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)
2019-07-23

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

passa_nota_minima <- function(x, nota_minima){
  ifelse(any(x[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 7 0.0026286 2 0.0014760
350 56 0.0210289 19 0.0140221
400 142 0.0533233 59 0.0435424
450 248 0.0931281 109 0.0804428
500 363 0.1363124 164 0.1210332
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 0 0.0000000 1 0.0027248
350 1 0.0039526 6 0.0163488
400 8 0.0316206 13 0.0354223
450 15 0.0592885 27 0.0735695
500 28 0.1106719 45 0.1226158
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 0 0.0000000 0 0.0000000
350 2 0.0079051 9 0.0252809
400 8 0.0316206 21 0.0589888
450 17 0.0671937 33 0.0926966
500 24 0.0948617 48 0.1348315
tabela_final$nota.minima total.eliminadosL09 prop.eliminadosL09 total.eliminadosL10 prop.eliminadosL10
300 0 0.0000000 3 0.0967742
350 3 0.2142857 10 0.3225806
400 7 0.5000000 15 0.4838710
450 8 0.5714286 18 0.5806452
500 12 0.8571429 19 0.6129032
tabela_final$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 3 0.2142857 8 0.40
450 7 0.5000000 14 0.70
500 8 0.5714286 15 0.75

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)
2019-07-23

tabela_final$nota.minima total.eliminadosGERAL prop.eliminadosGERAL total.eliminadosAC prop.eliminadosAC
300 148 0.0368893 50 0.0305064
350 650 0.1620140 233 0.1421599
400 1245 0.3103190 469 0.2861501
450 1638 0.4082752 619 0.3776693
500 1967 0.4902792 760 0.4636974
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 21 0.0431211 27 0.0358566
350 74 0.1519507 138 0.1832669
400 150 0.3080082 257 0.3413015
450 202 0.4147844 333 0.4422311
500 235 0.4825462 396 0.5258964
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 16 0.0362812 31 0.0479876
350 63 0.1428571 131 0.2027864
400 127 0.2879819 224 0.3467492
450 168 0.3809524 295 0.4566563
500 204 0.4625850 346 0.5356037
tabela_final$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 2 0.50 8 0.3478261
450 3 0.75 9 0.3913043
500 3 0.75 11 0.4782609
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 1 0.3333333 8 0.5000
500 2 0.6666667 10 0.6250

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)
2019-07-23

tabela_final$nota.minima total.eliminadosGERAL prop.eliminadosGERAL total.eliminadosAC prop.eliminadosAC
300 49 0.0151844 19 0.0128552
350 223 0.0691044 84 0.0568336
400 479 0.1484351 180 0.1217862
450 673 0.2085528 258 0.1745602
500 866 0.2683607 345 0.2334235
tabela_final$nota.minima total.eliminadosL01 prop.eliminadosL01 total.eliminadosL02 prop.eliminadosL02
300 5 0.0144509 11 0.0218688
350 18 0.0520231 47 0.0934394
400 51 0.1473988 96 0.1908549
450 73 0.2109827 132 0.2624254
500 90 0.2601156 164 0.3260437
tabela_final$nota.minima total.eliminadosL05 prop.eliminadosL05 total.eliminadosL06 prop.eliminadosL06
300 6 0.0168067 6 0.0120240
350 23 0.0644258 44 0.0881764
400 55 0.1540616 83 0.1663327
450 69 0.1932773 119 0.2384770
500 85 0.2380952 154 0.3086172
tabela_final$nota.minima total.eliminadosL09 prop.eliminadosL09 total.eliminadosL10 prop.eliminadosL10
300 0 0.00 0 0.0000000
350 2 0.25 1 0.0909091
400 4 0.50 3 0.2727273
450 4 0.50 4 0.3636364
500 6 0.75 4 0.3636364
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 4 0.2857143
450 6 0.5454545 8 0.5714286
500 8 0.7272727 10 0.7142857
 

Desenvolvido por Kássio Camelo

kassio.silva@ufersa.edu.br