O Brasil que conhecemos está acabando. Em 2050, regiões inteiras serão mais velhas que o Japão de hoje. Centenas de municípios perderão mais de 30% da população. Megalópoles vão sobrecarregar enquanto o interior se esvazia.
Este projeto usa dados oficiais (IBGE, DataSUS, INEP) e modelos estatísticos + machine learning para mapear, quantificar e prever a transição demográfica brasileira — município por município.
| # | Módulo | Métodos |
|---|---|---|
| 1 | Pirâmide etária dinâmica | Cohort-component + Bayesiano hierárquico (PyMC) |
| 2 | Migração e municípios em colapso | Modelo gravitacional + clustering HDBSCAN |
| 3 | Fecundidade e composição familiar | Regressão hierárquica + SHAP |
| 4 | Desigualdade regional multidimensional | PCA + UMAP → Índice de Vulnerabilidade próprio |
| 5 | Cenários 2030/2050 | Projeções otimista / tendencial / pessimista vs IBGE oficial |
- Inferência causal (DoWhy / EconML) — não só predição
- Quantificação de incerteza bayesiana — intervalos de credibilidade, não só ponto estimado
- Pipeline reprodutível — DVC (dados) + MLflow (experimentos)
- Testes com pytest cobrindo as transformações
- CI/CD via GitHub Actions
polars · scikit-learn · statsmodels · pymc · prophet · geopandas · streamlit · plotly
brasil_2050/
├── data/ # raw, interim, processed (gerenciado por DVC)
├── src/brasil_2050/
│ ├── ingestion/ # Conectores: SIDRA, DataSUS, INEP
│ ├── preprocessing/ # ETL e harmonização
│ ├── features/ # Feature engineering demográfico
│ ├── models/ # forecasting, clustering, causal
│ └── visualization/
├── notebooks/ # Análises capítulo-a-capítulo
├── dashboard/ # Streamlit
├── reports/figures/
└── tests/
# Instalar uv (gerenciador de deps): https://docs.astral.sh/uv/
uv sync --extra devEm desenvolvimento. Roadmap:
- Conectores de ingestão (SIDRA primeiro)
- EDA e harmonização
- Modelos de forecasting
- Clustering municipal
- Inferência causal
- Cenários 2030 / 2050
- Dashboard interativo
- Artigo Medium
Projeto de portfólio público por Mateus.