1 Códigos das Cotas

Código Descrição
AC Ampla Concorrência.
L01 Candidatos com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo, que tenham cursado integralmente o ensino médio em escolas públicas.
L02 Candidatos autodeclarados pretos, pardos ou indígenas, com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escola pública.
L05 Candidatos que, independente da renda, tenham cursado integralmente o ensino médio em escolas públicas.
L06 Candidatos autodeclarados pretos, pardos ou indígenas que, independente da renda, tenham cursado integralmente o ensino médio em escolas públicas.
L09 Candidatos com deficiência que tenha renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo, que tenham cursado integralmente o ensino médio em escolas públicas.
L10 Candidatos com deficiência autodeclarados pretos, pardos ou indígenas, com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escola pública.
L13 Candidatos com deficiência que, independente da renda, tenham cursado integralmente o ensino médio em escolas públicas.
L14 Candidatos com deficiência autodeclarados pretos, pardos ou indígenas que, independente da renda, tenham cursado integralmente o ensino médio em escolas públicas.

2 Aprovados na 1ª chamada (Arquivo R1)

# PROGRAD - TRABALHO 01: INSTITUIÇÃO DA NOTA MÍNIMA NO ENEM
# VERIFICAR A REDUÇÃO NO NÚMERO DE CANDIDATOS.

# Pacotes -----------------------------------------------------------------

library(readr)
library(plyr)
library(ggplot2)
library(ggthemes)
library(plotly)
library(openxlsx)
library(readxl)
library(summarytools)

# Importando os dados -----------------------------------------------------

R1 <- read_delim("C:/Users/geisa.vasconcelos/workspace/trabalho/PROGRAD/nota_minima_enem/data/223_1_589R1_.csv", 
                 ";", escape_double = FALSE, col_types = cols(CO_IES = col_skip(), 
                                                              DS_EMAIL = col_skip(), NO_IES = col_skip(), 
                                                              NO_MAE = col_skip(), NU_ETAPA = col_skip(), 
                                                              NU_FONE1 = col_skip(), NU_FONE2 = col_skip(), 
                                                              SG_IES = col_skip(), SG_UF_IES = col_skip()), 
                 locale = locale(encoding = "ISO-8859-1"), 
                 trim_ws = TRUE)


# Renomeando as cotas  ----------------------------------------------------

R1$NO_MODALIDADE_CONCORRENCIA %>%
revalue(., 
        c("Ampla concorrência" = "AC",
          "Candidatos autodeclarados pretos, pardos ou indígenas que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L06", #ok
          "Candidatos autodeclarados pretos, pardos ou indígenas, com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L02", #ok
          "Candidatos com deficiência autodeclarados pretos, pardos ou indígenas que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L14", #ok 
          "Candidatos com deficiência autodeclarados pretos, pardos ou indígenas, que tenham renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)" = "L10", #ok
          "Candidatos com deficiência que tenham renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L09", #ok
          "Candidatos com deficiência que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L13", #ok
          "Candidatos com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L01",  #ok
          "Candidatos que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L05" #ok
          )
        ) %>% as.factor -> R1$NO_MODALIDADE_CONCORRENCIA


R1$NO_MOD_CONCORRENCIA_ORIG %>% 
  revalue(., 
          c("Ampla concorrência" = "AC",
            "Candidatos autodeclarados pretos, pardos ou indígenas que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L06",
            "Candidatos autodeclarados pretos, pardos ou indígenas, com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L02", 
            "Candidatos com deficiência autodeclarados pretos, pardos ou indígenas que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L14", 
            "Candidatos com deficiência autodeclarados pretos, pardos ou indígenas, que tenham renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)" = "L10", 
            "Candidatos com deficiência que tenham renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo e que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L09",
            "Candidatos com deficiência que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L13",
            "Candidatos com renda familiar bruta per capita igual ou inferior a 1,5 salário mínimo que tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L01", 
            "Candidatos que, independentemente da renda (art. 14, II, Portaria Normativa nº 18/2012), tenham cursado integralmente o ensino médio em escolas públicas (Lei nº 12.711/2012)." = "L05"
          )
  ) %>% as.factor -> R1$NO_MOD_CONCORRENCIA_ORIG


# Utilizando somente a parte do dataset que importa -----------------------

R1 %>% as.data.frame -> R1_dataframe

dados <- data.frame(Linguagens = R1_dataframe$NU_NOTA_L, 
                    Humanas = R1_dataframe$NU_NOTA_CH, 
                    Naturais = R1_dataframe$NU_NOTA_CN,
                    Matematica = R1_dataframe$NU_NOTA_M, 
                    Redacao = R1_dataframe$NU_NOTA_R,
                    Cota = R1_dataframe$NO_MODALIDADE_CONCORRENCIA)


# Summary dos dados
print(dfSummary(dados, plain.ascii = FALSE, graph.magnif = 0.75, style = "grid", valid.col = FALSE, na.col = FALSE), method = 'render')

Data Frame Summary

dados

Dimensions: 2663 x 6
Duplicates: 0
No Variable Stats / Values Freqs (% of Valid) Graph
1 Linguagens [numeric] Mean (sd) : 570.5 (54.3) min < med < max: 0 < 573.7 < 742.5 IQR (CV) : 64 (0.1) 1464 distinct values
2 Humanas [numeric] Mean (sd) : 615.8 (59.1) min < med < max: 400 < 625.8 < 825.6 IQR (CV) : 62.1 (0.1) 1446 distinct values
3 Naturais [numeric] Mean (sd) : 537.5 (70.9) min < med < max: 0 < 540.3 < 822 IQR (CV) : 93.8 (0.1) 1657 distinct values
4 Matematica [numeric] Mean (sd) : 624.1 (92.1) min < med < max: 0 < 630.9 < 924 IQR (CV) : 130.6 (0.1) 1834 distinct values
5 Redacao [numeric] Mean (sd) : 644.1 (146.5) min < med < max: 240 < 640 < 980 IQR (CV) : 180 (0.2) 38 distinct values
6 Cota [factor] 1. AC 2. L01 3. L02 4. L05 5. L06 6. L09 7. L10 8. L13 9. L14
1355(50.9%)
253(9.5%)
367(13.8%)
253(9.5%)
356(13.4%)
14(0.5%)
31(1.2%)
14(0.5%)
20(0.8%)

Generated by summarytools 0.9.3 (R version 3.5.3)
2019-07-18

# Eliminado ou nao pela nota minima ---------------------------------------

passa_nota_minima <- function(x, nota_minima){
  ifelse(any(x[1:5] < nota_minima), "ELIMINADO", "PERMANECE")
}

# Nova coluna com a situacao -----------------------------------------------

avaliacao_nota_minima <- function(dados, nota_minima){
  
  dataframe_final = data.frame(coluna1 = matrix(NA, length(nota_minima), 1))
  codigo_cota = c("GERAL", "AC", "L01", "L02", "L05", "L06", "L09", "L10", "L13", "L14")
  
  for(cota in codigo_cota){
    
    if(cota != "GERAL"){
      dados %>% filter(., dados$Cota == cota) -> dados_temp
    }else{
      dados_temp <- dados
    }
    
    prop.eliminados <- total.eliminados <- NULL
    
    for(i in 1:length(nota_minima)){
      situacao = apply(dados_temp, 1, passa_nota_minima, nota_minima=nota_minima[i])
      prop.eliminados[i] <- sum(situacao != "PERMANECE")/length(situacao)  
      
    }
    
    dados_cota_parcial = data.frame(prop.eliminados = prop.eliminados)
    colnames(dados_cota_parcial) = c(paste0(cota))
    
    dataframe_final = cbind(dataframe_final, dados_cota_parcial)
    
  }
  
  dataframe_final["nota.minima"] <- nota_minima
  return(dataframe_final[,-1])
  
}

resultados = avaliacao_nota_minima(dados, nota_minima = 300:600)


tidyr::gather(resultados, Cota, Proporcao, GERAL:L14) -> teste



# Criando gráfico ---------------------------------------------------------

# p <- ggplot(teste, aes(x=nota.minima, y=Proporcao, color=Cota)) 
# 
# p + geom_line(size=1.3) +
#   scale_x_continuous(name="Nota Mínima") +
#   scale_y_continuous(name="Proporção de Eliminados") +
#   ggtitle("Nota Mínima Enem - UFERSA (R1)") + 
#   theme_wsj()
# Análise exploratória ----------------------------------------------------

dados_hist <- dados

# 1. Linguagens

mu <- ddply(dados_hist, "Cota", summarise, grp.mean=mean(Linguagens))

p1 <- ggplot(dados, aes(x=Linguagens, y=..density..)) + xlim(c(200, 1000)) +
  geom_histogram(color="black", fill="white") + facet_grid(Cota ~ .) +
  geom_vline(data=mu, aes(xintercept=grp.mean, color="red"),
               linetype="dashed", size=1.4) + theme(legend.position="none") +
  geom_density(alpha=.2, fill="#FF6666") + ggtitle("Histogramas Linguagem Enem por cota")  

p1

# NA VOLTA: AJEITAR O GRÁFICO E DEPOIS FAZER UMA TABELA COM OS RESULTADOS PARA ALGUMAS NOTAS MINIMAS
# ANÁLISE EXPLORATÓRIA


# Tabela para algumas escolhas de nota ------------------------------------

avaliacao_nota_minima2 <- function(dados, nota_minima){
  
  dataframe_final = data.frame(coluna1 = matrix(NA, length(nota_minima), 1))
  codigo_cota = c("GERAL", "AC", "L01", "L02", "L05", "L06", "L09", "L10", "L13", "L14")
  
  for(cota in codigo_cota){
    
    if(cota != "GERAL"){
      dados %>% filter(., dados$Cota == cota) -> dados_temp
    }else{
      dados_temp <- dados
    }
    
    prop.eliminados <- total.eliminados <- total.geral <- NULL
    
    for(i in 1:length(nota_minima)){
      situacao = apply(dados_temp, 1, passa_nota_minima, nota_minima=nota_minima[i])
      total.eliminados[i] <- sum(situacao != "PERMANECE") #(situacao %>% table)[1] 
      prop.eliminados[i] <- sum(situacao != "PERMANECE")/length(situacao)  #(situacao %>% table %>% prop.table)[1]
      total.geral[i] <- length(situacao)
    }
    
    dados_cota_parcial = data.frame(total.geral = total.geral, total.eliminados = total.eliminados, prop.eliminados = prop.eliminados)
    colnames(dados_cota_parcial) = c(paste0("total.geral",cota), paste0("total.eliminados",cota), paste0("prop.eliminados",cota))
    
    dataframe_final = cbind(dataframe_final, dados_cota_parcial[,-1])
    
  }
  
  dataframe_final["nota.minima"] <- nota_minima
  return(dataframe_final[,-1])
  
}

resultados2 = avaliacao_nota_minima2(dados, nota_minima = 300:600)

tabela_final = resultados2 %>% filter(., resultados2$nota.minima %in% c(300,350,400,450,500))


tabela_GERAL_AC = cbind(tabela_final$nota.minima, tabela_final[,1:4])
knitr::kable(tabela_GERAL_AC)
tabela_final$nota.minima total.eliminadosGERAL prop.eliminadosGERAL total.eliminadosAC prop.eliminadosAC
300 9 0.0033796 3 0.0022140
350 61 0.0229065 20 0.0147601
400 201 0.0754788 80 0.0590406
450 667 0.2504694 277 0.2044280
500 1270 0.4769057 543 0.4007380
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 0 0.0000000 1 0.0027248
350 1 0.0039526 6 0.0163488
400 11 0.0434783 20 0.0544959
450 53 0.2094862 105 0.2861035
500 125 0.4940711 207 0.5640327
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 0 0.0000000 1 0.0028090
350 2 0.0079051 11 0.0308989
400 14 0.0553360 29 0.0814607
450 55 0.2173913 105 0.2949438
500 109 0.4308300 210 0.5898876
tabela_final$nota.minima total.eliminadosL09 prop.eliminadosL09 total.eliminadosL10 prop.eliminadosL10
300 0 0.0000000 3 0.0967742
350 4 0.2857143 11 0.3548387
400 10 0.7142857 21 0.6774194
450 13 0.9285714 28 0.9032258
500 14 1.0000000 29 0.9354839
tabela_final$nota.minima total.eliminadosL13 prop.eliminadosL13 total.eliminadosL14 prop.eliminadosL14
300 0 0.0000000 1 0.05
350 1 0.0714286 5 0.25
400 4 0.2857143 12 0.60
450 13 0.9285714 18 0.90
500 14 1.0000000 19 0.95

3 Confirmados Online

Data Frame Summary

online

Dimensions: 4012 x 6
Duplicates: 0
No Variable Stats / Values Freqs (% of Valid) Graph Valid Missing
1 Humanas [numeric] Mean (sd) : 562.1 (78.5) min < med < max: 0 < 569.3 < 814.4 IQR (CV) : 111.9 (0.1) 2165 distinct values 4012 (100%) 0 (0%)
2 Naturais [numeric] Mean (sd) : 488.9 (80.9) min < med < max: 0 < 475.1 < 818.3 IQR (CV) : 97.8 (0.2) 2078 distinct values 4012 (100%) 0 (0%)
3 Linguagens [numeric] Mean (sd) : 517.1 (69.5) min < med < max: 318.8 < 514.6 < 763.3 IQR (CV) : 94.1 (0.1) 2088 distinct values 4012 (100%) 0 (0%)
4 Matematica [numeric] Mean (sd) : 532.1 (98) min < med < max: 0 < 517.2 < 896.2 IQR (CV) : 129.2 (0.2) 2378 distinct values 4012 (100%) 0 (0%)
5 Redacao [numeric] Mean (sd) : 512.8 (165.9) min < med < max: 120 < 500 < 980 IQR (CV) : 240 (0.3) 43 distinct values 4012 (100%) 0 (0%)
6 Cota [factor] 1. AC 2. L01 3. L02 4. L05 5. L06 6. L09 7. L10 8. L13 9. L14
1639(40.8%)
487(12.1%)
753(18.8%)
441(11.0%)
646(16.1%)
4(0.1%)
23(0.6%)
3(0.1%)
16(0.4%)
 4012 (100%) 0 (0%)

Generated by summarytools 0.9.3 (R version 3.5.3)
2019-07-18

tabela_final$nota.minima total.eliminadosGERAL prop.eliminadosGERAL total.eliminadosAC prop.eliminadosAC
300 158 0.0393819 56 0.0341672
350 668 0.1665005 241 0.1470409
400 1578 0.3933200 609 0.3715680
450 2714 0.6764706 1033 0.6302624
500 3345 0.8337488 1297 0.7913362
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 21 0.0431211 30 0.0398406
350 76 0.1560575 143 0.1899070
400 191 0.3921971 316 0.4196547
450 339 0.6960986 552 0.7330677
500 408 0.8377823 666 0.8844622
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 16 0.0362812 32 0.0495356
350 63 0.1428571 134 0.2074303
400 162 0.3673469 280 0.4334365
450 295 0.6689342 467 0.7229102
500 365 0.8276644 573 0.8869969
tabela_final$nota.minima total.eliminadosL09 prop.eliminadosL09 total.eliminadosL10 prop.eliminadosL10
300 0 0.00 1 0.0434783
350 2 0.50 4 0.1739130
400 3 0.75 9 0.3913043
450 4 1.00 13 0.5652174
500 4 1.00 16 0.6956522
tabela_final$nota.minima total.eliminadosL13 prop.eliminadosL13 total.eliminadosL14 prop.eliminadosL14
300 0 0.0000000 2 0.1250
350 0 0.0000000 5 0.3125
400 1 0.3333333 7 0.4375
450 2 0.6666667 9 0.5625
500 2 0.6666667 14 0.8750

4 Confirmados Presencialmente

Data Frame Summary

presencial

Dimensions: 3227 x 6
Duplicates: 0
No Variable Stats / Values Freqs (% of Valid) Graph Valid Missing
1 Humanas [numeric] Mean (sd) : 589.2 (73.3) min < med < max: 0 < 604 < 814.4 IQR (CV) : 92 (0.1) 1823 distinct values 3227 (100%) 0 (0%)
2 Naturais [numeric] Mean (sd) : 514.6 (73.1) min < med < max: 0 < 512.6 < 822 IQR (CV) : 105.1 (0.1) 1874 distinct values 3227 (100%) 0 (0%)
3 Linguagens [numeric] Mean (sd) : 545.3 (63.7) min < med < max: 324.8 < 550.6 < 737.3 IQR (CV) : 84.9 (0.1) 1773 distinct values 3227 (100%) 0 (0%)
4 Matematica [numeric] Mean (sd) : 585.1 (101.2) min < med < max: 0 < 583.6 < 907.5 IQR (CV) : 156.2 (0.2) 2167 distinct values 3227 (100%) 0 (0%)
5 Redacao [numeric] Mean (sd) : 588.9 (163.9) min < med < max: 120 < 580 < 980 IQR (CV) : 200 (0.3) 42 distinct values 3227 (100%) 0 (0%)
6 Cota [factor] 1. AC 2. L01 3. L02 4. L05 5. L06 6. L09 7. L10 8. L13 9. L14
1478(45.8%)
346(10.7%)
503(15.6%)
357(11.1%)
499(15.5%)
8(0.2%)
11(0.3%)
11(0.3%)
14(0.4%)
 3227 (100%) 0 (0%)

Generated by summarytools 0.9.3 (R version 3.5.3)
2019-07-18

tabela_final$nota.minima total.eliminadosGERAL prop.eliminadosGERAL total.eliminadosAC prop.eliminadosAC
300 53 0.0164239 21 0.0142084
350 231 0.0715835 87 0.0588633
400 624 0.1933685 233 0.1576455
450 1366 0.4233034 524 0.3545332
500 2065 0.6399132 822 0.5561570
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 5 0.0144509 13 0.0258449
350 18 0.0520231 50 0.0994036
400 69 0.1994220 126 0.2504970
450 157 0.4537572 269 0.5347913
500 233 0.6734104 379 0.7534791
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 6 0.0168067 6 0.0120240
350 23 0.0644258 45 0.0901804
400 68 0.1904762 109 0.2184369
450 141 0.3949580 244 0.4889780
500 227 0.6358543 367 0.7354709
tabela_final$nota.minima total.eliminadosL09 prop.eliminadosL09 total.eliminadosL10 prop.eliminadosL10
300 0 0.000 0 0.0000000
350 3 0.375 1 0.0909091
400 6 0.750 3 0.2727273
450 8 1.000 4 0.3636364
500 8 1.000 6 0.5454545
tabela_final$nota.minima total.eliminadosL13 prop.eliminadosL13 total.eliminadosL14 prop.eliminadosL14
300 0 0.0000000 2 0.1428571
350 1 0.0909091 3 0.2142857
400 3 0.2727273 7 0.5000000
450 9 0.8181818 10 0.7142857
500 10 0.9090909 13 0.9285714
 

Desenvolvido por Kássio Camelo

kassio.silva@ufersa.edu.br