Análise de dados da Nilo Peçanha sobre Ingreso, Evasão e Conclusão Feminina para dois cursos do Ensino Médio Técnico
Laryssa Milanez
2023-05-24
Library
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readr)
library(purrr)
#library(GGally)
#library(pscl)
library(broom)
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.2
## ──## ✔ ggplot2 3.4.0 ✔ stringr 1.5.0
## ✔ tibble 3.1.8 ✔ forcats 1.0.0
## ✔ tidyr 1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()library(modelr)##
## Attaching package: 'modelr'
##
## The following object is masked from 'package:broom':
##
## bootstraplibrary(here)## here() starts at D:/laryssa/mestrado/NiloPecanha/NiloPecanha-Laryssalibrary(skimr)
library(gcookbook)
library(lubridate)##
## Attaching package: 'lubridate'
##
## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(rio)Lendo os CSVs e salvando em um dataframe
dado_2017 <- read_csv2("2017-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 1031798 Columns: 25
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (18): Cor / Raça, Dt Data Fim Previsto, Dt Data Inicio, Dt Ocorrencia Ma...
## dbl (7): Carga Horaria, Carga Horaria Minima, Co Ciclo Matricula, Co Matric...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2017 <- dado_2017 %>%
filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF")) %>%
mutate(`Sg Sexo` = ifelse(`Sg Sexo`=="F", "Feminino", "Masculino"), ano = 2017) %>%
rename(Sexo=`Sg Sexo`)
# Separando os dados entre mulheres e homens para o ano de 2017
fem17 <- dado_2017%>%
filter(`Sexo` == "Feminino")
#print(fem17)
mas17 <- dado_2017%>%
filter(`Sexo` == "Masculino")
#print(mas17)
dado_2018 <- read_csv2("2018-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
## Rows: 964593 Columns: 35── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (25): Sexo, Renda Familiar, Cor / Raça, Faixa Etria, Data de Ocorrncia d...
## dbl (10): Idade, Cdigo da Matrcula, Cdigo do Ciclo Matrcula, Vagas Ofertadas...
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2018 <- dado_2018 %>% filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF")) %>%
mutate(`Sexo` = ifelse(`Sexo`=="F", "Feminino", "Masculino"), ano = 2018) %>%
rename(Sexo=`Sexo`)
# Separando os dados entre mulheres e homens para o ano de 2018
fem18 <- dado_2018%>%
filter(`Sexo` == "Feminino")
#print(fem18)
mas18 <- dado_2018%>%
filter(`Sexo` == "Masculino")
#print(mas18)
dado_2019 <- read_csv2("2019-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
## Rows: 1023303 Columns: 54── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (23): Categoria da Situação, Cor / Raça, Data de Inicio do Ciclo, Data d...
## dbl (31): Teste, Carga Horaria, Carga Horaria Minima, Código do Ciclo Matric...
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2019 <- dado_2019 %>% filter(`Tipo de Oferta`=="Integrado")%>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF")) %>%
select(-Teste) %>%
mutate(ano = 2019)
# Separando os dados entre mulheres e homens para o ano de 2019
fem19 <- dado_2019%>%
filter(`Sexo` == "Feminino")
#print(fem19)
mas19 <- dado_2019%>%
filter(`Sexo` == "Masculino")
#print(mas19)
dado_2020 <- read_csv2("2020-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
## Rows: 1507476 Columns: 54── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (24): Categoria de Situação, Cor/Raça, Data de Fim Previsto do Ciclo, Da...
## dbl (30): Carga Horaria, Carga Horaria Minima, Cod Unidade, Código da Matríc...
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2020 <- dado_2020 %>% filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF")) %>%
mutate(Sexo = ifelse(Sexo=="F", "Feminino", "Masculino"), ano = 2020)
# Separando os dados entre mulheres e homens para o ano de 2020
fem20 <- dado_2020%>%
filter(`Sexo` == "Feminino")
#print(fem20)
mas20 <- dado_2020%>%
filter(`Sexo` == "Masculino")
#print(mas20)
dado_2021 <- read_csv2("2021-microdados-matriculas.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
## Rows: 1507476 Columns: 54── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (24): Categoria de Situação, Cor/Raça, Data de Fim Previsto do Ciclo, Da...
## dbl (30): Carga Horaria, Carga Horaria Minima, Cod Unidade, Código da Matríc...
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.dado_2021 <- dado_2021 %>% filter(`Tipo de Oferta`=="Integrado") %>%
filter(`Tipo de Curso`=="Técnico") %>%
filter(str_detect(`Instituição`, "^IF")) %>%
mutate(Sexo = ifelse(Sexo=="F", "Feminino", "Masculino"), ano = 2021)
# Separando os dados entre mulheres e homens para o ano de 2021
fem21 <- dado_2021%>%
filter(`Sexo` == "Feminino")
#print(fem21)
mas21 <- dado_2021%>%
filter(`Sexo` == "Masculino")
#print(mas21)
#agrupando os dados e montando dos datasets
dado <- bind_rows(dado_2017, dado_2018, dado_2019, dado_2020, dado_2021)
print(dado)## # A tibble: 1,155,254 × 91
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Dt Da…⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 2 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 3 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 4 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 5 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 6 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 7 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 8 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 9 3500 1200 2151261 7.21e7 PARDA 31/12/… 02/03/… 01/03/… Recurs…
## 10 3500 1200 2151261 7.21e7 NO DEC… 31/12/… 02/03/… 01/03/… Recurs…
## # … with 1,155,244 more rows, 82 more variables: `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>,
## # `Renda Familiar` <chr>, Instituição <chr>, Sexo <chr>,
## # `Situação de Matrícula` <chr>, `Sub Eixo Tecnologico` <chr>,
## # `Tipo de Curso` <chr>, `Tipo de Oferta` <chr>, `Total Inscritos` <dbl>,
## # Turno <chr>, `Unidade Ensino` <chr>, `Vagas Ofertadas` <dbl>, ano <dbl>, …#Dataset com os dados femininos
dado_mulher <- bind_rows(fem17, fem18, fem19, fem20, fem21)
print(dado_mulher)## # A tibble: 554,787 × 91
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Dt Da…⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 2 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 3 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 4 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 5 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 6 3500 1200 2151261 7.21e7 PARDA 31/12/… 02/03/… 01/03/… Recurs…
## 7 3500 1200 2151261 7.21e7 NO DEC… 31/12/… 02/03/… 01/03/… Recurs…
## 8 3500 1200 2151261 7.21e7 PRETA 31/12/… 02/03/… 01/03/… Recurs…
## 9 3500 1200 2151261 7.21e7 PARDA 31/12/… 02/03/… 01/03/… Recurs…
## 10 3500 1200 2151261 7.21e7 PRETA 31/12/… 02/03/… 01/03/… Recurs…
## # … with 554,777 more rows, 82 more variables: `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>,
## # `Renda Familiar` <chr>, Instituição <chr>, Sexo <chr>,
## # `Situação de Matrícula` <chr>, `Sub Eixo Tecnologico` <chr>,
## # `Tipo de Curso` <chr>, `Tipo de Oferta` <chr>, `Total Inscritos` <dbl>,
## # Turno <chr>, `Unidade Ensino` <chr>, `Vagas Ofertadas` <dbl>, ano <dbl>, …#dataset com os dados masculinos
dado_homem <- bind_rows(mas17, mas18, mas19, mas20, mas21)
print(dado_homem)## # A tibble: 600,467 × 91
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Dt Da…⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 2 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 3 3750 1200 1943726 6.14e7 PARDA 30/06/… 10/03/… 01/03/… Infrae…
## 4 3500 1200 2151261 7.21e7 BRANCA 31/12/… 02/03/… 01/03/… Recurs…
## 5 3500 1200 2151261 7.21e7 BRANCA 31/12/… 02/03/… 01/03/… Recurs…
## 6 3500 1200 2151261 7.21e7 PRETA 31/12/… 02/03/… 01/03/… Recurs…
## 7 3500 1200 2151261 7.21e7 NO DEC… 31/12/… 02/03/… 01/03/… Recurs…
## 8 3500 1200 2151261 7.21e7 PARDA 31/12/… 02/03/… 01/03/… Recurs…
## 9 3500 1200 2151261 7.21e7 NO DEC… 31/12/… 02/03/… 01/03/… Recurs…
## 10 3500 1200 2151261 7.24e7 PARDA 31/12/… 02/03/… 01/03/… Recurs…
## # … with 600,457 more rows, 82 more variables: `Fator Esforco Curso` <dbl>,
## # `Mes De Ocorrencia` <chr>, `Modalidade Ensino` <chr>,
## # `Nome de Curso` <chr>, `Fonte de financiamento` <chr>,
## # `Renda Familiar` <chr>, Instituição <chr>, Sexo <chr>,
## # `Situação de Matrícula` <chr>, `Sub Eixo Tecnologico` <chr>,
## # `Tipo de Curso` <chr>, `Tipo de Oferta` <chr>, `Total Inscritos` <dbl>,
## # Turno <chr>, `Unidade Ensino` <chr>, `Vagas Ofertadas` <dbl>, ano <dbl>, …Analisando os dados do data frame e fazendo ajustes
Nesse momento foram realizados ajustes nos nomes dos cursos, pois tinha uma divergência entre a nomenclatura dos anos 2019 à 2021 em relação a 2017 e 2018; após o ajuste realizados apresentamos um gráfico mostrando a concentração feminina e masculina nos cursos selecionados entre os anos de 2017 à 2021.
#unique(dado$`Nome de Curso`)
#unique(dado$`Eixo Tecnológico`)
cursos_selcionados <- c("Técnico em Manutenção e Suporte em Informática", "Técnico em Informática")
dado_summary = dado %>%
filter(`Nome de Curso` %in% cursos_selcionados) %>%
group_by(ano) %>%
mutate(nalunos = n()) %>%
group_by(ano, Sexo) %>%
summarise(percentual_por_sexo = n() / first(nalunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(dado_summary)## # A tibble: 10 × 3
## # Groups: ano [5]
## ano Sexo percentual_por_sexo
## <dbl> <chr> <dbl>
## 1 2017 Feminino 37.8
## 2 2017 Masculino 62.2
## 3 2018 Feminino 38.5
## 4 2018 Masculino 61.5
## 5 2019 Feminino 39.8
## 6 2019 Masculino 60.2
## 7 2020 Feminino 41.1
## 8 2020 Masculino 58.9
## 9 2021 Feminino 41.1
## 10 2021 Masculino 58.9p1 <- ggplot(dado_summary, aes(x = as.factor(ano), y = percentual_por_sexo, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "", x = "Anos correspondentes", y = "Percentual de alunos(as) %") +
geom_text(aes(label = format(round(percentual_por_sexo, 2), nsmall = 2)), vjust = 1.5, color = "black") +
coord_flip()
print(p1)
ggsave("dados_sexo_cursos.png", p1)## Saving 7 x 5 in imagedado_teste = dado %>%
filter(`Nome de Curso`== "Técnico em Manutenção e Suporte em Informática") %>%
group_by(ano) %>%
mutate(nalunos = n()) %>%
group_by(ano, Sexo) %>%
summarise(percentual_por_sexo = n() / first(nalunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(dado_teste)## # A tibble: 10 × 3
## # Groups: ano [5]
## ano Sexo percentual_por_sexo
## <dbl> <chr> <dbl>
## 1 2017 Feminino 34.2
## 2 2017 Masculino 65.8
## 3 2018 Feminino 33.9
## 4 2018 Masculino 66.1
## 5 2019 Feminino 34.3
## 6 2019 Masculino 65.7
## 7 2020 Feminino 35.5
## 8 2020 Masculino 64.5
## 9 2021 Feminino 35.5
## 10 2021 Masculino 64.5#ggsave("dados_sexo_ManutencaoESuporte.jpeg", dado_teste)
#export(dado_teste, file = "dados_sexo_ManutencaoESuporte.png")
p2 <- ggplot(dado_teste, aes(x = as.factor(ano), y = percentual_por_sexo, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "", x = "Anos correspondentes", y = "Percentual de alunos(as) %") +
geom_text(aes(label = format(round(percentual_por_sexo, 2), nsmall = 2)), vjust = 1.5, color = "black") +
coord_flip()
print(p2)
ggsave("dados_sexo_ManutencaoESuporte.png", p2)## Saving 7 x 5 in imagedado_teste1 = dado %>%
filter(`Nome de Curso`== "Técnico em Informática") %>%
group_by(ano) %>%
mutate(nalunos = n()) %>%
group_by(ano, Sexo) %>%
summarise(percentual_por_sexo = n() / first(nalunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(dado_teste1)## # A tibble: 10 × 3
## # Groups: ano [5]
## ano Sexo percentual_por_sexo
## <dbl> <chr> <dbl>
## 1 2017 Feminino 38.1
## 2 2017 Masculino 61.9
## 3 2018 Feminino 38.9
## 4 2018 Masculino 61.1
## 5 2019 Feminino 40.2
## 6 2019 Masculino 59.8
## 7 2020 Feminino 41.6
## 8 2020 Masculino 58.4
## 9 2021 Feminino 41.6
## 10 2021 Masculino 58.4p3 <- ggplot(dado_teste1, aes(x = as.factor(ano), y = percentual_por_sexo, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "", x = "Anos correspondentes", y = "Percentual de alunos(as) %") +
geom_text(aes(label = format(round(percentual_por_sexo, 2), nsmall = 2)), vjust = 1.5, color = "black") +
coord_flip()
print(p3)
ggsave("dados_sexo_Infor.png", p3)## Saving 7 x 5 in image1.1 Ingresso nos Cursos da Pesquisa pelas mulheres e pelos homens
Analisando o percentual de meninas para os cursos base desse pesquisa.
cursos_selcionados <- c("Técnico em Manutenção e Suporte em Informática", "Técnico em Informática")
dado_summary_mulher = dado_mulher %>%
filter(`Nome de Curso` %in% cursos_selcionados) %>%
filter(Sexo == "Feminino") %>%
group_by(ano) %>%
mutate(nalunos = n()) %>%
group_by(ano, `Nome de Curso`) %>%
summarise(percentual_por_sexo = n() / first(nalunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(dado_summary_mulher)## # A tibble: 10 × 3
## # Groups: ano [5]
## ano `Nome de Curso` percentual_por_sexo
## <dbl> <chr> <dbl>
## 1 2017 Técnico em Informática 92.6
## 2 2017 Técnico em Manutenção e Suporte em Informática 7.43
## 3 2018 Técnico em Informática 93.3
## 4 2018 Técnico em Manutenção e Suporte em Informática 6.72
## 5 2019 Técnico em Informática 94.0
## 6 2019 Técnico em Manutenção e Suporte em Informática 6.01
## 7 2020 Técnico em Informática 94.2
## 8 2020 Técnico em Manutenção e Suporte em Informática 5.78
## 9 2021 Técnico em Informática 94.2
## 10 2021 Técnico em Manutenção e Suporte em Informática 5.78p4 <- ggplot(dado_summary_mulher, aes(x = as.factor(ano), y = percentual_por_sexo, fill = `Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de alunas nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_por_sexo, 0), nsmall = 0)), vjust = -0.2, color = "black", position = position_dodge(width = 0.9))
print(p4)
ggsave("dados_percentual_Mulheres.png", p4)## Saving 7 x 5 in image# Analisando o ingresso masculino para os cursos base da pesquisa
dado_summary_homem = dado %>%
filter(`Nome de Curso` %in% cursos_selcionados) %>%
filter(str_detect(`Instituição`, "^IF")) %>%
filter(Sexo == "Masculino") %>%
group_by(ano) %>%
mutate(nalunos = n()) %>%
group_by(ano, `Nome de Curso`) %>%
summarise(percentual_por_sexo = n() / first(nalunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(dado_summary_homem)## # A tibble: 10 × 3
## # Groups: ano [5]
## ano `Nome de Curso` percentual_por_sexo
## <dbl> <chr> <dbl>
## 1 2017 Técnico em Informática 91.3
## 2 2017 Técnico em Manutenção e Suporte em Informática 8.68
## 3 2018 Técnico em Informática 91.8
## 4 2018 Técnico em Manutenção e Suporte em Informática 8.20
## 5 2019 Técnico em Informática 92.4
## 6 2019 Técnico em Manutenção e Suporte em Informática 7.61
## 7 2020 Técnico em Informática 92.6
## 8 2020 Técnico em Manutenção e Suporte em Informática 7.36
## 9 2021 Técnico em Informática 92.6
## 10 2021 Técnico em Manutenção e Suporte em Informática 7.36p5 <- ggplot(dado_summary_homem, aes(x = as.factor(ano), y = percentual_por_sexo, fill = `Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de alunos nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_por_sexo, 0), nsmall = 0)), vjust = -0.2, color = "black", position = position_dodge(width = 0.9))
print(p5)
ggsave("dados_percentual_Homem.png", p5)## Saving 7 x 5 in image1.2 Interrupção dos Cursos pelas mulheres e pelos homens
situacao_matricula <- c("Evasão")
sit_mat <- c("Concluída", "Em curso", "Integralizada", "Reprovado")
cursos_selecionados <- c("Técnico em Manutenção e Suporte em Informática", "Técnico em Informática")
dado_summary <- dado_mulher %>%
filter(`Nome de Curso` %in% cursos_selecionados) %>%
filter(`Situação de Matrícula` %in% situacao_matricula) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(n_alunas = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(n_alunas)) %>%
summarise(percentual_evasao_mulher = sum(`Situação de Matrícula` == "Evasão") / first(total_alunas) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.print(dado_summary)## # A tibble: 10 × 5
## # Groups: ano, Situação de Matrícula, Nome de Curso [10]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Evasão Técnico em Informática Femi… 0.0550
## 2 2017 Evasão Técnico em Manutenção e Suporte … Femi… 0.943
## 3 2018 Evasão Técnico em Informática Femi… 0.0649
## 4 2018 Evasão Técnico em Manutenção e Suporte … Femi… 0.862
## 5 2019 Evasão Técnico em Informática Femi… 0.0739
## 6 2019 Evasão Técnico em Manutenção e Suporte … Femi… 1.19
## 7 2020 Evasão Técnico em Informática Femi… 0.108
## 8 2020 Evasão Técnico em Manutenção e Suporte … Femi… 1.49
## 9 2021 Evasão Técnico em Informática Femi… 0.108
## 10 2021 Evasão Técnico em Manutenção e Suporte … Femi… 1.49
## # … with abbreviated variable name ¹percentual_evasao_mulher# Gráfico com a representação visual do que foi calculado no dado_summary para a evasão feminina para os cursos da pesquisa
dado_summary_grafico <- ggplot(dado_summary, aes(x = as.factor(ano), y = percentual_evasao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Feminina", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(dado_summary_grafico)
# Trabalhando com o curso de Técnico em Manutenção e Suporte em Informática para o sexo feminino
dado_Man_Mul <- dado_summary %>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática") %>%
group_by(`Situação de Matrícula`, percentual_evasao_mulher)
Man_Fem <- ggplot(dado_Man_Mul, aes(x = as.factor(ano), y = percentual_evasao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Feminina no curso de Manutenção e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Man_Fem)
#Salvando a representação gráfica em uma imagem para uso posterior
ggsave("dados_percentual_Mulher_evasao_Man.png", Man_Fem)## Saving 7 x 5 in image# Trabalhando com o curso de Técnico em Informática
dado_info_Mul <- dado_summary %>%
filter(`Nome de Curso` == "Técnico em Informática") %>%
group_by(`Situação de Matrícula`, percentual_evasao_mulher)
Infor_Fem <- ggplot(dado_info_Mul, aes(x = as.factor(ano), y = percentual_evasao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Feminina no curso Técnico em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Infor_Fem)
ggsave("dados_percentual_Mulher_evasao_Infor.png", Infor_Fem)## Saving 7 x 5 in image# Gerando dataframe com a visão geral da evasão feminina para os dois cursos trabalhados
evasao_mulher <- bind_rows(dado_Man_Mul, dado_info_Mul)
print(evasao_mulher)## # A tibble: 10 × 5
## # Groups: Situação de Matrícula, percentual_evasao_mulher [8]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Evasão Técnico em Manutenção e Suporte … Femi… 0.943
## 2 2018 Evasão Técnico em Manutenção e Suporte … Femi… 0.862
## 3 2019 Evasão Técnico em Manutenção e Suporte … Femi… 1.19
## 4 2020 Evasão Técnico em Manutenção e Suporte … Femi… 1.49
## 5 2021 Evasão Técnico em Manutenção e Suporte … Femi… 1.49
## 6 2017 Evasão Técnico em Informática Femi… 0.0550
## 7 2018 Evasão Técnico em Informática Femi… 0.0649
## 8 2019 Evasão Técnico em Informática Femi… 0.0739
## 9 2020 Evasão Técnico em Informática Femi… 0.108
## 10 2021 Evasão Técnico em Informática Femi… 0.108
## # … with abbreviated variable name ¹percentual_evasao_mulher# Representação gráfica dos dados obtidos acima sobre evasão feminina
evasao_geral_Mulher <- ggplot(evasao_mulher, aes(x = as.factor(ano), y = percentual_evasao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Feminina nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(evasao_geral_Mulher)
ggsave("dados_percentual_Mulher_evasao.png", evasao_geral_Mulher)## Saving 7 x 5 in image#trabalhando os dados masculinos sobre evasão para os dois cursos trabalhados
dado_summary_1 <- dado_homem %>%
filter(`Nome de Curso` %in% cursos_selecionados) %>%
filter(`Situação de Matrícula` %in% situacao_matricula) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(n_alunos = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(n_alunos)) %>%
summarise(percentual_evasao_homem = sum(`Situação de Matrícula` == "Evasão") / first(total_alunos) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.print(dado_summary_1)## # A tibble: 10 × 5
## # Groups: ano, Situação de Matrícula, Nome de Curso [10]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Evasão Técnico em Informática Masc… 0.0350
## 2 2017 Evasão Técnico em Manutenção e Suporte … Masc… 0.493
## 3 2018 Evasão Técnico em Informática Masc… 0.0433
## 4 2018 Evasão Técnico em Manutenção e Suporte … Masc… 0.455
## 5 2019 Evasão Técnico em Informática Masc… 0.0463
## 6 2019 Evasão Técnico em Manutenção e Suporte … Masc… 0.513
## 7 2020 Evasão Técnico em Informática Masc… 0.0734
## 8 2020 Evasão Técnico em Manutenção e Suporte … Masc… 0.741
## 9 2021 Evasão Técnico em Informática Masc… 0.0734
## 10 2021 Evasão Técnico em Manutenção e Suporte … Masc… 0.741
## # … with abbreviated variable name ¹percentual_evasao_homem# Gráfico com a representação visual do que foi calculado no dado_summary_1 para a evasão masculina para os cursos da pesquisa
dado_summary_grafico_masculino <- ggplot(dado_summary_1, aes(x = as.factor(ano), y = percentual_evasao_homem, fill = `Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Masculina", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(dado_summary_grafico_masculino)
# Trabalhando com o curso de Técnico em Manutenção e Suporte em Informática para o sexo Masculino
dado_Man <- dado_summary_1 %>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática") %>%
group_by(`Situação de Matrícula`, percentual_evasao_homem)
Man_Mas <- ggplot(dado_Man, aes(x = as.factor(ano), y = percentual_evasao_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Masculina no curso de Manutenção e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Man_Mas)
ggsave("dados_percentual_Homem_evasao_Man.png", Man_Mas)## Saving 7 x 5 in image# Trabalhando com o curso de Técnico em Informática
dado_info <- dado_summary_1 %>%
filter(`Nome de Curso` == "Técnico em Informática") %>%
group_by(`Situação de Matrícula`, percentual_evasao_homem)
Infor_Mas <- ggplot(dado_info, aes(x = as.factor(ano), y = percentual_evasao_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Masculina no curso Técnico em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Infor_Mas)
ggsave("dados_percentual_Homem_evasao_Infor.png", Infor_Mas)## Saving 7 x 5 in image# Gerando dataframe com a visão geral da evasão masculina para os dois cursos trabalhados
evasao_homem <- bind_rows(dado_Man, dado_info)
print(evasao_homem)## # A tibble: 10 × 5
## # Groups: Situação de Matrícula, percentual_evasao_homem [8]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Evasão Técnico em Manutenção e Suporte … Masc… 0.493
## 2 2018 Evasão Técnico em Manutenção e Suporte … Masc… 0.455
## 3 2019 Evasão Técnico em Manutenção e Suporte … Masc… 0.513
## 4 2020 Evasão Técnico em Manutenção e Suporte … Masc… 0.741
## 5 2021 Evasão Técnico em Manutenção e Suporte … Masc… 0.741
## 6 2017 Evasão Técnico em Informática Masc… 0.0350
## 7 2018 Evasão Técnico em Informática Masc… 0.0433
## 8 2019 Evasão Técnico em Informática Masc… 0.0463
## 9 2020 Evasão Técnico em Informática Masc… 0.0734
## 10 2021 Evasão Técnico em Informática Masc… 0.0734
## # … with abbreviated variable name ¹percentual_evasao_homemevasao_geral_home <- ggplot(evasao_homem, aes(x = as.factor(ano), y = percentual_evasao_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Masculina nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(evasao_geral_home)
ggsave("dados_percentual_Homem_evasao.png", evasao_geral_home)## Saving 7 x 5 in image#Evasao por sexo para Manuten. e Suport.
evasao_geral_manu <- bind_rows(dado_Man_Mul, dado_Man) %>%
mutate(percentual_evasao_geral_manu = coalesce(percentual_evasao_mulher, percentual_evasao_homem))
print(evasao_geral_manu)## # A tibble: 10 × 7
## # Groups: Situação de Matrícula, percentual_evasao_mulher [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹ perce…² perce…³
## <dbl> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 2017 Evasão Técnico em Manut… Femi… 0.943 NA 0.943
## 2 2018 Evasão Técnico em Manut… Femi… 0.862 NA 0.862
## 3 2019 Evasão Técnico em Manut… Femi… 1.19 NA 1.19
## 4 2020 Evasão Técnico em Manut… Femi… 1.49 NA 1.49
## 5 2021 Evasão Técnico em Manut… Femi… 1.49 NA 1.49
## 6 2017 Evasão Técnico em Manut… Masc… NA 0.493 0.493
## 7 2018 Evasão Técnico em Manut… Masc… NA 0.455 0.455
## 8 2019 Evasão Técnico em Manut… Masc… NA 0.513 0.513
## 9 2020 Evasão Técnico em Manut… Masc… NA 0.741 0.741
## 10 2021 Evasão Técnico em Manut… Masc… NA 0.741 0.741
## # … with abbreviated variable names ¹percentual_evasao_mulher,
## # ²percentual_evasao_homem, ³percentual_evasao_geral_manuevasao_geral_manu_graf <- ggplot(evasao_geral_manu, aes(x = as.factor(ano), y = percentual_evasao_geral_manu, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão por sexo para o curso de Manut. e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_geral_manu, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + coord_flip()
print(evasao_geral_manu_graf)
ggsave("dados_percentual_evasao_Geral_Manu.png", evasao_geral_manu_graf)## Saving 7 x 5 in image#Evasao por sexo para Informática
evasao_geral_infor <- bind_rows(dado_info_Mul, dado_info)%>%
mutate(percentual_evasao_geral_info = coalesce(percentual_evasao_mulher, percentual_evasao_homem))
print(evasao_geral_infor)## # A tibble: 10 × 7
## # Groups: Situação de Matrícula, percentual_evasao_mulher [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo perce…¹ perce…² perce…³
## <dbl> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 2017 Evasão Técnico em Infor… Femi… 0.0550 NA 0.0550
## 2 2018 Evasão Técnico em Infor… Femi… 0.0649 NA 0.0649
## 3 2019 Evasão Técnico em Infor… Femi… 0.0739 NA 0.0739
## 4 2020 Evasão Técnico em Infor… Femi… 0.108 NA 0.108
## 5 2021 Evasão Técnico em Infor… Femi… 0.108 NA 0.108
## 6 2017 Evasão Técnico em Infor… Masc… NA 0.0350 0.0350
## 7 2018 Evasão Técnico em Infor… Masc… NA 0.0433 0.0433
## 8 2019 Evasão Técnico em Infor… Masc… NA 0.0463 0.0463
## 9 2020 Evasão Técnico em Infor… Masc… NA 0.0734 0.0734
## 10 2021 Evasão Técnico em Infor… Masc… NA 0.0734 0.0734
## # … with abbreviated variable names ¹percentual_evasao_mulher,
## # ²percentual_evasao_homem, ³percentual_evasao_geral_infoevasao_geral_infor_graf <- ggplot(evasao_geral_infor, aes(x = as.factor(ano), y = percentual_evasao_geral_info, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão por sexo para o curso Técnico em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_geral_info, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + coord_flip()
print(evasao_geral_infor_graf)
ggsave("dados_percentual_evasao_Geral_Infor.png", evasao_geral_infor_graf)## Saving 7 x 5 in image1.3 Conclusão do curso pelas mulheres e pelos homens
Para se trabalhar com os dados de conclusão as matriculas que estavam como Integralizada e as Concluídas foram taodas renomeadas para concluídas
#unique(dado_2017$`Situação de Matrícula`)
#unique(dado$`Situação de Matrícula`)
situacao_matricula <- c("Concluída")
sit_mat <- c("Evasão", "Em curso", "Reprovado")
cursos_selcionados <- c("Técnico em Manutenção e Suporte em Informática", "Técnico em Informática")
dado_summary2 = dado_mulher %>%
filter(`Nome de Curso` %in% cursos_selcionados) %>%
filter(`Situação de Matrícula`%in% situacao_matricula) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(n_alunas = n()) %>%
group_by(ano, `Situação de Matrícula`, Sexo, `Nome de Curso`) %>%
mutate(total_alunas = sum(n_alunas)) %>%
summarise(percentual_conclusao_mulher = sum(`Situação de Matrícula` == "Concluída")/first(total_alunas) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Sexo'. You
## can override using the `.groups` argument.print(dado_summary2)## # A tibble: 10 × 5
## # Groups: ano, Situação de Matrícula, Sexo [5]
## ano `Situação de Matrícula` Sexo `Nome de Curso` perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Concluída Feminino Técnico em Informática 0.0419
## 2 2017 Concluída Feminino Técnico em Manutenção e Supor… 0.375
## 3 2018 Concluída Feminino Técnico em Informática 0.0426
## 4 2018 Concluída Feminino Técnico em Manutenção e Supor… 0.465
## 5 2019 Concluída Feminino Técnico em Informática 0.0352
## 6 2019 Concluída Feminino Técnico em Manutenção e Supor… 0.448
## 7 2020 Concluída Feminino Técnico em Informática 0.0730
## 8 2020 Concluída Feminino Técnico em Manutenção e Supor… 1.18
## 9 2021 Concluída Feminino Técnico em Informática 0.0730
## 10 2021 Concluída Feminino Técnico em Manutenção e Supor… 1.18
## # … with abbreviated variable name ¹percentual_conclusao_mulher#Vendo de forma gráfica o que foi calculado em cima
dado_summary_grafico <- ggplot(dado_summary2, aes(x = as.factor(ano), y = percentual_conclusao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de evasão Feminina", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(dado_summary_grafico)
# Trabalhando com o curso de Técnico em Técnico em Manutenção e Suporte em Informática
dado_Man <- dado_summary2 %>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática") %>%
group_by(`Situação de Matrícula`, percentual_conclusao_mulher)
Man_Fem <- ggplot(dado_Man, aes(x = as.factor(ano), y = percentual_conclusao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Evasão Feminina no curso de Manut. e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Man_Fem)
ggsave("dados_percentual_Mulheres_conclusao_Man.png", Man_Fem)## Saving 7 x 5 in image# Trabalhando com o curso de Técnico em Informática
dado_info <- dado_summary2 %>%
filter(`Nome de Curso` == "Técnico em Informática") %>%
group_by(`Situação de Matrícula`, percentual_conclusao_mulher)
Info_Fem <- ggplot(dado_info, aes(x = as.factor(ano), y = percentual_conclusao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Evasão Feminina no curso de Manut. e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(Info_Fem)
ggsave("dados_percentual_Mulheres_conclusao_Man.png", Info_Fem)## Saving 7 x 5 in imageconclusao_mulher <- bind_rows(dado_Man, dado_info)
print(conclusao_mulher)## # A tibble: 10 × 5
## # Groups: Situação de Matrícula, percentual_conclusao_mulher [8]
## ano `Situação de Matrícula` Sexo `Nome de Curso` perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Concluída Feminino Técnico em Manutenção e Supor… 0.375
## 2 2018 Concluída Feminino Técnico em Manutenção e Supor… 0.465
## 3 2019 Concluída Feminino Técnico em Manutenção e Supor… 0.448
## 4 2020 Concluída Feminino Técnico em Manutenção e Supor… 1.18
## 5 2021 Concluída Feminino Técnico em Manutenção e Supor… 1.18
## 6 2017 Concluída Feminino Técnico em Informática 0.0419
## 7 2018 Concluída Feminino Técnico em Informática 0.0426
## 8 2019 Concluída Feminino Técnico em Informática 0.0352
## 9 2020 Concluída Feminino Técnico em Informática 0.0730
## 10 2021 Concluída Feminino Técnico em Informática 0.0730
## # … with abbreviated variable name ¹percentual_conclusao_mulher# Gerando gráfico os os dados femininos para os dois cursos
conclusao_geral_mulher <- ggplot(conclusao_mulher, aes(x = as.factor(ano), y = percentual_conclusao_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de conclusão Feminina nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(conclusao_geral_mulher)
ggsave("dados_percentual_Mulheres_conclusao.png", conclusao_geral_mulher)## Saving 7 x 5 in image#Trabalhando com os dados dos alunos para obter o percentual de conclusão dos cursos selecionados
dado_summary2_2 = dado_homem %>%
filter(`Nome de Curso` %in% cursos_selcionados) %>%
filter(`Situação de Matrícula` %in% situacao_matricula) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(n_alunos = n()) %>%
group_by(ano, `Situação de Matrícula`, Sexo, `Nome de Curso`) %>%
mutate(total_alunos = sum(n_alunos)) %>%
summarise(percentual_conclusao_homem = sum(`Situação de Matrícula` == "Concluída")/first(total_alunos) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Sexo'. You
## can override using the `.groups` argument.print(dado_summary2_2)## # A tibble: 10 × 5
## # Groups: ano, Situação de Matrícula, Sexo [5]
## ano `Situação de Matrícula` Sexo `Nome de Curso` perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Concluída Masculino Técnico em Informática 0.0282
## 2 2017 Concluída Masculino Técnico em Manutenção e Supo… 0.216
## 3 2018 Concluída Masculino Técnico em Informática 0.0263
## 4 2018 Concluída Masculino Técnico em Manutenção e Supo… 0.241
## 5 2019 Concluída Masculino Técnico em Informática 0.0222
## 6 2019 Concluída Masculino Técnico em Manutenção e Supo… 0.235
## 7 2020 Concluída Masculino Técnico em Informática 0.0481
## 8 2020 Concluída Masculino Técnico em Manutenção e Supo… 0.595
## 9 2021 Concluída Masculino Técnico em Informática 0.0481
## 10 2021 Concluída Masculino Técnico em Manutenção e Supo… 0.595
## # … with abbreviated variable name ¹percentual_conclusao_homem# Trabalhando com o curso de Técnico em Técnico em Manutenção e Suporte em Informática
dado_Man_Mas <- dado_summary2_2 %>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática") %>%
group_by(`Situação de Matrícula`, percentual_conclusao_homem)
conclusao_masculina_manu <- ggplot(dado_Man_Mas, aes(x = as.factor(ano), y = percentual_conclusao_homem, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Conclusão masculina no curso de Técnico em Manut. e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(conclusao_masculina_manu)
ggsave("dados_percentual_Homem_conclusao_Man.png", conclusao_masculina_manu)## Saving 7 x 5 in image# Trabalhando com o curso de Técnico em Informática
dado_info_Mas <- dado_summary2_2 %>%
filter(`Nome de Curso` == "Técnico em Informática") %>%
group_by(`Situação de Matrícula`, percentual_conclusao_homem)
conclusao_masculina_infor <- ggplot(dado_info_Mas, aes(x = as.factor(ano), y = percentual_conclusao_homem, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Conclusão masculina no curso de Técnico em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(conclusao_masculina_infor)
ggsave("dados_percentual_Homem_conclusao_Infor.png", conclusao_masculina_infor)## Saving 7 x 5 in imageconclusao_homem <- bind_rows(dado_Man_Mas, dado_info_Mas)
print(conclusao_homem)## # A tibble: 10 × 5
## # Groups: Situação de Matrícula, percentual_conclusao_homem [8]
## ano `Situação de Matrícula` Sexo `Nome de Curso` perce…¹
## <dbl> <chr> <chr> <chr> <dbl>
## 1 2017 Concluída Masculino Técnico em Manutenção e Supo… 0.216
## 2 2018 Concluída Masculino Técnico em Manutenção e Supo… 0.241
## 3 2019 Concluída Masculino Técnico em Manutenção e Supo… 0.235
## 4 2020 Concluída Masculino Técnico em Manutenção e Supo… 0.595
## 5 2021 Concluída Masculino Técnico em Manutenção e Supo… 0.595
## 6 2017 Concluída Masculino Técnico em Informática 0.0282
## 7 2018 Concluída Masculino Técnico em Informática 0.0263
## 8 2019 Concluída Masculino Técnico em Informática 0.0222
## 9 2020 Concluída Masculino Técnico em Informática 0.0481
## 10 2021 Concluída Masculino Técnico em Informática 0.0481
## # … with abbreviated variable name ¹percentual_conclusao_homemconclusao_geral_masculina <- ggplot(conclusao_homem, aes(x = as.factor(ano), y = percentual_conclusao_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de conclusão masculina nos cursos selecionados", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_homem, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(conclusao_geral_masculina)
ggsave("dados_percentual_Homem_conclusao.png", conclusao_geral_masculina)## Saving 7 x 5 in image# Trabalhando a visão geral por curso selecionado
#Conclusão por sexo para Manuten. e Suport.
conclusao_geral_manu <- bind_rows(dado_Man, dado_Man_Mas)%>%
mutate(percentual_conclusao_geral_manu = coalesce(percentual_conclusao_mulher, percentual_conclusao_homem))
print(conclusao_geral_manu)## # A tibble: 10 × 7
## # Groups: Situação de Matrícula, percentual_conclusao_mulher [5]
## ano `Situação de Matrícula` Sexo Nome de Cur…¹ perce…² perce…³ perce…⁴
## <dbl> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 2017 Concluída Feminino Técnico em M… 0.375 NA 0.375
## 2 2018 Concluída Feminino Técnico em M… 0.465 NA 0.465
## 3 2019 Concluída Feminino Técnico em M… 0.448 NA 0.448
## 4 2020 Concluída Feminino Técnico em M… 1.18 NA 1.18
## 5 2021 Concluída Feminino Técnico em M… 1.18 NA 1.18
## 6 2017 Concluída Masculino Técnico em M… NA 0.216 0.216
## 7 2018 Concluída Masculino Técnico em M… NA 0.241 0.241
## 8 2019 Concluída Masculino Técnico em M… NA 0.235 0.235
## 9 2020 Concluída Masculino Técnico em M… NA 0.595 0.595
## 10 2021 Concluída Masculino Técnico em M… NA 0.595 0.595
## # … with abbreviated variable names ¹`Nome de Curso`,
## # ²percentual_conclusao_mulher, ³percentual_conclusao_homem,
## # ⁴percentual_conclusao_geral_manuconclusao_geral_manu <- ggplot(conclusao_geral_manu, aes(x = as.factor(ano), y = percentual_conclusao_geral_manu, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de conclusão por sexo para o curso de Manut. e Suporte em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_geral_manu, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + coord_flip()
print(conclusao_geral_manu)
ggsave("dados_percentual_conclusao_Geral_Manu.png", conclusao_geral_manu)## Saving 7 x 5 in image#Evasao por sexo para Informática
conclusao_geral_infor<- bind_rows(dado_info, dado_info_Mas)%>%
mutate(percentual_conclusao_geral_info = coalesce(percentual_conclusao_mulher, percentual_conclusao_homem))
print(conclusao_geral_infor)## # A tibble: 10 × 7
## # Groups: Situação de Matrícula, percentual_conclusao_mulher [5]
## ano `Situação de Matrícula` Sexo Nome de Cur…¹ perce…² perce…³ perce…⁴
## <dbl> <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 2017 Concluída Feminino Técnico em I… 0.0419 NA 0.0419
## 2 2018 Concluída Feminino Técnico em I… 0.0426 NA 0.0426
## 3 2019 Concluída Feminino Técnico em I… 0.0352 NA 0.0352
## 4 2020 Concluída Feminino Técnico em I… 0.0730 NA 0.0730
## 5 2021 Concluída Feminino Técnico em I… 0.0730 NA 0.0730
## 6 2017 Concluída Masculino Técnico em I… NA 0.0282 0.0282
## 7 2018 Concluída Masculino Técnico em I… NA 0.0263 0.0263
## 8 2019 Concluída Masculino Técnico em I… NA 0.0222 0.0222
## 9 2020 Concluída Masculino Técnico em I… NA 0.0481 0.0481
## 10 2021 Concluída Masculino Técnico em I… NA 0.0481 0.0481
## # … with abbreviated variable names ¹`Nome de Curso`,
## # ²percentual_conclusao_mulher, ³percentual_conclusao_homem,
## # ⁴percentual_conclusao_geral_infoconclusao_geral_infor <- ggplot(conclusao_geral_infor, aes(x = as.factor(ano), y = percentual_conclusao_geral_info, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual de conclusão por sexo para o curso Técnico em Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_geral_info, 2), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + coord_flip()
print(conclusao_geral_infor)
ggsave("dados_percentual_conclusao_Geral_Infor.png", conclusao_geral_infor)## Saving 7 x 5 in image