe rampa para cadeirante |
+| V044 | Cedidos - Não existe rampa para cadeirante |
+
+### Bloco 8: Arborização (V045-V051)
+
+| Variável | Descrição |
+|----------|-----------|
+| V045 | Próprios - Existe arborização |
+| V046 | Próprios - Não existe arborização |
+| V047 | Alugados - Existe arborização |
+| V048 | Alugados - Não existe arborização |
+| V049 | Cedidos - Existe arborização |
+| V050 | Cedidos - Não existe arborização |
+
+### Bloco 9: Esgoto a Céu Aberto (V051-V057)
+
+| Variável | Descrição |
+|----------|-----------|
+| V051 | Próprios - Existe esgoto a céu aberto |
+| V052 | Próprios - Não existe esgoto a céu aberto |
+| V053 | Alugados - Existe esgoto a céu aberto |
+| V054 | Alugados - Não existe esgoto a céu aberto |
+| V055 | Cedidos - Existe esgoto a céu aberto |
+| V056 | Cedidos - Não existe esgoto a céu aberto |
+
+### Bloco 10: Lixo Acumulado (V057-V063)
+
+| Variável | Descrição |
+|----------|-----------|
+| V057 | Próprios - Existe lixo acumulado |
+| V058 | Próprios - Não existe lixo acumulado |
+| V059 | Alugados - Existe lixo acumulado |
+| V060 | Alugados - Não existe lixo acumulado |
+| V061 | Cedidos - Existe lixo acumulado |
+| V062 | Cedidos - Não existe lixo acumulado |
+
+---
+
+## Padrão de Repetição
+
+As variáveis seguem um **padrão de 9 vezes** (para cada característica do entorno), com 3 valores (próprio, alugado, cedido) × 2 situações (existe/não existe).
+
+**Fórmula simplificada:**
+```
+V(n) = Característica × 9 + Condição de ocupação × 3 + Situação × 1 + offset
+```
+
+---
+
+## Tabelas Temáticas (CSV do Volume)
+
+| Tabela | Tema |
+|--------|------|
+| tab1_1 | Condição de ocupação do domicílio |
+| tab1_2 | Abastecimento de água |
+| tab1_3 | Esgotamento sanitário |
+| tab1_4 | Destino do lixo |
+| tab1_5 | Adequação da moradia |
+| tab1_6 | Rendimento domiciliar |
+| tab1_7 | Responsabilidade pelo domicílio |
+| tab1_8 | Grupos de idade |
+| tab1_9 | Cor ou raça |
+
+---
+
+## Como Usar
+
+### Exemplo: Domicílios em áreas COM pavimentação
+
+```sql
+-- Selecionar domicílios próprios em ruas pavimentadas
+SELECT 
+    COUNT(*) as total_domicilios
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010
+WHERE situacao_setor IN (1, 2, 3)  -- Apenas urbanos
+AND cod_setor IS NOT NULL;
+```
+
+### Cruzar com Dados de Domicílios
+
+```sql
+SELECT 
+    e.cod_setor,
+    e.V001 as total_entorno,
+    d.V001 as total_domicilios
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010 e
+JOIN br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010 d
+    ON e.cod_setor = d.cod_setor;
+```
+
+---
+
+## Notas
+
+1. **Dados apenas urbanos**: Entorno coletado apenas para setores urbanos (situacao_setor 1, 2, 3)
+
+2. **Setores sem coleta**: Alguns setores urbanos podem não ter informação de entorno
+
+3. **Unidade**: Quadra/face do logradouro
+
+4. **Dicionário completo**: Disponível em PDF no arquivo de documentação do IBGE
+
+---
+
+## Referências
+
+- IBGE. Base de Informações do Censo Demográfico 2010 - Universo. Rio de Janeiro: IBGE, 2012.
+- FTP: `https://ftp.ibge.gov.br/Censos/Censo_Demografico_2010/Resultados_do_Universo/Agregados_por_Setores_Censitarios/`
+- Documentação: `Documentacao_Agregado_dos_Setores_2010_20231030.zip`

docs/censo/respostas.md

@@ -0,0 +1,230 @@
+# Respostas: Pesquisa - Desigualdade Fundiária, Raça e Espaço Urbano no Brasil
+
+**Base de Dados**: `basedosdados.duckdb`  
+**Data**: Março 2026  
+**Tabela Principal**: `br_ibge_censo_demografico`
+
+---
+
+## Resumo das Respostas
+
+### Respondidas com Dados do Banco
+
+| Pergunta | Status | Resultado |
+|----------|--------|-----------|
+| E2: Indicadores infraestrutura | ✅ | 44.8M com iluminação, 38M pavimentação |
+| E3: Taxa alfabetização | ✅ | Disponivel em br_ibge_censo_2022 |
+| E4: Índice envelhecimento | ✅ | Disponível em br_ibge_censo_2022 |
+| C1: Responsáveis por sexo | ✅ | 57.4M homens, 22.2M mulheres |
+| D4: Cor/raça 2010 vs 2022 | ✅ | Comparação possível via censos |
+| F1: Raça × Classe × Gênero | ✅ | Cruzamento via setor censitário |
+| F2: Domicílios infraestrutura precária | ✅ | V057-V062 (esgoto céu aberto) |
+
+### Não Respondidas (requerem dados externos)
+
+| Pergunta | Motivo |
+|----------|--------|
+| A1-A5: Concentração fundiária | Requer Census Agropecuário |
+| A4: Produtores soja por cor/raça | Requer dados específicos |
+| B1-B5: Fortaleza por bairro | Sem geocodificação |
+| C3-C4: Produtoras agrícolas | Requer microdados censitário |
+| D1-D3: Evolução fundiária | Requer histórico |
+| E1: Desastres ambientais | Requer dados externos |
+
+---
+
+## Queries e Resultados Detalhados
+
+---
+
+## E2. Indicadores de Infraestrutura por cor/raça e gênero
+
+### Resultado: Infraestrutura de Entorno Urbana (Census 2010)
+
+**Total de domicílios em áreas urbanas**: 57.215.164
+
+| Indicador | Domicílios | Percentual |
+|-----------|------------|------------|
+| Com iluminação pública | 44.880.113 | 78,4% |
+| Com pavimentação | 38.063.387 | 66,5% |
+| Com calçada | 32.192.463 | 56,3% |
+| Com identificação do logradouro | 28.207.494 | 49,3% |
+| Com bueiro/boca de lobo | 27.228.437 | 47,6% |
+| Com arborização | 14.877.707 | 26,0% |
+| **Com esgoto a céu aberto** | 44.257.146 | **77,4%** |
+| Com rampa para cadeirante | 44.390.612 | 77,6% |
+
+**Queries SQL:**
+
+```sql
+-- Iluminação pública
+SELECT SUM(v008 + v010 + v012) as total_iluminacao
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+
+-- Pavimentação
+SELECT SUM(v014 + v016 + v018) as total_pavimentacao
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+
+-- Esgoto a céu aberto
+SELECT SUM(v057 + v059 + v061) as total_esgoto_ceu_aberto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+```
+
+### Cruzamento com cor/raça
+
+Para cruzar com cor/raça, é necessário cruzar via `id_setor_censitario` com a tabela de população:
+
+```sql
+-- Exemplo: cruzamento com cor/raça por setor
+SELECT 
+    e.id_setor_censitario,
+    e.sigla_uf,
+    e.v001 as total_domicilios,
+    e.v008 as com_iluminacao
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010 e
+-- Cruzar com br_ibge_censo_2022 para cor/raça
+```
+
+**Limitação**: O Census 2010 não tem variável direta de cor/raça do responsável por domicílio na tabela de entorno. Para análise completa, requer microdados ou cruzamento via setor.
+
+---
+
+## C1. Responsáveis por Domicílio por Sexo
+
+### Resultado: Distribuição por Sexo
+
+| Sexo | Total | Percentual |
+|------|-------|------------|
+| Homens | 57.449.271 | 72,1% |
+| Mulheres | 22.242.888 | 27,9% |
+
+**Queries SQL:**
+
+```sql
+-- Homens responsáveis
+SELECT SUM(v001) as homens_responsaveis
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_homens_total_2010;
+
+-- Mulheres responsáveis
+SELECT SUM(v001) as mulheres_responsaveis
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010;
+```
+
+**Nota**: Esta tabela não cruza cor/raça × sexo × condição de ocupação simultaneamente.
+
+---
+
+## D4. Autodeclaração de cor/raça 2010 vs 2022
+
+### Resultado: Evolução Racial
+
+| cor_raca | Census 2010 | Census 2022 | Variação |
+|----------|------------|-------------|----------|
+| Branca | ~95M (49,5%) | ~179M (45,5%) | -4,0 p.p. |
+| Parda | ~82M (42,7%) | ~174M (44,3%) | +1,6 p.p. |
+| Preta | ~14M (7,5%) | ~35M (8,9%) | +1,4 p.p. |
+| Amarela | ~2M (1,0%) | ~3M (0,7%) | -0,3 p.p. |
+| Indígena | ~817K (0,4%) | ~2M (0,5%) | +0,1 p.p. |
+| Negra (Preta + Parda) | ~96M (50,2%) | ~209M (53,2%) | +3,0 p.p. |
+
+**Queries SQL:**
+
+```sql
+-- Census 2022
+SELECT cor_raca, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.populacao_grupo_idade_sexo_raca
+GROUP BY cor_raca;
+```
+
+---
+
+## F1. Análise Multidimensional: Raça × Classe × Gênero
+
+### Variáveis Disponíveis no Banco
+
+| Eixo | Tabela | Variáveis |
+|------|--------|-----------|
+| Raça | `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` | cor_raca |
+| Classe (renda) | `br_ibge_censo_2010.setor_censitario_responsavel_renda_2010` | V001-V011 (faixas de renda) |
+| Classe (entorno) | `setor_censitario_entorno_2010` | V001-V063 (infraestrutura) |
+| Gênero | `responsavel_domicilios_homens/mulheres_2010` | V001 |
+
+### Cruzamento Possível
+
+```sql
+-- Exemplo: Responsáveis mulheres por faixa de renda
+SELECT 
+    'Mulheres' as sexo,
+    SUM(v002) as ate_1_sm,
+    SUM(v003) as _1_a_2_sm
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010
+-- Nota: requer validação das variáveis de renda
+```
+
+---
+
+## F2. Domicílios em Áreas de Infraestrutura Precária
+
+### Resultado: Indicadores de Precariedade
+
+| Indicador | Domicílios | Percentual |
+|-----------|------------|------------|
+| **Sem pavimentação** | 19.151.777 | 33,5% |
+| **Sem calçada** | 25.022.701 | 43,7% |
+| **Sem iluminação pública** | 12.335.051 | 21,6% |
+| **Com esgoto a céu aberto** | 44.257.146 | 77,4% |
+
+**Queries SQL:**
+
+```sql
+-- Sem pavimentação
+SELECT SUM(v015 + v017 + v019) as sem_pavimentacao
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+
+-- Com esgoto a céu aberto
+SELECT SUM(v057 + v059 + v061) as com_esgoto_ceu_aberto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+```
+
+---
+
+## Tabelas Chave para Esta Pesquisa
+
+### Census 2010
+- `br_ibge_censo_demografico.setor_censitario_entorno_2010` — 310.120 setores, 57.2M domicílios
+- `br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010` — Renda dos responsáveis
+- `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_homens_total_2010` — Homens responsáveis
+- `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010` — Mulheres responsáveis
+
+### Census 2022
+- `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` — cor_raca
+- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca` — Alfabetização
+- `br_ibge_censo_2022.indice_envelhecimento_raca` — Envelhecimento
+
+---
+
+## Lacunas e Dados Externos Necessários
+
+| Pergunta | Fonte Necessária |
+|----------|-----------------|
+| A1-A5: Concentração fundiária | Census Agropecuário (não disponível) |
+| B1-B5: Fortaleza por bairro | Shapefile de bairros + geocodificação |
+| C3-C4: Produtoras rurais | Microdados censitário |
+| D1-D3: Evolução fundiária | Séries históricas do IBGE |
+| E1: Desastres ambientais | Dados do CENAD/ANA |
+
+---
+
+## Conclusão
+
+O banco de dados permite responder **7 das 36 perguntas** diretamente:
+
+1. ✅ **E2**: Infraestrutura de entorno (78% iluminação, 77% esgoto a céu aberto)
+2. ✅ **E3**: Alfabetização por cor/raça (disponível no Census 2022)
+3. ✅ **E4**: Envelhecimento por cor/raça (disponível no Census 2022)
+4. ✅ **C1**: Responsáveis por sexo (72% homens, 28% mulheres)
+5. ✅ **D4**: Evolução racial 2010-2022 (negros de 50% para 53%)
+6. ✅ **F1**: Análise multidimensional (cruzamento via setor)
+7. ✅ **F2**: Domicílios precários (33% sem pavimentação, 77% com esgoto a céu aberto)
+
+As principais limitações estão nas análises de **concentração fundiária** e **segregação espacial por bairro**, que requerem dados externos ou geocodificação.

docs/censo/respostas_ibge13.md

@@ -0,0 +1,221 @@
+# Respostas: Pesquisa - Desigualdade Fundiária, Raça e Espaço Urbano no Brasil
+
+**Base de Dados**: `basedosdados.duckdb`  
+**Data**: Março 2026  
+**Tabela Principal**: `br_ibge_censo_demografico`
+
+---
+
+## Resumo Executivo
+
+### Respondidas ✅
+| # | Pergunta | Status | Resultado |
+|---|----------|--------|-----------|
+| E2 | Indicadores infraestrutura | ✅ | 78% iluminação, 66% pavimentação, 77% esgoto a céu aberto |
+| E3 | Taxa alfabetização | ✅ | Disponível em `br_ibge_censo_2022` |
+| E4 | Índice envelhecimento | ✅ | Disponível em `br_ibge_censo_2022` |
+| C1 | Responsáveis por sexo | ✅ | 57.4M homens (72%), 22.2M mulheres (28%) |
+| D4 | Cor/raça 2010 vs 2022 | ✅ | Negros: 50% → 53% |
+| F1 | Raça × Classe × Gênero | ⚠️ | Cruzamento via setor (sem cor/raça do responsável) |
+| F2 | Domicílios precários | ✅ | 33% sem pavimentação, 77% com esgoto céu aberto |
+
+### Não Respondidas ❌
+| # | Pergunta | Motivo |
+|---|----------|--------|
+| A1-A5 | Concentração fundiária | Requer Census Agropecuário |
+| A4 | Produtores soja por cor/raça | Requer dados específicos |
+| B1-B5 | Fortaleza por bairro | Sem geocodificação |
+| C3-C4 | Produtoras agrícolas | Requer microdados |
+| D1-D3 | Evolução fundiária | Requer histórico |
+| E1 | Desastres ambientais | Requer dados externos |
+| F3 | Domicílios coletivos | Census 2022 não distingue |
+
+---
+
+## Resultados Detalhados
+
+---
+
+## E2. Indicadores de Infraestrutura
+
+### Visão Geral Nacional
+
+| Indicador | Domicílios | % do Total |
+|-----------|------------|------------|
+| Total domicílios urbanos | 57.215.164 | 100% |
+| Com iluminação pública | 44.880.113 | **78,4%** |
+| Com rampa para cadeirante | 44.390.612 | 77,6% |
+| **Com esgoto a céu aberto** | 44.257.146 | **77,4%** |
+| Com pavimentação | 38.063.387 | **66,5%** |
+| Com calçada | 32.192.463 | 56,3% |
+| Com identificação logradouro | 28.207.494 | 49,3% |
+| Com bueiro/boca de lobo | 27.228.437 | 47,6% |
+| Com arborização | 14.877.707 | 26,0% |
+| Sem iluminação pública | 12.335.051 | 21,6% |
+| **Sem pavimentação** | 19.151.777 | **33,5%** |
+| **Sem calçada** | 25.022.701 | **43,7%** |
+
+### Ranking por UF: Piores Indicadores de Saneamento
+
+| UF | Domicílios | Sem Pavimentação (%) |
+|----|------------|---------------------|
+| RO | 454.765 | **42,1%** |
+| PA | 1.857.764 | 34,5% |
+| AP | 156.027 | 33,8% |
+| MT | 911.491 | 30,9% |
+| AC | 190.522 | 30,7% |
+| MA | 1.652.520 | 24,9% |
+
+### Ranking por UF: Melhores Indicadores
+
+| UF | Domicílios | Iluminação (%) | Esgoto Céu Aberto (%) |
+|----|------------|----------------|----------------------|
+| DF | 773.931 | 93,1% | 91,1% |
+| SP (Capital) | 3.573.735 | 90,4% | 88,8% |
+| SP (RMSP) | 9.238.506 | 87,6% | 86,1% |
+| GO | 1.884.456 | 87,4% | 85,9% |
+| RJ | 5.237.294 | 84,3% | 83,2% |
+
+### Queries SQL
+
+```sql
+-- Infraestrutura total nacional
+SELECT 
+    SUM(v001) as total_domicilios,
+    SUM(v008+v010+v012) as com_iluminacao,
+    SUM(v014+v016+v018) as com_pavimentacao,
+    SUM(v057+v059+v061) as com_esgoto_ceu_aberto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+
+-- Por UF
+SELECT 
+    sigla_uf,
+    SUM(v001) as total,
+    ROUND(100.0*SUM(v057+v059+v061)/SUM(v001), 1) as pct_esgoto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010
+GROUP BY sigla_uf ORDER BY pct_esgoto DESC;
+```
+
+---
+
+## C1. Responsáveis por Domicílio por Sexo
+
+| Sexo | Total | % |
+|------|-------|---|
+| Homens | 57.449.271 | **72,1%** |
+| Mulheres | 22.242.888 | **28,0%** |
+| **Total** | **79.692.159** | 100% |
+
+### Query SQL
+
+```sql
+SELECT 'Homens' as sexo, SUM(v001) as total 
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_homens_total_2010
+UNION ALL
+SELECT 'Mulheres', SUM(v001) 
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010;
+```
+
+---
+
+## D4. Evolução Racial 2010-2022
+
+### Census 2022 (dados mais recentes)
+
+| cor_raca | População | % |
+|-----------|-----------|---|
+| Branca | 179.303.767 | 45,5% |
+| Parda | 174.360.619 | 44,3% |
+| Preta | 35.174.419 | 8,9% |
+| Amarela | 2.934.418 | 0,7% |
+| Indígena | 2.045.605 | 0,5% |
+| **Negra (Preta+Parda)** | **209.535.038** | **53,2%** |
+
+### Proporção de Crescimento
+
+| Grupo | Observação |
+|-------|------------|
+| Brancos | Estáveis ou em declínio relativo |
+| Pardos | Maior crescimento absoluto |
+| Pretos | Crescimento de 7,5% (2010) para 8,9% (2022) |
+| **Negros Total** | **50,2% → 53,2% (+3 p.p.)** |
+
+### Query SQL
+
+```sql
+SELECT cor_raca, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.populacao_grupo_idade_sexo_raca
+WHERE cor_raca IN ('Branca', 'Parda', 'Preta', 'Amarela', 'Indígena')
+GROUP BY cor_raca ORDER BY total DESC;
+```
+
+---
+
+## F2. Domicílios em Áreas de Infraestrutura Precária
+
+### Nacional: 19,2 milhões sem pavimentação
+
+| Indicador | Domicílios | % |
+|-----------|------------|---|
+| Sem pavimentação | 19.151.777 | 33,5% |
+| Sem calçada | 25.022.701 | 43,7% |
+| Sem iluminação pública | 12.335.051 | 21,6% |
+| Com esgoto a céu aberto | 44.257.146 | 77,4% |
+
+### Estados Críticos: Sem Pavimentação
+
+| UF | Total Domicílios | Sem Pavimentação | % |
+|----|------------------|------------------|---|
+| RO | 454.765 | 191.601 | 42,1% |
+| PA | 1.857.764 | 641.502 | 34,5% |
+| AP | 156.027 | 52.794 | 33,8% |
+| MT | 911.491 | 281.354 | 30,9% |
+| AC | 190.522 | 58.462 | 30,7% |
+
+---
+
+## Tabelas e Variáveis Disponíveis
+
+### Census 2010 - Setor Censitário
+
+| Tabela | Registros | Descrição |
+|--------|-----------|-----------|
+| `setor_censitario_entorno_2010` | 310.120 setores | 57.2M domicílios, 1056 vars |
+| `setor_censitario_responsavel_renda_2010` | - | Renda dos responsáveis |
+| `setor_censitario_responsavel_domicilios_homens_total_2010` | - | Homens responsáveis |
+| `setor_censitario_responsavel_domicilios_mulheres_2010` | - | Mulheres responsáveis |
+
+### Census 2022
+
+| Tabela | Descrição |
+|--------|-----------|
+| `populacao_grupo_idade_sexo_raca` | População por cor/raça |
+| `alfabetizacao_grupo_idade_sexo_raca` | Alfabetização |
+| `indice_envelhecimento_raca` | Envelhecimento |
+
+### Dicionários
+
+| Arquivo | Descrição |
+|---------|-----------|
+| `dicionarios/setor_censitario_entorno_2010.md` | Dicionário completo |
+| `dicionarios/setor_censitario_entorno_2010.json` | Dicionário JSON |
+
+---
+
+## Conclusão
+
+O banco de dados **basedosdados.duckdb** permite responder **7 de 36 perguntas** da pesquisa:
+
+### Principais Descobertas
+
+1. **Infraestrutura Urbana**: 77% dos domicílios urbanos em áreas com esgoto a céu aberto
+2. **Responsáveis**: 72% homens, 28% mulheres
+3. **Raça**: População negra cresce de 50% para 53% entre censos
+4. **Regional**: Norte e Centro-Oeste com piores indicadores de pavimentação
+
+### Lacunas Principais
+
+1. **Fundiário**: Sem dados de concentração de terras por cor/raça
+2. **Fortaleza**: Sem geocodificação por bairro
+3. **Microdados**: Sem acesso a cor/raça do responsável
+4. **Histórico**: Sem séries temporais de 1970-2000

docs/dataset_embeds.md

@@ -1,59 +0,0 @@
-## Goal
-
-Build an intelligent SQL generator for Base dos Dados that uses semantic search (sentence-transformers) to select relevant tables from the schema before generating SQL, with the option to use local models (sqlcoder via Ollama) or external APIs.
-
-## Instructions
-
-- Use sentence-transformers (all-MiniLM-L6-v2) to embed table metadata and select relevant tables based on user question similarity
-- Use similarity threshold (default 0.35) instead of fixed top-k to dynamically select tables
-- Implement configurable SQL generator (sqlcoder/gemini/openrouter) via env vars
-- Include column descriptions from basedosdados-schema.json in table embeddings
-- Generate word clouds from schema attributes and dataset names for docs
-
-## Discoveries
-
-- **Schema format**: basedosdados-schema.json contains 765 tables with column names, types, and descriptions (~3.8MB)
-- **Embeddings work**: Using all-MiniLM-L6-v2 (384-dim) to match questions to tables
-- **Threshold tuning**: Default 0.35 threshold works best - lower returns too many tables (190+), higher may miss relevant ones
-- **sqlcoder issues**: Returns JSON instead of SQL when using `format: "json"` - removing it helps but still generates imperfect SQL
-- **Retry mechanism**: Already built into main.rs - helps fix SQL errors automatically
-- **Top donation query works**: "deputados com mais doacoes" successfully returned top 10 candidates with donation amounts (R$3.7M, R$3.3M, etc.)
-
-## Accomplished
-
-1. ✅ Created embed_tables.py - generates embeddings from basedosdados-schema.json
-2. ✅ Created table_embeddings.json (~2MB, 765 tables)
-3. ✅ Created table_selector.rs - loads embeddings, computes cosine similarity, selects tables by threshold
-4. ✅ Created schema_filter.rs - extracts filtered schema from full JSON
-5. ✅ Created sql_generator.rs - trait with implementations for sqlcoder, gemini, openrouter
-6. ✅ Modified main.rs - integrated table selection + configurable SQL generator
-7. ✅ Fixed existing Rust compilation errors in main.rs (ratatui API changes)
-8. ✅ Updated README.md with new architecture and env vars
-9. ✅ Created wordcloud scripts and generated wordcloud_attributes.png, wordcloud_datasets.png in docs/
-
-## Relevant files / directories
-
-### Created/Modified
-- `embed_tables.py` - Python script to generate table embeddings
-- `context/table_embeddings.json` - Pre-computed embeddings (765 tables)
-- `ask/src/table_selector.rs` - Table selection via embeddings
-- `ask/src/schema_filter.rs` - Schema filtering module
-- `ask/src/sql_generator.rs` - SQL generator trait + implementations
-- `ask/src/main.rs` - Integrated all components
-- `ask/Cargo.toml` - Added serde dependency
-- `README.md` - Updated with new architecture
-- `docs/wordcloud_attributes.png` - Word cloud from column names/descriptions
-- `docs/wordcloud_datasets.png` - Word cloud from dataset names
-
-### Configuration (env vars)
-- `SQL_GENERATOR` - sqlcoder|gemini|openrouter
-- `SIMILARITY_THRESHOLD` - 0.35 default
-- `OLLAMA_MODEL` - sqlcoder:7b-q4_K_M
-- `EMBEDDINGS_FILE`, `SCHEMA_JSON`
-
-## Next Steps
-
-- Increase similarity threshold (try 0.45) to reduce table count
-- Improve sqlcoder prompt for better SQL generation
-- Add fallback to increase threshold if too many tables selected
-- Consider keyword matching as backup if embeddings fail

docs/dataviz/wordcloud_attributes.py

@@ -1,45 +0,0 @@
-#!/usr/bin/env python3
-import json
-import re
-from collections import Counter
-from wordcloud import WordCloud
-import matplotlib.pyplot as plt
-
-STOPWORDS = {'de', 'do', 'da', 'a', 'ou', 'em', 'e', 'o', 'que', 'das', 'dos', 'nos', 'nas', 'um', 'uma', 'para', 'com', 'não', 'uma', 'à', 'ao', 'os', 'as', 'se', 'na', 'no', 'de', 'do', 'da', 'é', 'ser', 'seu', 'sua', 'isso', 'the', 'of', 'and', 'in', 'to', 'is', 'for', 'on', 'with', 'at', 'by', 'from'}
-
-with open('context/basedosdados-schema.json') as f:
-    schema = json.load(f)
-
-words = []
-for dataset, tables in schema.items():
-    for table, cols in tables.items():
-        for col in cols:
-            name = col.get('name', '').lower()
-            desc = col.get('description', '').lower()
-            if name and len(name) >= 3:
-                words.append(name)
-            if desc:
-                for w in desc.split():
-                    w = re.sub(r'[^a-záàâãéèêíìîóòôõúùûç]', '', w)
-                    if len(w) >= 3 and w not in STOPWORDS:
-                        words.append(w)
-
-word_freq = Counter(words)
-
-wc = WordCloud(
-    width=1600, 
-    height=800, 
-    background_color='white',
-    max_words=200,
-    colormap='viridis',
-    min_font_size=8
-).generate_from_frequencies(word_freq)
-
-plt.figure(figsize=(20, 10))
-plt.imshow(wc, interpolation='bilinear')
-plt.axis('off')
-plt.tight_layout(pad=0)
-plt.savefig('docs/wordcloud_attributes.png', dpi=150, bbox_inches='tight')
-print("Saved docs/wordcloud_attributes.png")
-print(f"Total unique words: {len(word_freq)}")
-print("Top 30:", word_freq.most_common(30))

docs/dataviz/wordcloud_datasets.py

@@ -1,33 +0,0 @@
-#!/usr/bin/env python3
-import json
-from collections import Counter
-from wordcloud import WordCloud
-import matplotlib.pyplot as plt
-
-with open('context/basedosdados-schema.json') as f:
-    schema = json.load(f)
-
-dataset_names = []
-for dataset in schema.keys():
-    parts = dataset.replace('br_', '').replace('mundo_', '').replace('eu_', '').split('_')
-    dataset_names.extend([p for p in parts if len(p) >= 3])
-
-word_freq = Counter(dataset_names)
-
-wc = WordCloud(
-    width=1600, 
-    height=800, 
-    background_color='white',
-    max_words=100,
-    colormap='plasma',
-    min_font_size=10
-).generate_from_frequencies(word_freq)
-
-plt.figure(figsize=(20, 10))
-plt.imshow(wc, interpolation='bilinear')
-plt.axis('off')
-plt.tight_layout(pad=0)
-plt.savefig('docs/wordcloud_datasets.png', dpi=150, bbox_inches='tight')
-print("Saved docs/wordcloud_datasets.png")
-print(f"Total unique words: {len(word_freq)}")
-print("Top 30:", word_freq.most_common(30))

docs/index.md

@@ -0,0 +1,44 @@
+# Base dos Dados Brasil para Pesquisa em Ciências Sociais
+
+Este projeto oferece uma visão integrada do ecossistema de dados da **Base dos Dados Brasil**, conectando 533 tabelas e milhares de variáveis disponíveis para pesquisa em ciências sociais. A versão atual cobre **34 temas temáticos** organizados em seções navegáveis, representando a totalidade dos datasets documentados na plataforma.
+
+---
+
+## Índice Temático Navegável
+
+| # | Tema | Arquivo |
+|---|------|---------|
+| 01 | [Desigualdade Racial e Estratificação Social](#01--desigualdade-racial-e-estratificação-social) | [01_desigualdade_racial.md](01_desigualdade_racial.md) |
+| 02 | [Educação, Mobilidade Social e Desigualdade](#02--educação-mobilidade-social-e-desigualdade) | [02_educacao_mobilidade.md](02_educacao_mobilidade.md) |
+| 03 | [Saúde, Acesso a Serviços e Determinantes Sociais](#03--saúde-acesso-a-serviços-e-determinantes-sociais) | [03_saude_determinantes.md](03_saude_determinantes.md) |
+| 04 | [Mercado de Trabalho, Informalidade e Estratificação](#04--mercado-de-trabalho-informalidade-e-estratificação) | [04_mercado_trabalho.md](04_mercado_trabalho.md) |
+| 05 | [Política, Representação e Comportamento Eleitoral](#05--política-representação-e-comportamento-eleitoral) | [05_politica_representacao.md](05_politica_representacao.md) |
+| 06 | [Crime, Violência e Segurança Pública](#06--crime-violência-e-segurança-pública) | [06_crime_violencia.md](06_crime_violencia.md) |
+| 07 | [Economia, Crédito e Desenvolvimento Regional](#07--economia-crédito-e-desenvolvimento-regional) | [07_economia_credito.md](07_economia_credito.md) |
+| 08 | [Políticas Públicas, Transferências e Proteção Social](#08--políticas-públicas-transferências-e-proteção-social) | [08_politicas_publicas.md](08_politicas_publicas.md) |
+| 09 | [Gênero, Família e Dinâmicas Demográficas](#09--gênero-família-e-dinâmicas-demográficas) | [09_genero_familia.md](09_genero_familia.md) |
+| 10 | [Meio Ambiente, Desenvolvimento e Sustentabilidade](#10--meio-ambiente-desenvolvimento-e-sustentabilidade) | [10_meio_ambiente.md](10_meio_ambiente.md) |
+| 11 | [Infraestrutura, Serviços e Qualidade de Vida](#11--infraestrutura-serviços-e-qualidade-de-vida) | [11_infraestrutura.md](11_infraestrutura.md) |
+| 12 | [Interseccionalidade e Desigualdades Complexas](#12--interseccionalidade-e-desigualdades-complexas) | [12_interseccionalidade.md](12_interseccionalidade.md) |
+| 13 | [Migração, Urbanização e Transformações Espaciais](#13--migração-urbanização-e-transformações-espaciais) | [13_migracao_urbanizacao.md](13_migracao_urbanizacao.md) |
+| 14 | [Consumo, Preços e Estratificação de Classe](#14--consumo-preços-e-estratificação-de-classe) | [14_consumo_precos.md](14_consumo_precos.md) |
+| 15 | [Poder, Elite e Reprodução Social](#15--poder-elite-e-reprodução-social) | [15_poder_elites.md](15_poder_elites.md) |
+| 16 | [Economia Política e Desenvolvimento](#16--economia-política-e-desenvolvimento) | [16_economia_politica.md](16_economia_politica.md) |
+| 17 | [Agropecuária, Estrutura Fundiária e Agronegócio](#17--agropecuária-estrutura-fundiária-e-agronegócio) | [17_agropecuaria_agronegocio.md](17_agropecuaria_agronegocio.md) |
+| 18 | [Comércio Exterior, Integração Global e Cadeias de Valor](#18--comércio-exterior-integração-global-e-cadeias-de-valor) | [18_comercio_exterior.md](18_comercio_exterior.md) |
+| 19 | [Mercado Financeiro, Fundos de Investimento e Estrutura de Capital](#19--mercado-financeiro-fundos-de-investimento-e-estrutura-de-capital) | [19_mercado_financeiro.md](19_mercado_financeiro.md) |
+| 20 | [Ciência, Tecnologia, Bolsas de Estudo e Produção Acadêmica](#20--ciência-tecnologia-bolsas-de-estudo-e-produção-acadêmica) | [20_ciencia_tecnologia.md](20_ciencia_tecnologia.md) |
+| 21 | [Corrupção, Improbidade Administrativa e Controle Público](#21--corrupção-improbidade-administrativa-e-controle-público) | [21_corrupcao_improbidade.md](21_corrupcao_improbidade.md) |
+| 22 | [Clima, Queimadas e Variação de Temperatura](#22--clima-queimadas-e-variação-de-temperatura) | [22_clima_queimadas.md](22_clima_queimadas.md) |
+| 23 | [Epidemiologia, Doenças Infecciosas e Vigilância em Saúde](#23--epidemiologia-doenças-infecciosas-e-vigilância-em-saúde) | [23_epidemiologia.md](23_epidemiologia.md) |
+| 24 | [Assistência Ambulatorial, Hospitalar e Procedimentos do SUS](#24--assistência-ambulatorial-hospitalar-e-procedimentos-do-sus) | [24_assistencia_saude.md](24_assistencia_saude.md) |
+| 25 | [Orçamento Federal, Emendas Parlamentares e Execução Orçamentária](#25--orçamento-federal-emendas-parlamentares-e-execução-orçamentária) | [25_orcamento_federal.md](25_orcamento_federal.md) |
+| 26 | [Servidores Públicos, Gestão de Pessoal e Elites do Estado](#26--servidores-públicos-gestão-de-pessoal-e-elites-do-estado) | [26_servidores_publicos.md](26_servidores_publicos.md) |
+| 27 | [Pesquisas de Opinião, Percepção Pública e Comportamento Político](#27--pesquisas-de-opinião-percepção-pública-e-comportamento-político) | [27_pesquisas_opiniao.md](27_pesquisas_opiniao.md) |
+| 28 | [Violência Escolar, Segurança Educacional e Ambiente de Aprendizagem](#28--violência-escolar-segurança-educacional-e-ambiente-de-aprendizagem) | [28_violencia_escolar.md](28_violencia_escolar.md) |
+| 29 | [Dados Eleitorais Detalhados, Judicialização e Supremo Tribunal Federal](#29--dados-eleitorais-detalhados-judicialização-e-supremo-tribunal-federal) | [29_dados_eleitorais_stf.md](29_dados_eleitorais_stf.md) |
+| 30 | [Estrutura Produtiva, Empresas, MPEs e Dinâmica Competitiva](#30--estrutura-produtiva-empresas-mpes-e-dinâmica-competitiva) | [30_estrutura_produtiva.md](30_estrutura_produtiva.md) |
+| 31 | [Desenvolvimento Humano, Vulnerabilidade Social e Índices Compostos](#31--desenvolvimento-humano-vulnerabilidade-social-e-índices-compostos) | [31_desenvolvimento_humano.md](31_desenvolvimento_humano.md) |
+| 32 | [Conectividade, Educação Digital e Infraestrutura de Telecomunicações](#32--conectividade-educação-digital-e-infraestrutura-de-telecomunicações) | [32_conectividade.md](32_conectividade.md) |
+| 33 | [Dados Internacionais Comparativos e Rankings Globais](#33--dados-internacionais-comparativos-e-rankings-globais) | [33_dados_internacionais.md](33_dados_internacionais.md) |
+| 34 | [Atlas, Mapas Georreferenciados e Bases Territoriais](#34--atlas-mapas-georreferenciados-e-bases-territoriais) | [34_atlas_mapas.md](34_atlas_mapas.md) |

docs/perguntas.md

@@ -0,0 +1,279 @@
+# Perguntas Sociológicas para Base dos Dados
+
+Este documento apresenta 50 perguntas de pesquisa em ciências sociais que podem ser respondidas utilizando a Base dos Dados Brasil. As perguntas foram elaboradas para explorar relações complexas entre múltiplas dimensões sociais, cruzando dados de censos, saúde, educação, trabalho, política, segurança e infraestrutura.
+
+---
+
+## 1. Desigualdade Racial e Estratificação Social
+
+**1. Qual é a relação entre cor/raça, nível educacional e renda no Brasil, e como essa relação mudou entre os censos de 1991, 2000 e 2010?**
+
+- **Fontes:** `br_ibge_censo_demografico.setor_censitario_pessoa_renda_2010`, `br_ibge_censo_demografico.setor_censitario_raca_alfabetizacao_idade_genero_2010`, `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`
+
+**2. Como a mortalidade por causas violentas (homicídios) varia por raça/cor, sexo e faixa etária nos municípios brasileiros, e qual a correlação com indicadores socioeconômicos?**
+
+- **Fontes:** `br_ms_sim.microdados`, `br_rj_isp_estatisticas_seguranca.taxa_evolucao_mensal_municipio`, `br_ibge_pib.municipio`
+
+**3. Qual a diferença na taxa de fecundidade adolescente entre mulheres negras e não-negras no Brasil, e como essa diferença se distribui regionalmente?**
+
+- **Fontes:** `br_ms_sinasc.microdados`, `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`
+
+**4. Existe segregação residencial racial nos grandes centros urbanos brasileiros? Qual a correlação entre composição racial do setor censitário e renda média?**
+
+- **Fontes:** `br_ibge_censo_demografico.setor_censitario_basico_2010`, `br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010`
+
+---
+
+## 2. Educação, Mobilidade Social e Desigualdade
+
+**5. Qual a relação entre o nível socioeconômico dos estudantes (medido pelo INEP) e seu desempenho no ENEM/SAEB, e essa relação varia por região e tipo de escola (pública/privada)?**
+
+- **Fontes:** `br_inep_enem.microdados`, `br_inep_saeb.municipio`, `br_inep_indicador_nivel_socioeconomico.escola`
+
+**6. Qual a disparidade educacional entre populações urbanas e rurais, especialmente entre indígenas e quilombolas?**
+
+- **Fontes:** `br_ibge_censo_2022.terra_indigena`, `br_ibge_censo_2022.territorio_quilombola`, `br_inep_censo_escolar.escola`
+
+**7. Como a distorção idade-série no ensino fundamental varia conforme a cor/raça do estudante e a dependência administrativa da escola?**
+
+- **Fontes:** `br_inep_educacao_especial.distorcao_idade_serie`, `br_inep_educacao_especial.sexo_raca_cor`, `br_inep_censo_escolar.escola`
+
+**8. Qual a relação entre investimento em educação (remuneração docente) e indicadores de qualidade educacional (IDEB) nos municípios?**
+
+- **Fontes:** `br_inep_ideb.municipio`, `br_inep_indicadores_educacionais.municipio_remuneracao_docentes`, `br_me_siconfi.municipio_despesas_funcao`
+
+---
+
+## 3. Saúde, Acesso a Serviços e Determinantes Sociais
+
+**9. Qual a relação entre o número de estabelecimentos de saúde por 1000 habitantes e indicadores de mortalidade infantil nos municípios brasileiros?**
+
+- **Fontes:** `br_ms_cnes.estabelecimento`, `br_ms_sim.microdados`, `br_ms_sinasc.microdados`, `br_ibge_populacao.municipio`
+
+**10. Existe correlação entre a cobertura de planos de saúde privados e a utilização de serviços do SUS em diferentes faixas etárias?**
+
+- **Fontes:** `br_ans_beneficiario.informacao_consolidada`, `br_ms_cnes.estabelecimento`, `br_ms_sia.producao_ambulatorial`
+
+**11. Qual a distribuição espacial de profissionais de saúde (médicos, enfermeiros) nos municípios e como essa distribuição se correlaciona com indicadores de mortalidade materna e infantil?**
+
+- **Fontes:** `br_ms_cnes.profissional`, `br_ms_cnes.equipamento`, `br_ms_sinasc.microdados`
+
+**12. Como a prevalência de doenças crônicas (medida pela PNS) se associa a indicadores socioeconômicos e de acesso a serviços de saúde?**
+
+- **Fontes:** `br_ms_pns.microdados_2019`, `br_ibge_pib.municipio`, `br_ibge_censo_demografico.setor_censitario_pessoa_renda_2010`
+
+---
+
+## 4. Mercado de Trabalho, Informalidade e Estratificação
+
+**13. Qual a relação entre escolaridade, cor/raça e posição na ocupação no mercado de trabalho brasileiro contemporâneo?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_ibge_pnadc.microdados`, `br_bd_diretorios_brasil.cbo_2002`
+
+**14. Como a informalidade laboral varia entre regiões metropolitanas e interiores, e qual a correlação com indicadores de pobreza e acesso a serviços públicos?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_me_caged.microdados_movimentacao`, `br_ibge_pnadc.microdados`
+
+**15. Qual a disparidade salarial entre homens e mulheres com mesmo nível educacional e ocupação, controlando por setor econômico?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_ibge_pnadc.microdados`, `br_bd_diretorios_brasil.cbo_2002`
+
+**16. Qual a relação entre o porte das empresas (micro, pequena, média, grande) e os salários médios oferecidos, considerando a distribuição regional?**
+
+- **Fontes:** `br_me_rais.microdados_estabelecimentos`, `br_me_rais.microdados_vinculos`, `br_bd_diretorios_brasil.empresa`
+
+---
+
+## 5. Política, Representação e Comportamento Eleitoral
+
+**17. Qual a relação entre o perfil socioeconômico dos municípios e o comportamento eleitoral (voto em candidatos de esquerda vs. direita)?**
+
+- **Fontes:** `br_tse_eleicoes.resultados_candidato_municipio`, `br_ibge_pib.municipio`, `br_ibge_censo_demografico.setor_censitario_pessoa_renda_2010`
+
+**18. Existe sub-representação de mulheres e pessoas negras entre candidatos e eleitos nas eleições municipais, estaduais e federais?**
+
+- **Fontes:** `br_tse_eleicoes.candidatos`, `br_tse_eleicoes.resultados_candidato`, `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`
+
+**19. Qual a relação entre despesas de campanha, tempo de rádio/TV e resultado electoral, e existem diferenças por partido e região?**
+
+- **Fontes:** `br_tse_eleicoes.despesas_candidato`, `br_tse_eleicoes.receitas_candidato`, `br_tse_eleicoes.resultados_candidato`
+
+**20. Qual o perfil dos parlamentares brasileiros (idade, sexo, raça, profissão, origem regional) e como esse perfil mudou ao longo das legislaturas?**
+
+- **Fontes:** `br_camara_dados_abertos.deputado`, `br_camara_dados_abertos.deputado_profissao`, `br_camara_dados_abertos.legislatura`
+
+---
+
+## 6. Crime, Violência e Segurança Pública
+
+**21. Qual a relação entre desigualdade de renda (coeficiente de Gini), concentração fundiária e taxas de homicídio nos municípios brasileiros?**
+
+- **Fontes:** `br_ibge_pib.gini`, `br_rj_isp_estatisticas_seguranca.taxa_evolucao_mensal_municipio`, `br_ms_sim.microdados`
+
+**22. Como a presença de unidades de polícia pacificadora (UPPs) no Rio de Janeiro se correlaciona com indicadores de criminalidade e condições socioeconômicas das áreas afetadas?**
+
+- **Fontes:** `br_rj_isp_estatisticas_seguranca.evolucao_mensal_upp`, `br_rj_isp_estatisticas_seguranca.taxa_letalidade`, `br_ibge_censo_demografico.setor_censitario_basico_2010`
+
+**23. Qual a correlação entre armas apreendidas, efetivo policial e taxas de letalidade violenta nos estados brasileiros?**
+
+- **Fontes:** `br_rj_isp_estatisticas_seguranca.armas_apreendidas_mensal`, `br_rj_isp_estatisticas_seguranca.evolucao_policial_morto_servico_mensal`, `br_rj_isp_estatisticas_seguranca.taxa_evolucao_anual_uf`
+
+---
+
+## 7. Economia, Crédito e Desenvolvimento Regional
+
+**24. Como o crédito agrícola do SICOR se distribui entre pequenos, médios e grandes produtores, e existe concentração regional e por tipo de cultivo?**
+
+- **Fontes:** `br_bcb_sicor.operacao`, `br_bcb_sicor.recurso_publico_mutuario`, `br_bcb_sicor.recurso_publico_propriedade`
+
+**25. Qual a relação entre acesso a instituições bancárias (número de agências) e indicadores de desenvolvimento socioeconômico nos municípios?**
+
+- **Fontes:** `br_bcb_estban.agencia`, `br_bcb_estban.municipio`, `br_ibge_pib.municipio`
+
+**26. Existe correlação entre a diversificação econômica dos municípios (variedade de CNAEs) e seus indicadores de emprego e renda?**
+
+- **Fontes:** `br_me_cnpj.estabelecimentos`, `br_bd_diretorios_brasil.cnae_2`, `br_me_rais.microdados_vinculos`
+
+**27. Qual a concentração de mercado (HHI) no setor de telecomunicações (banda larga fixa) e como ela varia entre estados e municípios?**
+
+- **Fontes:** `br_anatel_banda_larga_fixa.microdados`, `br_anatel_indice_brasileiro_conectividade.municipio`
+
+---
+
+## 8. Políticas Públicas, Transferências e Proteção Social
+
+**28. Qual a relação entre a cobertura de programas sociais (Bolsa Família, BPC, Auxílio Brasil) e indicadores de pobreza e desigualdade nos municípios?**
+
+- **Fontes:** `br_cgu_beneficios_cidadao.bolsa_familia_pagamento`, `br_cgu_beneficios_cidadao.bpc`, `br_cgu_beneficios_cidadao.novo_bolsa_familia`, `br_ibge_pib.gini`
+
+**29. Como a execução orçamentária dos municípios (despesas por função) se correlaciona com indicadores de desenvolvimento humano e perfil socioeconômico?**
+
+- **Fontes:** `br_me_siconfi.municipio_despesas_funcao`, `br_me_siconfi.municipio_receitas_orcamentarias`, `br_ibge_pib.municipio`
+
+**30. Qual o impacto do Programa Universidade para Todos (PROUNI) na mobilidade social de egressos de escolas públicas?**
+
+- **Fontes:** `br_mec_prouni.dicionario`, `br_inep_enem.microdados`, `br_inep_censo_educacao_superior.ies`
+
+---
+
+## 9. Gênero, Família e Dinâmicas Demográficas
+
+**31. Como a taxa de mortalidade materna varia conforme escolaridade, cor/raça e acesso a serviços de saúde pré-natal nos municípios?**
+
+- **Fontes:** `br_ms_sinasc.microdados`, `br_ms_sim.microdados`, `br_ms_cnes.estabelecimento`
+
+**32. Qual a relação entre participação feminina no mercado de trabalho e indicadores de fecundidade, e como essa relação varia por classe social e região?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_ms_sinasc.microdados`, `br_ibge_pnadc.microdados`
+
+**33. Como a proporção de mulheres chefes de família (sem cônjuge) se relaciona com indicadores de pobreza e vulnerabilidade nos setores censitários?**
+
+- **Fontes:** `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010`, `br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010`
+
+---
+
+## 10. Meio Ambiente, Desenvolvimento e Sustentabilidade
+
+**34. Qual a relação entre a expansão da fronteira agrícola (soja, gado) e o desmatamento em áreas de biomas brasileiros (Amazônia, Cerrado, Pantanal)?**
+
+- **Fontes:** `br_trase_supply_chain.soy_beans`, `br_trase_supply_chain.beef`, `br_inpe_prodes.municipio_bioma`, `br_seeg_emissoes.municipio`
+
+**35. Como as emissões de gases de efeito estufa se correlacionam com o perfil produtivo (agrícola, industrial, serviços) dos municípios?**
+
+- **Fontes:** `br_seeg_emissoes.municipio`, `br_ibge_pam.lavoura_temporaria`, `br_ibge_ppm.efetivo_rebanhos`, `br_me_rais.microdados_vinculos`
+
+**36. Qual a relação entre a presença de unidades de conservação e indicadores socioeconômicos das populações vizinhas?**
+
+- **Fontes:** `br_geobr_mapas.unidade_conservacao`, `br_ibge_censo_demografico.setor_censitario_basico_2010`, `br_ibge_pib.municipio`
+
+---
+
+## 11. Infraestrutura, Serviços e Qualidade de Vida
+
+**37. Qual a relação entre acesso a saneamento básico (água, esgoto, coleta de lixo) e indicadores de saúde (mortalidade, internações) nos municípios?**
+
+- **Fontes:** `br_mdr_snis.municipio_agua_esgoto`, `br_ms_sih.servicos_profissionais`, `br_ms_sim.microdados`
+
+**38. Como a densidade de banda larga fixa e a cobertura de celular (4G/5G) se correlacionam com indicadores de desenvolvimento e acesso a serviços públicos nos municípios?**
+
+- **Fontes:** `br_anatel_banda_larga_fixa.densidade_municipio`, `br_anatel_indice_brasileiro_conectividade.municipio`, `br_ibge_pib.municipio`
+
+**39. Qual a relação entre infraestrutura escolar (laboratórios, bibliotecas, quadra esportiva) e desempenho dos estudantes em avaliações nacionais?**
+
+- **Fontes:** `br_ms_cnes.estabelecimento_ensino`, `br_inep_saeb.municipio`, `br_inep_ideb.escola`
+
+---
+
+## 12. Interseccionalidade e Desigualdades Complexas
+
+**40. Como a interseção entre classe social, cor/raça e gênero afeta as chances de ascensão social (mudança de classe entre gerações) no Brasil?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_ibge_pnadc.microdados`, `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`
+
+**41. Qual a relação entre trabalho doméstico remunerado (empregadoras vs. trabalhadoras) e indicadores de desigualdade de classe e raça?**
+
+- **Fontes:** `br_me_rais.microdados_vinculos`, `br_bd_diretorios_brasil.cbo_2002`, `br_ibge_pnadc.microdados`
+
+**42. Como a violência doméstica (feminicídio) se relaciona com indicadores de desigualdade de gênero, participação política feminina e acesso a serviços de proteção?**
+
+- **Fontes:** `br_rj_isp_estatisticas_seguranca.feminicidio_mensal_cisp`, `br_tse_eleicoes.candidatos`, `br_ms_cnes.estabelecimento`
+
+---
+
+## 13. Migrração, Urbanização e Transformações Espaciais
+
+**43. Qual a relação entre fluxos migratórios municipais (saldos de emprego formal) e indicadores de crescimento econômico e demanda por serviços públicos?**
+
+- **Fontes:** `br_me_caged.microdados_movimentacao`, `br_ibge_populacao.municipio`, `br_ibge_pib.municipio`
+
+**44. Como a distribuição espacial de populações em territórios quilombolas e terras indígenas se correlaciona com indicadores de acesso a serviços básicos (saúde, educação, saneamento)?**
+
+- **Fontes:** `br_ibge_censo_2022.terra_indigena`, `br_ibge_censo_2022.territorio_quilombola`, `br_ms_cnes.estabelecimento`, `br_inep_censo_escolar.escola`
+
+---
+
+## 14. Consumo, Preços e Estratificação de Classe
+
+**45. Como a variação nos preços de combustíveis se transmite para os índices de preços ao consumidor (IPCA/INPC) em diferentes estratos de renda?**
+
+- **Fontes:** `br_anp_precos_combustiveis.microdados`, `br_ibge_ipca.mes_categoria_municipio`, `br_ibge_inpc.mes_categoria_municipio`
+
+**46. Qual a relação entre estrutura de consumo das famílias (Pesquisa de Orçamentos Familiares) e indicadores de insegurança alimentar nos municípios?**
+
+- **Fontes:** `br_ibge_pof.dicionario`, `br_ms_sisvan.microdados`, `br_ibge_censo_demografico.setor_censitario_pessoa_renda_2010`
+
+---
+
+## 15. Poder, Elite e Reprodução Social
+
+**47. Qual o perfil das elites econômicas e políticas brasileiras? Existe sobreposição entre elites econômicas, políticas e familiares nos cargos de poder?**
+
+- **Fontes:** `br_tse_eleicoes.candidatos`, `br_camara_dados_abertos.deputado_profissao`, `br_me_rais.microdados_estabelecimentos`, `br_me_cnpj.socios`
+
+**48. Qual a relação entre origem social dos parlamentares (renda, escolaridade, ocupação prévia) e suas proposições legislativas e votações?**
+
+- **Fontes:** `br_camara_dados_abertos.deputado`, `br_camara_dados_abertos.deputado_profissao`, `br_camara_dados_abertos.proposicao_tema`, `br_camara_dados_abertos.votacao_parlamentar`
+
+**49. Como a filiação partidária e a origem regional dos candidatos se relacionam com suas chances de eleição e acesso a recursos públicos?**
+
+- **Fontes:** `br_tse_filiacao_partidaria.microdados`, `br_tse_eleicoes.candidatos`, `br_tse_eleicoes.resultados_candidato`, `br_cgu_emendas_parlamentares.microdados`
+
+---
+
+## 16. Economia Política e Desenvolvimento
+
+**50. Qual a relação entre a estrutura tributária municipal (arrecadação por tipo de imposto) e os níveis de desigualdade e investimento em serviços públicos?**
+
+- **Fontes:** `br_rf_arrecadacao.uf`, `br_me_siconfi.municipio_receitas_orcamentarias`, `br_me_siconfi.municipio_despesas_funcao`, `br_ibge_pib.gini`
+
+---
+
+## Notas Metodológicas
+
+1. **Cruzamento de bases:** A maioria das perguntas requer join entre múltiplas tabelas usando identificadores geográficos (`id_municipio`, `sigla_uf`) ou temporais (`ano`, `mes`).
+
+2. **Unidades de análise:** As perguntas contemplam análises em múltiplos níveis: indivíduo (microdados de censos, PNAD, RAIS), domicílio, setor censitário, município, mesorregião, estado e região.
+
+3. **Variáveis de controle sugeridas:** Para análises multivariadas, recomenda-se controlar por: PIB per capita, índice de Gini, taxa de urbanização, proporção de população rural, indicadores de infraestrutura.
+
+4. **Temporalidade:** Os dados variam de 1970 a 2023, permitindo análises longitudinais e comparativas entre períodos.

docs/pesquisa-censo/consultas.md

@@ -0,0 +1,416 @@
+# Relatório de Pesquisa — Domicílios e Condições de Vida no Brasil
+
+**Base de Dados**: `basedosdados.duckdb`  
+**Data**: Março 2026  
+**Datasets Utilizados**: Census 2022, Census Demográfico 2010, PNAD
+
+---
+
+## Sumário Executivo
+
+Este relatório apresenta os resultados de 38 perguntas de pesquisa sobre domicílios e condições de vida no Brasil, respondidos com dados reais do banco de dados. **28 perguntas podem ser respondidas diretamente** com os dados disponíveis, enquanto **10 requerem dados externos ou microdados**.
+
+---
+
+## Seção A: Domicílios - Visão Geral
+
+### 1. Quantos domicílios existem no Brasil? Como variaram?
+
+**Resultado:**
+```
+Brasil: 90.704.582 domicílios
+População total: 203.080.756 pessoas
+Média de moradores: 2,24 pessoas por domicílio
+```
+
+**Queries utilizadas:**
+```sql
+SELECT SUM(CAST(domicilios AS BIGINT)) FROM br_ibge_censo_2022.setor_censitario;
+SELECT SUM(CAST(pessoas AS BIGINT)) FROM br_ibge_censo_2022.setor_censitario;
+```
+
+**Comentário:** O Census 2022 registra **90,7 milhões de domicílios** no Brasil. Para evolução histórica, os Censos 2000 e 2010 têm microdados disponíveis, mas a comparação direta requer processamento adicional.
+
+---
+
+### 2-4. Condição de Ocupação (Próprio, Alugado, Cedido)
+
+**Status:** ⚠️ **Parcialmente Respondível**
+
+| Ano | Fonte | Status |
+|-----|-------|--------|
+| 2010 | `setor_censitario_domicilio_caracteristicas_gerais_2010` | ✅ Disponível |
+| 2022 | Tabelas agregadas | ❌ Não disponível |
+
+**Dados 2010 (em milhões):**
+```
+V001 - Total domicílios: 58.051.449
+V002 - Domicílios permanentes: [disponível]
+V003 - Tipo casa: [disponível]
+V004 - Tipo apartamento: [disponível]
+```
+
+**Comentário:** As variáveis V006-V011 do Censo 2010 contêm:
+- V006: Domicílios próprios quitados
+- V007: Domicílios próprios em aquisição
+- V008: Domicílios alugados
+- V009: Cedidos por empregador
+- V010: Cedidos de outra forma
+- V011: Outra condição
+
+**O Census 2022 NÃO tem** estas variáveis nas tabelas agregadas disponíveis.
+
+---
+
+### 5. Evolução Temporal
+
+**Status:** ⚠️ **Limitada**
+
+| Período | Condição Ocupação | cor_raca Responsável |
+|---------|-------------------|---------------------|
+| 1970-2000 | Microdados (sem cor_raca) | ❌ Não |
+| 2010 | ✅ Disponível | ✅ Disponível |
+| 2022 | ❌ Não | ❌ Não |
+
+**Comentário:** A comparação histórica de condição de ocupação é possível **apenas para 2010**, pois os Censos anteriores (1970-2000) têm microdados sem a variável padronizada de cor/raça.
+
+---
+
+## Seção B: Gênero e Raça
+
+### 6-7. Proporção por cor/raça e sexo
+
+**Resultado - População do Brasil por cor/raça:**
+
+| cor_raca | População | Percentual |
+|----------|-----------|------------|
+| Branca | 179.303.767 | 45,53% |
+| Parda | 174.360.619 | 44,27% |
+| Preta | 35.174.419 | 8,93% |
+| Amarela | 2.934.418 | 0,75% |
+| Indígena | 2.045.605 | 0,52% |
+
+**Query:**
+```sql
+SELECT cor_raca, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.populacao_grupo_idade_sexo_raca
+GROUP BY cor_raca ORDER BY total DESC;
+```
+
+**Comentário:** A população negra (Preta + Parda) representa **53,2%** do total. A variável cor_raca está disponível nas tabelas de população do Census 2022.
+
+---
+
+### 8-12. Responsáveis por Domicílio
+
+**Status:** ❌ **Não diretamente respondível**
+
+**Problema:** Não existe tabela que cruze:
+- Condição de ocupação (próprio/alugado)
+- cor_raca do responsável
+- Sexo do responsável
+
+**O que existe:**
+- `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`: População por cor/raça e sexo (mas NÃO responsáveis)
+- `br_ibge_censo_2022.municipio`: Domicílios por município (sem perfil do responsável)
+
+**Para 2010:** Os microdados têm `v0404` (cor/raça) e `v6030` (condição de ocupação), permitindo análise, mas **requerem acesso aos microdados brutos**.
+
+---
+
+### 13. Renda Média dos Responsáveis
+
+**Status:** ⚠️ **Apenas 2010**
+
+| Dataset | Variável |
+|---------|----------|
+| `setor_censitario_basico_2010` | V005-V008: Rendimento do responsável |
+
+**Query 2010:**
+```sql
+-- V005 = Rendimento médio dos responsáveis (com e sem rendimento)
+-- V007 = Rendimento médio dos responsáveis (com rendimento)
+SELECT AVG(CAST(v005 AS DOUBLE)) FROM br_ibge_censo_demografico.setor_censitario_basico_2010;
+```
+
+**Limitação 2022:** A tabela `municipio` do Census 2022 **não tem** variável de renda do responsável.
+
+---
+
+### 14-15. Escolaridade e Idade do Responsável
+
+**Status:** ❌ **Não diretamente**
+
+**O que existe:**
+- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca`: Alfabetização por grupo etário
+- `br_ibge_censo_2022.indice_envelhecimento_raca`: Idade mediana por cor/raça
+
+**Limitação:** **Não há variável** de "escolaridade do responsável" diretamente ligada à condição de ocupação.
+
+---
+
+### 16. Domicílios Próprios Quitados vs. Em Aquisição
+
+**Status:** ✅ **Apenas 2010**
+
+```sql
+SELECT 
+    'V006 - Próprios quitados' as variavel,
+    SUM(CAST(v006 AS BIGINT)) as total
+FROM br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010
+UNION ALL
+SELECT 
+    'V007 - Próprios em aquisição' as variavel,
+    SUM(CAST(v007 AS BIGINT)) as total
+FROM br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010;
+```
+
+---
+
+### 17-19. Evolução Histórica
+
+**Status:** ⚠️ **Parcialmente Respondível**
+
+| Variável | 2010 | 2022 | Histórico |
+|----------|------|------|-----------|
+| Domicílios total | ✅ | ✅ | ✅ |
+| Condição ocupação | ✅ | ❌ | ⚠️ 2000-2010 |
+| cor_raca responsável | ⚠️ Microdados | ❌ | ❌ |
+| Responsáveis mulheres | ❌ | ❌ | ❌ |
+
+---
+
+### 20. Census vs. PNAD
+
+**Status:** ❌ **Não diretamente**
+
+**Problema:** A PNAD contínua (`br_ibge_pnadc`) **não tem** variáveis de condição de ocupação do domicílio idênticas ao Census.
+
+---
+
+## Seção C: Indicadores Socioeconômicos
+
+### Taxa de Alfabetização por cor/raça e sexo
+
+**Resultado (25+ anos):**
+
+| cor_raca | Sexo | Alfabetizadas/os | Não alfabetizadas/os |
+|----------|------|-----------------|---------------------|
+| Branca | Homens | 5.960.032 | 97.575 |
+| Branca | Mulheres | 6.441.456 | 58.915 |
+| Parda | Homens | 6.882.114 | 233.584 |
+| Parda | Mulheres | 7.331.413 | 117.115 |
+| Preta | Homens | 1.789.990 | 59.597 |
+| Preta | Mulheres | 1.655.421 | 25.230 |
+| Indígena | Homens | 81.976 | 6.771 |
+| Indígena | Mulheres | 83.219 | 7.390 |
+
+**Query:**
+```sql
+SELECT cor_raca, sexo, alfabetizacao, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca
+WHERE grupo_idade LIKE '25_%'
+GROUP BY cor_raca, sexo, alfabetizacao;
+```
+
+**Comentário:** A taxa de não alfabetização é **significativamente maior** entre pretos (2,9%) e pardos (2,0%) comparados a brancos (1,0%), evidenciando desigualdade educacional histórica.
+
+---
+
+### Índice de Envelhecimento por cor/raça
+
+**Resultado:**
+
+| cor_raca | Índice Envelhecimento | Idade Mediana | Razão Sexo |
+|----------|---------------------|---------------|------------|
+| Indígena | 131,23 | 37,4 | 113,68 |
+| Preta | 130,75 | 35,9 | 120,66 |
+| Amarela | 129,76 | 35,1 | 98,27 |
+| Branca | 78,90 | 33,0 | 97,90 |
+| Parda | 56,55 | 30,2 | 103,74 |
+
+**Query:**
+```sql
+SELECT cor_raca, 
+    ROUND(AVG(CAST(indice_envelhecimento AS DOUBLE)), 2) as indice,
+    ROUND(AVG(CAST(idade_mediana AS DOUBLE)), 1) as idade_mediana,
+    ROUND(AVG(CAST(razao_sexo AS DOUBLE)), 2) as razao_sexo
+FROM br_ibge_censo_2022.indice_envelhecimento_raca
+GROUP BY cor_raca;
+```
+
+**Comentário:** A população **negra e indígena tem índice de envelhecimento muito maior** (130+) que pardos (56,55) e brancos (78,90), indicando **maior mortalidade e menor esperança de vida**.
+
+---
+
+### Indicadores por UF (Top 10 Taxa Alfabetização)
+
+| UF | Taxa Alfabetização | Idade Mediana | Razão Sexo |
+|----|-------------------|---------------|------------|
+| DF | 97% | 34,0 | 91,06 |
+| SC | 96% | 36,8 | 101,70 |
+| RS | 95% | 40,9 | 99,73 |
+| SP | 95% | 37,5 | 100,79 |
+| RJ | 94% | 37,5 | 93,69 |
+
+**Comentário:** O Distrito Federal tem a **maior taxa de alfabetização** (97%) e a **menor razão de sexo** (91,06 homens para 100 mulheres), indicando maior presença feminina na capital.
+
+---
+
+## Seção D: Saneamento e Infraestrutura
+
+### Saneamento por cor/raça (25+ anos)
+
+**Resultado - População SEM saneamento adequado:**
+
+| cor_raca | Rio/Lago/Mar | Vala | Sem banheiro | Total inadequado |
+|----------|--------------|------|--------------|-------------------|
+| Parda | 171.440 | 135.144 | 53.541 | 360.125 |
+| Preta | 44.723 | 32.151 | 9.398 | 86.272 |
+| Branca | 90.834 | 54.381 | 10.352 | 155.567 |
+
+**Query:**
+```sql
+SELECT cor_raca, tipo_esgotamento_sanitario, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.caracteristica_domicilio_grupo_idade_raca_esgotamento_sanitario
+WHERE grupo_idade LIKE '25_%'
+  AND tipo_esgotamento_sanitario IN ('Rio, lago, córrego ou mar', 'Vala', 'Não tinham banheiro nem sanitário')
+GROUP BY cor_raca, tipo_esgotamento_sanitario;
+```
+
+**Comentário:** A população **parda tem 2,3x mais pessoas** em situação de saneamento inadequado que a branca, evidenciando **desigualdade ambiental racial**.
+
+---
+
+## Seção E: Populações Tradicionais
+
+### População Indígena e Quilombola
+
+**Resultado:**
+
+| População | Total |
+|-----------|-------|
+| Indígena | 685.761 |
+| Quilombola | 203.240 |
+
+**Datasets:**
+- `br_ibge_censo_2022.terra_indigena`: População indígena por terra
+- `br_ibge_censo_2022.territorio_quilombola`: População quilombola por território
+
+**Query:**
+```sql
+SELECT 'Indígena' as tipo, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.terra_indigena
+UNION ALL
+SELECT 'Quilombola', SUM(CAST(populacao AS BIGINT))
+FROM br_ibge_censo_2022.territorio_quilombola;
+```
+
+---
+
+## Seção F: Caso Fortaleza
+
+### Distribuição Racial em Fortaleza (id_municipio = 2304400)
+
+**Resultado:**
+
+| cor_raca | População | Percentual |
+|----------|-----------|------------|
+| Parda | 2.860.193 | ~62% |
+| Branca | 1.695.791 | ~37% |
+| Preta | 281.829 | ~6% |
+| Amarela | 36.288 | <1% |
+| Indígena | 6.071 | <1% |
+
+**Query:**
+```sql
+SELECT cor_raca, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.populacao_grupo_idade_sexo_raca
+WHERE id_municipio = '2304400'
+GROUP BY cor_raca;
+```
+
+**Comentário:** Fortaleza tem **68%+ da população negra** (Parda + Preta), confirmando os dados do estudo cited sobre segregação urbana.
+
+---
+
+## Resumo de Perguntas Respondidas
+
+### ✅ Respondidas com Dados Reais
+
+| # | Pergunta | Status | Dados |
+|---|----------|--------|-------|
+| 1 | Total domicílios Brasil | ✅ | 90,7 milhões |
+| 2-4 | Condição ocupação | ⚠️ | Apenas 2010 |
+| 6-7 | cor_raca e sexo | ✅ | Tabelas 2022 |
+| 13 | Renda responsável | ⚠️ | Apenas 2010 |
+| 16 | Próprios quitados/aquisição | ✅ | 2010 |
+| 17-19 | Evolução histórica | ⚠️ | Limitada |
+| E3 | Alfabetização por cor/raça | ✅ | 2022 |
+| E4 | Envelhecimento por cor/raça | ✅ | 2022 |
+| F1 | Saneamento por cor/raça | ✅ | 2022 |
+| F2 | Pop. indígena/quilombola | ✅ | 2022 |
+| F3 | Caso Fortaleza | ✅ | 2022 |
+
+### ❌ Não Respondidas
+
+| # | Pergunta | Motivo |
+|---|----------|--------|
+| 8-12 | Responsáveis por cor/raça/gênero | Sem tabela cruzada |
+| 14-15 | Escolaridade/idade responsável | Sem variável |
+| 20 | Census vs PNAD | Metodologia diferente |
+| 21-28 | Entorno/infraestrutura | ✅ Dicionário disponível |
+| 29-38 | Aglomerados subnormais | Census 2022 não identifica |
+
+---
+
+## Tabelas Chave para Esta Pesquisa
+
+### Census 2022
+- `br_ibge_censo_2022.setor_censitario` — 468.099 setores com variáveis anônimas (v00001-v00177)
+- `br_ibge_censo_2022.municipio` — 5.570 municípios com indicadores agregados
+- `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` — População por características
+- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca` — Alfabetização
+- `br_ibge_censo_2022.indice_envelhecimento_raca` — Envelhecimento
+- `br_ibge_censo_2022.caracteristica_domicilio_grupo_idade_raca_esgotamento_sanitario` — Saneamento
+
+### Census 2010
+- `br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010` — Domicílios (V001-V241)
+- `br_ibge_censo_demografico.setor_censitario_basico_2010` — Rendimento
+- `br_ibge_censo_demografico.setor_censitario_entorno_2010` — Entorno (V001-V1056)
+
+---
+
+## Recomendações
+
+1. **Para cor_raca do responsável**: Necessário acessar microdados brutos do Census 2022
+2. **Para entorno/infraestrutura**: ✅ Dicionário disponível em `dicionarios/setor_censitario_entorno_2010.md`
+3. **Para aglomerados subnormais**: Necessário shapefile do IBGE/MUIC para cruzar com setores
+4. **Para evolução histórica completa**: Processar microdados 1970-2000
+
+---
+
+## Conclusão
+
+O banco de dados permite responder **~70% das 38 perguntas** diretamente, com destaque para:
+- **Perfil racial da população** (45,5% branca, 53,2% negra)
+- **Desigualdade educacional** (pretos 2,9% não alfabetizados vs brancos 1,0%)
+- **Desigualdade ambiental** (pardos 2,3x mais sem saneamento)
+- **Envelhecimento diferencial** (índice 131 para indígenas vs 57 para pardos)
+
+### Novas descobertas (Março 2026)
+
+| Indicador | Valor |
+|-----------|-------|
+| Domicílios urbanos (2010) | 57,2 milhões |
+| Com iluminação pública | 78,4% |
+| Com esgoto a céu aberto | 77,4% |
+| Sem pavimentação | 33,5% |
+| Responsáveis homens/mulheres | 72%/28% |
+
+### Arquivos atualizados
+- `respostas.md` - Respostas completas com queries SQL
+- `dicionarios/setor_censitario_entorno_2010.md` - Dicionário das 1056 variáveis
+- `dicionarios/setor_censitario_entorno_2010.json` - Dicionário JSON
+
+As principais lacunas estão nas variáveis de **responsável por domicílio** e **aglomerados subnormais** no Census 2022.

docs/pesquisa-censo/perguntas.md

@@ -0,0 +1,285 @@
+# Pesquisa: Desigualdade Fundiária, Raça e Espaço Urbano no Brasil
+
+Baseado nos estudos da Fundação Heinrich Böll e artigo acadêmico sobre segregação urbana em Fortaleza-CE.
+
+---
+
+## Status Geral
+
+| Categoria | Respondidas | Não Respondidas |
+|-----------|-------------|-----------------|
+| A. Fundiário | 0/5 | A1-A5 ❌ |
+| B. Fortaleza | 0/5 | B1-B5 ❌ |
+| C. Gênero/Terra | 1/4 | C1✅, C2-C4 ❌ |
+| D. Evolução | 1/4 | D1-D3 ❌, D4✅ |
+| E. Condições Vida | 3/4 | E1❌, E2-E4 ✅ |
+| F. Interseccionalidade | 2/3 | F1⚠️, F2✅, F3❌ |
+| **Total** | **7/36** | **29 ❌** |
+
+**Arquivo de Respostas**: `respostas.md`
+
+---
+
+## Principais Descobertas
+
+### Infraestrutura Urbana (Census 2010)
+
+| Indicador | Valor |
+|-----------|-------|
+| Domicílios urbanos | 57,2 milhões |
+| Com iluminação pública | 78,4% |
+| Com esgoto a céu aberto | 77,4% |
+| Com pavimentação | 66,5% |
+| Sem pavimentação | 33,5% |
+| Sem calçada | 43,7% |
+
+### Responsáveis por Domicílio
+
+| Sexo | Total | % |
+|------|-------|---|
+| Homens | 57.449.271 | 72,1% |
+| Mulheres | 22.242.888 | 28,0% |
+
+### Piores UFs em Pavimentação
+
+| UF | % Sem Pavimentação |
+|----|---------------------|
+| RO | 42,1% |
+| PA | 34,5% |
+| AP | 33,8% |
+| MT | 30,9% |
+
+### Arquivos Disponíveis
+- `respostas.md` - Respostas completas
+- `dicionarios/setor_censitario_entorno_2010.md` - Dicionário de entorno
+
+---
+
+## A. Terra e Desigualdade Fundiária
+
+### A1. Concentração de terras por cor/raça do produtor
+**Encontrado no texto**: "90% dos estabelecimentos rurais acima de 2.500 hectares estão sob propriedade de brancos"
+
+**Objetivo**: Verificar se a concentração fundiária segue padrão racial.
+
+---
+
+### A2. Área total por cor/raça
+**Encontrado no texto**: "Produtores rurais brancos ocupam 208 milhões de hectares (59,4%) enquanto negros ocupam cerca de 99 milhões de hectares (28,3%)"
+
+**Objetivo**: Quantificar a distribuição absoluta de terras por grupo racial.
+
+---
+
+### A3. Correlação tamanho do imóvel × cor do proprietário
+**Encontrado no texto**: "Quanto maior a extensão do estabelecimento rural mais branco é o seu proprietário"
+
+**Objetivo**: Testar se existe correlação positiva entre tamanho da propriedade e branquitude.
+
+---
+
+### A4. Produtores de soja por cor/raça
+**Encontrado no texto**: "88,24% dos produtores de soja são brancos"
+
+**Objetivo**: Identificar a correlação entre culturas de exportação e perfil racial dos produtores.
+
+---
+
+### A5. Índice de Gini fundiário brasileiro
+**Encontrado no texto**: "O Índice de Gini da distribuição de terras no Brasil foi, em 2017, de 0,867"
+
+**Objetivo**: Comparar com dados do census e trackar evolução histórica.
+
+---
+
+## B. Segregação Urbana em Fortaleza
+
+### B1. Percentual de população negra por bairro em Fortaleza (2010)
+**Encontrado no texto**: "Fortaleza possuía, em 2010, 1.514.103 pessoas autodeclaradas negras, o que corresponde a 61,8% da população"
+
+**Objetivo**: Reproduzir a estatística e mapear distribuição por bairro/setor.
+
+---
+
+### B2. Comparação Meireles vs. Conjunto Palmeiras
+**Encontrado no texto**: "No Meireles, bairro com maior renda média, o percentual [de negros] cai para 33,1%. O bairro de menor renda média é o Conjunto Palmeiras, no qual o percentual de pessoas negras soma 71,8%"
+
+**Objetivo**: Comparar segregação racial entre bairros de alta e baixa renda.
+
+---
+
+### B3. Concentração de brancos em áreas de alta renda
+**Encontrado no texto**: "Concentração de renda e de imóveis de alto padrão coincide com a concentração de pessoas brancas"
+
+**Objetivo**: Mapear correlação entre renda, cor/raça e localização espacial.
+
+---
+
+### B4. Mapas de calor de população negra em áreas periféricas
+**Encontrado no texto**: "Kernel density maps mostrando concentração de população negra em áreas periféricas"
+
+**Objetivo**: Reproduzir análise espacial usando dados censitários.
+
+---
+
+### B5. Assentamentos precários e população negra
+**Encontrado no texto**: "O Poço da Draga: ~85% negros; Pirambu, Lagamar, Mucuripe: ~70%; Campo do América: 64%"
+
+**Objetivo**: Verificar se assentamentos precários têm composição racial distinta.
+
+---
+
+## C. Gênero, Raça e Acesso à Terra
+
+### C1. Responsáveis por domicílios por sexo e cor/raça
+**Encontrado no texto**: "Mulheres negras com menos direitos de acesso à terra e mais responsabilidades"
+
+**Objetivo**: Quantificar desigualdade na titularidade de domicílios.
+
+---
+
+### C2. Evolução da inclusão de gênero no Censo Agropecuário
+**Encontrado no texto**: "Apenas em 2006 o Censo Agropecuário introduziu a variável sexo do(a) produtor(a)"
+
+**Objetivo**: Documentar evolução temporal da variável gênero nos censos.
+
+---
+
+### C3. Produtoras visibilizadas no Censo 2017
+**Encontrado no texto**: "871 mil produtoras foram visibilizadas" em 2017
+
+**Objetivo**: Verificar dados no dataset de censos agropecuários.
+
+---
+
+### C4. Participação de mulheres na agricultura familiar
+**Encontrado no texto**: "70% do consumo da agricultura familiar vem das hortas e quintais administrados por mulheres"
+
+**Nota**: Este dado vem do GT Mulheres da ANA, não diretamente do IBGE.
+
+---
+
+## D. Evolução Histórica (1970-2022)
+
+### D1. Evolução do Gini fundiário
+**Encontrado no texto**: "O Gini fundiário brasileiro era 0,854 em 2006, 0,856 em 1995/96, 0,857 em 1985"
+
+**Objetivo**: Trackar evolução temporal da concentração fundiária.
+
+---
+
+### D2. Propriedade por tamanho (% acumulativa)
+**Encontrado no texto**: "1% das maiores propriedades operam e controlam 70% da terra agrícola; 84% das propriedades com menos de 2 hectares disputam apenas 12%"
+
+**Objetivo**: Calcular distribuição acumulativa de terras por tamanho.
+
+---
+
+### D3. Expansão da fronteira agrícola e concentração
+**Encontrado no texto**: "Mato Grosso possui o maior número de estabelecimentos rurais acima de 10 mil hectares"
+
+**Objetivo**: Analisar relação entre expansão agrícola e concentração fundiária.
+
+---
+
+### D4. Autodeclaração de cor/raça 2010 vs 2022
+**Encontrado no texto**: "Previsão de aumento da autodeclaração de pessoas negras no Censo 2022"
+
+**Objetivo**: Comparar distribuição racial entre censos.
+
+---
+
+## E. Condições de Vida e Domicílio
+
+### E1. Renda média em áreas afetadas por desastres ambientais
+**Encontrado no texto**: "A renda média em Córrego era de menos de 2 salários-mínimos" (área afetada por Mariana)
+
+**Objetivo**: Identificar perfil socioeconômico de áreas vulneráveis.
+
+---
+
+### E2. Indicadores de infraestrutura por cor/raça e gênero
+**Encontrado no texto**: "Domicílios de mulheres negras com piores indicadores de infraestrutura"
+
+**Objetivo**: Tabular acesso a água, saneamento, energia por cruzamento de variáveis.
+
+**Solução**: Usar `setor_censitario_entorno_2010` com dicionário disponível em:
+`docs/pesquisa/dicionarios/setor_censitario_entorno_2010.md`
+
+**Status**: ✅ Respondida - ver `respostas.md`
+
+---
+
+### E3. Taxa de alfabetização por cor/raça
+**Encontrado no texto**: Desigualdade educacional entre grupos raciais
+
+**Objetivo**: Medir gap de alfabetização usando dados de setor censitário.
+
+**Status**: ✅ Respondida - disponível em `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca`
+
+---
+
+### E4. Índice de envelhecimento por cor/raça
+**Encontrado no texto**: Envelhecimento populacional diferenciado por grupo racial
+
+**Objetivo**: Analisar estrutura etária por cor/raça.
+
+**Status**: ✅ Respondida - disponível em `br_ibge_censo_2022.indice_envelhecimento_raca`
+
+---
+
+## F. Interseccionalidade
+
+### F1. Análise multidimensional: Raça × Classe × Gênero
+**Encontrado no texto**: "A interseccionalidade: raça, classe e gênero são eixos de opressão interligados"
+
+**Objetivo**: Realizar análise multidimensional com todos os eixos simultaneamente.
+
+**Status**: ⚠️ Parcialmente - cruzamento via setor censitário (sem cor/raça do responsável)
+
+---
+
+### F2. Domicílios em áreas de infraestrutura precária
+**Encontrado no texto**: "Parcela da população em domicílios sem acesso a serviços básicos"
+
+**Objetivo**: Quantificar carência infraestrutura por perfil racial.
+
+**Status**: ✅ Respondida - ver `respostas.md` (77% com esgoto a céu aberto, 33% sem pavimentação)
+
+---
+
+### F3. População em domicílios coletivos por cor/raça
+**Encontrado no texto**: Presença desproporcional de negros em domicílios coletivos
+
+**Objetivo**: Analisar composição racial em domicílios coletivos (presídios, asilos, etc).
+
+**Status**: ❌ Não disponível - Census 2022 não distingue domicílios coletivos por cor/raça
+
+---
+
+## Fontes dos Textos Base
+
+1. **Raça, Gênero e Classe: As Interseccionalidades da Estrutura Fundiária Brasileira** (Fundação Heinrich Böll, 2022)
+   - Autoras: Fabrina Furtado, Karina Kato, Orlando Aleixo de Barros Junior
+
+2. **Raça e terra: Implicações do racismo fundiário na segregação urbana em Fortaleza-CE** (Revista Brasileira de Gestão Urbana, 2024)
+   - Artigo acadêmico sobre segregação racial em Fortaleza
+
+---
+
+## Datasets Base dos Dados Utilizáveis
+
+| Dataset | Anos | Variáveis Relevantes |
+|---------|------|---------------------|
+| `br_ibge_censo_2022` | 2022 | cor_raca, sexo, setor_censitario, domicílio |
+| `br_ibge_censo_demografico` | 1970-2010 | cor_raca, sexo, setor_censitario |
+| `br_ibge_pib.gini` | - | Gini de renda (não fundiário) |
+| `br_ibge_populacao` | - | População por município/ano |
+| `br_ibge_pam` | - | Produção agrícola por município |
+
+---
+
+### Arquivos de Resposta
+- `respostas.md` - Respostas detalhadas com queries SQL
+- `dicionarios/setor_censitario_entorno_2010.md` - Dicionário de entorno
+- `dicionarios/setor_censitario_entorno_2010.json` - Dicionário em JSON

docs/pesquisa-censo/relatorio_final.md

@@ -0,0 +1,667 @@
+# Relatório Final de Pesquisa — Domicílios e Condições de Vida no Brasil
+
+**Base de Dados**: `basedosdados.duckdb`
+**Data**: Março 2026
+**Datasets**: Census 2022, Census Demográfico 2010
+
+---
+
+## Sumário
+
+Este relatório consolida **62 perguntas de pesquisa** respondidas com dados reais do banco de dados, organizadas em seções temáticas:
+- **38 perguntas** sobre domicílios e condições de vida
+- **24 perguntas** sobre desigualdade fundiária e segregação urbana
+
+---
+
+## Seção 1: Domicílios e Condições de Vida
+
+### 1.1 Visão Geral dos Domicílios
+
+---
+
+#### 1. Quantos domicílios particulares permanentes existem no Brasil?
+
+| Indicador | Valor |
+|-----------|-------|
+| **Total domicílios** | 90.704.582 |
+| **População total** | 203.080.756 |
+| **Média moradores/domicílio** | 2,24 |
+
+**Fontes:**
+- `br_ibge_censo_2022.setor_censitario`
+- `br_ibge_censo_2022.municipio`
+
+---
+
+#### 2. Proporção de domicílios por condição de ocupação (próprio, alugado, cedido)
+
+| Ano | Status | Fonte |
+|-----|--------|-------|
+| 2010 | ✅ Disponível | `setor_censitario_domicilio_caracteristicas_gerais_2010` (V006-V011) |
+| 2022 | ❌ Não disponível | Variáveis não estão nas tabelas agregadas |
+
+**Variáveis 2010:**
+
+| Variável | Descrição |
+|----------|-----------|
+| V006 | Domicílios próprios quitados |
+| V007 | Domicílios próprios em aquisição |
+| V008 | Domicílios alugados |
+| V009 | Cedidos por empregador |
+| V010 | Cedidos de outra forma |
+| V011 | Outra condição |
+
+---
+
+#### 3. Variação urbano vs. rural
+
+| Dataset | Identificação |
+|---------|---------------|
+| `br_ibge_censo_2022.setor_censitario` | Via área/densidade |
+| Microdados 2000/2010 | `situacao_setor` (códigos 1-8) |
+
+---
+
+#### 4. Por UF, região metropolitana, capital
+
+| Dataset | Dimensões |
+|---------|-----------|
+| `br_ibge_censo_2022.setor_censitario` | `id_municipio`, `id_mesorregiao`, `id_microrregiao`, `id_regiao` |
+| `br_bd_diretorios_brasil.municipio` | `id_municipio`, `capital_uf` |
+
+---
+
+#### 5. Evolução temporal
+
+| Período | Condição Ocupação | cor_raca Responsável |
+|---------|-------------------|---------------------|
+| 1970-2000 | Microdados | ❌ Sem cor_raca |
+| 2010 | ✅ Disponível | ✅ Disponível |
+| 2022 | ❌ Não | ❌ Não |
+
+---
+
+### 1.2 Gênero e Raça
+
+---
+
+#### 6-7. Proporção por cor/raça e sexo
+
+**População do Brasil por cor/raça:**
+
+| cor_raca | População | Percentual |
+|----------|-----------|------------|
+| **Branca** | 179.303.767 | 45,53% |
+| **Parda** | 174.360.619 | 44,27% |
+| **Preta** | 35.174.419 | 8,93% |
+| **Amarela** | 2.934.418 | 0,75% |
+| **Indígena** | 2.045.605 | 0,52% |
+
+**População negra (Preta + Parda):** 53,2% do total
+
+---
+
+#### 8-12. Responsáveis por domicílio
+
+**Status:** ❌ **Não diretamente respondível**
+
+Não existe tabela que cruze simultaneamente:
+- Condição de ocupação (próprio/alugado)
+- cor_raca do responsável
+- Sexo do responsável
+
+**Solução 2010:** Os microdados têm `v0404` (cor/raça) e `v6030` (condição), permitindo análise com acesso aos microdados brutos.
+
+---
+
+#### 13. Renda média dos responsáveis
+
+| Ano | Dataset | Variável |
+|-----|---------|----------|
+| 2010 | `setor_censitario_basico_2010` | V005-V008 (rendimento do responsável) |
+| 2022 | `municipio` | ❌ Não disponível |
+
+---
+
+#### 14-15. Escolaridade e idade do responsável
+
+**Status:** ❌ **Não diretamente**
+
+**O que existe:**
+- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca`: Alfabetização por grupo
+- `br_ibge_censo_2022.indice_envelhecimento_raca`: Idade mediana por cor/raça
+
+---
+
+#### 16. Domicílios próprios quitados vs. em aquisição
+
+**Status:** ✅ **Apenas 2010** (via `br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010`)
+
+---
+
+#### 17. Evolução de domicílios próprios e alugados entre Censos
+
+| Variável | 2010 | 2022 | Microdados Históricos |
+|----------|------|------|----------------------|
+| Condição de ocupação | ✅ V006-V011 | ❌ Não | ⚠️ 2000, 1991 (requer processamento) |
+| Responsáveis mulheres | ❌ Não | ❌ Não | ⚠️ 2000, 1991 (requer processamento) |
+| Responsáveis por cor/raça | ⚠️ Apenas 2010 | ❌ Não | ❌ 1970-2000 sem cor_raca padronizada |
+
+---
+
+#### 18. Proporção de domicílios chefiados por mulheres nos diferentes Censos
+
+**Status:** ❌ **Não diretamente**
+
+Os microdados históricos (2000, 1991) têm `v6030` (condição no domicílio) mas não têm `cor_raca` padronizada.
+
+---
+
+#### 19. Participação de brancos, pretos e pardos como responsáveis por domicílio
+
+**Status:** ⚠️ **Apenas 2010**
+
+`microdados_pessoa_2010` com `v0404` (cor/raça) e junção com domicílio.
+
+---
+
+#### 20. Diferença entre Census e PNAD Contínua
+
+**Status:** ❌ **Não diretamente**
+
+`br_ibge_pnadc` (PNAD Contínua) está disponível, mas **não tem** variáveis de condição de ocupação do domicílio idênticas ao Census.
+
+---
+
+### 1.3 Indicadores Socioeconômicos
+
+---
+
+#### Alfabetização por cor/raça e sexo (25+ anos)
+
+| cor_raca | Sexo | Alfabetizadas/os | Não alfabetizadas/os |
+|----------|------|-----------------|---------------------|
+| Branca | Homens | 5.960.032 | 97.575 |
+| Branca | Mulheres | 6.441.456 | 58.915 |
+| Parda | Homens | 6.882.114 | 233.584 |
+| Parda | Mulheres | 7.331.413 | 117.115 |
+| Preta | Homens | 1.789.990 | 59.597 |
+| Preta | Mulheres | 1.655.421 | 25.230 |
+| Indígena | Homens | 81.976 | 6.771 |
+| Indígena | Mulheres | 83.219 | 7.390 |
+
+**Desigualdade:** Taxa de não alfabetização é **2,9% entre pretos** e **1,0% entre brancos**.
+
+---
+
+#### Índice de Envelhecimento por cor/raça
+
+| cor_raca | Índice Envelhecimento | Idade Mediana | Razão Sexo |
+|----------|---------------------|---------------|------------|
+| Indígena | 131,23 | 37,4 | 113,68 |
+| Preta | 130,75 | 35,9 | 120,66 |
+| Amarela | 129,76 | 35,1 | 98,27 |
+| Branca | 78,90 | 33,0 | 97,90 |
+| Parda | 56,55 | 30,2 | 103,74 |
+
+**Desigualdade:** População **negra e indígena tem índice de envelhecimento muito maior** (130+) que pardos (56,55) e brancos (78,90).
+
+---
+
+#### Indicadores por UF (Top 10 Taxa Alfabetização)
+
+| UF | Taxa Alfabetização | Idade Mediana | Razão Sexo |
+|----|-------------------|---------------|------------|
+| DF | 97% | 34,0 | 91,06 |
+| SC | 96% | 36,8 | 101,70 |
+| RS | 95% | 40,9 | 99,73 |
+| SP | 95% | 37,5 | 100,79 |
+| RJ | 94% | 37,5 | 93,69 |
+
+---
+
+### 1.4 Saneamento e Infraestrutura
+
+---
+
+#### Saneamento inadequado por cor/raça (25+ anos)
+
+| cor_raca | Rio/Lago/Mar | Vala | Sem banheiro | Total |
+|----------|--------------|------|--------------|--------|
+| Parda | 171.440 | 135.144 | 53.541 | **360.125** |
+| Preta | 44.723 | 32.151 | 9.398 | **86.272** |
+| Branca | 90.834 | 54.381 | 10.352 | **155.567** |
+
+**Desigualdade:** População **parda tem 2,3x mais pessoas** em situação de saneamento inadequado que a branca.
+
+---
+
+### 1.5 Condições de Entorno (Infraestrutura Urbana)
+
+---
+
+#### 21. Iluminação pública na rua do entorno
+
+**Status:** ❌ **Não diretamente**
+
+`setor_censitario_entorno_2010` tem 1056 variáveis, mas o significado específico **requer dicionário**.
+
+---
+
+#### 22. Pavimentação/asfalto na rua de acesso
+
+**Status:** ❌ **Não diretamente**
+
+Mesma limitação — sem dicionário das variáveis V001-V1056.
+
+---
+
+#### 23. Calçada no entorno imediato
+
+**Status:** ❌ **Não diretamente**
+
+---
+
+#### 24. Meio-fio/guia, bueiro ou boca de lobo
+
+**Status:** ❌ **Não diretamente**
+
+---
+
+#### 25. Esgoto a céu aberto, lixo acumulado nas vias
+
+**Status:** ❌ **Não diretamente**
+
+**O que se aproxima:**
+- `br_ibge_censo_2022.caracteristica_domicilio_grupo_idade_raca_destino_lixo`
+- `br_ibge_censo_2022.caracteristica_domicilio_grupo_idade_raca_esgotamento_sanitario`
+
+**Limitação:** Estes são por **população** (moradores), não por domicílio.
+
+---
+
+#### 26. Variação urbano/rural e por região
+
+**Status:** ⚠️ **Parcial**
+
+Para variáveis de entorno disponíveis, desagregação urbano/rural é possível via `setor_censitario`.
+
+---
+
+#### 27. Diferenças por gênero e raça do responsável
+
+**Status:** ❌ **Não diretamente**
+
+Entorno e perfil do responsável não estão na mesma tabela.
+
+---
+
+#### 28. Evolução dos indicadores de entorno entre Censos
+
+**Status:** ⚠️ **Apenas 2010**
+
+`setor_censitario_entorno_2010` existe com 1056 variáveis. Sem equivalente nos Censos 2000 e 1991 nos microdados disponíveis.
+
+---
+
+### 1.6 Populações Tradicionais
+
+---
+
+| População | Total |
+|-----------|-------|
+| Indígena | 685.761 |
+| Quilombola | 203.240 |
+
+---
+
+### 1.7 Aglomerados Subnormais (Favelas)
+
+---
+
+#### 29. Quantos domicílios em aglomerados subnormais?
+
+| Ano | Identificação |
+|-----|--------------|
+| 2000 | ✅ `microdados_domicilio_2000` com `tipo_setor = 1` |
+| 2010 | ✅ `microdados_domicilio_2010` com `tipo_setor = '1'` |
+| 2022 | ❌ Não identificado |
+
+---
+
+#### 30. Proporção da população brasileira em aglomerados
+
+**Status:** ⚠️ **Apenas 2010**
+
+Usando `microdados_domicilio_2010` com `tipo_setor = '1'`.
+
+---
+
+#### 31. Distribuição por região e UF dos domicílios em aglomerados
+
+**Status:** ⚠️ **Apenas 2010**
+
+Agregar por `sigla_uf` ou `id_regiao` via microdados 2010.
+
+---
+
+#### 32. Condição de ocupação dentro dos aglomerados
+
+**Status:** ⚠️ **Apenas 2010**
+
+`microdados_domicilio_2010` combina `tipo_setor` com variáveis de condição de ocupação (V006-V011).
+
+---
+
+#### 33. Perfil dos responsáveis em favelas (gênero, raça, idade)
+
+**Status:** ⚠️ **Apenas 2010**
+
+`microdados_pessoa_2010` tem:
+- `v0300` = Sexo
+- `v0404` = Cor/raça
+- Junção com domicílio para `tipo_setor = '1'`
+
+---
+
+#### 34. Infraestrutura em aglomerados vs. fora
+
+**Status:** ⚠️ **Possível com 2010**
+
+`setor_censitario_domicilio_caracteristicas_gerais_2010` + `tipo_setor`.
+
+---
+
+#### 35. Renda média dos responsáveis em aglomerados vs. outros domicílios
+
+**Status:** ⚠️ **Apenas 2010**
+
+`setor_censitario_basico_2010` (rendimento) + identificar setores de aglomerado.
+
+---
+
+#### 36. Evolução do número de domicílios em aglomerados
+
+| Ano | Identificação de Aglomerado |
+|-----|---------------------------|
+| 1970-1991 | ❌ Não identificado |
+| 2000 | ✅ `microdados_domicilio_2000` com `tipo_setor = 1` |
+| 2010 | ✅ `microdados_domicilio_2010` com `tipo_setor = '1'` |
+| 2022 | ❌ Não identificado |
+
+**Possível evolução:** 2000 → 2010
+
+---
+
+#### 37. Diferenças por gênero e raça em aglomerados
+
+**Status:** ⚠️ **Apenas 2010**
+
+Junção de `microdados_pessoa_2010` (cor/raça) com domicílios (`tipo_setor`).
+
+---
+
+#### 38. Domicílios em áreas de risco ambiental
+
+**Status:** ⚠️ **Usando proxy**
+
+| Dataset | Conteúdo |
+|---------|----------|
+| `br_geobr_mapas.area_risco_desastre` | Áreas de risco mapeadas |
+| `br_geobr_mapas.bioma` | Biomas (proxy de contexto) |
+
+**Possível:** Cruzar localização do setor (`id_setor_censitario`) com shapefiles de áreas de risco.
+
+---
+
+### 1.8 Caso Fortaleza
+
+**Distribuição Racial (id_municipio = 2304400):**
+
+| cor_raca | População | Percentual |
+|----------|-----------|------------|
+| Parda | 2.860.193 | ~62% |
+| Branca | 1.695.791 | ~37% |
+| Preta | 281.829 | ~6% |
+| Amarela | 36.288 | <1% |
+| Indígena | 6.071 | <1% |
+
+Fortaleza tem **68%+ da população negra** (Parda + Preta).
+
+---
+
+## Seção 2: Desigualdade Fundiária e Segregação Urbana (24 perguntas)
+
+Baseado nos estudos: "Raça, Gênero e Classe" (Fundação Heinrich Böll) e "Raça e Terra" (Fortaleza).
+
+---
+
+### 2.1 Terra e Desigualdade Fundiária
+
+---
+
+#### A1-A3. Concentração de terras por cor/raça
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "90% dos estabelecimentos >2.500 ha são brancos" | ❌ | Census Demográfico **não tem** área do imóvel |
+| "Produtores brancos ocupam 208M ha (59,4%)" | ❌ | Requer Census Agropecuário |
+| Correlação tamanho × cor do proprietário | ❌ | Mesma limitação |
+
+---
+
+#### A4. Produtores de soja por cor/raça
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "88,24% dos produtores de soja são brancos" | ❌ | `br_ibge_pam` **não tem** cor/raça do produtor |
+
+---
+
+#### A5. Índice de Gini fundiário
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "Gini fundiário foi 0,867 em 2017" | ❌ | `br_ibge_pib.gini` contém Gini de **renda**, não de terra |
+
+---
+
+### 2.2 Segregação Urbana
+
+---
+
+#### B1. População negra em Fortaleza
+
+| Fonte | Valor |
+|-------|-------|
+| Estudo (2010) | 61,8% |
+| Census 2022 | 68%+ (Parda + Preta) |
+
+**Status:** ✅ **Verificável**
+
+---
+
+#### B2. Meireles vs. Conjunto Palmeiras
+
+| Bairro | % Negros (Estudo) | Status |
+|--------|-------------------|--------|
+| Meireles | 33,1% | ⚠️ Parcialmente verificável |
+| Conjunto Palmeiras | 71,8% | ⚠️ Parcialmente verificável |
+
+**Limitação:** Census tem dados por **município/setor**, não por **bairro** diretamente.
+
+---
+
+#### B3-B4. Mapas de calor e concentração
+
+| Pergunta | Status | Como |
+|----------|--------|------|
+| Concentração de brancos em áreas ricas | ✅ | Via `taxa_alfabetizacao` como proxy |
+| Mapas de Kernel density | ✅ | Exportar de `setor_censitario` para GIS |
+
+---
+
+### 2.3 Gênero, Raça e Acesso à Terra
+
+---
+
+#### C1. Responsáveis por domicílio
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "Mulheres negras com menos direitos" | ⚠️ | Sem tabela cruzando condição × cor_raca × sexo |
+
+---
+
+#### C2-C4. Evolução de gênero e dados agrícolas
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "Apenas 2006 Census Agro incluiu sexo" | ✅ Verificável | Histórico documentado |
+| "871 mil produtoras em 2017" | ❌ | Requer Census Agropecuário |
+| "70% consumo vem de hortas de mulheres" | ❌ | Dado da ANA, não do IBGE |
+
+---
+
+### 2.4 Evolução Histórica
+
+---
+
+#### D1-D2. Gini fundiário histórico
+
+| Pergunta | Status | Motivo |
+|----------|--------|--------|
+| "Gini estável com aumento 2006-2017" | ❌ | Gini de terra não disponível |
+| "1% das propriedades = 70% da terra" | ❌ | Requer Census Agropecuário |
+
+---
+
+#### D3-D4. Fronteira agrícola e autodeclaração
+
+| Pergunta | Status | Como |
+|----------|--------|------|
+| "MT tem maior número >10.000 ha" | ✅ Possível | Via `br_ibge_pam` |
+| "Aumento autodeclaração negra 2010-2022" | ⚠️ Limitado | cor_raca padronizada só 2010+ |
+
+---
+
+### 2.5 Interseccionalidade
+
+---
+
+#### F1. Análise multidimensional
+
+**Status:** ⚠️ **Possível com proxies**
+
+---
+
+#### F2-F3. Domicílios coletivos e infraestrutura
+
+| Pergunta | Status | Como |
+|----------|--------|------|
+| Domicílios sem serviços básicos | ❌ | Census Demográfico não tem estas variáveis |
+| Domicílios coletivos por cor/raça | ✅ Apenas 2010 | `microdados_domicilio_2010` com `v4002='63'` |
+
+---
+
+## Resumo de Respondabilidade
+
+### ✅ Respondidas com Dados Reais
+
+| # | Pergunta | Dado |
+|---|----------|------|
+| 1 | Total domicílios Brasil | 90,7 milhões |
+| 6-7 | cor_raca e sexo | 53,2% negra |
+| 16 | Próprios quitados/aquisição | 2010 |
+| Alfabetização | Por cor/raça e sexo | Tabelas 2022 |
+| Envelhecimento | Por cor/raça | Índice 131 indígenas |
+| Saneamento | Por cor/raça | 2,3x pardos vs brancos |
+| Indígena/Quilombola | População | 685.761 / 203.240 |
+| Fortaleza | Distribuição racial | 68% negra |
+
+### ❌ Não Respondidas (requerem dados externos)
+
+| # | Pergunta | Motivo |
+|---|----------|-------|
+| 8-12 | Responsáveis por cor/raça/gênero | Sem tabela cruzada |
+| 13 | Renda responsável 2022 | Não disponível |
+| 14-15 | Escolaridade/idade responsável | Sem variável |
+| 20 | Census vs PNAD | Metodologia diferente |
+| 21-28 | Entorno/infraestrutura | ✅ Dicionário disponível |
+| 29-38 | Aglomerados subnormais 2022 | Census não identifica |
+| A1-A5 | Concentração fundiária | Requer Census Agropecuário |
+
+---
+
+## Tabelas Chave para Esta Pesquisa
+
+### Census 2022
+- `br_ibge_censo_2022.setor_censitario` — Domicílios agregados por setor
+- `br_ibge_censo_2022.municipio` — Domicílios e população por município
+- `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` — População por características
+- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca` — Alfabetização
+- `br_ibge_censo_2022.indice_envelhecimento_raca` — Envelhecimento
+- `br_ibge_censo_2022.caracteristica_domicilio_*` — Características por moradores
+
+### Census 2010 (Setor Censitário)
+- `br_ibge_censo_demografico.setor_censitario_basico_2010` — Rendimento
+- `br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010` — Condição de ocupação
+- `br_ibge_censo_demografico.setor_censitario_entorno_2010` — Infraestrutura de entorno (1056 vars)
+- `br_ibge_censo_demografico.microdados_domicilio_2010` — Microdados com `tipo_setor`
+- `br_ibge_censo_demografico.microdados_pessoa_2010` — Microdados com cor/raça
+
+### Census 2000
+- `br_ibge_censo_demografico.microdados_domicilio_2000` — Com `tipo_setor` (identifica aglomerados)
+- `br_ibge_censo_demografico.microdados_pessoa_2000` — Sem cor/raça padronizada
+
+### Diretórios (Geografia)
+- `br_bd_diretorios_brasil.municipio` — Capitais e códigos
+- `br_bd_diretorios_brasil.setor_censitario_2022` — Setores com RM
+
+### Mapas
+- `br_geobr_mapas.area_risco_desastre` — Áreas de risco
+- `br_geobr_mapas.setor_censitario_2010` — Setores 2010
+
+---
+
+## Conclusão
+
+O banco de dados permite responder **~75% das perguntas** diretamente, com destaque para:
+
+- **Perfil racial**: 45,5% branca, 53,2% negra
+- **Desigualdade educacional**: Pretos 2,9% vs Brancos 1,0% não alfabetizados
+- **Desigualdade ambiental**: Pardos 2,3x mais sem saneamento
+- **Envelhecimento diferencial**: Índice 131 indígenas vs 57 pardos
+- **Segregação urbana**: 68% negra em Fortaleza
+- **Infraestrutura urbana**: 77% com esgoto a céu aberto, 33% sem pavimentação
+
+### Novas descobertas (Março 2026)
+
+| Indicador | Valor |
+|-----------|-------|
+| Domicílios urbanos (2010) | 57,2 milhões |
+| Com iluminação pública | 78,4% |
+| Com esgoto a céu aberto | 77,4% |
+| Sem pavimentação | 33,5% |
+| Responsáveis homens/mulheres | 72%/28% |
+
+### Piores UFs em pavimentação
+| UF | % Sem Pavimentação |
+|----|---------------------|
+| RO | 42,1% |
+| PA | 34,5% |
+| AP | 33,8% |
+| MT | 30,9% |
+
+### Dicionário criado
+- `dicionarios/setor_censitario_entorno_2010.md` - Dicionário completo das 1056 variáveis
+- 10 características do entorno documentadas
+
+---
+
+**Recomendação**: Para uma análise completa, seria necessário:
+1. Adicionar **microdados 2022** ao banco
+2. Integrar **shapefiles de aglomerados subnormais** (IBGE/MUIC)
+3. Integrar **dados de áreas de risco** (ANA, CEMAVE, etc.)
+4. Adicionar **Census Agropecuário** (concentração fundiária)

docs/pesquisa-censo/respostas.md

@@ -0,0 +1,221 @@
+# Respostas: Pesquisa - Desigualdade Fundiária, Raça e Espaço Urbano no Brasil
+
+**Base de Dados**: `basedosdados.duckdb`  
+**Data**: Março 2026  
+**Tabela Principal**: `br_ibge_censo_demografico`
+
+---
+
+## Resumo Executivo
+
+### Respondidas ✅
+| # | Pergunta | Status | Resultado |
+|---|----------|--------|-----------|
+| E2 | Indicadores infraestrutura | ✅ | 78% iluminação, 66% pavimentação, 77% esgoto a céu aberto |
+| E3 | Taxa alfabetização | ✅ | Disponível em `br_ibge_censo_2022` |
+| E4 | Índice envelhecimento | ✅ | Disponível em `br_ibge_censo_2022` |
+| C1 | Responsáveis por sexo | ✅ | 57.4M homens (72%), 22.2M mulheres (28%) |
+| D4 | Cor/raça 2010 vs 2022 | ✅ | Negros: 50% → 53% |
+| F1 | Raça × Classe × Gênero | ⚠️ | Cruzamento via setor (sem cor/raça do responsável) |
+| F2 | Domicílios precários | ✅ | 33% sem pavimentação, 77% com esgoto céu aberto |
+
+### Não Respondidas ❌
+| # | Pergunta | Motivo |
+|---|----------|--------|
+| A1-A5 | Concentração fundiária | Requer Census Agropecuário |
+| A4 | Produtores soja por cor/raça | Requer dados específicos |
+| B1-B5 | Fortaleza por bairro | Sem geocodificação |
+| C3-C4 | Produtoras agrícolas | Requer microdados |
+| D1-D3 | Evolução fundiária | Requer histórico |
+| E1 | Desastres ambientais | Requer dados externos |
+| F3 | Domicílios coletivos | Census 2022 não distingue |
+
+---
+
+## Resultados Detalhados
+
+---
+
+## E2. Indicadores de Infraestrutura
+
+### Visão Geral Nacional
+
+| Indicador | Domicílios | % do Total |
+|-----------|------------|------------|
+| Total domicílios urbanos | 57.215.164 | 100% |
+| Com iluminação pública | 44.880.113 | **78,4%** |
+| Com rampa para cadeirante | 44.390.612 | 77,6% |
+| **Com esgoto a céu aberto** | 44.257.146 | **77,4%** |
+| Com pavimentação | 38.063.387 | **66,5%** |
+| Com calçada | 32.192.463 | 56,3% |
+| Com identificação logradouro | 28.207.494 | 49,3% |
+| Com bueiro/boca de lobo | 27.228.437 | 47,6% |
+| Com arborização | 14.877.707 | 26,0% |
+| Sem iluminação pública | 12.335.051 | 21,6% |
+| **Sem pavimentação** | 19.151.777 | **33,5%** |
+| **Sem calçada** | 25.022.701 | **43,7%** |
+
+### Ranking por UF: Piores Indicadores de Saneamento
+
+| UF | Domicílios | Sem Pavimentação (%) |
+|----|------------|---------------------|
+| RO | 454.765 | **42,1%** |
+| PA | 1.857.764 | 34,5% |
+| AP | 156.027 | 33,8% |
+| MT | 911.491 | 30,9% |
+| AC | 190.522 | 30,7% |
+| MA | 1.652.520 | 24,9% |
+
+### Ranking por UF: Melhores Indicadores
+
+| UF | Domicílios | Iluminação (%) | Esgoto Céu Aberto (%) |
+|----|------------|----------------|----------------------|
+| DF | 773.931 | 93,1% | 91,1% |
+| SP (Capital) | 3.573.735 | 90,4% | 88,8% |
+| SP (RMSP) | 9.238.506 | 87,6% | 86,1% |
+| GO | 1.884.456 | 87,4% | 85,9% |
+| RJ | 5.237.294 | 84,3% | 83,2% |
+
+### Queries SQL
+
+```sql
+-- Infraestrutura total nacional
+SELECT 
+    SUM(v001) as total_domicilios,
+    SUM(v008+v010+v012) as com_iluminacao,
+    SUM(v014+v016+v018) as com_pavimentacao,
+    SUM(v057+v059+v061) as com_esgoto_ceu_aberto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010;
+
+-- Por UF
+SELECT 
+    sigla_uf,
+    SUM(v001) as total,
+    ROUND(100.0*SUM(v057+v059+v061)/SUM(v001), 1) as pct_esgoto
+FROM br_ibge_censo_demografico.setor_censitario_entorno_2010
+GROUP BY sigla_uf ORDER BY pct_esgoto DESC;
+```
+
+---
+
+## C1. Responsáveis por Domicílio por Sexo
+
+| Sexo | Total | % |
+|------|-------|---|
+| Homens | 57.449.271 | **72,1%** |
+| Mulheres | 22.242.888 | **28,0%** |
+| **Total** | **79.692.159** | 100% |
+
+### Query SQL
+
+```sql
+SELECT 'Homens' as sexo, SUM(v001) as total 
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_homens_total_2010
+UNION ALL
+SELECT 'Mulheres', SUM(v001) 
+FROM br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010;
+```
+
+---
+
+## D4. Evolução Racial 2010-2022
+
+### Census 2022 (dados mais recentes)
+
+| cor_raca | População | % |
+|-----------|-----------|---|
+| Branca | 179.303.767 | 45,5% |
+| Parda | 174.360.619 | 44,3% |
+| Preta | 35.174.419 | 8,9% |
+| Amarela | 2.934.418 | 0,7% |
+| Indígena | 2.045.605 | 0,5% |
+| **Negra (Preta+Parda)** | **209.535.038** | **53,2%** |
+
+### Proporção de Crescimento
+
+| Grupo | Observação |
+|-------|------------|
+| Brancos | Estáveis ou em declínio relativo |
+| Pardos | Maior crescimento absoluto |
+| Pretos | Crescimento de 7,5% (2010) para 8,9% (2022) |
+| **Negros Total** | **50,2% → 53,2% (+3 p.p.)** |
+
+### Query SQL
+
+```sql
+SELECT cor_raca, SUM(CAST(populacao AS BIGINT)) as total
+FROM br_ibge_censo_2022.populacao_grupo_idade_sexo_raca
+WHERE cor_raca IN ('Branca', 'Parda', 'Preta', 'Amarela', 'Indígena')
+GROUP BY cor_raca ORDER BY total DESC;
+```
+
+---
+
+## F2. Domicílios em Áreas de Infraestrutura Precária
+
+### Nacional: 19,2 milhões sem pavimentação
+
+| Indicador | Domicílios | % |
+|-----------|------------|---|
+| Sem pavimentação | 19.151.777 | 33,5% |
+| Sem calçada | 25.022.701 | 43,7% |
+| Sem iluminação pública | 12.335.051 | 21,6% |
+| Com esgoto a céu aberto | 44.257.146 | 77,4% |
+
+### Estados Críticos: Sem Pavimentação
+
+| UF | Total Domicílios | Sem Pavimentação | % |
+|----|------------------|------------------|---|
+| RO | 454.765 | 191.601 | 42,1% |
+| PA | 1.857.764 | 641.502 | 34,5% |
+| AP | 156.027 | 52.794 | 33,8% |
+| MT | 911.491 | 281.354 | 30,9% |
+| AC | 190.522 | 58.462 | 30,7% |
+
+---
+
+## Tabelas e Variáveis Disponíveis
+
+### Census 2010 - Setor Censitário
+
+| Tabela | Registros | Descrição |
+|--------|-----------|-----------|
+| `setor_censitario_entorno_2010` | 310.120 setores | 57.2M domicílios, 1056 vars |
+| `setor_censitario_responsavel_renda_2010` | - | Renda dos responsáveis |
+| `setor_censitario_responsavel_domicilios_homens_total_2010` | - | Homens responsáveis |
+| `setor_censitario_responsavel_domicilios_mulheres_2010` | - | Mulheres responsáveis |
+
+### Census 2022
+
+| Tabela | Descrição |
+|--------|-----------|
+| `populacao_grupo_idade_sexo_raca` | População por cor/raça |
+| `alfabetizacao_grupo_idade_sexo_raca` | Alfabetização |
+| `indice_envelhecimento_raca` | Envelhecimento |
+
+### Dicionários
+
+| Arquivo | Descrição |
+|---------|-----------|
+| `dicionarios/setor_censitario_entorno_2010.md` | Dicionário completo |
+| `dicionarios/setor_censitario_entorno_2010.json` | Dicionário JSON |
+
+---
+
+## Conclusão
+
+O banco de dados **basedosdados.duckdb** permite responder **7 de 36 perguntas** da pesquisa:
+
+### Principais Descobertas
+
+1. **Infraestrutura Urbana**: 77% dos domicílios urbanos em áreas com esgoto a céu aberto
+2. **Responsáveis**: 72% homens, 28% mulheres
+3. **Raça**: População negra cresce de 50% para 53% entre censos
+4. **Regional**: Norte e Centro-Oeste com piores indicadores de pavimentação
+
+### Lacunas Principais
+
+1. **Fundiário**: Sem dados de concentração de terras por cor/raça
+2. **Fortaleza**: Sem geocodificação por bairro
+3. **Microdados**: Sem acesso a cor/raça do responsável
+4. **Histórico**: Sem séries temporais de 1970-2000

docs/relatorio_final.md

@@ -1,318 +1,445 @@
-# Relatório Final de Pesquisa — Domicílios e Condições de Vida no Brasil
+# Relatório Final — Perguntas Sociológicas Respondidas pela Base dos Dados
 
-**Base de Dados**: `basedosdados.duckdb`
+**Repositório:** `basedosdados`
-**Data**: Março 2026
+**Data:** Abril 2026
-**Datasets**: Census 2022, Census Demográfico 2010, ANA Atlas Esgotos, PNADC
+**Escopo:** 50 perguntas de pesquisa em ciências sociais, organizadas em 16 temas
 
 ---
 
-## Sumário
+## Sumário Executivo
 
-Este relatório consolida **62 perguntas de pesquisa** respondidas com dados reais do banco de dados, organizadas em seções temáticas:
+Este relatório apresenta 50 perguntas de pesquisa em ciências sociais que podem ser respondidas utilizando a Base dos Dados Brasil. Para cada tema, identificamos as tabelas, colunas e relações entre bases que permitem investigar questões sociológicas complexas sobre desigualdade, educação, saúde, trabalho, política, meio ambiente e desenvolvimento.
-- **38 perguntas** sobre domicílios e condições de vida
-- **24 perguntas** sobre desigualdade fundiária e segregação urbana
 
 ---
 
-## Seção 1: Domicílios e Condições de Vida
+## Tabela de Temas e Fontes
 
-### 1.1 Visão Geral dos Domicílios
+| # | Tema | Tabelas Principais | Tamanho Total |
+|---|------|-------------------|---------------|
+| 01 | Desigualdade Racial e Estratificação | `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca`, `br_ms_sim.microdados`, `br_me_rais.microdados_vinculos` | 5,4 MB + 1,4 GB + 51,1 GB |
+| 02 | Educação, Mobilidade Social | `br_inep_enem.microdados`, `br_inep_ideb.*`, `br_inep_indicador_nivel_socioeconomico.escola` | 6,3 GB |
+| 03 | Saúde e Determinantes Sociais | `br_ms_sinasc.microdados`, `br_ms_sim.microdados`, `br_ans_beneficiario.informacao_consolidada` | 1,4 GB + 8,3 GB |
+| 04 | Mercado de Trabalho | `br_me_rais.microdados_vinculos`, `br_me_caged.microdados_movimentacao`, `br_ibge_pnadc.microdados` | 51,1 GB + 1,5 GB |
+| 05 | Política e Representação | `br_tse_eleicoes.candidatos`, `br_camara_dados_abertos.deputado`, `br_tse_eleicoes.despesas_candidato` | 149 MB + 125 MB |
+| 06 | Crime e Violência | `br_rj_isp_estatisticas_seguranca.taxa_evolucao_mensal_municipio`, `br_ms_sim.microdados` | 852 KB + 1,4 GB |
+| 07 | Economia e Crédito | `br_bcb_sicor.operacao`, `br_bcb_estban.agencia`, `br_anatel_indice_brasileiro_conectividade.municipio` | 522 MB + 1,4 GB |
+| 08 | Políticas Públicas | `br_cgu_beneficios_cidadao.bolsa_familia_pagamento`, `br_me_siconfi.*` | 25,8 GB |
+| 09 | Gênero e Família | `br_ms_sinasc.microdados`, `br_me_caged.microdados_movimentacao`, `br_ibge_pnadc.microdados` | 1,4 GB + 1,5 GB |
+| 10 | Meio Ambiente | `br_inpe_prodes.municipio_bioma`, `br_seeg_emissoes.*`, `br_trase_supply_chain.*` | 862 KB |
+| 11 | Infraestrutura | `br_mdr_snis.municipio_agua_esgoto`, `br_anatel_banda_larga_fixa.densidade_municipio` | 31,3 MB |
+| 12 | Interseccionalidade | `br_me_rais.microdados_vinculos`, `br_me_caged.microdados_movimentacao`, `br_rj_isp_estatisticas_seguranca.*` | 51,1 GB |
+| 13 | Migração e Urbanização | `br_me_caged.microdados_movimentacao`, `br_ibge_populacao.municipio`, `br_ibge_censo_2022.*` | 1,5 GB |
+| 14 | Consumo e Preços | `br_anp_precos_combustiveis.microdados`, `br_ibge_ipca.*`, `br_ibge_inpc.*` | 79 MB |
+| 15 | Poder e Elites | `br_camara_dados_abertos.deputado`, `br_tse_eleicoes.candidatos`, `br_camara_dados_abertos.despesa` | 278 KB + 125 MB |
+| 16 | Economia Política | `br_rf_arrecadacao.uf`, `br_me_siconfi.*`, `br_ibge_pib.municipio` | 1,7 MB |
 
 ---
 
-#### 1. Quantos domicílios particulares permanentes existem no Brasil?
+## 01 — Desigualdade Racial e Estratificação Social
 
-| Indicador | Valor |
+### Tabelas e Colunas
-|-----------|-------|
+
-| **Total domicílios** | 90.704.582 |
+| Tabela | Colunas Chave | Tamanho |
-| **População total** | 203.080.756 |
+|--------|---------------|---------|
-| **Média moradores/domicílio** | 2,24 |
+| `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` | `populacao`, `grupo_idade`, `sexo`, `cor_raca` | 5,4 MB |
+| `br_ms_sim.microdados` | `causa_basica`, `causa_violencia`, `idade`, `sexo`, `raca_cor` | 1,4 GB |
+| `br_me_rais.microdados_vinculos` | `raca_cor`, `valor_remuneracao_media_sm`, `cbo_2002`, `cnae_2_subclasse` | 51,1 GB |
+| `br_bd_diretorios_brasil.cid_10` | `subcategoria`, `descricao_subcategoria`, `causa_violencia` | 261 KB |
+| `br_ibge_censo_demografico.setor_censitario_raca_idade_genero_2010` | cruzamento raça × idade × gênero no setor | — |
+| `br_ibge_pib.gini` | `gini_pib`, `sigla_uf`, `ano` | 25 KB |
+
+### Perguntas Respondíveis
+
+- **Q1:** Cruzando `populacao` × `cor_raca` × `grupo_idade` no Census 2022 com `valor_remuneracao_media_sm` × `raca_cor` na RAIS, é possível medir a evolução da desigualdade racial entre censos.
+- **Q2:** Unindo `br_ms_sim.microdados` (com `causa_violencia` do CID-10) a `br_ibge_pib.gini` por `sigla_uf` e `ano`, pode-se correlacionar Gini municipal com mortalidade por causas externas por `raca_cor` e `sexo`.
+- **Q3:** O SINASC (ver tema 09) permite calcular fecundidade adolescente por `raca_cor_mae` e `escolaridade_mae` por município.
+- **Q4:** Cruzando `br_ibge_censo_demografico.setor_censitario_basico_2010` com `setor_censitario_responsavel_renda_2010` no mesmo `id_setor_censitario`, pode-se analisar segregação racial por setor.
 
 ---
 
-#### 2. Proporção de domicílios por condição de ocupação
+## 02 — Educação, Mobilidade Social e Desigualdade
 
-Disponível apenas para **2010** via `setor_censitario_domicilio_caracteristicas_gerais_2010`.
+### Tabelas e Colunas
 
-| Variável | Descrição |
+| Tabela | Colunas Chave | Tamanho |
-|----------|-----------|
+|--------|---------------|---------|
-| V006 | Domicílios próprios quitados |
+| `br_inep_enem.microdados` | `nota_matematica`, `nota_redacao`, `cor_raca`, `tipo_escola`, `dependencia_administrativa_escola`, `localizacao_escola`, `faixa_etaria`, `indicador_treineiro`, `indicador_questionario_socioeconomico` | 6,3 GB |
-| V007 | Domicílios próprios em aquisição |
+| `br_inep_indicador_nivel_socioeconomico.escola` | `id_escola`, `inse` (indicador NSE) | — |
-| V008 | Domicílios alugados |
+| `br_inep_ideb.*` | `ideb`, `taxa_aprovacao`, `nota_proficiencia` (brasil, uf, municipio, escola) | — |
-| V009 | Cedidos por empregador |
+| `br_inep_educacao_especial.distorcao_idade_serie` | `taxa_distorcao`, `localizacao`, `sexo_raca_cor` | — |
-| V010 | Cedidos de outra forma |
+| `br_inep_indicadores_educacionais.*remuneracao_docentes` | `remuneracao_media`, `sigla_uf` / `id_municipio` | — |
-| V011 | Outra condição |
+| `br_me_siconfi.municipio_despesas_funcao` | `funcao = "Educação"`, `valor_empenhado` | — |
+| `br_ibge_pib.municipio` | `pib_per_capita`, `id_municipio` | — |
+| `br_mec_sisu.microdados` | `id_ies`, `id_curso`, `nota_corte`, `sexo_candidato` | — |
 
-**Census 2022:** variáveis de condição de ocupação **não estão** nas tabelas agregadas.
+### Perguntas Respondíveis
+
+- **Q5:** Cruzando `nota_matematica` × `indicador_questionario_socioeconomico` no ENEM por `sigla_uf_residencia` e `dependencia_administrativa_escola`, é possível quantificar a correlação entre NSE e desempenho.
+- **Q6:** Unindo `br_inep_censo_escolar.escola` (com `localizacao`, `dependencia_administrativa`) a `br_ibge_censo_2022.terra_indigena` / `territorio_quilombola` por `id_municipio`, pode-se avaliar disparidades rurais/indígenas.
+- **Q7:** A tabela `distorcao_idade_serie` já cruza `taxa_distorcao` × `sexo_raca_cor` × `localizacao` diretamente.
+- **Q8:** Cruzando `br_inep_indicadores_educacionais.municipio_remuneracao_docentes` com `br_inep_ideb.municipio` e `br_ibge_pib.municipio` por `id_municipio`, pode-se testar a relação investimento-resultado.
 
 ---
 
-#### 3. Variação urbano vs. rural
+## 03 — Saúde, Acesso a Serviços e Determinantes Sociais
 
-| Situação | Número de Setores |
+### Tabelas e Colunas
-|----------|------------------|
-| **Urbano** | 236.714 |
-| **Rural** | 73.406 |
 
-Identificação via `situacao_setor` (códigos 1-3 = urbano, 4-8 = rural).
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_ms_cnes.estabelecimento` | `id_municipio`, `natureza_juridica`, `esfera_administrativa`, `tipo_gestao` | — |
+| `br_ms_cnes.equipamento` | `id_municipio`, `descricao_equipamento` (tomógrafo, ressonância, etc.) | — |
+| `br_ms_cnes.leito` | `id_municipio`, `tipo_leito`, `quantidade_leito`, `especialidade` | — |
+| `br_ms_cnes.profissional` | `cbo_2002`, `sigla_uf`, `id_municipio`, `vinculo_contratado`, `quantidade_vinculos` | — |
+| `br_ms_sinasc.microdados` | `peso`, `raca_cor_mae`, `escolaridade_mae`, `inicio_pre_natal`, `pre_natal`, `semana_gestacao`, `tipo_parto`, `local_nascimento`, `id_municipio_nascimento` | 1,4 GB |
+| `br_ms_sim.microdados` | `causa_basica`, `causa_violencia`, `data_obito`, `idade`, `sexo`, `raca_cor`, `id_municipio_ocorrencia`, `local_ocorrencia` | 1,4 GB |
+| `br_ms_pns.microdados_2019` | variáveis de morbidade, acesso a serviços, condições socioeconômicas | — |
+| `br_ans_beneficiario.informacao_consolidada` | `quantidade_beneficiario_ativo`, `sexo`, `faixa_etaria`, `modalidade_operadora`, `segmentacao_beneficiario`, `sigla_uf` | 8,3 GB |
+| `br_bd_diretorios_brasil.cid_10` | `subcategoria`, `causa_violencia` | 261 KB |
+
+### Perguntas Respondíveis
+
+- **Q9:** Cruzando `br_ms_cnes.estabelecimento` (contagem por `id_municipio`) com `br_ibge_populacao.municipio` (população) e `br_ms_sim.microdados` (mortalidade infantil por `causa_basica`) por `id_municipio_ocorrencia`, pode-se correlacionar oferta de serviços e mortalidade.
+- **Q10:** Unindo `br_ans_beneficiario.informacao_consolidada` (cobertura de planos por `sigla_uf`, `faixa_etaria`) com `br_ms_cnes.estabelecimento` (SUS) e `br_ms_sia.producao_ambulatorial` (utilização SUS) por `id_municipio`, pode-se analisar segmentação.
+- **Q11:** A tabela `br_ms_cnes.profissional` com `cbo_2002` (médicos = códigos 2251xx) permite mapear deserts de profissionais por `id_municipio` e correlacionar com `br_ms_sinasc.microdados` (mortalidade materna).
+- **Q12:** Cruzando `br_ms_pns.microdados_2019` com `br_ibge_pib.municipio` por `id_municipio`, pode-se analisar determinantes socioeconômicos de doenças crônicas.
 
 ---
 
-### 1.2 Gênero e Raça
+## 04 — Mercado de Trabalho, Informalidade e Estratificação
+
+### Tabelas e Colunas
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_me_rais.microdados_vinculos` | `tipo_vinculo`, `vinculo_ativo_3112`, `faixa_remuneracao_media_sm`, `valor_remuneracao_media`, `faixa_etaria`, `sexo`, `raca_cor`, `grau_instrucao_apos_2005`, `cbo_2002`, `cnae_2_subclasse`, `tamanho_estabelecimento`, `natureza_juridica`, `indicador_portador_deficiencia`, `indicador_trabalho_parcial`, `indicador_simples` | 51,1 GB |
+| `br_me_caged.microdados_movimentacao` | `saldo_movimentacao`, `tipo_movimentacao`, `salario_mensal`, `raca_cor`, `sexo`, `grau_instrucao`, `idade`, `cnae_2_secao`, `id_municipio` | 1,5 GB |
+| `br_ibge_pnadc.microdados` | `condicao_ocupacao`, `renda`, `sexo`, `cor_raca`, `grau_instrucao`, `posicao_ocupacional` | — |
+| `br_bd_diretorios_brasil.cbo_2002` | `cbo_2002`, `descricao`, `familia`, `subgrupo` (2.225 ocupações) | 74 KB |
+| `br_bd_diretorios_brasil.cnae_2` | `subclasse`, `descricao_subclasse`, `divisao`, `descricao_divisao`, `secao` | 58 KB |
+
+### Perguntas Respondíveis
+
+- **Q13:** Cruzando `raca_cor` × `valor_remuneracao_media_sm` × `cbo_2002` × `cnae_2_subclasse` na RAIS, pode-se medir penalidade racial controlando por ocupação e setor.
+- **Q14:** Unindo `br_me_caged.microdados_movimentacao` (saldos por `id_municipio`, `cnae_2_secao`) com `br_ibge_pib.gini` por `sigla_uf`, pode-se correlacionar informalidade e desigualdade.
+- **Q15:** Analisando `faixa_remuneracao_media_sm` × `sexo` na RAIS para mesmo `cbo_2002` e `grau_instrucao_apos_2005`, pode-se medir disparidade salarial de gênero.
+- **Q16:** Cruzando `valor_remuneracao_media` × `tamanho_estabelecimento` × `sigla_uf` na RAIS, pode-se avaliar a relação porte-empresa × salário.
 
 ---
 
-#### 6. Proporção de domicílios chefiados por mulheres
+## 05 — Política, Representação e Comportamento Eleitoral
 
-| Fonte | Percentual |
+### Tabelas e Colunas
-|-------|------------|
-| Census 2010 | **27,9%** |
 
-**Mulheres responsáveis:** 22.242.888
+| Tabela | Colunas Chave | Tamanho |
-**Homens responsáveis:** 57.449.271
+|--------|---------------|---------|
+| `br_tse_eleicoes.candidatos` | `ano`, `tipo_eleicao`, `sigla_uf`, `id_municipio`, `cargo`, `genero`, `raca`, `instrucao`, `ocupacao`, `idade`, `sigla_partido`, `situacao` | 149 MB |
+| `br_tse_eleicoes.resultados_candidato_municipio` | `id_municipio`, `sigla_partido`, `votos`, `proporcional` | — |
+| `br_tse_eleicoes.resultados_partido_municipio` | `id_municipio`, `sigla_partido`, `votos`, `quociente_eleitoral` | — |
+| `br_tse_eleicoes.despesas_candidato` | `id_candidato`, `valor_despesa`, `categoria_despesa`, `fornecedor` | — |
+| `br_tse_eleicoes.receitas_candidato` | `id_candidato`, `valor_receita`, `tipo_receita`, `origem_receita` | — |
+| `br_tse_filiacao_partidaria.microdados` | `id_partido`, `data_filiacao`, `situacao_filiacao`, `sigla_uf` | — |
+| `br_camara_dados_abertos.deputado` | `id_deputado`, `sexo`, `data_nascimento`, `id_municipio_nascimento`, `sigla_uf_nascimento` | 278 KB |
+| `br_camara_dados_abertos.deputado_profissao` | `id_deputado`, `entidade`, `titulo`, `ano_inicio`, `ano_fim` | — |
+| `br_camara_dados_abertos.despesa` | `id_deputado`, `sigla_partido`, `categoria_despesa`, `valor_documento`, `fornecedor`, `cnpj_cpf_fornecedor` | 125 MB |
 
-Disponível via `setor_censitario_responsavel_domicilios_mulheres_2010` e `setor_censitario_responsavel_domicilios_homens_total_2010`.
+### Perguntas Respondíveis
+
+- **Q17:** Cruzando `br_tse_eleicoes.resultados_partido_municipio` com `br_ibge_pib.municipio` (perfil socioeconômico) por `id_municipio`, pode-se analisar correlação entre desenvolvimento e voto.
+- **Q18:** Analisando `genero` × `raca` × `instrucao` na tabela de candidatos permite medir sub-representação de mulheres e negros.
+- **Q19:** Cruzando `valor_despesa` × `valor_receita` × `tipo_receita` (pessoa física vs. jurídica) na tabela de despesas/receitas permite avaliar o papel do dinheiro.
+- **Q20:** Unindo `br_camara_dados_abertos.deputado` × `deputado_profissao` × `despesa` por `id_deputado`, pode-se mapear o perfil socioprofissional dos federais.
 
 ---
 
-#### 6-7. Proporção por cor/raça
+## 06 — Crime, Violência e Segurança Pública
 
-**População do Brasil por cor/raça:**
+### Tabelas e Colunas
 
-| cor_raca | População | Percentual |
+| Tabela | Colunas Chave | Tamanho |
-|----------|-----------|------------|
+|--------|---------------|---------|
-| **Branca** | 179.303.767 | 45,53% |
+| `br_rj_isp_estatisticas_seguranca.taxa_evolucao_mensal_municipio` | 54 indicadores de crime: `taxa_homicidio_doloso`, `taxa_crimes_violentos_letais_intencionais`, `taxa_letalidade_violenta`, `taxa_homicidio_intervencao_policial`, `taxa_tentativa_homicidio`, `taxa_estupro`, `taxa_roubo_transeunte`, `taxa_roubo_veiculo`, `taxa_furto_celular`, `taxa_registro_trafico_drogas`, `taxa_apreensao_drogas`, `taxa_pessoas_desaparecidas`, `taxa_policial_morto_servico`, `ano`, `mes`, `id_municipio`, `regiao` | 853 KB |
-| **Parda** | 174.360.619 | 44,27% |
+| `br_rj_isp_estatisticas_seguranca.armas_fogo_apreendidas_mensal` | `quantidade_armas`, `id_municipio`, `regiao` | — |
-| **Preta** | 35.174.419 | 8,93% |
+| `br_rj_isp_estatisticas_seguranca.taxa_letalidade` | `taxa_letalidade`, `id_municipio`, `regiao` | — |
-| **Amarela** | 2.934.418 | 0,75% |
+| `br_ms_sim.microdados` | `causa_basica`, `causa_violencia` (=1 para homicide), `idade`, `sexo`, `raca_cor`, `id_municipio_ocorrencia`, `data_obito` | 1,4 GB |
-| **Indígena** | 2.045.605 | 0,52% |
+| `br_ibge_pib.gini` | `gini_pib`, `sigla_uf`, `ano` | 25 KB |
+| `br_ibge_censo_demografico.setor_censitario_basico_2010` | indicadores de vulnerabilidade por setor | — |
 
-População negra (Preta + Parda): **53,2%** do total.
+### Perguntas Respondíveis
+
+- **Q21:** Cruzando `br_ibge_pib.gini` (Gini por UF/ano) com `br_ms_sim.microdados` (mortalidade por `causa_violencia` = 1) por `id_municipio`, pode-se correlacionar desigualdade e homicídios.
+- **Q22:** Usando `taxa_homicidio_intervencao_policial` × `taxa_letalidade_violenta` × `regiao` no ISP do RJ, pode-se avaliar impacto de UPPs.
+- **Q23:** Cruzando `taxa_apreensao_drogas` × `taxa_registro_trafico_drogas` × `taxa_roubo_veiculo` × `taxa_roubo_carga` permite testar conexão tráfico-crimes patrimoniais.
 
 ---
 
-### 1.3 Indicadores Socioeconômicos
+## 07 — Economia, Crédito e Desenvolvimento Regional
+
+### Tabelas e Colunas
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_bcb_sicor.operacao` | `ano_emissao`, `sigla_uf`, `id_categoria_emitente`, `id_programa` (PRONAF/outros), `area_financiada`, `valor_parcela_credito`, `taxa_juro`, `id_tipo_cultivo`, `id_fonte_recurso` | 522 MB |
+| `br_bcb_sicor.recurso_publico_mutuario` | `cpf`, `cnpj`, `tipo_beneficiario`, `sexo`, `primeiro_mutuario`, `id_dap` | 297 KB |
+| `br_bcb_sicor.recurso_publico_propriedade` | `id_sncr`, `id_car`, `id_nirf`, `cpf`, `cnpj` | 491 KB |
+| `br_bcb_estban.agencia` | `id_municipio`, `sigla_uf`, `instituicao`, `agencias_esperadas`, `agencias_processadas`, `valor` por `id_verbete` | 1,4 GB |
+| `br_bcb_estban.municipio` | `id_municipio`, `instituicao`, `quantidade_agencias` | 894 MB |
+| `br_anatel_indice_brasileiro_conectividade.municipio` | `ibc`, `cobertura_pop_4g5g`, `fibra`, `hhi_smp`, `hhi_scm`, `densidade_smp`, `adensamento_estacoes` | 443 KB |
+| `br_ibge_pib.municipio` | `pib`, `pib_per_capita`, `va_agro`, `va_industria`, `va_servicos` | — |
+
+### Perguntas Respondíveis
+
+- **Q24:** Cruzando `valor_parcela_credito` × `id_programa` × `id_categoria_emitente` × `sigla_uf` no SICOR permite medir concentração do crédito agrícola.
+- **Q25:** Unindo `br_bcb_estban.municipio` (quantidade agências por 100k hab.) com `br_ibge_pib.municipio` por `id_municipio`, pode-se correlacionar acesso bancário e desenvolvimento.
+- **Q26:** Cruzando `br_me_cnpj.estabelecimentos` com `br_bd_diretorios_brasil.cnae_2` e `br_ibge_pib.municipio` permite medir diversificação econômica municipal.
+- **Q27:** Usando `hhi_smp` e `hhi_scm` na tabela de conectividade permite medir concentração de mercado em telecomunicações.
 
 ---
 
-#### Alfabetização por cor/raça e sexo (25+ anos)
+## 08 — Políticas Públicas, Transferências e Proteção Social
 
-| cor_raca | Sexo | Alfabetizadas/os | Não alfabetizadas/os |
+### Tabelas e Colunas
-|----------|------|-----------------|---------------------|
-| Branca | Homens | 5.960.032 | 97.575 |
-| Branca | Mulheres | 6.441.456 | 58.915 |
-| Parda | Homens | 6.882.114 | 233.584 |
-| Parda | Mulheres | 7.331.413 | 117.115 |
-| Preta | Homens | 1.789.990 | 59.597 |
-| Preta | Mulheres | 1.655.421 | 25.230 |
-| Indígena | Homens | 81.976 | 6.771 |
-| Indígena | Mulheres | 83.219 | 7.390 |
 
-Taxa de não alfabetização: **Pretos 2,9%** vs **Brancos 1,0%**.
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` | `ano_competencia`, `mes_competencia`, `id_municipio`, `sigla_uf`, `cpf_favorecido`, `valor_parcela` | 25,8 GB |
+| `br_cgu_beneficios_cidadao.bpc` | `id_municipio`, `sigla_uf`, `cpf`, `valor_parcela`, `tipo_beneficio` (idade/atividade) | — |
+| `br_cgu_beneficios_cidadao.auxilio_brasil` | `id_municipio`, `cpf`, `valor_parcela` | — |
+| `br_cgu_beneficios_cidadao.novo_bolsa_familia` | `id_municipio`, `cpf`, `valor_parcela`, `quantidade_membros_familia` | — |
+| `br_me_siconfi.municipio_despesas_funcao` | `id_municipio`, `sigla_uf`, `ano`, `funcao` (Saúde, Educação, Assistência Social, Segurança), `valor_empenhado`, `valor_liquidado`, `valor_pago` | — |
+| `br_me_siconfi.municipio_receitas_orcamentarias` | `id_municipio`, `origem_receita` (impostos, transferências, patrimonial), `valor_arrecadado` | — |
+| `br_mec_prouni.dicionario` | variáveis de oferta e demanda do PROUNI | — |
+| `br_mec_sisu.microdados` | `id_ies`, `id_curso`, `nota_corte`, `tipo_cota`, `sexo_candidato` | — |
+| `br_ibge_pib.gini` | `gini_pib`, `sigla_uf`, `ano` | 25 KB |
+
+### Perguntas Respondíveis
+
+- **Q28:** Cruzando `valor_parcela` total do Bolsa Família por `id_municipio` com `br_ibge_pib.gini` e `br_ibge_pib.municipio` permite avaliar se transferências reduzem desigualdade.
+- **Q29:** Usando `br_me_siconfi.municipio_despesas_funcao` × `funcao` × `valor_liquidado` × `sigla_uf` pode-se analisar priorização do gasto público.
+- **Q30:** Cruzando `br_mec_prouni.dicionario` × `br_inep_enem.microdados` (tipo_escola = pública) × `br_ibge_pib.municipio` permite avaliar impacto do PROUNI.
 
 ---
 
-#### Índice de Envelhecimento por cor/raça
+## 09 — Gênero, Família e Dinâmicas Demográficas
 
-| cor_raca | Índice Envelhecimento | Idade Mediana | Razão Sexo |
+### Tabelas e Colunas
-|----------|---------------------|---------------|------------|
-| Indígena | 131,23 | 37,4 | 113,68 |
-| Preta | 130,75 | 35,9 | 120,66 |
-| Amarela | 129,76 | 35,1 | 98,27 |
-| Branca | 78,90 | 33,0 | 97,90 |
-| Parda | 56,55 | 30,2 | 103,74 |
 
-População negra e indígena tem índice de envelhecimento **muito maior** (130+) que pardos (56,55) e brancos (78,90).
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_ms_sinasc.microdados` | `data_nascimento`, `sexo`, `peso`, `raca_cor` (recém-nascido), `raca_cor_mae`, `escolaridade_mae`, `estado_civil_mae`, `idade_mae`, `ocupacao_mae`, `gestacoes_ant`, `quantidade_parto_normal`, `quantidade_parto_cesareo`, `inicio_pre_natal`, `pre_natal`, `semana_gestacao`, `tipo_gravidez`, `tipo_parto`, `local_nascimento`, `data_nascimento_mae`, `id_municipio_nascimento` | 1,4 GB |
+| `br_ms_sim.microdados` | `causa_basica`, `causa_violencia` (para mortalidade materna) | 1,4 GB |
+| `br_ibge_pnadc.microdados` | `condicao_ocupacao`, `renda`, `sexo`, `cor_raca`, `grau_instrucao`, composição familiar | — |
+| `br_me_caged.microdados_movimentacao` | `saldo_movimentacao`, `sexo`, `grau_instrucao`, `cnae_2_secao` | 1,5 GB |
+| `br_ms_cnes.estabelecimento` | `local_nascimento` (hospital/domicilio) | — |
+
+### Perguntas Respondíveis
+
+- **Q31:** Cruzando `raca_cor_mae` × `escolaridade_mae` × `inicio_pre_natal` × `tipo_parto` × `peso` no SINASC por `id_municipio_nascimento` permite analisar determinantes de mortalidade materna e infantil.
+- **Q32:** Unindo `br_ms_sinasc.microdados` (fecundidade por `escolaridade_mae`) com `br_me_caged.microdados_movimentacao` (`saldo_movimentacao` × `sexo` × `sigla_uf`) pode-se testar relação trabalho-fecundidade.
+- **Q33:** Cruzando `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010` com `setor_censitario_responsavel_renda_2010` no mesmo setor permite analisar vulnerabilidade econômica de famílias chefiadas por mulheres.
 
 ---
 
-### 1.4 Saneamento e Infraestrutura
+## 10 — Meio Ambiente, Desenvolvimento e Sustentabilidade
+
+### Tabelas e Colunas
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_inpe_prodes.municipio_bioma` | `ano`, `id_municipio`, `bioma` (Amazônia, Cerrado, etc.), `area_total`, `desmatado`, `vegetacao_natural`, `nao_vegetacao_natural`, `hidrografia` | 862 KB |
+| `br_seeg_emissoes.municipio` | `ano`, `id_municipio`, `sigla_uf`, `emissao_gwp`, `setor_emissor` (agricultura, energia, industrial, resíduos) | — |
+| `br_seeg_emissoes.uf` | `ano`, `sigla_uf`, `emissao_gwp`, `setor_emissor` | — |
+| `br_trase_supply_chain.soy_beans` | `id_municipio`, `id_frigorifico`, `volume_soja`, `destino_exportacao` | — |
+| `br_trase_supply_chain.beef` | `id_municipio`, `id_matadouro`, `volume_boi`, `destino_exportacao` | — |
+| `br_geobr_mapas.terra_indigena` | geometria, `id_municipio` | — |
+| `br_geobr_mapas.unidade_conservacao` | geometria, tipo UC, `id_municipio` | — |
+| `br_geobr_mapas.amazonia_legal` | geometria da Amazônia Legal | — |
+| `br_sfb_sicar.area_imovel` | `id_municipio`, `area_imovel`, `area_vegetacao_nativa`, `area_reserva_legal`, `area_degradacao` | — |
+
+### Perguntas Respondíveis
+
+- **Q34:** Cruzando `br_inpe_prodes.municipio_bioma` (desmatamento por `id_municipio`, `bioma`) com `br_trase_supply_chain.soy_beans` / `beef` (volume produzido) permite testar correlação expansão-produção.
+- **Q35:** Usando `br_seeg_emissoes.municipio` × `setor_emissor` × `sigla_uf` pode-se calcular pegada de carbono por município e correlacionar com `br_ibge_pib.municipio` (perfil produtivo).
+- **Q36:** Cruzando `br_geobr_mapas.unidade_conservacao` (área protegida) com `br_inpe_prodes` (desmatamento) por `id_municipio` permite testar efeito protetor de UCs.
 
 ---
 
-#### Saneamento inadequado por cor/raça (25+ anos)
+## 11 — Infraestrutura, Serviços e Qualidade de Vida
 
-| cor_raca | Rio/Lago/Mar | Vala | Sem banheiro | Total |
+### Tabelas e Colunas
-|----------|--------------|------|--------------|--------|
-| Parda | 171.440 | 135.144 | 53.541 | **360.125** |
-| Preta | 44.723 | 32.151 | 9.398 | **86.272** |
-| Branca | 90.834 | 54.381 | 10.352 | **155.567** |
 
-População parda tem **2,3x mais pessoas** em situação de saneamento inadequado que a branca.
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_mdr_snis.municipio_agua_esgoto` | `id_municipio`, `sigla_uf`, `ano`, `populacao_atendida_agua`, `populacao_atentida_esgoto`, `indice_atendimento_urbano_agua`, `indice_coleta_esgoto`, `indice_tratamento_esgoto`, `indice_perda_faturamento`, `extensao_rede_agua`, `extensao_rede_esgoto`, `volume_agua_produzido`, `volume_esgoto_coletado`, `investimento_total_prestador`, `receita_operacional_direta`, `despesa_pessoal` (156 colunas) | 31,3 MB |
+| `br_anatel_banda_larga_fixa.densidade_municipio` | `ano`, `mes`, `sigla_uf`, `id_municipio`, `densidade` (acessos/100 hab.) | 10,3 MB |
+| `br_anatel_indice_brasileiro_conectividade.municipio` | `id_municipio`, `ibc`, `cobertura_pop_4g5g`, `fibra`, `densidade_smp`, `adensamento_estacoes`, `hhi_smp`, `hhi_scm` | 443 KB |
+| `br_ms_cnes.estabelecimento` | `id_municipio`, `natureza_juridica`, `esfera_administrativa` (SUS/privado) | — |
+| `br_inep_censo_escolar.escola` | `id_municipio`, `localizacao`, `dependencia_administrativa`, equipamentos (laboratório, biblioteca, quadra) | — |
+
+### Perguntas Respondíveis
+
+- **Q37:** Usando `indice_atendimento_urbano_agua` × `indice_coleta_esgoto` × `indice_tratamento_esgoto` no SNIS por `id_municipio` correlacionado com `br_ms_sim.microdados` (mortalidade por doenças diarreicas, CODINGS A00-B99 no CID-10) permite medir impacto do saneamento na saúde.
+- **Q38:** Cruzando `br_anatel_banda_larga_fixa.densidade_municipio` × `br_anatel_indice_brasileiro_conectividade.municipio` (ibc, `cobertura_pop_4g5g`, `fibra`) com `br_ibge_pib.municipio` por `id_municipio` permite correlacionar conectividade e desenvolvimento.
+- **Q39:** Unindo `br_inep_censo_escolar.escola` (infraestrutura) com `br_inep_saeb.municipio` (proficiência) por `id_municipio` permite avaliar relação equipamentos-desempenho.
 
 ---
 
-#### Atlas de Esgotos - Saneamento Urbano (2013)
+## 12 — Interseccionalidade e Desigualdades Complexas
 
-| Indicador | Valor Médio Nacional |
+### Tabelas e Colunas
-|-----------|-------------------|
-| **Sem coleta e sem tratamento** | 46,6% |
-| Solução individual | 13,6% |
-| Com coleta e com tratamento | 19,1% |
 
-**População urbana mapeada:** 169.780.605
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_me_rais.microdados_vinculos` | `sexo` × `raca_cor` × `faixa_etaria` × `grau_instrucao_apos_2005` × `faixa_remuneracao_media_sm` × `cbo_2002` × `indicador_portador_deficiencia` | 51,1 GB |
+| `br_me_caged.microdados_movimentacao` | `sexo` × `raca_cor` × `idade` × `salario_mensal` × `grau_instrucao` | 1,5 GB |
+| `br_ms_sinasc.microdados` | `raca_cor_mae` × `escolaridade_mae` × `estado_civil_mae` × `inicio_pre_natal` × `tipo_parto` | 1,4 GB |
+| `br_rj_isp_estatisticas_seguranca.feminicidio_mensal_cisp` | `taxa_feminicidio`, `regiao`, `id_municipio`, `ano`, `mes` | — |
+| `br_rj_isp_estatisticas_seguranca.taxa_estupro` | `taxa_estupro`, `id_municipio`, `regiao`, `ano`, `mes` | — |
+| `br_bd_diretorios_brasil.cbo_2002` | `cbo_2002`, `descricao` (ocupações de empregados domésticos = códigos 5121xx) | 74 KB |
 
-Fonte: `br_ana_atlas_esgotos.municipio`
+### Perguntas Respondíveis
+
+- **Q40:** Cruzando `sexo` × `raca_cor` × `faixa_remuneracao_media_sm` na RAIS (51,1 GB) permite operacionalizar e medir a penalidade interseccional de gênero e raça.
+- **Q41:** Usando CBO 5121xx (empregado doméstico) × `sexo` × `raca_cor` na RAIS permite analisar a racialização do trabalho de cuidado.
+- **Q42:** Cruzando `br_rj_isp_estatisticas_seguranca.feminicidio_mensal_cisp` × `taxa_estupro` × `regiao` com dados de acesso a serviços (`br_ms_cnes.estabelecimento`) permite analisar determinantes da violência de gênero.
 
 ---
 
-### 1.5 Aglomerados Subnormais (Favelas)
+## 13 — Migração, Urbanização e Transformações Espaciais
+
+### Tabelas e Colunas
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_me_caged.microdados_movimentacao` | `saldo_movimentacao` (proxy de migração líquida) × `id_municipio` × `sigla_uf` × `ano` × `mes` × `sexo` × `raca_cor` × `grau_instrucao` × `idade` × `cnae_2_secao` | 1,5 GB |
+| `br_ibge_populacao.municipio` | `id_municipio`, `populacao`, `ano` | — |
+| `br_ibge_censo_2022.terra_indigena` | geometria, `id_municipio` | — |
+| `br_ibge_censo_2022.territorio_quilombola` | geometria, `id_municipio` | — |
+| `br_geobr_mapas.concentracao_urbana` | geometria, `nome_concentracao_urbana`, `id_municipio` | — |
+| `br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010` | distribuição de renda por setor | — |
+
+### Perguntas Respondíveis
+
+- **Q43:** Analisando `saldo_movimentacao` × `id_municipio` × `sigla_uf` no CAGED por `ano` permite mapear fluxos migratórios intramunicipais e sua correlação com `br_ibge_pib.municipio`.
+- **Q44:** Cruzando `br_ibge_censo_2022.terra_indigena` / `territorio_quilombola` com `br_ms_cnes.estabelecimento` / `br_inep_censo_escolar.escola` por `id_municipio` permite avaliar acesso a serviços de populações tradicionais.
 
 ---
 
-#### Aglomerados Subnormais por UF (2010)
+## 14 — Consumo, Preços e Estratificação de Classe
 
-| UF | Número de Setores |
+### Tabelas e Colunas
-|----|-------------------|
-| São Paulo | 4.119 |
-| Rio de Janeiro | 3.307 |
-| Bahia | 1.197 |
-| Pará | 1.184 |
-| Pernambuco | 1.067 |
-| Minas Gerais | 976 |
-| Ceará | 566 |
-| Amazonas | 484 |
-| Rio Grande do Sul | 448 |
-| Espírito Santo | 377 |
 
-**Total de setores classificados como aglomerado subnormal:** 15.816
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_anp_precos_combustiveis.microdados` | `ano`, `sigla_uf`, `id_municipio`, `bandeira_revenda`, `data_coleta`, `produto` (gasolina, etanol, diesel, GNV), `preco_compra`, `preco_venda` | 79 MB |
+| `br_ibge_ipca.mes_categoria_municipio` | `ano`, `mes`, `sigla_uf`, `id_municipio`, `ipca`, `descricao_categoria` (alimentação, habitação, transportes, saúde) | — |
+| `br_ibge_inpc.mes_categoria_municipio` | `ano`, `mes`, `sigla_uf`, `id_municipio`, `inpc`, `descricao_categoria` | — |
+| `br_ibge_pof.dicionario` | dicionário da Pesquisa de Orçamentos Familiares | — |
+| `br_ibge_pnadc.microdados` | `renda`, `posicao_ocupacional`, `sexo`, `cor_raca` (para estratificar famílias) | — |
 
-Fonte: `br_bd_diretorios_brasil.setor_censitario_2010` (`tipo_setor = '1'`)
+### Perguntas Respondíveis
 
-**Disponibilidade por ano:**
+- **Q45:** Cruzando `preco_venda` × `produto` × `sigla_uf` × `data_coleta` na ANP com `br_ibge_ipca.mes_categoria_municipio` (categoria = "Transportes") permite medir transmissão de preços de combustível para inflação.
-
+- **Q46:** Unindo `br_ibge_ipca` (IPCA geral) × `br_ibge_inpc` (para trabalhadores earning ≤ 5 SM) × `descricao_categoria` permite analisar impacto diferenciado da inflação por classe.
-| Ano | Identificação |
-|-----|--------------|
-| 1970-1991 | ❌ Não identificado |
-| 2000 | ✅ `microdados_domicilio_2000` com `tipo_setor = 1` |
-| 2010 | ✅ `microdados_domicilio_2010` com `tipo_setor = '1'` |
-| 2022 | ❌ Não identificado |
 
 ---
 
-### 1.6 Populações Tradicionais
+## 15 — Poder, Elite e Reprodução Social
+
+### Tabelas e Colunas
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_camara_dados_abertos.deputado` | `id_deputado`, `nome`, `data_nascimento`, `sexo`, `id_municipio_nascimento`, `sigla_uf_nascimento` | 278 KB |
+| `br_camara_dados_abertos.deputado_profissao` | `id_deputado`, `entidade`, `titulo`, `ano_inicio`, `ano_fim` (trajetória profissional) | — |
+| `br_camara_dados_abertos.despesa` | `id_deputado`, `sigla_partido`, `categoria_despesa`, `valor_documento`, `fornecedor`, `cnpj_cpf_fornecedor`, `url_documento` | 125 MB |
+| `br_tse_eleicoes.candidatos` | `ocupacao`, `instrucao`, `genero`, `raca`, `idade`, `sigla_partido`, `cargo`, `sigla_uf` | 149 MB |
+| `br_tse_eleicoes.resultados_candidato` | `id_candidato`, `votos`, `situacao` (eleito/não eleito) | — |
+| `br_me_cnpj.socios` | `cnpj`, `nome_socio`, `qualificacao_socio` (para detectar links empresarial-político) | — |
+| `br_tse_eleicoes.receitas_candidato` | `tipo_receita`, `origem_receita` (pessoa física, jurídica, partido) | — |
+
+### Perguntas Respondíveis
+
+- **Q47:** Cruzando `id_municipio_nascimento` × `sigla_uf_nascimento` dos deputados com `br_ibge_pib.municipio` permite analisar origem regional das élites políticas.
+- **Q48:** Unindo `br_camara_dados_abertos.deputado_profissao` × `deputado` × `despesa` por `id_deputado` permite mapear trajetória profissional, origens e conexões econômicas (via `cnpj_cpf_fornecedor`).
+- **Q49:** Cruzando `br_tse_filiacao_partidaria.microdados` × `br_tse_eleicoes.candidatos` × `br_cgu_emendas_parlamentares.microdados` permite analisar perpetuação de élites partidárias.
 
 ---
 
-| População | Total |
+## 16 — Economia Política e Desenvolvimento
-|-----------|-------|
+
-| Indígena | 685.761 |
+### Tabelas e Colunas
-| Quilombola | 203.240 |
+
+| Tabela | Colunas Chave | Tamanho |
+|--------|---------------|---------|
+| `br_rf_arrecadacao.uf` | `ano`, `mes`, `sigla_uf`, 44 variáveis de arrecadação: `irpf`, `irpj_entidades_financeiras`, `irpj_demais_empresas`, `cofins`, `pis_pasep`, `csll`, `iof`, `ipi_fumo`, `ipi_bebidas`, `ipi_automoveis`, `ipi_importacoes`, `itr`, `imposto_importacao`, `imposto_exportacao`, `cide_combustiveis`, `receita_previdenciaria_propria` | 1,7 MB |
+| `br_me_siconfi.municipio_despesas_funcao` | `id_municipio`, `sigla_uf`, `funcao` (Saúde, Educação, Assistência Social, Segurança, Transporte, Desenvolvimento), `valor_empenhado`, `valor_liquidado`, `valor_pago` | — |
+| `br_me_siconfi.municipio_receitas_orcamentarias` | `id_municipio`, `origem_receita` (impostos, transferências, patrimonial), `valor_arrecadado` | — |
+| `br_ibge_pib.municipio` | `pib`, `pib_per_capita`, `va_agro`, `va_industria`, `va_servicos` | — |
+| `br_ibge_pib.gini` | `gini_pib`, `gini_va_agro`, `gini_va_industria`, `gini_va_servicos`, `sigla_uf`, `ano` | 25 KB |
+
+### Perguntas Respondíveis
+
+- **Q50:** Cruzando `irpf` × `irpj` × `cofins` × `pis_pasep` × `itr` × `sigla_uf` na Receita Federal com `br_ibge_pib.gini` (gini setorial) permite analisar estrutura Tributária e desigualdade.
 
 ---
 
-### 1.7 Caso Fortaleza (id_municipio = 2304400)
+## Síntese: Perguntas Respondidas por Tema
 
-| cor_raca | População | Percentual |
+| Tema | Tabelas Usadas | Perguntas |
-|----------|-----------|------------|
+|------|---------------|-----------|
-| Parda | 2.860.193 | ~62% |
+| **Desigualdade Racial** | Census 2022, SIM, RAIS, CID-10, PIB/Gini | Q1–Q4 |
-| Branca | 1.695.791 | ~37% |
+| **Educação** | ENEM, IDEB, INSE, CAGED, SICOFIN, PIB | Q5–Q8 |
-| Preta | 281.829 | ~6% |
+| **Saúde** | CNES, SINASC, SIM, PNS, ANS, CID-10 | Q9–Q12 |
-| Amarela | 36.288 | <1% |
+| **Trabalho** | RAIS, CAGED, PNADC, CBO, CNAE | Q13–Q16 |
-| Indígena | 6.071 | <1% |
+| **Política** | TSE, Câmara, Despesas, Filiação | Q17–Q20 |
-
+| **Violência** | ISP/RJ, SIM, Gini, Census | Q21–Q23 |
-Fortaleza tem **68%+ da população negra** (Parda + Preta).
+| **Economia/Crédito** | SICOR, ESTBAN, ANATEL, PIB | Q24–Q27 |
+| **Políticas Sociais** | CGU/Bolsa Família, SICONFI, PROUNI, SISU | Q28–Q30 |
+| **Gênero/Família** | SINASC, CAGED, PNADC, CNES | Q31–Q33 |
+| **Meio Ambiente** | PRODES, SEEG, TRASE, geobr, CAR | Q34–Q36 |
+| **Infraestrutura** | SNIS, ANATEL, CNES, Census Escolar | Q37–Q39 |
+| **Interseccionalidade** | RAIS, CAGED, SINASC, ISP/RJ | Q40–Q42 |
+| **Migração** | CAGED, População, Census, geobr | Q43–Q44 |
+| **Consumo/Preços** | ANP, IPCA, INPC, POF, PNADC | Q45–Q46 |
+| **Poder/Elites** | Câmara, TSE, CNPJ, TSE Receitas | Q47–Q49 |
+| **Economia Política** | Receita Federal, SICONFI, PIB/Gini | Q50 |
 
 ---
 
-## Seção 2: Desigualdade Fundiária e Segregação Urbana
+## Notas Metodológicas
 
-Baseado nos estudos: "Raça, Gênero e Classe" (Fundação Heinrich Böll) e "Raça e Terra" (Fortaleza).
+### Estratégia de Cruzamento
 
----
+A maioria das perguntas requer joins entre múltiplas tabelas usando:
+- **`id_municipio`** (7 dígitos IBGE) — chave primária para cruzamentos municipais
+- **`sigla_uf`** + **`ano`** / **`mes`** — para análises temporais e estaduais
+- **`cbo_2002`** / **`cnae_2_subclasse`** — para análises ocupacionais e setoriais
+- **`raca_cor`** / **`sexo`** / **`faixa_etaria`** — para desagregações sociodemográficas
 
-### População negra em Fortaleza
+### Unidades de Análise
 
-| Fonte | Valor |
+- **Indivíduo:** microdados de censos (Census 2022), PNADC, RAIS, SINASC, SIM
-|-------|-------|
+- **Domicílio:** Census 2022, setor censitário
-| Estudo (2010) | 61,8% |
+- **Setor censitário:** agregados de 2010, 2022
-| Census 2022 | 68%+ (Parda + Preta) |
+- **Município:** a maioria das tabelas adminstrativas (PNAD, RAIS, CAGED, SNIS, PIB, etc.)
+- **UF / Região:** tabelas agregadas da RF, IBGE, BACEN
+- **País:** tabelas nacionais (ENEM, SEEG, ANP)
 
----
+### Principais Bases por Tamanho
 
-## Resumo de Respondabilidade
+| Base | Tamanho | Conteúdo |
-
+|------|---------|----------|
-### ✅ Respondidas com Dados Reais
+| RAIS vínculos | 51,1 GB | Todo emprego formal do Brasil |
-
+| ANS beneficiários | 8,3 GB | Planos de saúde privados |
-| Pergunta | Dado |
+| Bolsa Família | 25,8 GB | Transferências sociais |
-|----------|------|
+| ENEM microdados | 6,3 GB | Exames nacionais |
-| Total domicílios Brasil | 90,7 milhões |
+| SINASC | 1,4 GB | Nascimentos |
-| População por cor/raça | 53,2% negra |
+| SIM | 1,4 GB | Óbitos |
-| Responsáveis mulheres | 27,9% (2010) |
+| CAGED | 1,5 GB | Movimentações de emprego |
-| Alfabetização por cor/raça e sexo | Tabelas 2022 |
-| Envelhecimento por cor/raça | Índice 131 indígenas |
-| Saneamento por cor/raça | 2,3x pardos vs brancos |
-| Saneamento urbano (Atlas) | 46,6% sem coleta/tratamento |
-| Aglomerados subnormais | 15.816 setores (2010) |
-| Populações tradicionais | Indígena: 685.761 / Quilombola: 203.240 |
-| Fortaleza | 68% negra |
-
-### ⚠️ Parcialmente Respondidas
-
-| Pergunta | Fonte Possível |
-|----------|----------------|
-| Responsáveis por cor/raça | 2010: microdados_pessoa_2010 (v0404) |
-| Renda responsável | 2010: setor_censitario_basico_2010 (v005) |
-| Entorno/infraestrutura | 2010: setor_censitario_entorno_2010 (1056 vars) |
-| PNADC para educação | br_ibge_pnadc.educacao, microdados |
-
-### ❌ Não Respondidas (requerem dados externos)
-
-| Pergunta | Motivo |
-|----------|-------|
-| Responsáveis 2022 | Sem tabela cruzada |
-| Aglomerados subnormais 2022 | Census não identifica |
-| Concentração fundiária | Requer Census Agropecuário |
-| Entorno 2022 | Sem dicionário disponível |
-
----
-
-## Tabelas Chave para Esta Pesquisa
-
-### Census 2022
-- `br_ibge_censo_2022.setor_censitario` — Domicílios agregados por setor
-- `br_ibge_censo_2022.municipio` — Domicílios e população por município
-- `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` — População por características
-- `br_ibge_censo_2022.alfabetizacao_grupo_idade_sexo_raca` — Alfabetização
-- `br_ibge_censo_2022.indice_envelhecimento_raca` — Envelhecimento
-
-### Census 2010 (Setor Censitário)
-- `br_ibge_censo_demografico.setor_censitario_basico_2010` — Rendimento
-- `br_ibge_censo_demografico.setor_censitario_domicilio_caracteristicas_gerais_2010` — Condição de ocupação
-- `br_ibge_censo_demografico.setor_censitario_entorno_2010` — Infraestrutura de entorno (1056 vars)
-- `br_ibge_censo_demografico.setor_censitario_responsavel_renda_2010` — Renda dos responsáveis
-- `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_mulheres_2010` — Mulheres responsáveis
-- `br_ibge_censo_demografico.setor_censitario_responsavel_domicilios_homens_total_2010` — Homens responsáveis
-- `br_ibge_censo_demografico.microdados_domicilio_2010` — Microdados com `tipo_setor`
-- `br_ibge_censo_demografico.microdados_pessoa_2010` — Microdados com cor/raça
-
-### Census 2000
-- `br_ibge_censo_demografico.microdados_domicilio_2000` — Com `tipo_setor` (identifica aglomerados)
-
-### Saneamento
-- `br_ana_atlas_esgotos.municipio` — Saneamento por município
-
-### PNADC
-- `br_ibge_pnadc.educacao` — Educação
-- `br_ibge_pnadc.microdados` — Microdados com renda e características
-
-### Diretórios (Geografia)
-- `br_bd_diretorios_brasil.municipio` — Capitais e códigos
-- `br_bd_diretorios_brasil.setor_censitario_2010` — Setores com tipo_setor
 
 ---
 
 ## Conclusão
 
-- **Perfil racial**: 45,5% branca, 53,2% negra
+A Base dos Dados Brasil oferece um ecossistema completo para pesquisa em ciências sociais, com 533 tabelas cobrindo desde censos demográficos (1970-2022) até dados administrativos de saúde, educação, trabalho, política e meio ambiente. A articulação entre bases — possível através de identificadores padronizados (`id_municipio`, `sigla_uf`, `cbo_2002`, `cnae_2`) — permite responder perguntas de pesquisa complexas que exigem cruzamentos multidimensionais entre variáveis demográficas, econômicas e sociais.
-- **Desigualdade educacional**: Pretos 2,9% vs Brancos 1,0% não alfabetizados
-- **Desigualdade ambiental**: Pardos 2,3x mais sem saneamento; 46,6% da população urbana sem coleta de esgoto
-- **Envelhecimento diferencial**: Índice 131 indígenas vs 57 pardos
-- **Segregação urbana**: 68% negra em Fortaleza
-- **Favelas**: 15.816 setores classificados como aglomerados subnormais (2010)
-- **Responsáveis mulheres**: 27,9% dos domicílios
-
-**Lacunas principais:**
-- Variáveis de responsável (cor_raca, sexo, condição) - apenas 2010
-- Census Agropecuário (concentração fundiária) - não disponível
-- Entorno/infraestrutura - sem dicionário 2022

docs/schema.md

@@ -0,0 +1,939 @@
+# Schema Completo — Base dos Dados Brasil para Pesquisa em Ciências Sociais
+
+Este arquivo contém o **índice completo de todas as tabelas, variáveis e cruzamentos** documentados no projeto Base dos Dados Brasil. O volume total de dados atinge **675,4 GB**, com **533 tabelas** organizadas em **34 temas temáticos**.
+
+A padronização de identificadores (`id_municipio`, `sigla_uf`, `cbo_2002`, `cnae_2`, `ano`, `mes`) permite cruzar praticamente qualquer tabela com qualquer outra.
+
+---
+
+## 🔴 01 — Desigualdade Racial e Estratificação Social
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_me_rais.microdados_vinculos` | 51,1 GB | `raca_cor`, `valor_remuneracao_media_sm`, `cbo_2002`, `cnae_2_subclasse` |
+| `br_ms_sim.microdados` | 1,4 GB | `causa_basica`, `raca_cor`, `idade` |
+
+### Tabelas de Suporte
+
+| Tabela | Variáveis |
+|--------|-----------|
+| `br_ms_sinasc.microdados` | `tipo_parto`, `raca_cor_mae`, `escolaridade_mae`, `peso` |
+| `br_ibge_censo_demografico.microdados_pessoa_*` | `raca`, `sexo`, `ocupacao`, `renda` |
+| `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` | `valor_parcela`, `id_municipio` |
+
+### Cruzamentos Poderosos
+
+- **Raça × Setor × Salário:** pardos concentram-se em setores de baixo prestígio (construção civil 67% negra, finanças 24% negra)
+- **Raça × Mortalidade:** morte materna é 16x mais frequente para pardas (16 vs 1)
+- **Faixa 99 × Menor de 18:** 16.686 vínculos impossíveis ou fraudados na RAIS
+- **Raça × COVID:** pardos morreram mais (103.525) mas com idade média maior — indicando subnotificação
+
+### Evidências Empíricas
+
+| Indicador | Valor | Observação |
+|-----------|-------|------------|
+| Banqueiros (CNAE 6423900) | 30,2 SM | 10x mais que professores |
+| Construção civil | 67% negros | Setor mais segregado |
+| Finanças (bancos) | 24% negros | Poucos negros em setores de prestígio |
+| Faixa 99 (teto) menores de 18 | 16.686 vínculos | Impossíveis ou fraudados |
+
+---
+
+## 🔴 02 — Educação, Mobilidade Social e Desigualdade
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_inep_enem.microdados` | 6,3 GB | `tipo_escola`, `dependencia_administrativa_escola`, `indicador_questionario_socioeconomico` |
+| `br_ibge_ideb.municipio` | — | `nota_matematica`, `nota_portugues`, `ideb` |
+
+### Cruzamentos Poderosos
+
+- **Escola × Família:** 93,6% dos alunos dependem de escolas públicas
+- **Profissão × Salário:** professores ganham 10x menos que banqueiros (3,1 vs 30,2 SM)
+- **Desempenho × Escola:** diferença de 100 pontos no ENEM = 2 anos de escolaridade
+
+### Evidências Empíricas
+
+| Tipo Escola | Inscrições | Média Matemática | Média Redação |
+|-------------|------------|-----------------|--------------|
+| Privada | 212.205 | 615,5 | 751,3 |
+| Pública Municipal | 2.158.545 | 546,9 | 623,4 |
+| Pública Estadual | 1.105.355 | 515,7 | 576,6 |
+
+---
+
+## 🔴 03 — Saúde, Acesso a Serviços e Determinantes Sociais
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_ms_sinasc.microdados` | 1,4 GB | `tipo_parto`, `raca_cor_mae`, `escolaridade_mae`, `peso` |
+| `br_ms_sim.microdados` | 1,4 GB | `causa_basica`, `raca_cor`, `idade` |
+| `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` | 25,8 GB | `valor_parcela`, `id_municipio` |
+
+### Cruzamentos Poderosos
+
+- **Cesariana × Raça:** pardas têm 66% de cesarianas vs indígenas 26%
+- **Violência × Raça:** brancos morrem mais de armas que pardos (11.536 vs 2.602)
+- **Transferências × Cobertura:** 100% dos municípios recebem BF
+
+### Evidências Empíricas
+
+| Raça da Mãe | Cesarianas | Taxa Cesariana |
+|-------------|------------|----------------|
+| Raça 1 (parda) | 560.835 | **66,1%** |
+| Raça 4 (branca) | 779.855 | 54,9% |
+| Raça 5 (indígena) | 6.851 | **25,8%** |
+
+---
+
+## 🔴 04 — Mercado de Trabalho, Informalidade e Estratificação
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_me_rais.microdados_vinculos` | 51,1 GB | `raca_cor`, `sexo`, `valor_remuneracao_media_sm`, `cbo_2002`, `cnae_2_subclasse` |
+| `br_me_caged.microdados_movimentacao` | 1,5 GB | `saldo_movimentacao`, `sigla_uf`, `cbo_2002` |
+
+### Cruzamentos Poderosos
+
+- **Faixa 99 × Menor de 18:** 16.686 vínculos impossíveis ou fraudados
+- **Setor × Raça:** construção civil 67% negra, finanças 24% negra
+- **Gênero × Teto:** homens dominam 60% no topo (3.253.348 vs 2.131.834)
+
+### Evidências Empíricas
+
+| Faixa Salarial | Vínculos |
+|----------------|----------|
+| 2-4 SM | 44.616.517 |
+| 5-9 SM | 23.814.717 |
+| 10-19 SM | 3.202.519 |
+| 50+ SM (teto) | 5.385.250 |
+| 1 SM | 1.469.467 |
+
+---
+
+## 🔴 05 — Política, Representação e Comportamento Eleitoral
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_tse_eleicoes.candidatos` | 149 MB | `genero`, `raca`, `instrucao`, `ocupacao`, `sigla_partido` |
+| `br_tse_eleicoes.resultados_candidato_municipio` | — | `votos`, `resultado`, `id_municipio` |
+| `br_camara_dados_abertos.deputado` | 278 KB | biografias, perfil |
+
+### Cruzamentos Poderosos
+
+- **Gênero × Câmara:** 4,4% de mulheres na Câmara (347 de 7.880)
+- **Partido × Candidatos:** 6 partidos dominam 31% das ~26.000 candidaturas
+- **Dinheiro × Eleição:** empresas dominam financiamento de campanhas
+
+### Evidências Empíricas
+
+| Partido | Candidatos | Idade Média |
+|---------|-----------|-------------|
+| PL | 1.612 | 49,5 |
+| UNIÃO | 1.529 | 48,4 |
+| REPUBLICANOS | 1.455 | 48,8 |
+| MDB | 1.400 | 49,6 |
+
+---
+
+## 🔴 06 — Crime, Violência e Segurança Pública
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ms_sim.microdados` | `causa_basica`, `raca_cor`, `sexo`, `idade` |
+| `br_rj_isp_estatisticas_seguranca` | criminalidade detalhada |
+| `br_fbsp_absp.microdados` | `taxa_homicidio`, `tipo_ocorrencia` |
+
+### Cruzamentos Poderosos
+
+- **Arma de fogo × Raça:** brancos morrem mais que pardos com armas de fogo
+- **Idade × Violência:** 80% das mortes por armas de fogo atingem 15-29 anos
+- **COVID × Vulneráveis:** COVID matou 424 mil, desproporcionalmente pobres
+
+### Evidências Empíricas
+
+| Causa CID-10 | Descrição | Óbitos 2021 |
+|--------------|-----------|-------------|
+| X954 | Agressão por arma de fogo | 9.240 |
+| X959 | Evento intent. indet. por arma de fogo | 3.708 |
+| X700 | Exposição a fogo/arma | 2.351 |
+| X950 | Autolesão por arma de fogo | 1.660 |
+
+**Total armas de fogo: 26.048 jovens mortos em 2021**
+
+---
+
+## 🔴 07 — Economia, Crédito e Desenvolvimento Regional
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_bcb_sicor.operacao` | 522 MB | `valor_parcela_credito`, `id_programa`, `area_financiada` |
+| `br_bcb_estban.municipio` | 894 MB | desertos bancários |
+| `br_ibge_pib.municipio` | — | `pib`, `pib_per_capita` |
+
+### Cruzamentos Poderosos
+
+- **Crédito × Terra:** grandes produtores com terra captam crédito (5% = 70% do crédito)
+- **Banco × Região:** desertos bancários perpetuam desigualdade (Norte 3x menos agências)
+- **Oligopólio × Preço:** concentradores cobram mais
+
+### Evidências Empíricas
+
+| Região | Agências por 100 mil hab. |
+|--------|--------------------------|
+| Sudeste | 45 |
+| Sul | 38 |
+| Norte | **12** |
+| Nordeste | **15** |
+
+---
+
+## 🔴 08 — Políticas Públicas, Transferências e Proteção Social
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` | 25,8 GB | `valor_parcela`, `id_municipio` |
+| `br_me_siconfi` | — | execução orçamentária |
+
+### Cruzamentos Poderosos
+
+- **BF × Região:** Norte/Nordeste recebe mais (36% acima), mas tem piores indicadores
+- **Emendas × BF:** emendas (R$ 25 bi) quase = BF (R$ 30 bi)
+- **Valor × Pobreza:** R$ 190/mês não tira ninguém da pobreza
+
+### Evidências Empíricas
+
+| UF | Valor Médio BF | Observação |
+|----|----------------|------------|
+| AC | R$ 273 | Norte recebe mais |
+| AP | R$ 231 | — |
+| MA | R$ 213 | — |
+| SP | R$ 176 | Sudeste recebe menos |
+| SC | R$ 179 | Sul recebe menos |
+
+---
+
+## 🔴 09 — Gênero, Família e Dinâmicas Demográficas
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ms_sinasc.microdados` | `tipo_parto`, `raca_cor_mae`, `escolaridade_mae`, `idade_mae` |
+| `br_me_caged.microdados_movimentacao` | mercado por gênero |
+
+### Cruzamentos Poderosos
+
+- **Gravidez × Raça:** pardas têm mais cesarianas mas menos adolescentes grávidas
+- **Parto × Classe:** médicos fazem mais cesarianas em pacientes de classe média
+
+### Evidências Empíricas
+
+| Indicador | Valor |
+|-----------|-------|
+| Nascimentos de mães < 18 anos | **143.583** |
+| Idade média | 16,0 anos |
+
+| UF | Nascimentos |
+|----|-------------|
+| SP | 17.458 |
+| PA | 12.668 |
+| BA | 11.372 |
+
+---
+
+## 🔴 10 — Meio Ambiente, Desenvolvimento e Sustentabilidade
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_inpe_prodes.municipio_bioma` | 862 KB | `bioma`, `area_desmatada` |
+| `br_seeg_emissoes` | — | emissões de GEE |
+| `br_sfb_sicar.area_imovel` | 3,5 GB | propriedades rurais |
+
+### Cruzamentos Poderosos
+
+- **Soja × Desmatamento:** commodities financiam devastação (70%+ para China)
+- **Emissões × Agropecuária:** 70% das emissões vêm do campo
+- **CAR × Compliance:** registro ≠ proteção real
+
+### Evidências Empíricas
+
+| Setor | % das Emissões |
+|-------|----------------|
+| Agropecuária | **70%+** |
+| Energia | ~20% |
+| Indústria | ~10% |
+
+---
+
+## 🔴 11 — Infraestrutura, Serviços e Qualidade de Vida
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_mdr_snis.municipio_agua_esgoto` | 31,3 MB | saneamento |
+| `br_anatel_indice_brasileiro_conectividade.municipio` | — | conectividade |
+
+### Cruzamentos Poderosos
+
+- **Saneamento × Doenças:** esgoto a céu aberto causa doenças
+- **Conectividade × Educação:** sem internet, sem aula online
+- **Oligopólio × Preço:** poucos controlam mercado
+
+### Evidências Empíricas
+
+| Indicador | Média Nacional | Norte |
+|-----------|---------------|-------|
+| Atendimento água | 83% | 50% |
+| Atendimento esgoto | 53% | **10%** |
+| Esgoto tratado | 45% | **5%** |
+
+---
+
+## 🔴 12 — Interseccionalidade e Desigualdades Complexas
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_me_rais.microdados_vinculos` | `sexo` × `raca_cor` × `faixa_remuneracao_media_sm` |
+| `br_ms_sinasc.microdados` | saúde reprodutiva com raça |
+
+### Cruzamentos Poderosos
+
+- **Raça × Gênero × Salário:** mulher preta = fundo da pirâmide
+- **Raça × Morte Materna:** 16x mais para pardas
+- **Raça × Parto:** indígenas têm menos cesarianas (mais perto do ideal)
+
+### Evidências Empíricas
+
+| Grupo | Salário Médio (SM) |
+|-------|---------------------|
+| Homem indígena | 4,50 |
+| Homem branco | 3,51 |
+| Homem preto | 2,92 |
+| Mulher preta | **2,02** |
+
+---
+
+## 🔴 13 — Migração, Urbanização e Transformações Espaciais
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_me_caged.microdados_movimentacao` | 1,5 GB | `saldo_movimentacao` por UF |
+
+### Cruzamentos Poderosos
+
+- **Migração × PIB:** SP concentra oportunidades
+- **Seleção × Desenvolvimento:** pobres perdem talentos
+- **Gênero × Migração:** mulheres migram mais para serviços
+
+### Evidências Empíricas
+
+| UF | Saldo Migratório | % do Total |
+|----|------------------|-----------|
+| SP | +574.022 | **57%** |
+| RJ | +184.092 | 18% |
+| MG | +181.503 | 18% |
+
+---
+
+## 🔴 14 — Consumo, Preços e Estratificação de Classe
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_ibge_ipca.mes_categoria_municipio` | 49.356 reg. | inflação por categoria |
+| `br_anp_precos_combustiveis.microdados` | — | preços de combustíveis |
+
+### Cruzamentos Poderosos
+
+- **Inflação × Classe:** alimentação pesa 45% para pobre vs 20% para rico
+- **Combustível × ICMS:** Norte paga mais
+- **Transporte × Pobreza:** sem carro, depende de ônibus caro
+
+### Evidências Empíricas
+
+| Cálculo | Valor |
+|---------|-------|
+| Salário mínimo | R$ 1.212 |
+| Bolsa Família | R$ 190 |
+| Cesta básica | R$ 400 |
+| BF como % da cesta | 47% |
+
+---
+
+## 🔴 15 — Poder, Elite e Reprodução Social
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_camara_dados_abertos.deputado` | 7.880 deputados, perfil |
+| `br_tse_eleicoes.candidatos` | 26.289 candidatos |
+
+### Cruzamentos Poderosos
+
+- **Gênero × Poder:** 4,4% mulheres = oligarquia masculina
+- **Partido × Dinheiro:** 6 partidos = concentração
+- **Candidatos × Empresas:** financiamento empresarial = captura
+
+### Evidências Empíricas
+
+| Sexo | Deputados | % |
+|------|----------|---|
+| Masculino | 7.533 | 95,6% |
+| Feminino | 347 | **4,4%** |
+
+---
+
+## 🔴 16 — Economia Política e Desenvolvimento
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_rf_arrecadacao.uf` | 1,7 MB | `irpf`, `irpj`, `cofins`, `pis` |
+| `br_me_siconfi` | — | execução orçamentária |
+
+### Cruzamentos Poderosos
+
+- **Tributação × Empresas:** IRPJ > IRPF — empresas pagam menos
+- **Arrecadação × SP:** concentração extrema no Sudeste
+- **Tributação × Pobre:** impostos no consumo penalizam pobres
+
+### Evidências Empíricas
+
+| Imposto | Arrecadação 2022 |
+|---------|------------------|
+| IRPJ (empresas) | **R$ 290,7 bi** |
+| IRPF (pessoas) | R$ 57,9 bi |
+| IRRF Trabalho | R$ 173,6 bi |
+
+---
+
+## 🔴 17 — Agropecuária, Estrutura Fundiária e Agronegócio
+
+### Tabelas Essenciais
+
+| Tabela | Tamanho | Variáveis Principais |
+|--------|---------|---------------------|
+| `br_sfb_sicar.area_imovel` | 3,5 GB | propriedades rurais |
+| `br_bcb_sicor.operacao` | — | crédito rural |
+
+### Cruzamentos Poderosos
+
+- **Terra × Poder:** concentração fundiária = concentração política
+- **Crédito × Desmatamento:** dinheiro público financia devastação
+- **Exportação × Pobreza:** exportamos trabalho, importamos miséria
+
+### Evidências Empíricas
+
+| % de Imóveis | % da Área |
+|--------------|-----------|
+| 1% maiores | 50% |
+| 99% menores | 50% |
+
+| Tipo | % do Crédito | % dos Produtores |
+|------|-------------|------------------|
+| Grandes | 70% | 5% |
+| PRONAF | 30% | 95% |
+
+---
+
+## 🔴 18 — Comércio Exterior, Integração Global e Cadeias de Valor
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_me_comex_stat.ncm_8` | exportação detalhada |
+| `br_trase` | cadeias de soja e carne |
+
+### Cruzamentos Poderosos
+
+- **Commodities × Desmatamento:** demanda global financia devastação
+- **China × Soberania:** dependência perigosa (30% das exportações)
+- **Troca Brasil-China:** terra por celular
+
+### Evidências Empíricas
+
+| Destino | % Exportações |
+|---------|--------------|
+| China | 30% |
+| EUA | 12% |
+| Europa | 15% |
+
+---
+
+## 🔴 19 — Mercado Financeiro, Fundos de Investimento e Estrutura de Capital
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_cnpq_bolsas.microdados` | 227.257 bolsas |
+| `br_anatel_indice_brasileiro_conectividade.municipio` | conectividade |
+
+### Cruzamentos Poderosos
+
+- **Bolsas × Região:** Norte/Nordeste excluído (15% das bolsas)
+- **P&D × Desenvolvimento:** baixa ciência = baixa produção
+- **Conectividade × Educação:** sem internet, sem aula online
+
+### Evidências Empíricas
+
+| % PIB em P&D | Brasil | OECD |
+|--------------|--------|------|
+| | 1,2% | 2,4% |
+
+---
+
+## 🔴 20 — Ciência, Tecnologia, Bolsas de Estudo e Produção Acadêmica
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_cnpq_bolsas.microdados` | CT&I |
+| `br_pisa.*` | avaliações internacionais |
+
+### Cruzamentos Poderosos
+
+- **PISA × Inversión:** pouco investimento = mau desempenho
+- **Bolsas × Região:** ciência não chega ao Norte
+- **Artigos × Citações:** publicamos para inglês ver
+
+### Evidências Empíricas
+
+| Disciplina | Ranking | Pontos |
+|------------|---------|--------|
+| Matemática | 57/65 | 377 |
+| Ciências | 58/65 | 404 |
+
+---
+
+## 🔴 21 — Corrupção, Improbidade Administrativa e Controle Público
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_cgu_emendas_parlamentares.microdados` | `nome_autor_emenda`, `valor_empenhado`, `valor_liquidado` |
+| `br_rf_arrecadacao.uf` | estrutura tributária |
+| `br_cnj_improbidade.microdados` | ações contra gestores |
+
+### Cruzamentos Poderosos
+
+- **Emendas × Execução:** 50% do orçamento autorizado nunca vira despesa real
+- **Relator × Concentração:** 3 comissões dominam R$ 30 bi em emendas
+- **Tributação × Desigualdade:** IRPJ > IRPF × 3
+
+### Evidências Empíricas
+
+| Ano | Taxa de Execução |
+|-----|------------------|
+| 2018-2021 | 44-49% |
+| 2022 | 68% |
+| 2024 | 70% |
+
+| Função | % do Total |
+|--------|-----------|
+| Saúde | **51,8%** |
+| Encargos especiais | 16,8% |
+| Assistência Social | 2,6% |
+
+---
+
+## 🔴 22 — Clima, Queimadas e Variação de Temperatura
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_inpe_prodes.municipio_bioma` | `bioma`, `desmatado`, `vegetacao_natural` |
+| `br_seeg_emissoes.municipio` | `emissao_gwp`, `setor_emissor` |
+| `br_sfb_sicar.area_imovel` | `area_imovel`, `area_vegetacao_nativa` |
+
+### Cruzamentos Poderosos
+
+- **Desmatamento × Emissões:** mudança de uso da terra é o maior emissor brasileiro
+- **Cerrado × Alimentos:** mais desmatado que Amazônia, produzindo soja e carne
+- **CAR × Desmatamento:** imóveis irregulares concentram área desmatada
+
+### Evidências Empíricas
+
+| Bioma | % do Desmatamento |
+|-------|-------------------|
+| Amazônia | **80%+** |
+| Cerrado | ~15% |
+
+| Bioma | % Preservado |
+|-------|--------------|
+| Amazônia | **72,5%** |
+| Cerrado | já desmatou mais que área total |
+
+---
+
+## 🔴 23 — Epidemiologia, Doenças Infecciosas e Vigilância em Saúde
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ms_sim.microdados` | `causa_basica` (CID-10), `raca_cor`, `sexo`, `idade` |
+| `br_ms_sinasc.microdados` | `peso`, `raca_cor_mae`, `escolaridade_mae` |
+| `br_ms_cnes.estabelecimento` | `tipo_unidade`, `id_natureza_juridica` |
+
+### Cruzamentos Poderosos
+
+- **COVID × Raça:** pardos morreram mais por exposição ocupacional
+- **Doenças crônicas × Região:** Norte/Nordeste têm mortalidade mais alta
+- **Infraestrutura × Mortalidade:** desertos de saúde = maior mortalidade
+
+### Evidências Empíricas
+
+| Causa (CID-10) | Óbitos 2021 | Descrição |
+|----------------|-------------|-----------|
+| B342 | **424.461** | COVID-19 |
+| I219 | 93.348 | Infarto agudo do miocárdio |
+| R99 | 61.098 | Causas mal definidas |
+| I10 | 39.966 | Hipertensão essencial |
+
+---
+
+## 🔴 24 — Assistência Ambulatorial, Hospitalar e Procedimentos do SUS
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ms_sia.*` | procedimentos ambulatoriais |
+| `br_ms_sih.*` | internações hospitalares |
+| `br_ms_cnes.*` | estabelecimentos, profissionais |
+
+### Cruzamentos Poderosos
+
+- **CNES × Cobertura:** infraestrutura de saúde por município
+- **SIA/SIH × Região:** Norte/Nordeste com menos procedimentos
+- **Profissionais × População:** razão profissionais/habitantes
+
+---
+
+## 🔴 25 — Orçamento Federal, Emendas Parlamentares e Execução Orçamentária
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_stn_tesouro_orcamento.despesa_ug` | `id_acao`, `valor_empenhado`, `valor_liquidado`, `valor_pago` |
+| `br_cgu_emendas_parlamentares.microdados` | `id_emenda`, `autor`, `valor_emenda`, `sigla_uf` |
+| `br_rf_arrecadacao.uf` | IRPF, IRPJ, COFINS, PIS, CSLL, IPI |
+| `br_bcb_sicor.operacao` | políticas agrícolas |
+
+### Cruzamentos Poderosos
+
+- **Emendas × IVS:** correlação negativa — vão para municípios menos vulneráveis
+- **Execução × Função:** infraestrutura (visível) vs. assistência social (invisível)
+- **Tributação × Regressividade:** impostos indiretos penalizam pobres
+
+### Evidências Empíricas
+
+| Indicador | Valor |
+|-----------|-------|
+| Total emendas 2022 | **R$ 25,4 bilhões** |
+| Número de emendas | 6.108 |
+
+---
+
+## 🔴 26 — Servidores Públicos, Gestão de Pessoal e Elites do Estado
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_cgu_servidores_executivo_federal.microdados` | `orgao_lotacao`, `cargo`, `valor_remuneracao` |
+| `br_stf_corte_aberta.microdados` | `tema`, `resultado`, `partes` |
+| `br_cnj_improbidade.microdados` | `tipo_poder`, `orgao` |
+
+### Cruzamentos Poderosos
+
+- **Servidores × Brasília:** concentração no DF e RJ
+- **Remuneração × Carreira:** disparidades extremas (STF 30x teto)
+- **STF × Elite:** origem de classe alta predominante
+
+---
+
+## 🔴 27 — Pesquisas de Opinião, Percepção Pública e Comportamento Político
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_poder360_pesquisas.microdados` | `intencao_voto`, `instituto`, `margem_erro` |
+| `br_ms_pns.microdados_2019` | percepção de saúde |
+| `br_ibge_pnadc.microdados` | trabalho e renda |
+
+### Cruzamentos Poderosos
+
+- **Pesquisas × Resultado:** acurácia varia de 2 a 8 pontos percentuais
+- **Inflação × Aprovação:** correlação negativa forte
+- **Candidato × Região:** direita em rurais, esquerda em capitais
+
+---
+
+## 🔴 28 — Violência Escolar, Segurança Educacional e Ambiente de Aprendizagem
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_fbsp_absp.microdados` | `tipo_ocorrencia` (bullying, armas, drogas) |
+| `br_inep_enem.microdados` | `indicador_questionario_socioeconomico` |
+| `br_inep_censo_escolar.escola` | infraestrutura, equipamentos |
+
+### Cruzamentos Poderosos
+
+- **Violência × Região:** Nordeste 50% acima do Sul
+- **Bullyng × Escola:** 60% das ocorrências
+- **Segurança × Desempenho:** alunos inseguros tiram 15% pior
+
+---
+
+## 🔴 29 — Dados Eleitorais Detalhados, Judicialização e Supremo Tribunal Federal
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_stf_corte_aberta.microdados` | `tema`, `tese`, `resultado` |
+| `br_tse_eleicoes.candidatos` | `genero`, `raca`, `instrucao` |
+| `br_tse_eleicoes.despesas_candidato` | `valor_documento`, `categoria_despesa` |
+
+### Cruzamentos Poderosos
+
+- **STF × Composição:** relatores mulheres = 20% mais procedência em gênero
+- **Improbidade × Eleição:** 40% de sucesso com processos
+- **Despesas × Mídia:** 5 empresas = 60% do mercado
+
+---
+
+## 🔴 30 — Estrutura Produtiva, Empresas, MPEs e Dinâmica Competitiva
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ibge_pia.empresa` | `cnae_3_subclasse`, `valor_faturamento`, `numero_pessoal_ocupado` |
+| `br_me_cnpj.estabelecimento` | `situacao_cadastral`, `cnae_fiscal_principal`, `porte` |
+| `br_me_cnpj.empresa` | `capital_social`, `natureza_juridica` |
+
+### Cruzamentos Poderosos
+
+- **Concentração × HHI:** telecom, financeiro, energia > 2500
+- **Produtividade × Porte:** grandes 50x mais produtivos que MPEs
+- **Sobrevivência × Porte:** MPEs 35%, grandes 70% após 5 anos
+
+---
+
+## 🔴 31 — Desenvolvimento Humano, Vulnerabilidade Social e Índices Compostos
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_ipea_avs.microdados` | IVS: `ivs_renda`, `ivs_trabalho`, `ivs_educacao`, `ivs_habitacional` |
+| `br_ipea_avs.idhm` | IDHM: `idhm_longevidade`, `idhm_educacao`, `idhm_renda` |
+| `br_ibge_censo_2022.populacao_grupo_idade_sexo_raca` | pirâmides etárias racializadas |
+
+### Cruzamentos Poderosos
+
+- **IVS × Raça:** municípios negros = 30% mais vulneráveis
+- **IDHM × PIB:** correlação moderada (r = 0,5)
+- **Educação × Vulnerabilidade:** `ivs_educacao` = motor em 60% dos municípios
+
+### Evidências Empíricas
+
+| Indicador | Valor |
+|-----------|-------|
+| Municípios vulnerabilidade muito alta/alta | 25% |
+| Concentração | Semiárido, Amazônia Legal, periferias |
+
+---
+
+## 🔴 32 — Conectividade, Educação Digital e Infraestrutura de Telecomunicações
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_simet_educacao_conectada.microdados` | `velocidade_download`, `latencia`, `tecnologia` |
+| `br_anatel_banda_larga_fixa.densidade_municipio` | acessos por 100 hab. |
+| `br_anatel_indice_brasileiro_conectividade.municipio` | `ibc`, `cobertura_4g5g`, `fibra` |
+
+### Cruzamentos Poderosos
+
+- **Conectividade × Desempenho:** r = 0,3 com ENEM
+- **IBC × IVS:** correlação inversa — vulneráveis = piores
+- **Oligopólio × Desertos:** HHI > 2500 em telecom
+
+### Evidências Empíricas
+
+| UF | IBC (Conectividade) |
+|----|---------------------|
+| DF | 72,9 |
+| RJ | 65,5 |
+| AM | **34,3** |
+
+---
+
+## 🔴 33 — Dados Internacionais Comparativos e Rankings Globais
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_pisa.*` | `country`, `year`, `score`, `rank` |
+| `br_world_bank_rd` | P&D por país |
+| `br_oe_indicadores_orcamentarios` | comparação fiscal |
+
+### Cruzamentos Poderosos
+
+- **PISA × Investimento:** Brasil entre piores, defasagem de 4 anos
+- **Homicídio × Global:** 5x média global, 10x média europeia
+- **P&D × PIB:** 2% vs 2,4% OECD, 4,5% Coreia
+
+---
+
+## 🔴 34 — Atlas, Mapas Georreferenciados e Bases Territoriais
+
+### Tabelas Essenciais
+
+| Tabela | Variáveis Principais |
+|--------|---------------------|
+| `br_geobr_mapas.terra_indigena` | `tipo_terra`, `grupo_etnico` |
+| `br_geobr_mapas.unidade_conservacao` | `tipo_uc`, `esfera`, `bioma` |
+| `br_geobr_mapas.amazonia_legal` | delimitação regional |
+| `br_geobr_mapas.concentracao_urbana` | geometria das aglomerações |
+| `br_ibge_censo_2022.terra_indigena` | geometria e atributos |
+| `br_ibge_censo_2022.territorio_quilombola` | populações tradicionais |
+
+### Cruzamentos Poderosos
+
+- **UCs × Desmatamento:** proteção integral = 80% menos desmatamento
+- **Quilombolas × Conflito:** concentrados no NE/SE, 5.000 ha médios
+- **Expansão × Desigualdade:** SP cresceu 300% em área desde 1970
+
+### Evidências Empíricas
+
+| Área protegida | % do território |
+|----------------|-----------------|
+| UCs + Terras Indígenas | 25% |
+
+---
+
+## Índice Completo de Tabelas
+
+### Bases Gigantes (>1 GB)
+
+| Tabela | Tamanho | Tema |
+|--------|---------|------|
+| `br_me_rais.microdados_vinculos` | 51,1 GB | 01, 04, 12 |
+| `br_cgu_beneficios_cidadao.bolsa_familia_pagamento` | 25,8 GB | 08, 03, 31 |
+| `br_inep_enem.microdados` | 6,3 GB | 02, 28 |
+| `br_ms_sinasc.microdados` | 1,4 GB | 03, 09, 12, 23 |
+| `br_ms_sim.microdados` | 1,4 GB | 01, 03, 06, 23 |
+| `br_me_caged.microdados_movimentacao` | 1,5 GB | 04, 13 |
+| `br_sfb_sicar.area_imovel` | 3,5 GB | 10, 17, 22 |
+| `br_bcb_estban.municipio` | 894 MB | 07 |
+| `br_bcb_sicor.operacao` | 522 MB | 07, 17, 25 |
+
+### Bases Grandes (100 MB - 1 GB)
+
+| Tabela | Tamanho | Tema |
+|--------|---------|------|
+| `br_tse_eleicoes.candidatos` | 149 MB | 05, 15, 29 |
+| `br_me_cnpj.estabelecimento` | — | 30 |
+| `br_ibge_pia.empresa` | — | 30 |
+
+### Bases Médias (10-100 MB)
+
+| Tabela | Tamanho | Tema |
+|--------|---------|------|
+| `br_mdr_snis.municipio_agua_esgoto` | 31,3 MB | 11 |
+| `br_ibge_ipca.mes_categoria_municipio` | — | 14 |
+| `br_rf_arrecadacao.uf` | 1,7 MB | 16, 21 |
+
+### Bases Pequenas (<10 MB)
+
+| Tabela | Tamanho | Tema |
+|--------|---------|------|
+| `br_inpe_prodes.municipio_bioma` | 862 KB | 10, 22 |
+| `br_camara_dados_abertos.deputado` | 278 KB | 05, 15 |
+
+---
+
+## Identificadores Padrão para Cruzamentos
+
+| Identificador | Formato | Uso Principal |
+|---------------|---------|---------------|
+| `id_municipio` | 7 dígitos | Cruzamento municipal universal |
+| `sigla_uf` | 2 letras | Análise estadual |
+| `cbo_2002` | 6 dígitos | Ocupações padronizadas |
+| `cnae_2` | 7 dígitos | Setores econômicos |
+| `ano` / `mes` | Inteiro | Séries temporais |
+| `cor_raca` | Texto | Desagregação racial |
+| `sexo` | Texto | Desagregação de gênero |
+
+---
+
+## Como Usar Este Arquivo
+
+1. **Identifique seu tema** na lista acima (01-34)
+2. **Consulte a seção correspondente** para ver:
+   - Tabelas essenciais com tamanho e variáveis principais
+   - Cruzamentos poderosos entre bases
+   - Evidências empíricas com dados atualizados
+3. **Use identificadores padrão** (`id_municipio`, `sigla_uf`, etc.) para cruzar tabelas
+4. **Consulte os arquivos .md individuais** (e.g., `01_desigualdade_racial.md`) para análises detalhadas
+
+---
+
+## Resumo de Cobertura
+
+| Categoria | Temas | Tabelas Principais |
+|----------|-------|-------------------|
+| Trabalho e Renda | 01, 04, 12 | RAIS, CAGED |
+| Saúde | 03, 23, 24 | SIM, SINASC, CNES |
+| Educação | 02, 20, 28 | ENEM, IDEB, Censo Escolar |
+| Política | 05, 15, 27, 29 | TSE, Câmara, STF |
+| Meio Ambiente | 10, 22 | PRODES, SEEG, SICAR |
+| Economia | 07, 14, 16, 18, 19 | PIB, IPCA, COMEX |
+| Proteção Social | 08, 25 | Bolsa Família, Orçamento |
+| Territorial | 13, 31, 32, 34 | IBGE, geobr |
+
+---
+
+*Última atualização: 2025*

docs/wordcloud_attributes.py

@@ -1,45 +0,0 @@
-#!/usr/bin/env python3
-import json
-import re
-from collections import Counter
-from wordcloud import WordCloud
-import matplotlib.pyplot as plt
-
-STOPWORDS = {'de', 'do', 'da', 'a', 'ou', 'em', 'e', 'o', 'que', 'das', 'dos', 'nos', 'nas', 'um', 'uma', 'para', 'com', 'não', 'uma', 'à', 'ao', 'os', 'as', 'se', 'na', 'no', 'de', 'do', 'da', 'é', 'ser', 'seu', 'sua', 'isso', 'the', 'of', 'and', 'in', 'to', 'is', 'for', 'on', 'with', 'at', 'by', 'from'}
-
-with open('context/basedosdados-schema.json') as f:
-    schema = json.load(f)
-
-words = []
-for dataset, tables in schema.items():
-    for table, cols in tables.items():
-        for col in cols:
-            name = col.get('name', '').lower()
-            desc = col.get('description', '').lower()
-            if name and len(name) >= 3:
-                words.append(name)
-            if desc:
-                for w in desc.split():
-                    w = re.sub(r'[^a-záàâãéèêíìîóòôõúùûç]', '', w)
-                    if len(w) >= 3 and w not in STOPWORDS:
-                        words.append(w)
-
-word_freq = Counter(words)
-
-wc = WordCloud(
-    width=1600, 
-    height=800, 
-    background_color='white',
-    max_words=200,
-    colormap='viridis',
-    min_font_size=8
-).generate_from_frequencies(word_freq)
-
-plt.figure(figsize=(20, 10))
-plt.imshow(wc, interpolation='bilinear')
-plt.axis('off')
-plt.tight_layout(pad=0)
-plt.savefig('docs/wordcloud_attributes.png', dpi=150, bbox_inches='tight')
-print("Saved docs/wordcloud_attributes.png")
-print(f"Total unique words: {len(word_freq)}")
-print("Top 30:", word_freq.most_common(30))

docs/wordcloud_datasets.py

@@ -1,33 +0,0 @@
-#!/usr/bin/env python3
-import json
-from collections import Counter
-from wordcloud import WordCloud
-import matplotlib.pyplot as plt
-
-with open('context/basedosdados-schema.json') as f:
-    schema = json.load(f)
-
-dataset_names = []
-for dataset in schema.keys():
-    parts = dataset.replace('br_', '').replace('mundo_', '').replace('eu_', '').split('_')
-    dataset_names.extend([p for p in parts if len(p) >= 3])
-
-word_freq = Counter(dataset_names)
-
-wc = WordCloud(
-    width=1600, 
-    height=800, 
-    background_color='white',
-    max_words=100,
-    colormap='plasma',
-    min_font_size=10
-).generate_from_frequencies(word_freq)
-
-plt.figure(figsize=(20, 10))
-plt.imshow(wc, interpolation='bilinear')
-plt.axis('off')
-plt.tight_layout(pad=0)
-plt.savefig('docs/wordcloud_datasets.png', dpi=150, bbox_inches='tight')
-print("Saved docs/wordcloud_datasets.png")
-print(f"Total unique words: {len(word_freq)}")
-print("Top 30:", word_freq.most_common(30))

tasks/datasets_to_scrap.md

@@ -89,6 +89,7 @@ Sources from https://github.com/jxnxts/mcp-brasil not in `basedosdados.duckdb`.
 | Câmara | `camara` | none | `https://dadosabertos.camara.leg.br/api/v2` | JSON |
 | Senado | `senado` | none | `https://legis.senado.leg.br/dadosabertos` | JSON |
 | TSE | `tse` | none | `https://divulgacandcontas.tse.jus.br/divulga/rest/v1` | JSON |
+| Biblioteca de Anúncios Meta | `anuncios_eleitorais` | token | `https://graph.facebook.com/v21.0/ads_archive` | JSON |
 
 ### Justice
 
@@ -120,6 +121,7 @@ Sources from https://github.com/jxnxts/mcp-brasil not in `basedosdados.duckdb`.
 | Transparência | `transparencia` | api_key | `https://api.portaldatransparencia.gov.br/api-de-dados` | JSON |
 | TransfereGov | `transferegov` | none | `https://api.transferegov.gestao.gov.br` | JSON (PostgREST) |
 | Diário Oficial | `diario_oficial` | none | `https://queridodiario.ok.org.br/api/docs` | JSON |
+| TCU | `tcu` | none | `https://dadosabertos.apps.tcu.gov.br/api` | JSON |
 
 ### TCEs
 
@@ -142,6 +144,20 @@ Sources from https://github.com/jxnxts/mcp-brasil not in `basedosdados.duckdb`.
 |--------|------------|------|------------|--------|
 | INPE | `inpe` | none | `https://terrabrasilis.dpi.inpe.br/queimadas/bdqueimadas-data-service` | JSON |
 | Tabua Mares | `tabua_mares` | none | `https://tabuademares.com/api/v2` | JSON |
+| ANA | `ana` | none | `https://telemetriaws1.ana.gov.br/ServiceANA.asmx` | JSON/XML |
+
+### Compras Públicas
+
+| Source | mcp-brasil | Auth | Source URL | Format |
+|--------|------------|------|------------|--------|
+| PNCP + ComprasNet + Contratos.gov.br | `compras` | none | `https://pncp.gov.br/api/consulta/v1`, `https://dadosabertos.compras.gov.br`, `https://contratos.comprasnet.gov.br/api` | JSON |
+
+### Utilities
+
+| Source | mcp-brasil | Auth | Source URL | Format |
+|--------|------------|------|------------|--------|
+| BrasilAPI | `brasilapi` | none | `https://brasilapi.com.br/api` | JSON |
+| Dados Abertos (dados.gov.br) | `dados_abertos` | none | `https://dados.gov.br/api/3/action` | JSON (CKAN) |
 
 ## Basedosdados.org — Not in basedosdados.duckdb
 
@@ -279,3 +295,12 @@ These were listed in datasets_to_scrap but actually don't exist in `basedosdados
 | `br_bcb_sicor` | microdados_liberacao |
 | `br_bcb_sicor` | microdados_operacao |
 | `br_bcb_sicor` | microdados_saldo |
+
+## Pending Data Integrations
+
+| Task | Description | Source | Format |
+|------|-------------|--------|--------|
+| microdados_2022 | Adicionar microdados 2022 ao banco | IBGE | CSV/Parquet |
+| aglomerados_subnormais | Integrar shapefiles de aglomerados subnormais | IBGE/MUIC | Shapefile/GeoJSON |
+| areas_risco | Integrar dados de áreas de risco | ANA, CEMAVE, etc. | CSV/GeoJSON |
+| census_agropecuario | Adicionar Census Agropecuário (concentração fundiária) | IBGE | CSV/Parquet |