reproducao-mulheres
Laryssa Milanez
2023-08-08
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)
library(tidyr)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, Data de Inicio do Ciclo, Dt Ocor...
## 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(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2017", "Ingresso", `Situação de Matrícula`))%>%
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)
## Separando as mulheres por curso para o ano de 2017
manu_mulher17 <- fem17%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher17)
infor_mulher17 <- fem17%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher17)
#Fazendo a parte masculina
mas17 <- dado_2017%>%
filter(`Sexo` == "Masculino")
#print(mas17)
## Separando os homens por curso para o ano de 2017
manu_homem17 <- mas17%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem17)
infor_homem17 <- mas17%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem17)
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(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2018", "Ingresso", `Situação de Matrícula`))%>%
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)
## Separando as mulheres por curso para o ano de 2018
manu_mulher18 <- fem18%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher18)
infor_mulher18 <- fem18%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher18)
#Fazendo a parte masculina
mas18 <- dado_2018%>%
filter(`Sexo` == "Masculino")
#print(mas18)
## Separando os homens por curso para o ano de 2018
manu_homem18 <- mas18%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem18)
infor_homem18 <- mas18%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem18)
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"))%>%
mutate(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2019", "Ingresso", `Situação de Matrícula`))%>%
mutate(ano = 2019)
# Separando os dados entre mulheres e homens para o ano de 2019
fem19 <- dado_2019%>%
filter(`Sexo` == "Feminino")
#print(fem19)
## Separando as mulheres por curso para o ano de 2019
manu_mulher19 <- fem19%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher19)
infor_mulher19 <- fem19%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher19)
# Fazendo a parte masculina
mas19 <- dado_2019%>%
filter(`Sexo` == "Masculino")
#print(mas19)
## Separando os homens por curso para o ano de 2019
manu_homem19 <- mas19%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem19)
infor_homem19 <- mas19%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem19)
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(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2020", "Ingresso", `Situação de Matrícula`))%>%
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)
## Separando as mulheres por curso para o ano de 2020
manu_mulher20 <- fem20%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher20)
infor_mulher20 <- fem20%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher20)
#Fazendo a parte masculina
mas20 <- dado_2020%>%
filter(`Sexo` == "Masculino")
#print(mas20)
## Separando os homens por curso para o ano de 2020
manu_homem20 <- mas20%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem20)
infor_homem20 <- mas20%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem20)
dado_2021 <- read_csv2("2021-microdados-matriculas(novo).csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
## Rows: 1523346 Columns: 56── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (24): Categoria da Situação, Cor / Raça, Data de Fim Previsto do Ciclo, ...
## dbl (32): Carga Horaria, Carga Horaria Mínima, Co Inst, Cod Unidade, Código ...
## 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(data = as.Date(`Data de Inicio do Ciclo`,format = '%d/%m/%Y'), Ano = year(data)) %>%
mutate(`Situação de Matrícula` = ifelse(`Situação de Matrícula`== "Em curso" & `Ano`=="2021", "Ingresso", `Situação de Matrícula`))%>%
mutate(ano = 2021)
# Separando os dados entre mulheres e homens para o ano de 2021
fem21 <- dado_2021%>%
filter(`Sexo` == "Feminino")
#print(fem21)
## Separando as mulheres por curso para o ano de 2021
manu_mulher21 <- fem21%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_mulher21)
infor_mulher21 <- fem21%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_mulher21)
#Fazendo a parte masculina
mas21 <- dado_2021%>%
filter(`Sexo` == "Masculino")
#print(mas21)
## Separando os homens por curso para o ano de 2021
manu_homem21 <- mas21%>%
filter(`Nome de Curso` == "Técnico em Manutenção e Suporte em Informática")
#print(manu_homem21)
infor_homem21 <- mas21%>%
filter(`Nome de Curso` == "Técnico em Informática")
#print(infor_Homem21)
#agrupando os dados e montando dos datasets por ano
dado <- bind_rows(dado_2017, dado_2018, dado_2019, dado_2020, dado_2021)
#print(dado)
write.csv2(dado, "dados_2017a2021.csv")
#Dataset com os dados femininos para dos os anos
dado_mulher <- bind_rows(fem17, fem18, fem19, fem20, fem21)
#print(dado_mulher)
write.csv2(dado_mulher, "dados_mulher2017a2021.csv")
#Dataset com os dados femininos para o curso de Manutenção e Suporte em informática para todos os anos
dado_mulher_manu <- bind_rows(manu_mulher17, manu_mulher18, manu_mulher19, manu_mulher20, manu_mulher21)
print(dado_mulher_manu)## # A tibble: 5,401 × 97
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Data …⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 4200 1000 1979672 6.42e7 NO DEC… 22/12/… 04/02/… 01/02/… Inform…
## 2 3720 1000 1857567 6.09e7 PRETA 10/02/… 10/02/… 01/02/… Inform…
## 3 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## 4 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## 5 3720 1000 1857567 6.09e7 BRANCA 10/02/… 10/02/… 01/02/… Inform…
## 6 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## 7 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## 8 3720 1000 1857567 6.09e7 AMARELA 10/02/… 10/02/… 01/02/… Inform…
## 9 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## 10 3720 1000 1857567 6.09e7 PARDA 10/02/… 10/02/… 01/02/… Inform…
## # … with 5,391 more rows, 88 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>, …write.csv2(dado_mulher_manu, "dados_mulher_Manu2017a2021.csv")
#Dataset com os dados femininos para o curso de informática para todos os anos
dado_mulher_info <- bind_rows(infor_mulher17, infor_mulher18, infor_mulher19, infor_mulher20, infor_mulher21)
print(dado_mulher_info)## # A tibble: 81,157 × 97
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Data …⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3366 1000 1981201 6.43e7 PARDA 31/12/… 02/02/… 01/02/… Inform…
## 2 3366 1000 1981201 6.43e7 PARDA 31/12/… 02/02/… 01/02/… Inform…
## 3 3366 1000 1981201 6.43e7 BRANCA 31/12/… 02/02/… 01/02/… Inform…
## 4 3332 1000 2007416 7.13e7 NO DEC… 13/12/… 15/02/… 01/02/… Inform…
## 5 3390 1000 811932 3.62e7 NO DEC… 08/08/… 08/08/… 01/08/… Inform…
## 6 4450 1000 2024022 6.69e7 INDGENA 18/12/… 10/02/… 01/04/… Inform…
## 7 4450 1000 2024022 6.69e7 INDGENA 18/12/… 10/02/… 01/04/… Inform…
## 8 4450 1000 2024022 6.69e7 INDGENA 18/12/… 10/02/… 01/04/… Inform…
## 9 4450 1000 2024022 6.69e7 INDGENA 18/12/… 10/02/… 01/04/… Inform…
## 10 4134 1000 2165967 7.28e7 BRANCA 20/12/… 08/05/… 01/05/… Inform…
## # … with 81,147 more rows, 88 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>, …write.csv2(dado_mulher_info, "dados_mulher_info2017a2021.csv")
#dataset com os dados masculinos para todos os anos
dado_homem <- bind_rows(mas17, mas18, mas19, mas20, mas21)
#print(dado_homem)
write.csv2(dado_homem, "dados_homem2017a2021.csv")
#Dataset com os dados masculinos para o curso de Manutenção e Suporte em informática para todos os anos
dado_homem_manu <- bind_rows(manu_homem17, manu_homem18, manu_homem19, manu_homem20, manu_homem21)
#print(dado_homem_manu)
write_csv2(dado_homem_manu, "dados_homem_manu2017a2021.csv")
#Dataset com os dados masculinos para o curso de informática para todos os anos
dado_homem_info <- bind_rows(infor_homem17, infor_homem18, infor_homem19, infor_homem20, infor_homem21)
#print(dado_homem_info)
write_csv2(dado_homem_info, "dados_homem_info2017a2021.csv")
#Dataset para o curso de Manutenção e Suporte em Informática para os dois sexo e para todos os anos
dado_manu_total <- bind_rows(dado_mulher_manu, dado_homem_manu)
#print(dado_manu_total)
write_csv2(dado_manu_total, "dados_manu_total2017a2021.csv")
#Dataset para o curso de Informática para os dois sexo e para todos os anos
dado_info_total <- bind_rows(dado_mulher_info, dado_homem_info)
#print(dado_info_total)
write_csv2(dado_info_total, "dados_info_total2017a2021.csv")1. Realizando a contagem Feminina e Masculina nos Cursos da Pesquisa
Primeiro vamos olhar os valores absolutos e os percentuais para o curso de Manutenção e Suporte em Informática
#Fazendo a contagem por situação de matricula e por sexo para o curso de Manutenção e Suporte em Informática
#Contagem de Ingresso
contagem_manu_ingresso <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
#print(contagem_manu_ingresso)
# Contagem Em Curso
contagem_manu_emCurso <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
#print(contagem_manu_emCurso)
#Contagem Evasão
contagem_manu_evasao <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
#print(contagem_manu_evasao)
#Contagem Conclusão
contagem_manu_conclusao <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_manu %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_manu %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
#print(contagem_manu_conclusao)
contagem_manu <- bind_rows(contagem_manu_ingresso, contagem_manu_emCurso, contagem_manu_evasao, contagem_manu_conclusao)
print(contagem_manu)## # A tibble: 20 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Ingresso 935 297 638
## 2 2018 Ingresso 823 288 535
## 3 2019 Ingresso 795 299 496
## 4 2020 Ingresso 799 306 493
## 5 2021 Ingresso 690 261 429
## 6 2017 Em curso 1260 436 824
## 7 2018 Em curso 1366 452 914
## 8 2019 Em curso 1273 420 853
## 9 2020 Em curso 1674 580 1094
## 10 2021 Em curso 1324 446 878
## 11 2017 Evasão 309 106 203
## 12 2018 Evasão 336 116 220
## 13 2019 Evasão 279 84 195
## 14 2020 Evasão 202 67 135
## 15 2021 Evasão 234 91 143
## 16 2017 Concluída 730 267 463
## 17 2018 Concluída 630 215 415
## 18 2019 Concluída 648 223 425
## 19 2020 Concluída 253 85 168
## 20 2021 Concluída 925 362 563# Cálculo do percentual de alunas por situação de matrícula para Manutenção e Suporte em Informática
contagem_mulher_manu <- contagem_manu %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_mulheres = total_mulheres) %>%
summarise(total_alunos, total_mulheres, percentual_alunas_manu = (total_mulheres / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_mulher_manu)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_mulheres percentual_alunas…¹
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 730 267 36.6
## 2 2017 Em curso 1260 436 34.6
## 3 2017 Evasão 309 106 34.3
## 4 2017 Ingresso 935 297 31.8
## 5 2018 Concluída 630 215 34.1
## 6 2018 Em curso 1366 452 33.1
## 7 2018 Evasão 336 116 34.5
## 8 2018 Ingresso 823 288 35.0
## 9 2019 Concluída 648 223 34.4
## 10 2019 Em curso 1273 420 33.0
## 11 2019 Evasão 279 84 30.1
## 12 2019 Ingresso 795 299 37.6
## 13 2020 Concluída 253 85 33.6
## 14 2020 Em curso 1674 580 34.6
## 15 2020 Evasão 202 67 33.2
## 16 2020 Ingresso 799 306 38.3
## 17 2021 Concluída 925 362 39.1
## 18 2021 Em curso 1324 446 33.7
## 19 2021 Evasão 234 91 38.9
## 20 2021 Ingresso 690 261 37.8
## # … with abbreviated variable name ¹percentual_alunas_manuwrite_csv2(contagem_mulher_manu, "percentual_mulheres_manutencaoESuporteInfor_SituacaoMatricula.csv")
cores_rgb1 <- c("#DC143C", "#CD5C5C", "#FF0000", "#FFC0CB")
# Criação do gráfico com os valores absolutos do número de mulheres para Manutenção e Suporte em Informática
grafico_contagem_mulheres_manu <- ggplot(contagem_mulher_manu, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de mulheres para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_mulheres, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulheres_manu)
ggsave("contagem_mulher_manu.png", grafico_contagem_mulheres_manu)## Saving 7 x 5 in image# Criação do gráfico com o percentual de mulheres para Manutenção e Suporte em Informática
grafico_contagem_mulher_manu <- ggplot(contagem_mulher_manu, aes(x = as.factor(ano), y = percentual_alunas_manu, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de mulheres para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunas_manu, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_manu)
ggsave("percentual_mulher_manu.png", grafico_contagem_mulher_manu)## Saving 7 x 5 in image# Cálculo do percentual de alunos por situação de matrícula para Manutenção e Suporte em Informática
contagem_homem_manu <- contagem_manu %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_homens = total_homens) %>%
summarise(total_alunos, total_homens, percentual_alunos_manu = (total_homens / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_homem_manu)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_homens percentual_alunos_m…¹
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 730 463 63.4
## 2 2017 Em curso 1260 824 65.4
## 3 2017 Evasão 309 203 65.7
## 4 2017 Ingresso 935 638 68.2
## 5 2018 Concluída 630 415 65.9
## 6 2018 Em curso 1366 914 66.9
## 7 2018 Evasão 336 220 65.5
## 8 2018 Ingresso 823 535 65.0
## 9 2019 Concluída 648 425 65.6
## 10 2019 Em curso 1273 853 67.0
## 11 2019 Evasão 279 195 69.9
## 12 2019 Ingresso 795 496 62.4
## 13 2020 Concluída 253 168 66.4
## 14 2020 Em curso 1674 1094 65.4
## 15 2020 Evasão 202 135 66.8
## 16 2020 Ingresso 799 493 61.7
## 17 2021 Concluída 925 563 60.9
## 18 2021 Em curso 1324 878 66.3
## 19 2021 Evasão 234 143 61.1
## 20 2021 Ingresso 690 429 62.2
## # … with abbreviated variable name ¹percentual_alunos_manuwrite_csv2(contagem_homem_manu, "percentual_homens_manutencaoESuporteInfor_SituacaoMatricula.csv")
cores_rgb <- c("#00008B", "#4169E1", "#0000FF", "#ADD8E6")
# Criação do gráfico com os valores absolutos do número de homens para Manutenção e Suporte em Informática
grafico_contagem_homens_manu <- ggplot(contagem_homem_manu, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de homens para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_homens, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homens_manu)
ggsave("contagem_homem_manu.png", grafico_contagem_homens_manu)## Saving 7 x 5 in image# Criação do gráfico com o percentual de homens para Manutenção e Suporte em Informática
grafico_contagem_homem_manu <- ggplot(contagem_homem_manu, aes(x = as.factor(ano), y = percentual_alunos_manu, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de homens para o curso de Mant. e Suport. em Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunos_manu, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_manu)
ggsave("percentual_homem_manu.png", grafico_contagem_homem_manu)## Saving 7 x 5 in imageAgora vamos olhar os valores absolutos e os percentuais para o curso de Informática
#Fazendo a contagem por situação de matricula e por sexo para o curso de Informática
# Contagem de Ingresso
contagem_info_ingresso <- dado_info_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup() %>%
left_join(
dado_mulher_info %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Em Curso
contagem_info_emCurso <- dado_info_total %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Evasão
contagem_info_evasao <- dado_info_total %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info %>%
filter(`Situação de Matrícula` == "Evasão") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Contagem Conclusão
contagem_info_conclusao <- dado_info_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally() %>%
ungroup()%>%
left_join(
dado_mulher_info %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
left_join(
dado_homem_info %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`) %>%
tally(),
by = c("ano", "Situação de Matrícula")
) %>%
rename(total_alunos = n.x, total_mulheres = n.y, total_homens = n)
# Combinação de todas as contagens para Informática
contagem_info <- bind_rows(contagem_info_ingresso, contagem_info_emCurso, contagem_info_evasao, contagem_info_conclusao)
print(contagem_info)## # A tibble: 20 × 5
## ano `Situação de Matrícula` total_alunos total_mulheres total_homens
## <dbl> <chr> <int> <int> <int>
## 1 2017 Ingresso 9916 3759 6157
## 2 2018 Ingresso 10439 4406 6033
## 3 2019 Ingresso 10846 4658 6188
## 4 2020 Ingresso 11307 4807 6500
## 5 2021 Ingresso 9904 4688 5216
## 6 2017 Em curso 15647 5807 9840
## 7 2018 Em curso 17740 6565 11175
## 8 2019 Em curso 18254 7200 11054
## 9 2020 Em curso 23641 9803 13838
## 10 2021 Em curso 23604 9906 13698
## 11 2017 Evasão 4680 1819 2861
## 12 2018 Evasão 3851 1542 2309
## 13 2019 Evasão 3512 1354 2158
## 14 2020 Evasão 2292 929 1363
## 15 2021 Evasão 3124 1227 1897
## 16 2017 Concluída 5927 2387 3540
## 17 2018 Concluída 6151 2350 3801
## 18 2019 Concluída 7345 2839 4506
## 19 2020 Concluída 3447 1369 2078
## 20 2021 Concluída 8709 3742 4967# Cálculo do percentual de alunas por situação de matrícula para Informática
contagem_mulher_info <- contagem_info %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_mulheres = total_mulheres) %>%
summarise(total_alunos, total_mulheres, percentual_alunas_info = (total_mulheres / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_mulher_info)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_mulheres percentual_alunas…¹
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 5927 2387 40.3
## 2 2017 Em curso 15647 5807 37.1
## 3 2017 Evasão 4680 1819 38.9
## 4 2017 Ingresso 9916 3759 37.9
## 5 2018 Concluída 6151 2350 38.2
## 6 2018 Em curso 17740 6565 37.0
## 7 2018 Evasão 3851 1542 40.0
## 8 2018 Ingresso 10439 4406 42.2
## 9 2019 Concluída 7345 2839 38.7
## 10 2019 Em curso 18254 7200 39.4
## 11 2019 Evasão 3512 1354 38.6
## 12 2019 Ingresso 10846 4658 42.9
## 13 2020 Concluída 3447 1369 39.7
## 14 2020 Em curso 23641 9803 41.5
## 15 2020 Evasão 2292 929 40.5
## 16 2020 Ingresso 11307 4807 42.5
## 17 2021 Concluída 8709 3742 43.0
## 18 2021 Em curso 23604 9906 42.0
## 19 2021 Evasão 3124 1227 39.3
## 20 2021 Ingresso 9904 4688 47.3
## # … with abbreviated variable name ¹percentual_alunas_infowrite_csv2(contagem_mulher_info, "percentual_mulheres_Infor_SituacaoMatricula.csv")
# Cores para o gráfico
cores_rgb1 <- c("#DC143C", "#CD5C5C", "#FF0000", "#FFC0CB")
# Criação do gráfico com valores absolutos de mulheres para o curso de Informática
grafico_contagem_mulheres_info <- ggplot(contagem_mulher_info, aes(x = as.factor(ano), y = total_mulheres, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de mulheres para o curso de Informática", x = "Ano", y = "Percentual de alunas") +
geom_text(aes(label = paste0(format(round(total_mulheres, 0), nsmall = 0))),
position = position_dodge(width = 0.8), vjust = 1.5, color = "black") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulheres_info)
ggsave("contagem_mulheres_info.png", grafico_contagem_mulheres_info)## Saving 7 x 5 in image# Criação do gráfico com o percentual de mulheres para o curso de Informática
grafico_contagem_mulher_info <- ggplot(contagem_mulher_info, aes(x = as.factor(ano), y = percentual_alunas_info, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de mulheres para o curso de Informática", x = "Ano", y = "Percentual de alunas") +
geom_text(aes(label = paste0(format(round(percentual_alunas_info, 0), nsmall = 0))),
position = position_dodge(width = 0.8), vjust = 1.5, color = "black") +
scale_fill_manual(values = cores_rgb1)
print(grafico_contagem_mulher_info)
ggsave("contagem_mulher_info.png", grafico_contagem_mulher_info)## Saving 7 x 5 in image# Cálculo do percentual de alunos por situação de matrícula para Informática
contagem_homem_info <- contagem_info %>%
group_by(ano, `Situação de Matrícula`) %>%
mutate(total_alunos = total_alunos, total_homens = total_homens) %>%
summarise(total_alunos, total_homens, percentual_alunos_info = (total_homens / total_alunos) * 100)## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.print(contagem_homem_info)## # A tibble: 20 × 5
## # Groups: ano [5]
## ano `Situação de Matrícula` total_alunos total_homens percentual_alunos_i…¹
## <dbl> <chr> <int> <int> <dbl>
## 1 2017 Concluída 5927 3540 59.7
## 2 2017 Em curso 15647 9840 62.9
## 3 2017 Evasão 4680 2861 61.1
## 4 2017 Ingresso 9916 6157 62.1
## 5 2018 Concluída 6151 3801 61.8
## 6 2018 Em curso 17740 11175 63.0
## 7 2018 Evasão 3851 2309 60.0
## 8 2018 Ingresso 10439 6033 57.8
## 9 2019 Concluída 7345 4506 61.3
## 10 2019 Em curso 18254 11054 60.6
## 11 2019 Evasão 3512 2158 61.4
## 12 2019 Ingresso 10846 6188 57.1
## 13 2020 Concluída 3447 2078 60.3
## 14 2020 Em curso 23641 13838 58.5
## 15 2020 Evasão 2292 1363 59.5
## 16 2020 Ingresso 11307 6500 57.5
## 17 2021 Concluída 8709 4967 57.0
## 18 2021 Em curso 23604 13698 58.0
## 19 2021 Evasão 3124 1897 60.7
## 20 2021 Ingresso 9904 5216 52.7
## # … with abbreviated variable name ¹percentual_alunos_infowrite_csv2(contagem_homem_info, "percentual_homens_Infor_SituacaoMatricula.csv")
cores_rgb <- c("#00008B", "#4169E1", "#0000FF", "#ADD8E6")
# Criação do gráfico com os valores absolutos de homens para o curso de Informática
grafico_contagem_homens_info <- ggplot(contagem_homem_info, aes(x = as.factor(ano), y = total_homens, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Número de homens para o curso de Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(total_homens, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homens_info)
ggsave("contagem_homens_info.png", grafico_contagem_homens_info)## Saving 7 x 5 in image# Criação do gráfico com o percentual de homens para o curso de Informática
grafico_contagem_homem_info <- ggplot(contagem_homem_info, aes(x = as.factor(ano), y = percentual_alunos_info, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
labs(title = "Percentual de homens para o curso de Infor", x = "", y = "") +
geom_text(aes(label = paste0(format(round(percentual_alunos_info, 0), nsmall = 0))), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) +
scale_fill_manual(values = cores_rgb)
print(grafico_contagem_homem_info)
ggsave("contagem_homem_info.png", grafico_contagem_homem_info)## Saving 7 x 5 in imageVendo as informações de contagem por Sexo e por Situação de Matrícula
#Criando a contagem de alunos por sexo para o curso de Manutenção e Suporte em Informática e empilhando os dados por Situação da Matrícula
contagem_mulher_manu2 <- dado_mulher_manu %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_mulher_manu2)
contagem_homem_manu2 <- dado_homem_manu %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_homem_manu2)
contagem_alunos_manu <- bind_rows(contagem_mulher_manu2, contagem_homem_manu2)
# Criando o gráfico de barras empilhadas
grafico_empilhado_manu <- ggplot(contagem_alunos_manu, aes(x = as.factor(ano), y = n, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity") +
labs(title = "Número de Alunos para Manunt. e Suport. em Infor.", x = "Ano", y = "Número de Alunos") +
geom_text(aes(label = format(round(n, 1), nsmall = 0)), position = position_stack(vjust = 0.5), color = "black") +
facet_wrap(~Sexo, ncol = 1, scales = "free_y")
print(grafico_empilhado_manu)
ggsave("grafico_contagem_alunos_manu.png", grafico_empilhado_manu)## Saving 7 x 5 in image#Criando a contagem de alunos por sexo para o curso de Informática e empilhando os dados por Situação da Matrícula
contagem_mulher_info2 <- dado_mulher_info %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_mulher_manu2)
contagem_homem_info2 <- dado_homem_info %>% group_by(ano, `Sexo`, `Situação de Matrícula`)%>%tally()
#print(contagem_homem_manu2)
contagem_alunos_info <- bind_rows(contagem_mulher_info2, contagem_homem_info2)
# Criando o gráfico de barras empilhadas
grafico_empilhado_infor <- ggplot(contagem_alunos_info, aes(x = as.factor(ano), y = n, fill = `Situação de Matrícula`)) +
geom_bar(stat = "identity") +
labs(title = "Número de Alunos para Infor.", x = "Ano", y = "Número de Alunos") +
geom_text(aes(label = format(round(n, 1), nsmall = 0)), position = position_stack(vjust = 0.5), color = "black") +
facet_wrap(~Sexo, ncol = 1, scales = "free_y")
print(grafico_empilhado_infor)
ggsave("grafico_contagem_alunos_infor.png", grafico_empilhado_infor)## Saving 7 x 5 in image1.1 Ingresso Feminino nos Cursos da Pesquisa
Vamos dar uma olhada no percentual de ingresso e matrículas em Curso por parte das mulheres e dos homens para os cursos de Manutenção e Suporte em Informáitca.
1.1.1 Primeiro vamos nos debruçar sobre os dados de Ingresso para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
1. Vamos olhar inicialmente os dados Feminos para vermos o percentual de ingresso por parte das mulheres para os cursos da pesquisa
# Fazendo o cálculo feminino para ingresso para o curso de Manutenção e Suporte em informática
dado_ingresso_mulher_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_ingresso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_ingresso = first(total_ingresso),
percentual_ingresso_mulher = (total_alunas / total_ingresso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_ingresso_mulher_manu <- dado_ingresso_mulher_manu %>%
filter(Sexo == "Feminino")
unique(dado_ingresso_mulher_manu$percentual_ingresso_mulher)## [1] 31.76471 34.99392 37.61006 38.29787 37.82609print(dado_ingresso_mulher_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Ingresso Técnico em Manute… Femi… 297 935 31.8
## 2 2018 Ingresso Técnico em Manute… Femi… 288 823 35.0
## 3 2019 Ingresso Técnico em Manute… Femi… 299 795 37.6
## 4 2020 Ingresso Técnico em Manute… Femi… 306 799 38.3
## 5 2021 Ingresso Técnico em Manute… Femi… 261 690 37.8
## # … with abbreviated variable names ¹total_alunas, ²total_ingresso,
## # ³percentual_ingresso_mulherwrite_csv2(dado_ingresso_mulher_manu, "Percentual_mulheres_manu_ingresso.csv")
grafico_ingresso_mulher_manu <- ggplot(dado_ingresso_mulher_manu, aes(x = as.factor(ano), y = percentual_ingresso_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Feminino de ingresso para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_ingresso_mulher_manu)
ggsave("dados_percentual_Mulher_ingresso_Man.png", grafico_ingresso_mulher_manu)## Saving 7 x 5 in image# Fazendo o cálculo feminino para ingresso para o curso de Informática
dado_ingresso_mulher_info <- dado_info_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_ingresso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_ingresso = first(total_ingresso),
percentual_ingresso_mulher = (total_alunas / total_ingresso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_ingresso_mulher_info <- dado_ingresso_mulher_info %>%
filter(Sexo == "Feminino")
print(dado_ingresso_mulher_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Ingresso Técnico em Inform… Femi… 3759 9916 37.9
## 2 2018 Ingresso Técnico em Inform… Femi… 4406 10439 42.2
## 3 2019 Ingresso Técnico em Inform… Femi… 4658 10846 42.9
## 4 2020 Ingresso Técnico em Inform… Femi… 4807 11307 42.5
## 5 2021 Ingresso Técnico em Inform… Femi… 4688 9904 47.3
## # … with abbreviated variable names ¹total_alunas, ²total_ingresso,
## # ³percentual_ingresso_mulherwrite_csv2(dado_ingresso_mulher_info, "Percentual_mulheres_infor_ingresso.csv")
grafico_ingresso_mulher_info <- ggplot(dado_ingresso_mulher_info, aes(x = as.factor(ano), y = percentual_ingresso_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Feminina de ingresso para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_ingresso_mulher_info)
ggsave("dados_percentual_Mulher_ingresso_Info.png", grafico_ingresso_mulher_info)## Saving 7 x 5 in image2. Analisando o percentual de meninos para os cursos base desse pesquisa
# Fazendo o cálculo Masculino para ingresso para o curso de Manutenção e Suporte em informática
dado_ingresso_homem_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_ingresso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_ingresso = first(total_ingresso),
percentual_ingresso_homem = (total_alunos / total_ingresso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_ingresso_homem_manu <- dado_ingresso_homem_manu %>%
filter(Sexo == "Masculino")
print(dado_ingresso_homem_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Ingresso Técnico em Manute… Masc… 638 935 68.2
## 2 2018 Ingresso Técnico em Manute… Masc… 535 823 65.0
## 3 2019 Ingresso Técnico em Manute… Masc… 496 795 62.4
## 4 2020 Ingresso Técnico em Manute… Masc… 493 799 61.7
## 5 2021 Ingresso Técnico em Manute… Masc… 429 690 62.2
## # … with abbreviated variable names ¹total_alunos, ²total_ingresso,
## # ³percentual_ingresso_homemwrite_csv2(dado_ingresso_homem_manu, "Percentual_homens_manu_ingresso.csv")
grafico_ingresso_homem_manu <- ggplot(dado_ingresso_homem_manu, aes(x = as.factor(ano), y = percentual_ingresso_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Masculino ingresso para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + scale_fill_manual(values = "Blue")
print(grafico_ingresso_homem_manu)
ggsave("dados_percentual_Homem_ingresso_Man.png", grafico_ingresso_homem_manu)## Saving 7 x 5 in image# Fazendo o cálculo masculino para ingresso em curso para o curso de Informática
dado_ingresso_homem_info <- dado_info_total %>%
filter(`Situação de Matrícula` == "Ingresso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_ingresso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_ingresso = first(total_ingresso),
percentual_ingresso_homem = (total_alunos / total_ingresso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_ingresso_homem_info <- dado_ingresso_homem_info %>%
filter(Sexo == "Masculino")
print(dado_ingresso_homem_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Ingresso Técnico em Inform… Masc… 6157 9916 62.1
## 2 2018 Ingresso Técnico em Inform… Masc… 6033 10439 57.8
## 3 2019 Ingresso Técnico em Inform… Masc… 6188 10846 57.1
## 4 2020 Ingresso Técnico em Inform… Masc… 6500 11307 57.5
## 5 2021 Ingresso Técnico em Inform… Masc… 5216 9904 52.7
## # … with abbreviated variable names ¹total_alunos, ²total_ingresso,
## # ³percentual_ingresso_homemwrite_csv2(dado_ingresso_homem_info, "Percentual_homens_infor_ingresso.csv")
grafico_ingresso_homem_info <- ggplot(dado_ingresso_homem_info, aes(x = as.factor(ano), y = percentual_ingresso_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Masculino em curso para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))+ scale_fill_manual(values = "Blue")
print(grafico_ingresso_homem_info)
ggsave("dados_percentual_Homem_ingresso_Info.png", grafico_ingresso_homem_info)## Saving 7 x 5 in image# Criando a variavél percentual_ingresso comum os dois csvs de mant. e suport. em infor. para trabalhar no gráfico
dado_ingresso_mulher_manu2 <- dado_ingresso_mulher_manu %>%
mutate(percentual_ingresso = percentual_ingresso_mulher)
#print(dado_ingresso_mulher_manu2)
dado_ingresso_homem_manu2 <- dado_ingresso_homem_manu %>%
mutate(percentual_ingresso = percentual_ingresso_homem)
#print(dado_ingresso_homem_manu2)
#agrupando os dados para trabalhar os dois sexos no gráfico
ingresso_mulheres_homens_manu <- bind_rows(dado_ingresso_mulher_manu2, dado_ingresso_homem_manu2)
write_csv2(ingresso_mulheres_homens_manu, "Percentual_Mulheres&Homens_ingresso_manu.csv")
grafico_ingresso_mulheres_homens_manu <- ggplot(ingresso_mulheres_homens_manu, aes(x = as.factor(ano), y = percentual_ingresso, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual ingresso para o curso de Man e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_ingresso_mulheres_homens_manu)
ggsave("dados_percentual_Mulheres&Homens_ingresso_manu.png", grafico_ingresso_mulheres_homens_manu)## Saving 7 x 5 in image# Criando a variavél percentual_ingresso comum os dois csvs de infor. para trabalhar no gráfico
dado_ingresso_mulher_info2 <- dado_ingresso_mulher_info %>%
mutate(percentual_ingresso = percentual_ingresso_mulher)
#print(dado_ingresso_mulher_manu2)
dado_ingresso_homem_info2 <- dado_ingresso_homem_info %>%
mutate(percentual_ingresso = percentual_ingresso_homem)
#print(dado_ingresso_homem_manu2)
ingresso_mulheres_homens_infor <- bind_rows(dado_ingresso_mulher_info2, dado_ingresso_homem_info2)
write_csv2(ingresso_mulheres_homens_infor, "Percentual_Mulheres&Homens_ingresso_infor.csv")
grafico_ingresso_mulheres_homens_infor <- ggplot(ingresso_mulheres_homens_infor, aes(x = as.factor(ano), y = percentual_ingresso, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual ingresso para o curso de Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_ingresso, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_ingresso_mulheres_homens_infor)
ggsave("dados_percentual_Mulheres&Homens_ingresso_infor.png", grafico_ingresso_mulheres_homens_infor)## Saving 7 x 5 in image1.1.2 Agora vamos vamos nos debruçar sobre os dados femininos com matriculas “Em Curso” para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
1. Vamos olhar inicialmente os dados Feminos para vermos o percentual de matriculas Em Curso por parte das mulheres para os cursos da pesquisa.
# Fazendo o cálculo feminino para matrículas em curso para o curso de Manutenção e Suporte em informática
dado_emCurso_mulher_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_emCurso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_emCurso = first(total_emCurso),
percentual_emCurso_mulher = (total_alunas / total_emCurso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_emCurso_mulher_manu <- dado_emCurso_mulher_manu %>%
filter(Sexo == "Feminino")
print(dado_emCurso_mulher_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Em curso Técnico em Manute… Femi… 436 1260 34.6
## 2 2018 Em curso Técnico em Manute… Femi… 452 1366 33.1
## 3 2019 Em curso Técnico em Manute… Femi… 420 1273 33.0
## 4 2020 Em curso Técnico em Manute… Femi… 580 1674 34.6
## 5 2021 Em curso Técnico em Manute… Femi… 446 1324 33.7
## # … with abbreviated variable names ¹total_alunas, ²total_emCurso,
## # ³percentual_emCurso_mulherwrite_csv2(dado_emCurso_mulher_manu, "Percentual_mulheres_manu_emCurso.csv")
grafico_emCurso_mulher_manu <- ggplot(dado_emCurso_mulher_manu, aes(x = as.factor(ano), y = percentual_emCurso_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Feminino em curso para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_emCurso_mulher_manu)
ggsave("dados_percentual_Mulher_emCurso_Man.png", grafico_emCurso_mulher_manu)## Saving 7 x 5 in image# Fazendo o cálculo feminino para matrículas em curso para o curso de Informática
dado_emCurso_mulher_info <- dado_info_total %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_emCurso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_emCurso = first(total_emCurso),
percentual_emCurso_mulher = (total_alunas / total_emCurso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_emCurso_mulher_info <- dado_emCurso_mulher_info %>%
filter(Sexo == "Feminino")
print(dado_emCurso_mulher_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Em curso Técnico em Inform… Femi… 5807 15647 37.1
## 2 2018 Em curso Técnico em Inform… Femi… 6565 17740 37.0
## 3 2019 Em curso Técnico em Inform… Femi… 7200 18254 39.4
## 4 2020 Em curso Técnico em Inform… Femi… 9803 23641 41.5
## 5 2021 Em curso Técnico em Inform… Femi… 9906 23604 42.0
## # … with abbreviated variable names ¹total_alunas, ²total_emCurso,
## # ³percentual_emCurso_mulherwrite_csv2(dado_emCurso_mulher_info, "Percentual_mulheres_infor_emCurso.csv")
grafico_emCurso_mulher_info <- ggplot(dado_emCurso_mulher_info, aes(x = as.factor(ano), y = percentual_emCurso_mulher, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Feminina em curso para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_emCurso_mulher_info)
ggsave("dados_percentual_Mulher_emCurso_Info.png", grafico_emCurso_mulher_info)## Saving 7 x 5 in image2. Analisando o percentual de meninos para os cursos base desse pesquisa
# Fazendo o cálculo Masculino para matrículas em curso para o curso de Manutenção e Suporte em informática
dado_emCurso_homem_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Em curso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_emCurso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_emCurso = first(total_emCurso),
percentual_emCurso_homem = (total_alunos / total_emCurso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_emCurso_homem_manu <- dado_emCurso_homem_manu %>%
filter(Sexo == "Masculino")
print(dado_emCurso_homem_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Em curso Técnico em Manute… Masc… 824 1260 65.4
## 2 2018 Em curso Técnico em Manute… Masc… 914 1366 66.9
## 3 2019 Em curso Técnico em Manute… Masc… 853 1273 67.0
## 4 2020 Em curso Técnico em Manute… Masc… 1094 1674 65.4
## 5 2021 Em curso Técnico em Manute… Masc… 878 1324 66.3
## # … with abbreviated variable names ¹total_alunos, ²total_emCurso,
## # ³percentual_emCurso_homemwrite_csv2(dado_emCurso_homem_manu, "Percentual_homens_manu_emCurso.csv")
grafico_emCurso_homem_manu <- ggplot(dado_emCurso_homem_manu, aes(x = as.factor(ano), y = percentual_emCurso_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Masculino em curso para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + scale_fill_manual(values = "Blue")
print(grafico_emCurso_homem_manu)
ggsave("dados_percentual_Homem_emCurso_Man.png", grafico_emCurso_homem_manu)## Saving 7 x 5 in image# Fazendo o cálculo masculino para matrículas em curso para o curso de Informática
dado_emCurso_homem_info <- dado_info_total %>%
filter(`Situação de Matrícula` =="Em curso") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_emCurso = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_emCurso = first(total_emCurso),
percentual_emCurso_homem = (total_alunos / total_emCurso) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_emCurso_homem_info <- dado_emCurso_homem_info %>%
filter(Sexo == "Masculino")
print(dado_emCurso_homem_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Em curso Técnico em Inform… Masc… 9840 15647 62.9
## 2 2018 Em curso Técnico em Inform… Masc… 11175 17740 63.0
## 3 2019 Em curso Técnico em Inform… Masc… 11054 18254 60.6
## 4 2020 Em curso Técnico em Inform… Masc… 13838 23641 58.5
## 5 2021 Em curso Técnico em Inform… Masc… 13698 23604 58.0
## # … with abbreviated variable names ¹total_alunos, ²total_emCurso,
## # ³percentual_emCurso_homemwrite_csv2(dado_emCurso_homem_info, "Percentual_homens_infor_emCurso.csv")
grafico_emCurso_homem_info <- ggplot(dado_emCurso_homem_info, aes(x = as.factor(ano), y = percentual_emCurso_homem, fill =`Nome de Curso`)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual Masculino em curso para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))+ scale_fill_manual(values = "Blue")
print(grafico_emCurso_homem_info)
ggsave("dados_percentual_Homem_emCurso_Info.png", grafico_emCurso_homem_info)## Saving 7 x 5 in image# Criando a variavél percentual_emCurso comum os dois csvs de mant. e suport. em infor. para trabalhar no gráfico
dado_emCurso_mulher_manu2 <- dado_emCurso_mulher_manu %>%
mutate(percentual_emCurso = percentual_emCurso_mulher)
#print(dado_emCurso_mulher_manu2)
dado_emCurso_homem_manu2 <- dado_emCurso_homem_manu %>%
mutate(percentual_emCurso = percentual_emCurso_homem)
#print(dado_ingresso_homem_manu2)
#agrupando os dados para trabalhar os dois sexos no gráfico
emCurso_mulheres_homens_manu <- bind_rows(dado_emCurso_mulher_manu2, dado_emCurso_homem_manu2)
#print(emCurso_mulheres_homens_manu)
write_csv2(emCurso_mulheres_homens_manu, "Percentual_Mulheres&Homens_emCurso_manu.csv")
grafico_emCurso_mulheres_homens_manu <- ggplot(emCurso_mulheres_homens_manu, aes(x = as.factor(ano), y = percentual_emCurso, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas emCurso para o curso de Man e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_emCurso_mulheres_homens_manu)
ggsave("dados_percentual_Mulheres&Homens_emCurso_manu.png", grafico_emCurso_mulheres_homens_manu)## Saving 7 x 5 in image# Criando a variavél percentual_emCurso comum os dois csvs de infor. para trabalhar no gráfico
dado_emCurso_mulher_info2 <- dado_emCurso_mulher_info %>%
mutate(percentual_emCurso = percentual_emCurso_mulher)
#print(dado_ingresso_mulher_manu2)
dado_emCurso_homem_info2 <- dado_emCurso_homem_info %>%
mutate(percentual_emCurso = percentual_emCurso_homem)
#print(dado_ingresso_homem_manu2)
emCurso_mulheres_homens_infor <- bind_rows(dado_emCurso_mulher_info2, dado_emCurso_homem_info2)
write_csv2(emCurso_mulheres_homens_infor, "Percentual_Mulheres&Homens_emCurso_infor.csv")
grafico_emCurso_mulheres_homens_infor <- ggplot(emCurso_mulheres_homens_infor, aes(x = as.factor(ano), y = percentual_emCurso, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas emCurso para o curso de Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_emCurso, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_emCurso_mulheres_homens_infor)
ggsave("dados_percentual_Mulheres&Homens_emCurso_infor.png", grafico_emCurso_mulheres_homens_infor)## Saving 7 x 5 in image1.2 Interrupção dos Cursos pelas mulheres e pelos homens
Evasão Feminina para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
# Fazendo o cálculo de evasão feminina para o curso de Manutenção e Suporte em informática
dado_evasao_mulher_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` =="Evasão") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_evasao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_evasao = first(total_evasao),
percentual_evasao_mulher = (total_alunas / total_evasao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_evasao_mulher_manu <- dado_evasao_mulher_manu %>%
filter(Sexo == "Feminino")
print(dado_evasao_mulher_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Evasão Técnico em Manute… Femi… 106 309 34.3
## 2 2018 Evasão Técnico em Manute… Femi… 116 336 34.5
## 3 2019 Evasão Técnico em Manute… Femi… 84 279 30.1
## 4 2020 Evasão Técnico em Manute… Femi… 67 202 33.2
## 5 2021 Evasão Técnico em Manute… Femi… 91 234 38.9
## # … with abbreviated variable names ¹total_alunas, ²total_evasao,
## # ³percentual_evasao_mulherwrite_csv2(dado_evasao_mulher_manu, "Percentual_mulheres_manu_evasao.csv")
grafico_evasao_mulher_manu <- ggplot(dado_evasao_mulher_manu, 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 para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_evasao_mulher_manu)
ggsave("dados_percentual_Mulher_evasao_Man.png", grafico_evasao_mulher_manu)## Saving 7 x 5 in image# Fazendo o cálculo de evasão feminina para o curso de Informática
dado_evasao_mulher_info <- dado_info_total %>%
filter(`Situação de Matrícula` =="Evasão") %>%group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_evasao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_evasao = first(total_evasao),
percentual_evasao_mulher = (total_alunas / total_evasao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_evasao_mulher_info <- dado_evasao_mulher_info %>%
filter(Sexo == "Feminino")
print(dado_evasao_mulher_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Evasão Técnico em Inform… Femi… 1819 4680 38.9
## 2 2018 Evasão Técnico em Inform… Femi… 1542 3851 40.0
## 3 2019 Evasão Técnico em Inform… Femi… 1354 3512 38.6
## 4 2020 Evasão Técnico em Inform… Femi… 929 2292 40.5
## 5 2021 Evasão Técnico em Inform… Femi… 1227 3124 39.3
## # … with abbreviated variable names ¹total_alunas, ²total_evasao,
## # ³percentual_evasao_mulherwrite_csv2(dado_evasao_mulher_info, "Percentual_mulheres_infor_evasao.csv")
grafico_evasao_mulher_info <- ggplot(dado_evasao_mulher_info, 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 para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_evasao_mulher_info)
ggsave("dados_percentual_Mulher_evasao_Info.png", grafico_evasao_mulher_info)## Saving 7 x 5 in imageEvasão Masculina para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
# Fazendo o cálculo de evasão Masculina para o curso de Manutenção e Suporte em informática
dado_evasao_homem_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` =="Evasão") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_evasao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_evasao = first(total_evasao),
percentual_evasao_homem = (total_alunos / total_evasao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_evasao_homem_manu <- dado_evasao_homem_manu %>%
filter(Sexo == "Masculino")
print(dado_evasao_homem_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Evasão Técnico em Manute… Masc… 203 309 65.7
## 2 2018 Evasão Técnico em Manute… Masc… 220 336 65.5
## 3 2019 Evasão Técnico em Manute… Masc… 195 279 69.9
## 4 2020 Evasão Técnico em Manute… Masc… 135 202 66.8
## 5 2021 Evasão Técnico em Manute… Masc… 143 234 61.1
## # … with abbreviated variable names ¹total_alunos, ²total_evasao,
## # ³percentual_evasao_homemwrite_csv2(dado_evasao_homem_manu, "Percentual_homens_manu_evasao.csv")
grafico_evasao_homem_manu <- ggplot(dado_evasao_homem_manu, 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 para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + scale_fill_manual(values = "Blue")
print(grafico_evasao_homem_manu)
ggsave("dados_percentual_Homem_evasao_Man.png", grafico_evasao_homem_manu)## Saving 7 x 5 in image# Fazendo o cálculo de evasão masculina para o curso de Informática
dado_evasao_homem_info <- dado_info_total %>%
filter(`Situação de Matrícula` =="Evasão") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_evasao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_evasao = first(total_evasao),
percentual_evasao_homem = (total_alunos / total_evasao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_evasao_homem_info <- dado_evasao_homem_info %>%
filter(Sexo == "Masculino")
print(dado_evasao_homem_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Evasão Técnico em Inform… Masc… 2861 4680 61.1
## 2 2018 Evasão Técnico em Inform… Masc… 2309 3851 60.0
## 3 2019 Evasão Técnico em Inform… Masc… 2158 3512 61.4
## 4 2020 Evasão Técnico em Inform… Masc… 1363 2292 59.5
## 5 2021 Evasão Técnico em Inform… Masc… 1897 3124 60.7
## # … with abbreviated variable names ¹total_alunos, ²total_evasao,
## # ³percentual_evasao_homemwrite_csv2(dado_evasao_homem_info, "Percentual_homens_infor_evasao.csv")
grafico_evasao_homem_info <- ggplot(dado_evasao_homem_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 para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))+ scale_fill_manual(values = "Blue")
print(grafico_evasao_homem_info)
ggsave("dados_percentual_Homem_evasao_Info.png", grafico_evasao_homem_info)## Saving 7 x 5 in image# Criando a variavél percentual_evasao comum os dois csvs de mant. e suport. em infor. para trabalhar no gráfico
dado_evasao_mulher_manu2 <- dado_evasao_mulher_manu %>%
mutate(percentual_evasao = percentual_evasao_mulher)
#print(dado_evasao_mulher_manu2)
dado_evasao_homem_manu2 <- dado_evasao_homem_manu %>%
mutate(percentual_evasao = percentual_evasao_homem)
#print(dado_evasao_homem_manu2)
#agrupando os dados para trabalhar os dois sexos no gráfico
evasao_mulheres_homens_manu <- bind_rows(dado_evasao_mulher_manu2, dado_evasao_homem_manu2)
#print(evasao_mulheres_homens_manu)
write_csv2(evasao_mulheres_homens_manu, "Percentual_Mulheres&Homens_evasao_manu.csv")
grafico_evasao_mulheres_homens_manu <- ggplot(evasao_mulheres_homens_manu, aes(x = as.factor(ano), y = percentual_evasao, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas evasao para o curso de Man e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_evasao_mulheres_homens_manu)
ggsave("dados_percentual_Mulheres&Homens_evasao_manu.png", grafico_evasao_mulheres_homens_manu)## Saving 7 x 5 in image# Criando a variavél percentual_evasao comum os dois csvs de infor. para trabalhar no gráfico
dado_evasao_mulher_info2 <- dado_evasao_mulher_info %>%
mutate(percentual_evasao = percentual_evasao_mulher)
#print(dado_evasao_mulher_manu2)
dado_evasao_homem_info2 <- dado_evasao_homem_info %>%
mutate(percentual_evasao = percentual_evasao_homem)
#print(dado_evasao_homem_manu2)
evasao_mulheres_homens_infor <- bind_rows(dado_evasao_mulher_info2, dado_evasao_homem_info2)
write_csv2(evasao_mulheres_homens_infor, "Percentual_Mulheres&Homens_evasao_infor.csv")
grafico_evasao_mulheres_homens_infor <- ggplot(evasao_mulheres_homens_infor, aes(x = as.factor(ano), y = percentual_evasao, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas evasao para o curso de Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_evasao, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_evasao_mulheres_homens_infor)
ggsave("dados_percentual_Mulheres&Homens_evasao_infor.png", grafico_evasao_mulheres_homens_infor)## Saving 7 x 5 in image1.3 Conclusão do curso pelas mulheres e pelos homens
Agora vamos dar uma olhada no percentual de conclusão de curso por parte das mulheres e dos homens para os cursos de Manutenção e Suporte em Informáitca.
1.3.1 Primeiro vamos nos debruçar sobre os dados de conclusão feminina para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
# Fazendo o cálculo de conclusão feminina para o curso de Manutenção e Suporte em informática
dado_conclusao_mulher_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_conclusao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_conclusao = first(total_conclusao),
percentual_conclusao_mulher = (total_alunas / total_conclusao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_conclusao_mulher_manu <- dado_conclusao_mulher_manu %>%
filter(Sexo == "Feminino")
print(dado_conclusao_mulher_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Concluída Técnico em Manute… Femi… 267 730 36.6
## 2 2018 Concluída Técnico em Manute… Femi… 215 630 34.1
## 3 2019 Concluída Técnico em Manute… Femi… 223 648 34.4
## 4 2020 Concluída Técnico em Manute… Femi… 85 253 33.6
## 5 2021 Concluída Técnico em Manute… Femi… 362 925 39.1
## # … with abbreviated variable names ¹total_alunas, ²total_conclusao,
## # ³percentual_conclusao_mulherwrite_csv2(dado_conclusao_mulher_manu, "Percentual_mulhres_manu_conclusao.csv")
grafico_conclusao_mulher_manu <- ggplot(dado_conclusao_mulher_manu, 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 para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_conclusao_mulher_manu)
ggsave("dados_percentual_Mulher_conclusao_Man.png", grafico_conclusao_mulher_manu)## Saving 7 x 5 in image# Fazendo o cálculo de conclusão feminina para o curso de Informática
dado_conclusao_mulher_info <- dado_info_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_conclusao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunas = sum(Sexo == "Feminino")) %>%
summarise(total_alunas = first(total_alunas),
total_conclusao = first(total_conclusao),
percentual_conclusao_mulher = (total_alunas / total_conclusao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_conclusao_mulher_info <- dado_conclusao_mulher_info %>%
filter(Sexo == "Feminino")
print(dado_conclusao_mulher_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Concluída Técnico em Inform… Femi… 2387 5927 40.3
## 2 2018 Concluída Técnico em Inform… Femi… 2350 6151 38.2
## 3 2019 Concluída Técnico em Inform… Femi… 2839 7345 38.7
## 4 2020 Concluída Técnico em Inform… Femi… 1369 3447 39.7
## 5 2021 Concluída Técnico em Inform… Femi… 3742 8709 43.0
## # … with abbreviated variable names ¹total_alunas, ²total_conclusao,
## # ³percentual_conclusao_mulherwrite_csv2(dado_conclusao_mulher_info, "Percentual_mulhres_infor_conclusao.csv")
grafico_conclusao_mulher_info <- ggplot(dado_conclusao_mulher_info, 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 para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_mulher, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_conclusao_mulher_info)
ggsave("dados_percentual_Mulher_conclusao_Info.png", grafico_conclusao_mulher_info)## Saving 7 x 5 in image1.3.2 Agora vamos nos debruçar sobre os dados de conclusão masculina para os cursos selecionados na pesquisa entre os anos de 2017 a 2021
# Fazendo o cálculo de conclusão Masculina para o curso de Manutenção e Suporte em informática
dado_conclusao_homem_manu <- dado_manu_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_conclusao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_conclusao = first(total_conclusao),
percentual_conclusao_homem = (total_alunos / total_conclusao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_conclusao_homem_manu <- dado_conclusao_homem_manu %>%
filter(Sexo == "Masculino")
print(dado_conclusao_homem_manu)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Concluída Técnico em Manute… Masc… 463 730 63.4
## 2 2018 Concluída Técnico em Manute… Masc… 415 630 65.9
## 3 2019 Concluída Técnico em Manute… Masc… 425 648 65.6
## 4 2020 Concluída Técnico em Manute… Masc… 168 253 66.4
## 5 2021 Concluída Técnico em Manute… Masc… 563 925 60.9
## # … with abbreviated variable names ¹total_alunos, ²total_conclusao,
## # ³percentual_conclusao_homemwrite_csv2(dado_conclusao_homem_manu, "Percentual_homens_manu_conclusao.csv")
grafico_conclusao_homem_manu <- ggplot(dado_conclusao_homem_manu, 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 para o curso de Mant. e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9)) + scale_fill_manual(values = "Blue")
print(grafico_conclusao_homem_manu)
ggsave("dados_percentual_Homem_conclusao_Man.png", grafico_conclusao_homem_manu)## Saving 7 x 5 in image# Fazendo o cálculo de conclusão masculina para o curso de Informática
dado_conclusao_homem_info <- dado_info_total %>%
filter(`Situação de Matrícula` == "Concluída") %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`) %>%
mutate(total_conclusao = n()) %>%
group_by(ano, `Situação de Matrícula`, `Nome de Curso`, Sexo) %>%
mutate(total_alunos = sum(Sexo == "Masculino")) %>%
summarise(total_alunos = first(total_alunos),
total_conclusao = first(total_conclusao),
percentual_conclusao_homem = (total_alunos / total_conclusao) * 100)## `summarise()` has grouped output by 'ano', 'Situação de Matrícula', 'Nome de
## Curso'. You can override using the `.groups` argument.dado_conclusao_homem_info <- dado_conclusao_homem_info %>%
filter(Sexo == "Masculino")
print(dado_conclusao_homem_info)## # A tibble: 5 × 7
## # Groups: ano, Situação de Matrícula, Nome de Curso [5]
## ano `Situação de Matrícula` `Nome de Curso` Sexo total…¹ total…² perce…³
## <dbl> <chr> <chr> <chr> <int> <int> <dbl>
## 1 2017 Concluída Técnico em Inform… Masc… 3540 5927 59.7
## 2 2018 Concluída Técnico em Inform… Masc… 3801 6151 61.8
## 3 2019 Concluída Técnico em Inform… Masc… 4506 7345 61.3
## 4 2020 Concluída Técnico em Inform… Masc… 2078 3447 60.3
## 5 2021 Concluída Técnico em Inform… Masc… 4967 8709 57.0
## # … with abbreviated variable names ¹total_alunos, ²total_conclusao,
## # ³percentual_conclusao_homemwrite_csv2(dado_conclusao_homem_info, "Percentual_homens_infor_conclusao.csv")
grafico_conclusao_homem_info <- ggplot(dado_conclusao_homem_info, 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 para o curso de Informática", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao_homem, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))+ scale_fill_manual(values = "Blue")
print(grafico_conclusao_homem_info)
ggsave("dados_percentual_Homem_conclusao_Info.png", grafico_conclusao_homem_info)## Saving 7 x 5 in image# Criando a variavél percentual_conclusao comum os dois csvs de mant. e suport. em infor. para trabalhar no gráfico
dado_conclusao_mulher_manu2 <- dado_conclusao_mulher_manu %>%
mutate(percentual_conclusao = percentual_conclusao_mulher)
#print(dado_conclusao_mulher_manu2)
dado_conclusao_homem_manu2 <- dado_conclusao_homem_manu %>%
mutate(percentual_conclusao = percentual_conclusao_homem)
#print(dado_conclusao_homem_manu2)
#agrupando os dados para trabalhar os dois sexos no gráfico
conclusao_mulheres_homens_manu <- bind_rows(dado_conclusao_mulher_manu2, dado_conclusao_homem_manu2)
#print(conclusao_mulheres_homens_manu)
write_csv2(conclusao_mulheres_homens_manu, "Percentual_Mulheres&Homens_conclusao_manu.csv")
grafico_conclusao_mulheres_homens_manu <- ggplot(conclusao_mulheres_homens_manu, aes(x = as.factor(ano), y = percentual_conclusao, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas conclusao para o curso de Man e Suport. em Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_conclusao_mulheres_homens_manu)
ggsave("dados_percentual_Mulheres&Homens_conclusao_manu.png", grafico_conclusao_mulheres_homens_manu)## Saving 7 x 5 in image# Criando a variavél percentual_conclusao comum os dois csvs de infor. para trabalhar no gráfico
dado_conclusao_mulher_info2 <- dado_conclusao_mulher_info %>%
mutate(percentual_conclusao = percentual_conclusao_mulher)
#print(dado_conclusao_mulher_manu2)
dado_conclusao_homem_info2 <- dado_conclusao_homem_info %>%
mutate(percentual_conclusao = percentual_conclusao_homem)
#print(dado_conclusao_homem_manu2)
conclusao_mulheres_homens_infor <- bind_rows(dado_conclusao_mulher_info2, dado_conclusao_homem_info2)
write_csv2(conclusao_mulheres_homens_infor, "Percentual_Mulheres&Homens_conclusao_infor.csv")
grafico_conclusao_mulheres_homens_infor <- ggplot(conclusao_mulheres_homens_infor, aes(x = as.factor(ano), y = percentual_conclusao, fill = Sexo)) +
geom_bar(stat = "identity", position = position_dodge()) +
labs(title = "Percentual matrículas conclusao para o curso de Infor.", x = "", y = "") +
geom_text(aes(label = format(round(percentual_conclusao, 1), nsmall = 2)), vjust = 1.5, color = "black", position = position_dodge(width = 0.9))
print(grafico_conclusao_mulheres_homens_infor)
ggsave("dados_percentual_Mulheres&Homens_conclusao_infor.png", grafico_conclusao_mulheres_homens_infor)## Saving 7 x 5 in imageVamos olhar agora as mesmas informações mas com foco apenas no IFPB
#Pegando os dados femininos para os cursos Técnico em Manutenção e Suporte em Informática e Técnico em Informática no IFPB
dado_mulher_manu_IFPB <- dado_mulher_manu %>%
filter(`Instituição`=="IFPB")
#print(dado_mulher_manu_IFPB)
write_csv2(dado_mulher_manu_IFPB, "dados_manu_mulher_IFPB.csv")
dado_mulher_info_IFPB <- dado_mulher_info %>%
filter(`Instituição`=="IFPB")
#print(dado_mulher_info_IFPB)
write_csv2(dado_mulher_info_IFPB, "dados_info_mulher_IFPB.csv")
#Pegando os dados masculinos para os cursos Técnico em Manutenção e Suporte em Informática e Técnico em Informática no IFPB
dado_homem_manu_IFPB <- dado_homem_manu %>%
filter(`Instituição`=="IFPB")
#print(dado_mulher_manu_IFPB)
write_csv2(dado_homem_manu_IFPB, "dados_manu_homem_IFPB.csv")
dado_homem_info_IFPB <- dado_homem_info %>%
filter(`Instituição`=="IFPB")
#print(dado_mulher_info_IFPB)
write_csv2(dado_homem_info_IFPB, "dados_info_homem_IFPB.csv")
#Dataset para o curso de Manutenção e Suporte em Informática para os dois sexo e para todos os anos
dado_manu_total_IFPB <- bind_rows(dado_mulher_manu_IFPB, dado_homem_manu_IFPB)
print(dado_manu_total_IFPB)## # A tibble: 1,260 × 97
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Data …⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3667 1000 1985886 6.47e7 NO DEC… 30/03/… 23/03/… 01/03/… Inform…
## 2 3834 1000 792572 3.48e7 BRANCA 31/12/… 07/02/… 01/03/… Inform…
## 3 3901 1000 2150513 7.21e7 PARDA 20/12/… 20/03/… 01/03/… Inform…
## 4 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 5 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 6 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 7 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 8 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 9 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## 10 3901 1000 2150513 7.21e7 BRANCA 20/12/… 20/03/… 01/03/… Inform…
## # … with 1,250 more rows, 88 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>, …write_csv2(dado_manu_total_IFPB, "dados_manu_total2017a2021_IFPB.csv")
#Dataset para o curso de Informática para os dois sexo e para todos os anos
dado_info_total_IFPB <- bind_rows(dado_mulher_info_IFPB, dado_homem_info_IFPB)
print(dado_info_total_IFPB)## # A tibble: 6,669 × 97
## Carga Horar…¹ Carga…² Co Ci…³ Co Ma…⁴ Cor /…⁵ Dt Da…⁶ Data …⁷ Dt Oc…⁸ Eixo …⁹
## <dbl> <dbl> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 3634 1000 2022975 6.68e7 PARDA 30/09/… 09/05/… 01/05/… Inform…
## 2 3634 1000 2022975 6.68e7 PARDA 30/09/… 09/05/… 01/05/… Inform…
## 3 3634 1000 2022975 6.68e7 PARDA 30/09/… 09/05/… 01/05/… Inform…
## 4 3634 1000 2022975 6.68e7 PARDA 30/09/… 09/05/… 01/05/… Inform…
## 5 3634 1000 2022975 6.68e7 PRETA 30/09/… 09/05/… 01/05/… Inform…
## 6 3634 1000 2022975 6.68e7 PARDA 30/09/… 09/05/… 01/05/… Inform…
## 7 3300 1000 2158043 7.25e7 PARDA 30/12/… 02/03/… 01/03/… Inform…
## 8 3300 1000 2158043 7.24e7 PARDA 30/12/… 02/03/… 01/03/… Inform…
## 9 3300 1000 2158043 7.24e7 PARDA 30/12/… 02/03/… 01/03/… Inform…
## 10 3300 1000 2158043 7.24e7 PARDA 30/12/… 02/03/… 01/03/… Inform…
## # … with 6,659 more rows, 88 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>, …write_csv2(dado_info_total_IFPB, "dados_info_total2017a2021_IFPB.csv")