O Fantasma da (Hiper) Inflação e o IPCA

ptbr

economics

tidyverse

ggplot2

visualizando a história econômica do IPCA

Author

Ana Luisa Bodevan

Published

August 25, 2025

O que é Inflação?

Todo brasileiro já ouviu falar de inflação, seja pelo telejornal ou no supermercado fazendo as compras do mês. Em termos simples, ela é o aumento generalizado de preços ao longo do tempo. No Brasil, o índice oficial é o IPCA (Índice Nacional de Preços ao Consumidor Amplo), calculado pelo IBGE desde 1979.

O cálculo do IPCA é feito com base em uma cesta fixa de bens baseada na Pesquisa de Orçamentos Familiares (POF) e representa o consumo médio de famílias com renda de 1 a 40 salários mínimos. Estatiscamente, é um índice de Laspeyres:

$L_t = \frac{\sum p_t q_0}{\sum p_0 q_0}$

Visualizar a inflação brasileira tem suas pegadinhas. O século XX foi um periódo de alta inflação (e hiperinflação) e mudança de câmbio. Por isso, quando olhando para a história da inflação no país, iremos exergá-la em quatro momentos distintos:

Jul/94 (Plano Real) → estabilização após hiperinflação
Jul/99 (Regime de Metas) → foco explícito na inflação
Mai/00 (LRF) → disciplina fiscal como complemento da política monetária
Mai/03 (pós-choque de 2002) → consolidação institucional e credibilidade

Neste post, vamos percorrer a trajetória da inflação no Brasil desde o fim da hiperinflação até os dias de hoje, visualizando o IPCA (Índice de Preços ao Consumidor Amplo) com R e discutindo os principais marcos econômicos.

Setup

Carregarando Dados e Pacotes

Vamos utilizar a API do Banco Central via o pacote {GetBCBData} para baixar a série histórica do IPCA.

Code

library(pacman)

pacman::p_load(tidyverse, dplyr, ggplot2, lubridate,  
               ggtext, showtext, ggdist, GetBCBData,
               ragg, forecast, RcppRoll)

# Importar os dados
ipca <- gbcbd_get_series(
  id = 433,
  first.date = as.Date("1998-01-01")
)

ipca <- subset(ipca, ref.date <= as.Date("2022-12-01"))

Definindo Tema

Code

# set theme 

theme <- theme_minimal(base_size = 10, base_family = "lato") +
  theme(
    text = element_text(colour = "gray1"),
    plot.title = element_text(size = 16),
    plot.subtitle = element_text(size = 14, colour = "gray20"),
    plot.caption = element_text(size = 8, colour = "gray20"),
    legend.title = element_text(size = 8, colour = "gray1"),
    panel.grid.minor = element_blank(),
    legend.position = "bottom",
    panel.background = element_rect(fill = "white", colour = "white"),
    plot.background = element_rect(fill = "white", colour = "white"),
    legend.box.margin = margin(0),
    legend.margin = margin(0)
  )

font_add_google("Lato", "lato")
showtext_auto()

Sazonalidade e Inflação

Preparando Séries Temporais

Code

# Preparar séries temporais 
ipca <- ipca %>%
  mutate(
    year = factor(format(ref.date, "%Y")),
    month = factor(format(ref.date, "%m"), levels = sprintf("%02d", 1:12),
                   labels = c("Jan", "Fev", "Mar", "Abr", "Mai", "Jun",
                              "Jul", "Ago", "Set", "Out", "Nov", "Dez")),
    value = value / 100, # transformar de percentual para proporção
    acum12m = RcppRoll::roll_prod(1 + value, n = 12, fill = NA) - 1
  )

Considerar as caractéristicas de cada série temporal é essencial para a interpretação e avaliação de qualquer dado econômico, e com o IPCA não é diferente.

Como já mencionado, o índice é calculado com uma cesta com variados tipos de gastos (vestuário, combustível, serviços, para citar alguns) cuja oferta e demanda varia durante o ano. É por isso que, normalmente, os meses comemorativos Novembro, Dezembro e Janeiro costumam apresentar valores mais altos que no meio do ano.

Code

ipca_sazonal <- ipca %>%
  filter(ref.date >= as.Date("1998-01-01") & ref.date <= as.Date("2008-12-01"))

ipca_sazonal %>%
  ggplot(aes(x = ref.date, y = value * 100)) +
  
  # Linha principal da inflação
  geom_line(color = "#2c3e50", size = 1.2, alpha = 0.9) +
  
  # Linha de referência no zero
  geom_hline(yintercept = 0, color = "gray50", linetype = "dashed", size = 0.5) +
  
  # Marcos institucionais
  geom_vline(xintercept = as.Date("1999-07-01"), 
             color = "#e74c3c", linetype = "solid", alpha = 0.8, size = 1.5) +
  geom_vline(xintercept = as.Date("2000-05-01"), 
             color = "#3498db", linetype = "solid", alpha = 0.8, size = 1.5) +
  geom_vline(xintercept = as.Date("2003-05-01"), 
             color = "#f39c12", linetype = "solid", alpha = 0.8, size = 1.5) +
  
  # Primeira eleição do Lula
  geom_vline(xintercept = as.Date("2002-11-01"), 
             color = "#9b59b6", linetype = "longdash", alpha = 0.7, size = 1.2) +
  
  # Anotações dos marcos
  annotate("text", x = as.Date("1999-05-01"), y = 2.0, 
           label = "Regime de Metas", angle = 90, vjust = 0.5, 
           hjust = 0.5, size = 3.5, color = "#e74c3c", fontface = "bold",
           lineheight = 0.8) +
  annotate("text", x = as.Date("2000-02-01"), y = 2.0, 
           label = "LRF", angle = 90, vjust = 0.5, 
           hjust = 0.5, size = 3.5, color = "#3498db", fontface = "bold",
           lineheight = 0.8) +
  annotate("text", x = as.Date("2003-07-01"), y = 1.8, 
           label = "Pós-choque 2002", angle = 90, vjust = 0.5, 
           hjust = 0.5, size = 3.5, color = "#f39c12", fontface = "bold",
           lineheight = 0.8) +
  annotate("text", x = as.Date("2002-09-01"), y = 2.8, 
           label = "Eleição Lula", angle = 90, vjust = 0.5, 
           hjust = 0.5, size = 3.5, color = "#9b59b6", fontface = "bold",
           lineheight = 0.8) +
  
  labs(
    title = "Evolução do IPCA Mensal - Brasil (1998-2009)",
    subtitle = "",
    x = "Anos",
    y = "IPCA Mensal (%)",
    caption = paste("Fonte: Banco Central do Brasil (SGS - Série 433)",
                   sep = "\n")
  ) +
  
  # Escalas
  scale_y_continuous(
    labels = scales::percent_format(scale = 1, accuracy = 0.1),
    breaks = seq(-1, 3, 0.5),
    limits = c(-1.2, 3.2)
  ) +
  scale_x_date(
    date_breaks = "1 year", 
    date_labels = "%Y",
    limits = c(as.Date("1998-01-01"), as.Date("2008-12-01")),
    expand = expansion(mult = c(0.01, 0.01))
  ) +
  
  theme +
  theme(
    plot.caption = element_text(size = 9, hjust = 0, color = "gray40"),
    plot.title = element_text(size = 18, face = "bold"),
    axis.title = element_text(size = 12, face = "bold"),
    axis.text = element_text(size = 10),
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid.major.y = element_line(color = "gray90", size = 0.3),
    panel.grid.major.x = element_line(color = "gray95", size = 0.2)
  )

Podemos ver que o maior outlier foi em Novembro de 2002, quando a inflação disparou em resposta da primeira eleição do presidente Lula, seguido por uma queda significativa.

Inflação Acumulada de 12 Meses

A análise da inflação acumulada em 12 meses oferece uma perspectiva mais estável e relevante para política econômica, mitigando o efeito da sazonalidade.

Code

ipca %>%
  filter(!is.na(acum12m)) %>%
  ggplot(aes(x = ref.date, y = acum12m * 100)) +
  geom_line(color = "#8e44ad", size = 1) +
  
  # Marcos institucionais
  geom_vline(xintercept = as.Date("1999-07-01"), 
             color = "#e74c3c", linetype = "dotted", alpha = 0.7) +
  geom_vline(xintercept = as.Date("2000-05-01"), 
             color = "#3498db", linetype = "dotted", alpha = 0.7) +
  geom_vline(xintercept = as.Date("2003-05-01"), 
             color = "#f39c12", linetype = "dotted", alpha = 0.7) +
  geom_vline(xintercept = as.Date("2002-11-01"), 
             color = "#9b59b6", linetype = "dashed", alpha = 0.7) +
  
  # Destacar períodos críticos
  annotate("rect", xmin = as.Date("2002-01-01"), xmax = as.Date("2003-06-01"),
           ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e74c3c") +
  annotate("rect", xmin = as.Date("2008-06-01"), xmax = as.Date("2009-06-01"),
           ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e67e22") +
  annotate("rect", xmin = as.Date("2014-06-01"), xmax = as.Date("2016-12-01"),
           ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e74c3c") +
  annotate("rect", xmin = as.Date("2021-01-01"), xmax = as.Date("2022-06-01"),
           ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#f39c12") +
  
  labs(
    title = "IPCA Acumulado em 12 Meses - Brasil (1999-2022)",
    subtitle = "",
    x = "Período",
    y = "IPCA Acumulado 12m (%)",
    caption = paste("Fonte: Banco Central do Brasil",
                   "Críticos: Crise 2002-03, Crise Global 2008-09, Recessão 2014-16, Pandemia 2021-22",
                   sep = "\n")
  ) +
  scale_y_continuous(
    labels = scales::percent_format(scale = 1),
    breaks = seq(0, 12, 2)
  ) +
  scale_x_date(date_breaks = "2 years", date_labels = "%Y") +
  theme +
  theme(
    plot.caption = element_text(size = 9, hjust = 0, color = "gray40"),
    plot.title = element_text(size = 18, face = "bold"),
    axis.title = element_text(size = 12, face = "bold"),
    axis.text = element_text(size = 10),
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid.major.y = element_line(color = "gray90", size = 0.3),
    panel.grid.major.x = element_line(color = "gray95", size = 0.2)
  )

Metas de Inflação

Em 1999, o Conselho Monetário Nacional introduziou o Regime de Metas de Inflação. Este sistema estabelece uma meta numérica específica para a inflação, com bandas de tolerância, permitindo maior transparência e previsibilidade para a política monetária seguida pelo Banco Central.

Code

# Definir grade temporal e metas históricas
grid <- tibble(
  ref.date = seq(
    as.Date("1998-01-01"),
    as.Date("2022-12-01"),
    "1 month"
  )
)

# Metas históricas de inflação no Brasil
ipca_meta <- tibble(
  year = 1999:2022,
  meta = c(8, 6, 4, 3.5, 4, 5.5, rep(4.5, 14), 4.25, 4, 3.75, 3.5),
  banda = c(rep(2, 4), rep(2.5, 3), rep(2, 11), rep(1.5, 6)),
  banda_superior = meta + banda,
  banda_inferior = meta - banda
)

# Sys.setlocale("LC_TIME", "pt_BR.UTF-8")

ipca_com_metas <- ipca %>%
  inner_join(grid, by = "ref.date") %>%
  mutate(
    month = lubridate::month(ref.date, label = TRUE, abbr = TRUE),
    year = lubridate::year(ref.date),
    value_pct = value * 100,
    acum12m = RcppRoll::roll_prod(1 + value, n = 12, fill = NA) - 1,
    acum12m_pct = acum12m * 100
  ) %>%
  left_join(ipca_meta, by = "year") %>%
  mutate(
    deviation = acum12m_pct - meta,
    dentro_meta = abs(deviation) <= banda
  )

library(ggtext)

ipca_com_metas %>%
  filter(!is.na(acum12m_pct), !is.na(meta)) %>%
  ggplot(aes(x = ref.date)) +
  
  # Banda de tolerância
  geom_ribbon(aes(ymin = banda_inferior, ymax = banda_superior), 
              alpha = 0.2, fill = "#27ae60") +
  
  # Meta central
  geom_line(aes(y = meta), color = "#27ae60", size = 1, linetype = "dashed") +
  
  # IPCA realizado
  geom_line(aes(y = acum12m_pct), color = "#2c3e50", size = 1.2) +
  
  labs(
    title = "**IPCA Acumulado** versus <span style='color:#27ae60;'>**Metas de Inflação**</span> (1999-2022)",
    x = "Período",
    y = "Inflação Acumulada 12m (%)",
    caption = "Fonte: Banco Central do Brasil"
  ) +
  scale_y_continuous(
    labels = scales::percent_format(scale = 1),
    breaks = seq(0, 12, 2)
  ) +
  scale_x_date(date_breaks = "2 years", date_labels = "%Y") +
  theme +
  theme(
    plot.title = element_markdown(size = 18),
    plot.subtitle = element_markdown(),
    plot.caption = element_text(size = 9, hjust = 0, color = "gray40"),
    axis.title = element_text(size = 12, face = "bold"),
    axis.text = element_text(size = 10),
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid.major.y = element_line(color = "gray90", size = 0.3),
    panel.grid.major.x = element_line(color = "gray95", size = 0.2)
  )

--- title: "O Fantasma da Inflação e o IPCA" date: '2025-08-25' categories: ['ptbr', 'economics', 'tidyverse', 'ggplot2'] description: 'visualizando a história econômica do IPCA' execute: message: false warning: false format: html: code-tools: true code-fold: true code-summary: 'Code' --- ## O que é Inflação? Todo brasileiro já ouviu falar de **inflação**, seja pelo telejornal ou no supermercado fazendo as compras do mês. Em termos simples, ela é o **aumento generalizado de preços ao longo do tempo**. No Brasil, o índice oficial é o **IPCA** (Índice Nacional de Preços ao Consumidor Amplo), calculado pelo IBGE desde 1979. O cálculo do IPCA é feito com base em uma cesta fixa de bens baseada na Pesquisa de Orçamentos Familiares (**POF**) e representa o consumo médio de famílias com renda de 1 a 40 salários mínimos. Estatiscamente, é um índice de **Laspeyres**: $L_t = \frac{\sum p_t q_0}{\sum p_0 q_0}$ Visualizar a inflação brasileira tem suas pegadinhas. O século XX foi um periódo de alta inflação (e hiperinflação) e mudança de câmbio. Por isso, quando olhando para a história da inflação no país, iremos exergá-la em quatro momentos distintos: - **Jul/94 (Plano Real)** → estabilização após hiperinflação - **Jul/99 (Regime de Metas)** → foco explícito na inflação - **Mai/00 (LRF)** → disciplina fiscal como complemento da política monetária - **Mai/03 (pós-choque de 2002)** → consolidação institucional e credibilidade Neste post, vamos percorrer a trajetória da inflação no Brasil desde o fim da hiperinflação até os dias de hoje, **visualizando o IPCA** (Índice de Preços ao Consumidor Amplo) com R e discutindo os principais marcos econômicos. ### Setup #### Carregarando Dados e Pacotes Vamos utilizar a API do Banco Central via o pacote `{GetBCBData}` para baixar a série histórica do IPCA. ```{r} library(pacman) pacman::p_load(tidyverse, dplyr, ggplot2, lubridate, ggtext, showtext, ggdist, GetBCBData, ragg, forecast, RcppRoll) # Importar os dados ipca <- gbcbd_get_series( id = 433, first.date = as.Date("1998-01-01") ) ipca <- subset(ipca, ref.date <= as.Date("2022-12-01")) ``` #### Definindo Tema ```{r theme-plot} # set theme theme <- theme_minimal(base_size = 10, base_family = "lato") + theme( text = element_text(colour = "gray1"), plot.title = element_text(size = 16), plot.subtitle = element_text(size = 14, colour = "gray20"), plot.caption = element_text(size = 8, colour = "gray20"), legend.title = element_text(size = 8, colour = "gray1"), panel.grid.minor = element_blank(), legend.position = "bottom", panel.background = element_rect(fill = "white", colour = "white"), plot.background = element_rect(fill = "white", colour = "white"), legend.box.margin = margin(0), legend.margin = margin(0) ) font_add_google("Lato", "lato") showtext_auto() ``` ### Sazonalidade e Inflação #### Preparando Séries Temporais ```{r} # Preparar séries temporais ipca <- ipca %>% mutate( year = factor(format(ref.date, "%Y")), month = factor(format(ref.date, "%m"), levels = sprintf("%02d", 1:12), labels = c("Jan", "Fev", "Mar", "Abr", "Mai", "Jun", "Jul", "Ago", "Set", "Out", "Nov", "Dez")), value = value / 100, # transformar de percentual para proporção acum12m = RcppRoll::roll_prod(1 + value, n = 12, fill = NA) - 1 ) ``` Considerar as caractéristicas de cada série temporal é essencial para a interpretação e avaliação de qualquer dado econômico, e com o IPCA não é diferente. Como já mencionado, o índice é calculado com uma cesta com variados tipos de gastos (vestuário, combustível, serviços, para citar alguns) cuja oferta e demanda varia durante o ano. É por isso que, normalmente, os meses comemorativos Novembro, Dezembro e Janeiro costumam apresentar valores mais altos que no meio do ano. ```{r} ipca_sazonal <- ipca %>% filter(ref.date >= as.Date("1998-01-01") & ref.date <= as.Date("2008-12-01")) ipca_sazonal %>% ggplot(aes(x = ref.date, y = value * 100)) + # Linha principal da inflação geom_line(color = "#2c3e50", size = 1.2, alpha = 0.9) + # Linha de referência no zero geom_hline(yintercept = 0, color = "gray50", linetype = "dashed", size = 0.5) + # Marcos institucionais geom_vline(xintercept = as.Date("1999-07-01"), color = "#e74c3c", linetype = "solid", alpha = 0.8, size = 1.5) + geom_vline(xintercept = as.Date("2000-05-01"), color = "#3498db", linetype = "solid", alpha = 0.8, size = 1.5) + geom_vline(xintercept = as.Date("2003-05-01"), color = "#f39c12", linetype = "solid", alpha = 0.8, size = 1.5) + # Primeira eleição do Lula geom_vline(xintercept = as.Date("2002-11-01"), color = "#9b59b6", linetype = "longdash", alpha = 0.7, size = 1.2) + # Anotações dos marcos annotate("text", x = as.Date("1999-05-01"), y = 2.0, label = "Regime de Metas", angle = 90, vjust = 0.5, hjust = 0.5, size = 3.5, color = "#e74c3c", fontface = "bold", lineheight = 0.8) + annotate("text", x = as.Date("2000-02-01"), y = 2.0, label = "LRF", angle = 90, vjust = 0.5, hjust = 0.5, size = 3.5, color = "#3498db", fontface = "bold", lineheight = 0.8) + annotate("text", x = as.Date("2003-07-01"), y = 1.8, label = "Pós-choque 2002", angle = 90, vjust = 0.5, hjust = 0.5, size = 3.5, color = "#f39c12", fontface = "bold", lineheight = 0.8) + annotate("text", x = as.Date("2002-09-01"), y = 2.8, label = "Eleição Lula", angle = 90, vjust = 0.5, hjust = 0.5, size = 3.5, color = "#9b59b6", fontface = "bold", lineheight = 0.8) + labs( title = "Evolução do IPCA Mensal - Brasil (1998-2009)", subtitle = "", x = "Anos", y = "IPCA Mensal (%)", caption = paste("Fonte: Banco Central do Brasil (SGS - Série 433)", sep = "\n") ) + # Escalas scale_y_continuous( labels = scales::percent_format(scale = 1, accuracy = 0.1), breaks = seq(-1, 3, 0.5), limits = c(-1.2, 3.2) ) + scale_x_date( date_breaks = "1 year", date_labels = "%Y", limits = c(as.Date("1998-01-01"), as.Date("2008-12-01")), expand = expansion(mult = c(0.01, 0.01)) ) + theme + theme( plot.caption = element_text(size = 9, hjust = 0, color = "gray40"), plot.title = element_text(size = 18, face = "bold"), axis.title = element_text(size = 12, face = "bold"), axis.text = element_text(size = 10), axis.text.x = element_text(angle = 45, hjust = 1), panel.grid.major.y = element_line(color = "gray90", size = 0.3), panel.grid.major.x = element_line(color = "gray95", size = 0.2) ) ``` Podemos ver que o maior outlier foi em Novembro de 2002, quando a inflação disparou em resposta da primeira eleição do presidente Lula, seguido por uma queda significativa. ### Inflação Acumulada de 12 Meses A análise da inflação acumulada em 12 meses oferece uma perspectiva mais estável e relevante para política econômica, mitigando o efeito da sazonalidade. ```{r} ipca %>% filter(!is.na(acum12m)) %>% ggplot(aes(x = ref.date, y = acum12m * 100)) + geom_line(color = "#8e44ad", size = 1) + # Marcos institucionais geom_vline(xintercept = as.Date("1999-07-01"), color = "#e74c3c", linetype = "dotted", alpha = 0.7) + geom_vline(xintercept = as.Date("2000-05-01"), color = "#3498db", linetype = "dotted", alpha = 0.7) + geom_vline(xintercept = as.Date("2003-05-01"), color = "#f39c12", linetype = "dotted", alpha = 0.7) + geom_vline(xintercept = as.Date("2002-11-01"), color = "#9b59b6", linetype = "dashed", alpha = 0.7) + # Destacar períodos críticos annotate("rect", xmin = as.Date("2002-01-01"), xmax = as.Date("2003-06-01"), ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e74c3c") + annotate("rect", xmin = as.Date("2008-06-01"), xmax = as.Date("2009-06-01"), ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e67e22") + annotate("rect", xmin = as.Date("2014-06-01"), xmax = as.Date("2016-12-01"), ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#e74c3c") + annotate("rect", xmin = as.Date("2021-01-01"), xmax = as.Date("2022-06-01"), ymin = -Inf, ymax = Inf, alpha = 0.1, fill = "#f39c12") + labs( title = "IPCA Acumulado em 12 Meses - Brasil (1999-2022)", subtitle = "", x = "Período", y = "IPCA Acumulado 12m (%)", caption = paste("Fonte: Banco Central do Brasil", "Críticos: Crise 2002-03, Crise Global 2008-09, Recessão 2014-16, Pandemia 2021-22", sep = "\n") ) + scale_y_continuous( labels = scales::percent_format(scale = 1), breaks = seq(0, 12, 2) ) + scale_x_date(date_breaks = "2 years", date_labels = "%Y") + theme + theme( plot.caption = element_text(size = 9, hjust = 0, color = "gray40"), plot.title = element_text(size = 18, face = "bold"), axis.title = element_text(size = 12, face = "bold"), axis.text = element_text(size = 10), axis.text.x = element_text(angle = 45, hjust = 1), panel.grid.major.y = element_line(color = "gray90", size = 0.3), panel.grid.major.x = element_line(color = "gray95", size = 0.2) ) ``` #### Metas de Inflação Em 1999, o Conselho Monetário Nacional introduziou o Regime de Metas de Inflação. Este sistema estabelece uma meta numérica específica para a inflação, com bandas de tolerância, permitindo maior transparência e previsibilidade para a política monetária seguida pelo Banco Central. ```{r} # Definir grade temporal e metas históricas grid <- tibble( ref.date = seq( as.Date("1998-01-01"), as.Date("2022-12-01"), "1 month" ) ) # Metas históricas de inflação no Brasil ipca_meta <- tibble( year = 1999:2022, meta = c(8, 6, 4, 3.5, 4, 5.5, rep(4.5, 14), 4.25, 4, 3.75, 3.5), banda = c(rep(2, 4), rep(2.5, 3), rep(2, 11), rep(1.5, 6)), banda_superior = meta + banda, banda_inferior = meta - banda ) # Sys.setlocale("LC_TIME", "pt_BR.UTF-8") ipca_com_metas <- ipca %>% inner_join(grid, by = "ref.date") %>% mutate( month = lubridate::month(ref.date, label = TRUE, abbr = TRUE), year = lubridate::year(ref.date), value_pct = value * 100, acum12m = RcppRoll::roll_prod(1 + value, n = 12, fill = NA) - 1, acum12m_pct = acum12m * 100 ) %>% left_join(ipca_meta, by = "year") %>% mutate( deviation = acum12m_pct - meta, dentro_meta = abs(deviation) <= banda ) library(ggtext) ipca_com_metas %>% filter(!is.na(acum12m_pct), !is.na(meta)) %>% ggplot(aes(x = ref.date)) + # Banda de tolerância geom_ribbon(aes(ymin = banda_inferior, ymax = banda_superior), alpha = 0.2, fill = "#27ae60") + # Meta central geom_line(aes(y = meta), color = "#27ae60", size = 1, linetype = "dashed") + # IPCA realizado geom_line(aes(y = acum12m_pct), color = "#2c3e50", size = 1.2) + labs( title = "**IPCA Acumulado** versus <span style='color:#27ae60;'>**Metas de Inflação**</span> (1999-2022)", x = "Período", y = "Inflação Acumulada 12m (%)", caption = "Fonte: Banco Central do Brasil" ) + scale_y_continuous( labels = scales::percent_format(scale = 1), breaks = seq(0, 12, 2) ) + scale_x_date(date_breaks = "2 years", date_labels = "%Y") + theme + theme( plot.title = element_markdown(size = 18), plot.subtitle = element_markdown(), plot.caption = element_text(size = 9, hjust = 0, color = "gray40"), axis.title = element_text(size = 12, face = "bold"), axis.text = element_text(size = 10), axis.text.x = element_text(angle = 45, hjust = 1), panel.grid.major.y = element_line(color = "gray90", size = 0.3), panel.grid.major.x = element_line(color = "gray95", size = 0.2) ) ```