Universidade de Brasília

Instituto de Ciências Exatas

Departamento de Ciência da Computação

Evasão no Bacharelado em Ciência da Computação da

Universidade de Brasília: análise e mineração de dados

Luísa Behrens Palmeira

Matheus Parreiras Santos

Monografia apresentada como requisito parcial

para conclusão do Bacharelado em Ciência da Computação

Orientadora
Prof.a Dr.a Maria Emilia Machado Telles Walter

Coorientador
Prof. Dr. Jan Mendonça Corrêa

Brasília
2014
Universidade de Brasília — UnB
Instituto de Ciências Exatas
Departamento de Ciência da Computação
Bacharelado em Ciência da Computação

Coordenador: Prof. Dr. Homero Luiz Piccolo

Banca examinadora composta por:

Prof.a Dr.a Maria Emilia Machado Telles Walter (Orientadora) — CIC/UnB
Prof. Dr. Jan Mendonça Corrêa — CIC/UnB
Dr.a Maria Inez Machado Telles Walter — DPO/UnB

CIP — Catalogação Internacional na Publicação

Palmeira, Luísa Behrens.

Evasão no Bacharelado em Ciência da Computação da Universidade

de Brasília: análise e mineração de dados / Luísa Behrens Palmeira,
Matheus Parreiras Santos. Brasília : UnB, 2014.
287 p. : il. ; 29,5 cm.

Monografia (Graduação) — Universidade de Brasília, Brasília, 2014.

1. evasão, 2. mineração de dados, 3. análise estatística, 4. unb,

5. ciência da computação

CDU 004.4

Endereço: Universidade de Brasília

Campus Universitário Darcy Ribeiro — Asa Norte
CEP 70910-900
Brasília–DF — Brasil
 Universidade de Brasília
Instituto de Ciências Exatas
Departamento de Ciência da Computação

Evasão no Bacharelado em Ciência da Computação da

Universidade de Brasília: análise e mineração de dados

Luísa Behrens Palmeira

Matheus Parreiras Santos

Monografia apresentada como requisito parcial

para conclusão do Bacharelado em Ciência da Computação

Prof.a Dr.a Maria Emilia Machado Telles Walter (Orientadora)

CIC/UnB

Prof. Dr. Jan Mendonça Corrêa Dr.a Maria Inez Machado Telles Walter
CIC/UnB DPO/UnB

Prof. Dr. Homero Luiz Piccolo

Coordenador do Bacharelado em Ciência da Computação

Brasília, 06 de junho de 2014

 Dedicatória

Dedicamos esse trabalho às nossas famílias, Mônica Behrens Azevedo Palmeira, Luiz
Alberto de Almeida Palmeira e Camilla Behrens Palmeira, pais e irmã de Luísa Palmeira,
Siumara Maria Parreiras Santos, Último Gonçalves dos Santos e Marcella Parreiras San-
tos, pais e irmã de Matheus Parreiras, por todo o suporte, paciência e carinho ao longo
dos anos de nossa formação.

i
 Agradecimentos

Agradecemos, primeiramente, a Deus, aos nossos pais, irmãs e toda família que, com
muito carinho e apoio, não mediram esforços para que chagássemos até essa etapa de
nossas vidas. Um agradecimento muito especial também aos nossos amigos que nos deram
força para seguir nessa jornada.
Agradecemos à nossa orientadora, Prof.a Dr.a Maria Emilia Machado Telles Walter,
que aceitou o desafio de orientar um projeto já em andamento, sempre estando ao nosso
lado e nos auxiliando. Somos gratos pela consideração, paciência, convívio, apoio e com-
preensão dedicados a esse trabalho. Sua orientação foi essencial para o desenvolvimento
desse projeto, além de ser um exemplo de pessoa e profissional dedicada para nos espe-
lharmos.
Agradecemos ao Prof. Dr. Jan Mendonça Corrêa por ter aceitado o desafio de ser
nosso coorientador e pela sua participação, nos apoiando e transmitindo seus conheci-
mentos de mineração de dados, essenciais para o desenvolvimento desse projeto. Somos
extremamentes agradecidos à Dr.a Maria Inez Machado Telles Walter pela cooperação
com o nosso trabalho, sabemos que ele não seria possível sem sua atenção e ajuda ao
compartilhar os dados necessários para esse trabalho.
Agradecemos imensamente ao nosso amigo Lucas Lo Ami que nos ajudou muito nesse
projeto, nos guiando e auxiliando em tudo que precisávamos. Agradecemos pela paciência,
pelo carinho, pelo interesse e pela participação fundamental em determinadas etapas do
trabalho, além da amizade que foi de suma importância para nos mantermos motivados
durante todo o processo.
Agradecemos à Empresa Júnior de Computação - CJR e ao Movimento Empresa Júnior
(MEJ) pela maturidade adquirida e por fazer parte de nossa formação, nos oferencendo o
primeiro contato com o mercado de trabalho. Sem dúvida umas das melhores experiências
que tivemos, nos deixando recordações, conhecimentos e muitas amizades especiais.
Um agradecimento especial do autor Matheus Parreiras Santos à Universidad del Pais
Vasco pela grande oportunidade, através do Ciência Sem Fronteiras, de ter a experiência
de estudar e viver um intercâmbio. Ao meus professores e amigos estrangeiros e brasileiros,
principalmente aos que viveram e estudaram comigo, agradeço pelo carinho que tiveram
ao longo dessa maravilhosa experiência.

ii
 Resumo

Esse trabalho tem como objetivo analisar os fatores que levam à evasão dentro do
Bacharelado em Ciência da Computação da Universidade de Brasília e identificar o perfil
dos alunos do curso que estão em risco de evasão. Para isso, são utilizados dados pessoais
e do histórico do aluno. A evasão é um problema de nível mundial nas universidades. A
quantidade de alunos que ingressam em um curso ou instituição e saem sem se formar
gera prejuízos em diversos âmbitos. No curso analisado, a taxa de evasão é de mais de
50%. Buscando determinar as causas do problema para reduzir esse valor, é feita uma
análise estatística para identificar os principais fatores relacionados com o perfil de um
aluno evadido para, então, aplicar técnicas de mineração de dados que permitem verificar
quais os fatores que possuem maior impacto e qual o perfil dos alunos que estão cursando
atualmente. Foram desenvolvidos diferentes classificadores visando encontrar o que possui
melhor performance para os dados analisados. Os resultados mostram que o problema da
evasão está se agravando no curso.

Palavras-chave: evasão, mineração de dados, análise estatística, unb, ciência da compu-

tação

iii
 Abstract

This work aims to analyze the factors that lead to dropout rate in the Computer
Science Bachelor degree from the University of Brasilia and identify the students’ profiles
that are at risk of dropping. Personal and transcript data are used. Dropout rate is a
global problem in universities. The number of students enrolled in a course or institution
that leave without graduating generates losses in different areas. Over the Computer
Science Bachelor degree, the dropout rate is higher than 50 %. Aiming to determine the
causes of the problem to reduce this value, statistical analysis is performed to identify
the main factors related to the profile of an dropout student to then apply data mining
techniques to check what factors have the greatest impact and the profile of the students
who are currently attending. Different classifiers were developed to meet the highest
performing to the analyzed data. The results show that the dropout rate problem is
getting worse in the course.

Keywords: dropout rate, data mining, statistical analysis, unb, computer science

iv
 Sumário

1 Introdução 1
1.1 Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Hipótese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Organização do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Educação Superior, Evasão e o BCC − UnB 3

2.1 Educação Superior no Brasil . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Conceito de Evasão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Estudos sobre evasão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Bacharelado em Ciência da Computação - UnB . . . . . . . . . . . . . . . 8
2.4.1 Informações sobre o curso . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Disciplinas obrigatórias . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4.3 Disciplinas optativas . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3 Mineração de Dados 14
3.1 Apresentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Conceitos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Mineração de dados e Extração de conhecimento . . . . . . . . . . . 15
3.2.2 Objetivos da extração de conhecimento . . . . . . . . . . . . . . . . 17
3.2.3 Arquitetura de um sistema de mineração de dados . . . . . . . . . . 17
3.3 Tipos de aprendizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1 Aprendizado supervisionado . . . . . . . . . . . . . . . . . . . . . . 19
3.3.2 Aprendizado não supervisionado . . . . . . . . . . . . . . . . . . . . 19
3.3.3 Aprendizado por reforço . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4 Técnicas de mineração de dados . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4.1 Classificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.4.2 Regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4.3 Clusterização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Ferramentas de mineração de dados . . . . . . . . . . . . . . . . . . . . . . 23

4 Trabalhos Relacionados 26
4.1 Visão geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Evasão na UnB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 Evasão no Brasil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.4 Comparações dos trabalhos . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

v
 4.4.2 Metodologias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

5 Análise de Dados no BCC - UnB 37

5.1 Evasão para esse trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2 Aquisição dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3 Tratamento dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.4 Perguntas definidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.5 Análise de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5.1 Semestre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5.2 Sexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.5.3 Idade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.5.4 Tipo de escola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.5.5 Forma de ingresso . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.5.6 Desempenho médio . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.7 Taxa de reprovação média . . . . . . . . . . . . . . . . . . . . . . . 50
5.5.8 Média de créditos obrigatórios por semestre . . . . . . . . . . . . . 50
5.5.9 Índice de reprovação por departamento . . . . . . . . . . . . . . . . 51
5.5.10 Reprovações em disciplinas obrigatórias . . . . . . . . . . . . . . . . 51
5.5.11 Taxa de reprovação ao longo dos anos . . . . . . . . . . . . . . . . . 52
5.5.12 Menções em disciplinas obrigatórias . . . . . . . . . . . . . . . . . . 54

6 Perfil dos Alunos do BCC − UnB 69

6.1 Transformação dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.2 Mineração dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3 Avaliação dos algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.4 Alunos com perfil de evasão . . . . . . . . . . . . . . . . . . . . . . . . . . 76

7 Conclusões 78
7.1 Principais contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.2 Trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Referências 80

I Ementas e pré-requisitos das disciplinas obrigatórias 83

A Consulta SQL para tratamento dos dados 91

B Consulta SQL para análise estatística dos dados 95

C Dados da análise estatística 99

D Consulta SQL para mineração de dados 115

vi
 Lista de Figuras

3.1 Etapas do processo de extração de conhecimento. Adaptado de Han e

Kamber [19]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2 Arquitetura típica de um sistema de mineração de dados. Adaptado de
Han e Kamber [19]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Exemplo da etapa de treinamento da classificação, segundo Han e Kam-
ber [19]. Nesse exemplo, a classificação terá objetivo de determinar se um
empréstimo é de risco ou é seguro. Os arquivos de entrada já possuem
exemplos de algumas pessoas e, com base nesses dados, o algoritmo de
classificaão determina as regras da classificação. . . . . . . . . . . . . . . . 20
3.4 Exemplo da segunda etapa da classificação, segundo Han e Kamber [19].
Esse exemplo representa a segunda etapa do que foi representado na Fi-
gura 3.3. Os arquivos de testes, que já estão classificados mas não foram
utilizados na fase de treinamento, rodam sobre as regras de classificação
para verificar a acurácia do classificador. Caso a acurácia esteja satisfatória
para a aplicação, nosso dados iram rodar sobre essas regras de classificação
para determinar se o empréstimo é de risco ou não. . . . . . . . . . . . . . 21
3.5 Interface Explorer do Weka versão 3.6 no Windows. . . . . . . . . . . . . . 24
3.6 Interface Knowledge Flow do Weka versão 3.6 no Windows. . . . . . . . . . 24
3.7 Interface Experimenter do Weka versão 3.6 no Windows. . . . . . . . . . . 25

5.1 Taxa de evasão por semestre e motivos de evasão em cada um. O código
do motivo de saída está de acordo com o apresentado na Tabela 5.3. O
semestre 0 corresponde a um semestre cursado no verão, independente da
posição do fluxo em que o aluno estava quando cursou. Cada uma das
barras corresponde a um semestre, representado no eixo X. A altura da
barra representa a quantidade de alunos que evadiram naquele semestre,
de acordo com o eixo Y. As cores em cada uma das barras correspondem ao
motivo de saída, segundo a legenda do lado direito do gráfico. O número
dentro de cada uma das cores mostra a quantidade absoluta de alunos que
evadiram naquele semestre e por qual motivo. . . . . . . . . . . . . . . . . 45
5.2 Taxa de formatura por semestre. Cada uma das barras corresponde a um
semestre, representado no eixo X. A altura da barra representa a quan-
tidade de alunos que evadiram naquele semestre, de acordo com o eixo
Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

vii
5.3 Taxa de evasão e de formatura feminina e motivos de saída de quem eva-
diu. O código do motivo de saída está de acordo com o apresentado na
Tabela 5.3. O gráfico do lado esquerdo mostra a quantidade de evadidos,
de formados e de alunos cursando, sendo o azul a quantidade de alunos
cursando, o vermelho a de formados e o laranja a de evadidos. Já o do
lado direito, mostra os motivos de saída dos evadidos, sendo os números no
gráfico a quantidade de alunos que saíram por cada motivo. . . . . . . . . 47
5.4 Taxa de evasão e de formatura masculina e motivos de saída de quem
evadiu. O código do motivo de saída está de acordo com o apresentado na
Tabela 5.3. O gráfico do lado esquerdo mostra a quantidade de evadidos,
de formados e de alunos cursando, sendo o azul a quantidade de alunos
cursando, o vermelho a de formados e o laranja a de evadidos. Já o do
lado direito, mostra os motivos de saída dos evadidos, sendo os números no
gráfico a quantidade de alunos que saíram por cada motivo. . . . . . . . . 48
5.5 Índice de evasão por idade e por motivo de saída. O código do motivo
de saída está de acordo com o apresentado na Tabela 5.3. Cada uma
das barras corresponde a uma idade, representada no eixo X. A altura da
barra representa a quantidade de alunos que evadiram com aquela idade,
de acordo com o eixo Y. As cores em cada uma das barras correspondem ao
motivo de saída, segundo a legenda do lado direito do gráfico. O número
dentro de cada uma das cores mostra a quantidade absoluta de alunos que
evadiram com aquela idade e por esse motivo. . . . . . . . . . . . . . . . . 50
5.6 Índice de formatura por idade. Cada uma das barras corresponde a uma
idade, representada no eixo X. A altura da barra representa a quantidade
de alunos que evadiram com aquela idade, de acordo com o eixo Y. . . . . 51
5.7 Taxa de evasão por tipo de escola e motivos de saída. O código do motivo
de saída está de acordo com o apresentado na Tabela 5.3. Cada uma das
barras corresponde a um tipo de escola, representado no eixo X. A altura
da barra representa a quantidade de alunos que evadiram que possuem
aquele tipo de escola, de acordo com o eixo Y. As cores em cada uma das
barras correspondem ao motivo de saída, segundo a legenda do lado direito
do gráfico. O número dentro de cada uma das cores mostra a quantidade
absoluta de alunos que evadiram daquele tipo de escola e por esse motivo. . 52
5.8 Taxa de evasão por forma de ingresso. O código da forma de ingresso
está de acordo com o apresentado na Tabela 5.6. Cada uma das barras
corresponde a uma forma de ingresso, representada no eixo X. A altura da
barra representa a quantidade de alunos que evadiram que possuem aquele
tipo de forma de ingresso, de acordo com o eixo Y. As barras vermelhas
correspondem aos alunos que evadiram e a verde ao total que entraram por
aquela forma de ingresso, de acordo com a legenda do lado direito do gráfico. 53
5.9 Desempenho médio dos evadidos organizados em faixas de desempenho.
Cada uma das barras corresponde a uma faixa de desempenho, represen-
tada no eixo X. A altura da barra representa a quantidade de alunos evadi-
dos que possuem desempenho dentro daquela faixa, de acordo com o eixo
Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

viii
5.10 Desempenho médio dos formados organizados em faixas de desempenho.
Cada uma das barras corresponde a uma faixa de desempenho, represen-
tada no eixo X. A altura da barra representa a quantidade de alunos for-
mados que possuem desempenho dentro daquela faixa, de acordo com o
eixo Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.11 Taxa de reprovação média dos evadidos organizados em faixas de reprova-
ção. Cada uma das barras corresponde a uma faixa de taxa de reprovação,
representada no eixo X. A altura da barra representa a quantidade de alu-
nos evadidos que possuem taxa de reprovação dentro daquela faixa, de
acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.12 Taxa de reprovação média dos formados organizados em faixas de reprova-
ção. Cada uma das barras corresponde a uma faixa de taxa de reprovação,
representada no eixo X. A altura da barra representa a quantidade de alu-
nos formados que possuem taxa de reprovação dentro daquela faixa, de
acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.13 Média de créditos obrigatórios cursados por semestre dos evadidos. O se-
mestre 0 representa um semestre cursado no verão, independente do período
curricular que ele estava quando cursou. Cada uma das barras corresponde
a um semestre, representada no eixo X. A altura da barra representa a
média de créditos obrigatórios cursados por semestre, de acordo com o eixo
Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.14 Média de créditos obrigatórios cursados por semestre dos formados. O se-
mestre 0 representa um semestre cursado no verão, independente do período
curricular que ele estava quando cursou. Cada uma das barras corresponde
a um semestre, representada no eixo X. A altura da barra representa a
média de créditos obrigatórios cursados por semestre, de acordo com o eixo
Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.15 Índice de reprovação das matérias obrigatórias organizadas por departa-
mento dos alunos evadidos e dos formados. Os departamentos estão re-
presentados no eixo X. A altura da barra representa a taxa de reprovação
deles, independente da situação do estudante no curso, de acordo com o
eixo Y. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.16 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 1o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras
corresponde a uma disciplina, representada no eixo X. A altura da barra
representa a quantidade de reprovações que já ocorreram naquela disciplina,
independente da situação do estudante no curso, de acordo com o eixo Y. . 56
5.17 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 2o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras
corresponde a uma disciplina, representada no eixo X. A altura da barra
representa a quantidade de reprovações que já ocorreram naquela disciplina,
independente da situação do estudante no curso, de acordo com o eixo Y. . 57

ix
5.18 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 3o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras
corresponde a uma disciplina, representada no eixo X. A altura da barra
representa a quantidade de reprovações que já ocorreram naquela disciplina,
independente da situação do estudante no curso, de acordo com o eixo Y. . 57
5.19 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 4o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras
corresponde a uma disciplina, representada no eixo X. A altura da barra
representa a quantidade de reprovações que já ocorreram naquela disciplina,
independente da situação do estudante no curso, de acordo com o eixo Y. . 58
5.20 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 5o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras
corresponde a uma disciplina, representada no eixo X. A altura da barra
representa a quantidade de reprovações que já ocorreram naquela disciplina,
independente da situação do estudante no curso, de acordo com o eixo Y. . 58
5.21 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 1o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. Cada linha está relacionada a uma disciplina, de acordo
com a legenda do lado direito do gráfico. Cada um dos pontos dessas li-
nhas relaciona a taxa de reprovação em um determinado ano. A taxa de
reprovação foi calculada como a proporção de reprovações das matrículas
em uma determinada disciplina a cada ano. . . . . . . . . . . . . . . . . . . 59
5.22 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 2o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. Cada linha está relacionada a uma disciplina, de acordo
com a legenda do lado direito do gráfico. Cada um dos pontos dessas li-
nhas relaciona a taxa de reprovação em um determinado ano. A taxa de
reprovação foi calculada como a proporção de reprovações das matrículas
em uma determinada disciplina a cada ano. . . . . . . . . . . . . . . . . . . 60
5.23 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 3o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. Cada linha está relacionada a uma disciplina, de acordo
com a legenda do lado direito do gráfico. Cada um dos pontos dessas li-
nhas relaciona a taxa de reprovação em um determinado ano. A taxa de
reprovação foi calculada como a proporção de reprovações das matrículas
em uma determinada disciplina a cada ano. . . . . . . . . . . . . . . . . . . 61

x
5.24 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 4o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. Cada linha está relacionada a uma disciplina, de acordo
com a legenda do lado direito do gráfico. Cada um dos pontos dessas li-
nhas relaciona a taxa de reprovação em um determinado ano. A taxa de
reprovação foi calculada como a proporção de reprovações das matrículas
em uma determinada disciplina a cada ano. . . . . . . . . . . . . . . . . . . 62
5.25 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 5o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. Cada linha está relacionada a uma disciplina, de acordo
com a legenda do lado direito do gráfico. Cada um dos pontos dessas li-
nhas relaciona a taxa de reprovação em um determinado ano. A taxa de
reprovação foi calculada como a proporção de reprovações das matrículas
em uma determinada disciplina a cada ano. . . . . . . . . . . . . . . . . . . 63
5.26 Menções nas disciplinas obrigatórias recomendadas de serem cursadas no
1o semestre do curso dos alunos formados e dos evadidos. Cada uma das
barras corresponde a uma menção, representada no eixo X. A altura da
barra representa a proporção de cada uma das menções obtidas naquela
disciplina, de acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . 64
5.27 Menções nas disciplinas obrigatórias recomendadas de serem cursadas no
2o semestre do curso dos alunos formados e dos evadidos. Cada uma das
barras corresponde a uma menção, representada no eixo X. A altura da
barra representa a proporção de cada uma das menções obtidas naquela
disciplina, de acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . 65
5.28 Menções nas disciplinas obrigatórias recomendadas de serem cursadas no
3o semestre do curso dos alunos formados e dos evadidos. Cada uma das
barras corresponde a uma menção, representada no eixo X. A altura da
barra representa a proporção de cada uma das menções obtidas naquela
disciplina, de acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . 66
5.29 Menções nas disciplinas obrigatórias recomendadas de serem cursadas no
4o semestre do curso dos alunos formados e dos evadidos. Cada uma das
barras corresponde a uma menção, representada no eixo X. A altura da
barra representa a proporção de cada uma das menções obtidas naquela
disciplina, de acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . 67
5.30 Menções nas disciplinas obrigatórias recomendadas de serem cursadas no
5o semestre do curso dos alunos formados e dos evadidos. Cada uma das
barras corresponde a uma menção, representada no eixo X. A altura da
barra representa a proporção de cada uma das menções obtidas naquela
disciplina, de acordo com o eixo Y. . . . . . . . . . . . . . . . . . . . . . . 68

xi
6.1 Exemplo de arquivo no formato ARFF. O nome da relação entre os atribu-
tos é definido por @relation. Cada um dos atributos e seus possíveis valores
são declarados por @atribute. O início da listagem dos dados é identificado
por @data. Cada registro está em uma linha e os valores dos atributos são
separados por vírgula e estão na mesma ordem da declaração dos atributos. 72
6.2 Conversão de valores numéricos para nominais utilizando o filtro do Weka.
Os números estão de acordo com os passos apresentados. . . . . . . . . . . 72
6.3 Confusion matrix gerada pelo classificador construído com o algoritmo
Naive Bayes. Essa matriz mostra quantos alunos, dos que estão cursando,
são classificados como formandos e quantos como evadidos. O número
total de instâncias é 263. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.4 Proporção de alunos cursando que foram classificados como formandos ou
evadidos pelo classificador construído com o algoritmo Naive Bayes. . . . . 77

xii
 Lista de Tabelas

2.1 Cenário do ensino superior em 2012 com base em estatísticas da educação

brasileira realizada pelo INEP [12]. . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Quantidade de matrículas e cursos por área de conhecimento em 2012 com
base em estatísticas da educação brasileira realizada pelo Inep [12], sendo
N a quantidade total de cada tipo de curso e matrícula. . . . . . . . . . . . 4
2.3 Quantidade de ingressantes e concluintes em cursos de graduação presen-
ciais do ensino superior em 2012 com base em estatísticas da educação
brasileira realizada pelo Inep [12]. . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Quantidade de ingressantes e concluintes em cursos de graduação presen-
ciais de Ciências da Computação do ensino superior em 2012 com em esta-
tísticas da educação brasileira realizada pelo Inep [12]. . . . . . . . . . . . 5
2.5 Disciplinas obrigatórias do BCC − UnB [10]. . . . . . . . . . . . . . . . . . 9
2.6 Cadeia 4: Ciclo 3: o aluno deverá cursar [10]. . . . . . . . . . . . . . . . . 10
2.7 Cadeia 5: Ciclo 3: o aluno deverá cursar [10]. . . . . . . . . . . . . . . . . 10
2.8 Cadeia 6: Ciclo 3: o aluno deverá cursar [10]. . . . . . . . . . . . . . . . . 10
2.9 Cadeia 7: Ciclo 3: o aluno deverá cursar [10]. . . . . . . . . . . . . . . . . 10
2.10 Cadeia 8: Ciclo 3: o aluno deverá cursar [10]. . . . . . . . . . . . . . . . . 10
2.11 Disciplinas optativas do Bacharelado em Ciência da Computação da UnB [10]. 11

4.1 Tabela com as descrições e finalidade de cada indicador que compõe o

método de regressão logística, segundo Vitelli et al. [34]. . . . . . . . . . . 30
4.2 Métodos de mineração de dados e respectivas descrição e finalidades, se-
gundo Campello e Lins [6]. . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Categorias de dados que foram utilizados nos métodos estatísticos dos tra-
balhos analisados por esse projeto. . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Objetivos apresentados nos trabalhos analisados que compuseram o enten-
dimento do fenômeno de evasão estudado. . . . . . . . . . . . . . . . . . . 33
4.5 Formas de realização da extração dos dados apresentadas nos trabalhos
analisados que compuseram o entendimento do fenômeno de evasão estudado. 34
4.6 Métodos estatísticos apresentados nos trabalhos analisados que compuse-
ram o entendimento do fenômeno de evasão estudado. . . . . . . . . . . . . 34
4.7 Períodos analisados que compuseram o entendimento do fenômeno de eva-
são estudado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.8 Dados que foram descartados apresentados nos trabalhos analisados que
compuseram o entendimento do fenômeno de evasão estudado. . . . . . . . 35
4.9 Procedimentos de tratamento de dados apresentados nos trabalhos anali-
sados que compuseram o entendimento do fenômeno de evasão estudado. . 36

xiii
4.10 Novas variáveis criadas nos trabalhos analisados que compuseram o enten-
dimento do fenômeno de evasão estudado. . . . . . . . . . . . . . . . . . . 36

5.1 Variáveis relacionadas aos estudantes do Bacharelado em Ciência da Com-

putação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.2 Variáveis relacionadas ao histórico dos estudantes já matriculados no Ba-
charelado em Ciência da Computação. . . . . . . . . . . . . . . . . . . . . 40
5.3 Código e descrição das possíveis formas de saída de um aluno. . . . . . . . 42
5.4 Fórmulas utilizadas para cálculo do semestre curricular em que uma dis-
ciplina foi cursada em função do semestre em que ela foi feita e do que o
aluno entrou no curso. A coluna semestre_entrada corresponde ao semes-
tre de entrada do aluno em algum ano e a semestre_cursada corresponde
ao semestre de algum ano em que a disciplina foi cursada. Nas fórmulas, a
variável ano_entrada é o ano de entrada do aluno no curso e ano_cursada
é o ano em que a disciplina foi cursada. . . . . . . . . . . . . . . . . . . . . 43
5.5 Quantidade de alunos que já saíram do curso separados por sexo e situação
em que eles saíram. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.6 Código e descrição das possíveis formas de ingresso de um aluno. . . . . . . 48

6.1 Variáveis escolhidas para serem utilizadas no processo de mineração de da-

dos. A escolha das variáveis foi feita de acordo com os fatores que possuem
maior impacto na definição do perfil, com base nos resultados obtidos na
análise estatística dos dados, apresentada no Capítulo 5. . . . . . . . . . . 70
6.2 Nome dos algoritmos utilizados para classificação nesse trabalho e o nome
da classe deles na ferramenta Weka. . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Performance dos classificadores criados com base em critérios gerais do
classificador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.4 Performance dos classificadores criados com base em critérios específicos
da classe formados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.5 Performance dos classificadores criados com base em critérios específicos
da classe evadidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.6 Performance dos classificadores criados com base em critérios gerais do
classificador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.7 Performance dos classificadores após o teste com novos dados com base em
critérios específicos da classe formados. . . . . . . . . . . . . . . . . . . . 75
6.8 Performance dos classificadores após o teste com novos dados com base em
critérios específicos da classe evadidos. . . . . . . . . . . . . . . . . . . . . 76

I.1 Ementas e pré-requisitos das disciplinas obrigatórias do BCC − UnB [10]. . 83

C.1 Índice de evasão por semestre e por motivo de saída. O código do motivo
de saída está de acordo com o apresentado na Tabela 5.3. O semestre 0
corresponde a um semestre cursado no verão, independente da posição do
fluxo em que o aluno estava quando cursou. . . . . . . . . . . . . . . . . . 99
C.2 Índice de formatura por semestre. O semestre 0 corresponde a um semestre
cursado no verão, independente da posição do fluxo em que o aluno estava
quando cursou. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

xiv
C.3 Taxa de evasão feminina e motivos de saída. O código do motivo de saída
está de acordo com o apresentado na Tabela 5.3. . . . . . . . . . . . . . . . 102
C.4 Taxa de evasão masculina e motivos de saída. O código do motivo de saída
está de acordo com o apresentado na Tabela 5.3. . . . . . . . . . . . . . . . 102
C.5 Índice de evasão por idade e por motivo de saída. O código do motivo de
saída está de acordo com o apresentado na Tabela 5.3. . . . . . . . . . . . 102
C.6 Índice de formatura por idade. . . . . . . . . . . . . . . . . . . . . . . . . . 105
C.7 Taxa de evasão por tipo de escola e motivos de saída. O código do motivo
de saída está de acordo com o apresentado na Tabela 5.3. . . . . . . . . . . 106
C.8 Taxa de evasão por forma de ingresso. O código da forma de ingresso está
de acordo com o apresentado na Tabela 5.6. A quantidade de evadidos re-
presenta quantos alunos que entraram por cada uma das formas de ingresso
e evadiram. O total de alunos é a quantidade de alunos que entraram por
aquela forma de ingresso, independente da situação atual dele no curso, ou
seja, se está cursando, formado ou evadido. . . . . . . . . . . . . . . . . . . 107
C.9 Desempenho médio dos evadidos organizados em faixas de desempenho. . . 107
C.10 Desempenho médio dos formados organizados em faixas de desempenho. . 107
C.11 Taxa de reprovação média dos evadidos organizados em faixas de reprovação.108
C.12 Taxa de reprovação média dos formados organizados em faixas de reprovação.108
C.13 Média de créditos obrigatórios cursados por semestre dos evadidos. O se-
mestre 0 representa um semestre cursado no verão, independente do período
curricular que ele estava quando cursou. . . . . . . . . . . . . . . . . . . . 108
C.14 Média de créditos obrigatórios cursados por semestre dos formados. O se-
mestre 0 representa um semestre cursado no verão, independente do período
curricular que ele estava quando cursou. . . . . . . . . . . . . . . . . . . . 109
C.15 Índice de reprovação das matérias obrigatórias organizadas por departa-
mento dos alunos evadidos e dos formados. . . . . . . . . . . . . . . . . . . 109
C.16 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 1o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . 110
C.17 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 2o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . 110
C.18 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 3o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . 110
C.19 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 4o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . 110
C.20 Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 5o semestre do curso. Os códigos das disciplinas estão de acordo com
os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . 111
C.21 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 1o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

xv
C.22 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 2o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
C.23 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 3o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
C.24 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 4o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
C.25 Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigató-
rias recomendadas de serem cursadas no 4o semestre do curso. Os códigos
das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7,
2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
C.26 Menções obtidas pelos alunos evadidos nas disciplinas obrigatórias. Os
códigos das disciplinas estão de acordo com os apresentados nas Tabelas 2.5,
2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
C.27 Menções obtidas pelos alunos formados nas disciplinas obrigatórias. Os
códigos das disciplinas estão de acordo com os apresentados nas Tabelas 2.5,
2.7, 2.8, 2.9 e 2.10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

xvi
Capítulo 1

Introdução

O ensino superior, não apenas no Brasil mas em todos os países do mundo, possui uma
importância muito grande tanto para o estudante quanto para a sociedade, pois, como
citado por Ferreita et al. [17], ele pode ser considerado como um dos fatores fundamen-
tais para o desenvolvimento econômico, social e cultural nas nações, em um contexto de
crescente competição global.
Um grande problema que atinge o ensino superior atualmente, e que não se restringe
ao Brasil, é a quantidade de alunos que ingressam em uma instituição de ensino e, por
algum motivo, saem dela sem se formar. Essa questão da evasão gera consequências graves
em diversos âmbitos, tanto do sistema educacional quanto aos próprios estudantes, numa
dimensão social e financeira.
Por conta disso, tratar a evasão e a retenção de alunos tem sido um dos desafios do
ensino superior, como explicado por Sarker et al. [29].
Nesse contexto, tendo em vista a falta de estudos sobre evasão no Bacharelado em
Ciência da Computação (BCC − UnB), não se tem uma visão clara do desempenho do
curso atualmente.
Os resultados de análise de informações das causas, disciplinas ou algum conjunto
de fatores sobre a evasão no BCC − UnB e o delineamento de um perfil de um aluno
com risco de evasão pode auxiliar a Coordenação de Graduação do curso em dar suporte
específico a esses alunos e a orientar todos os demais alunos.

1.1 Problema
Nesse contexto, o problema desse trabalho é que não existem estudos sobre evasão no
BCC − UnB, ofertado pelo Departamento de Ciência da Computação da UnB.

1.2 Hipótese
A fim de solucionar o problema desse trabalho, essa pesquisa trabalhará com a hi-
pótese de que é possível determinar o perfil de um aluno em risco de evasão no curso
de Bacharelado em Ciência da Computação da UnB utilizando técnicas de mineração de
dados.

1
1.3 Objetivos
Objetivo geral
Analisar os fatores que levam à evasão dentro do BCC − UnB e identificar o perfil de
um aluno em risco de evasão usando uma abordagem baseada em mineração de dados.

Objetivos específicos

• Realizar análises estatísticas dos dados de evasão do curso de Bacharelado em Ci-

ência da Computação, a partir de dados do SIGRA.
• Propor técnica de mineração de dados para analisar os dados de evasão.
• Utilizar a técnica no Weka.
• Analisar os dados de evasão do BCC (obtidos do SIGRA).
• Discutir os resultados das estatísticas e da mineração de dados.

1.4 Organização do trabalho

O presente trabalho está organizado nos seguintes capítulos. O Capítulo 2 apresenta
uma visão geral da situação do ensino superior e dos conceitos básicos relacionados com
a evasão e trata sobre o BCC − UnB que será o estudo de caso desse trabalho. O
Capítulo 3 explica os conceitos e o processo de mineração de dados, além das ferramentas
utilizadas nesse trabalho. O Capítulo 4 apresenta alguns trabalhos já realizados sobre
estudo de evasão utilizando técnicas de análise e mineração de dados. O Capítulo 5
mostra o resultado da análise estatística dos dados e o Capítulo 6 apresenta o processo
realizado utilizando mineração de dados. As conclusões são apresentadas no Capítulo 7.

2
Capítulo 2

Educação Superior, Evasão e o BCC −

UnB

Nesse capítulo, inicialmente será discutido sobre Educação Superior e Evasão e, em

seguida, será descrito o PPP do BCC − UnB.
Na Seção 2.1 é apresentado o cenário atual da educação superior no Brasil e na Se-
ção 2.2 é definido o termo evasão. A Seção 2.3 apresenta alguns estudos sobre evasão, que
nesse trabalho foram analisados com o objetivo de auxiliar no entendimento do contexto
atual e na definição desse problema. A Seção 2.4 apresenta informações sobre o BCC −
UnB e suas disciplinas optativas e obrigatórias.

2.1 Educação Superior no Brasil

Uma forma conveniente de estudar o cenário da educação superior do Brasil é anali-
sando os dados fornecidos pelo INEP 1 (Instituto Nacional de Estudos e Pesquisas Edu-
cacionais Anísio Teixeira), órgão do Ministério da Educação 2 .
O INEP tem divulgado com frequência e de forma padronizada dados estatísticos da
educação superior em seu portal de dados 3 , que possuem informações como dados gerais
das instituições de ensino, matrículas, concluintes em cursos e processos seletivos.
De acordo com os dados divulgados pelo INEP em 2012, percebe-se, na Tabela 2.1, que
ocorre uma predominância de Instituições de Ensino Superior (IES) privadas no Brasil,
correspondendo 87.4% das IES brasileiras. Vale ressaltar que dentro de cada tipo de IES,
ou seja, pública e privada, estão sendo consideradas as diferentes formas de organização
acadêmica, como, universidades, centros universitários, faculdades, IF e CELET.
Ainda segundo os dados da Tabela 2.1, observa-se a predominância das IES priva-
das tanto na quantidade de cursos oferecidos (65.8%) quanto na quantidade de alunos
matriculados (73%).
Já a Tabela 2.2 mostra os dados da quantidade de cursos e de alunos matriculados por
área de conhecimento de acordo com o tipo de IES (pública ou privada). É interessante
notar que, com exceção de cursos da área de Agricultura e Veterinária, a quantidade de
1
http://www.inep.gov.br
2
http://www.mec.gov.br/
3
http://portal.inep.gov.br/

3
Tabela 2.1: Cenário do ensino superior em 2012 com base em estatísticas da educação
brasileira realizada pelo INEP [12].
Tipo de IES IES Cursos Matricula
Quantidade % Quantidade % Quantidade %
Pública 304 12.6 10.905 34.2 1.897.374 27.0
Privada 2.112 87.4 20.961 65.8 5.140.312 73.0
Total 2.416 100 31.866 100 7.037.688 100

alunos matriculados em cursos de cada área em IES privadas é superior a de alunos dessa
mesma área matriculados em instituições públicas.

Tabela 2.2: Quantidade de matrículas e cursos por área de conhecimento em 2012 com
base em estatísticas da educação brasileira realizada pelo Inep [12], sendo N a quantidade
total de cada tipo de curso e matrícula.
Área de conhecimento Pública Privada
Cursos Matrículas Cursos Matrículas
N % N % N % N %
Educação 4.471 41.1 601.167 31.8 3.700 17.6 761.068 14.8
Humanidades e Artes 618 5.2 61.281 3.3 836 4.0 98.726 1.9
Ciências Sociais, Ne- 1.698 15.6 424.606 22.6 7.854 37.4 2.472.257 48.1
gócios e Direito
Ciências, Matemática 1.143 10.5 170.434 9.1 2.033 9.7 260.580 5.1
e Computação
Engenharia, Produção 1.336 12.3 268.542 14.3 2.431 11.6 617.370 12.0
e Construção
Agricultura e Veteri- 553 5.1 102.311 5.6 327 1.6 62.764 1.2
nária
Saúde e Bem-Estar 846 7.9 215.492 11.5 2.861 13.7 745.831 14.5
Social
Serviços 240 2.3 31.362 1.8 919 4.4 121.365 2.4
Total 10.905 100 1.897.376 100 20.961 100 5.140.312 100

As estatísticas da Educação Superior realizadas pelo INEP fornecem diversos outros

dados que permitem analisar a qualidade da educação no Brasil. Desde a criação da Lei
no 10.861, de 14 de abril de 2004, o Sistema Nacional de Avaliação da Educação Superior
(SINAES) é utilizado para avaliar a qualidade da educação superior brasileira. O Sinaes
avalia aspectos como ensino, pesquisa, responsabilidade social, desempenho de alunos e
infraestrutura. Para atingir seu objetivo, o SINAES utiliza instrumentos complemen-
tares: auto-avaliação, avaliação externa, ENADE 4 , avaliação de cursos de graduação e
informações de censos e cadastros. Os processos avaliativos são coordenados e super-
visionados pela Comissão Nacional de Avaliação da Educação Superior (CONAES) e a
operacionalização é de responsabilidade do INEP.
Galvão et al. [22] questionam se o sistema de avaliação do SINAES é o único modelo
capaz de avaliar a qualidade do ensino superior no Brasil ou se outras propostas poderiam
4
http://portal.inep.gov.br/enade

4
trazer contribuições mais proveitosas. Ainda nesse estudo, eles propuseram um modelo
de avaliação global para instituições de ensino superior. Bertolin [5] também propôs um
sistema de indicadores para avaliar o desenvolvimento e a qualidade da educação superior
brasileira em nível de sistema, baseando-se em modelos já existentes no Brasil e no mundo.
Dois pontos que ambos colocaram como indicador e que vêm sendo estudados em todo o
mundo devido à importância para a educação são a evasão e a retenção.
O conceito de evasão será abordado com mais profundidade na subseção adiante, mas,
para uma breve análise da situação brasileira desses indicadores de evasão e retenção, é
importante definir como eles podem ser vistos.
Um estudo preliminar da situação da educação brasileira em relação a esses indicadores
pode ser realizado por meio da observação, na Tabela 2.3, da quantidade de estudantes que
ingressam em uma instituição de ensino superior e da quantidade daqueles que concluem
seus estudos no mesmo período. Nessa relação, o esperado seria que os dois dados fossem
semelhantes, já que, enquanto uma nova turma está ingressando, outra turma de mesma
quantidade de alunos deveria estar se formando. Analisando os dados provenientes do
censo do INEP, é possível ter uma noção da situação brasileira acerca dos indicadores de
evasão e de retenção e verificar que a realidade está longe do que é esperado.

Tabela 2.3: Quantidade de ingressantes e concluintes em cursos de graduação presenciais

do ensino superior em 2012 com base em estatísticas da educação brasileira realizada pelo
Inep [12].
Tipo de IES Ingressantes Concluintes Porcentagem
Pública 1.715.752 202.394 11.8%
Privada 4.208.086 673.697 16.0%
Total 5.923.838 876.091 14.8%

Como pode ser visto, apenas 14.8% da quantidade de matriculados concluem seus
estudos no mesmo período, caracterizando os 85.2% restantes como retidos ou evadidos
no ensino superior. Também pode ser notado que as instituições públicas possuem essa
diferença mais acentuada do que as privadas. Nas públicas, apenas 11.8% concluem
seus estudos contra 16% nas instituições particulares. Analisando os números dos cursos
de Ciências da Computação, apresentados na Tabela 2.4, nota-se a mesma situação da
esfera nacional, mas com uma queda nos índices dos cursos fornecidos por instituições
públicas. Os cursos de Ciências da Computação possuem apenas 14.3% concluintes da
quantidade de matriculados naquele período, mas apresentam uma queda para 9.4% do
valor comparando com as instituições públicas.

Tabela 2.4: Quantidade de ingressantes e concluintes em cursos de graduação presenciais

de Ciências da Computação do ensino superior em 2012 com em estatísticas da educação
brasileira realizada pelo Inep [12].
Tipo de IES Ingressantes Concluintes Porcentagem
Pública 43.681 4.088 9.4%
Privada 115.280 18.700 16.2%
Total 158.961 22.788 14.3%

5
 Esses números demonstram a importância dada por Bertolin [5] na inclusão dos indi-
cadores de evasão e de retenção para estudo do ensino superior no país.

2.2 Conceito de Evasão

Existem diversas definições para o termo evasão nos estudos sobre o assunto no ensino
superior. Santos et al. [15] consideram como evasão a situação em que um aluno que
ingressou no Ensino Superior deixa de realizar sua matrícula sem comunicar à instituição
os motivos do seu afastamento ou cancela definitivamente a mesma. A transferência de
instituição ou mudança de curso não se enquadra nessa definição. A definição de Baggi e
Lopes [4] é mais ampla e trata evasão como a saída do aluno da IES antes da conclusão
de seu curso. Segundo a Secretaria de Educação Superior (SESu 5 ) por meio da Comissão
Especial de Estudos sobre a Evasão nas Universidades Brasileiras, a evasão pode ser vista
como o desligamento do curso superior (abandono), a transferência, o trancamento ou
exclusão pela IES e saída definitiva ou temporária do sistema. Guidotti e Verdum [18]
entendem como evasão os movimentos de desistência voluntária dos alunos matriculados,
durante qualquer momento do curso, que sejam registrados por abandono, cancelamento,
trancamento ou transferência de matrícula para outra instituição.
Santos et al. [15] explicam que existe uma complexidade acerca do tema evasão pela
falta de consenso na literatura de uma definição única para evasão, tornando necessário
que toda pesquisa feita delimite o escopo do objeto de estudo. Para Lobo [21], a primeira
coisa a ser feita ao estudar a Evasão do Ensino Superior é ter clareza e explicitar qual
tipo de evasão será tratada: evasão do curso, evasão da IES ou evasão do sistema. Silva
Filho et al. [32] consideram que a evasão também pode ser entendida sob dois aspectos:
evasão anual média (mede a porcentagem de alunos que, estando matriculados em um
sistema de ensino, em uma IES ou em um curso e não se formou, não realizou a matrícula
no período seguinte.) e evasão total (mede a quantidade de alunos que, tendo entrado em
um determinado curso, IES ou sistema de ensino, não obteve o diploma ao final de um
certo número de anos). Já para Lima e Costa [20], a evasão pode ser divida em relação
à duração da evasão, se é definitiva ou temporária, e em relação a amplitude, se é do
sistema de ensino superior, da instituição ou do curso.
Para Silva Filho et al. [32], a evasão, além de afetar os resultados do sistema educa-
cional, pode ser considerada desperdício social, acadêmico e econômico. Esse problema
afeta tanto instituições da rede privada quanto das públicas, ocasionando uma ociosi-
dade de professores, funcionários, equipamentos e espaço físico, sem contar os gastos de
investimento público sem retorno, no caso de IES públicas, e perda de receita para as ins-
tituições privadas. Por conta disso, os motivos da evasão estão sendo estudados de forma
considerada em diversos países, pois esse problema não se restringe apenas ao Brasil. Na
seção seguinte serão detalhados alguns estudos nacionais e internacionais dessa área.

2.3 Estudos sobre evasão

Como citado na seção anterior, o tema da evasão no ensino superior tem recebido
um certo destaque em pesquisas por todo o mundo. Os trabalhos feitos por Morosini et
5
portal.mec.gov.br/sesu

6
al. [23] e por Santos [14] apresentam um levantamento de artigos já publicados na área
no Brasil com intuito de fazer uma análise geral sobre as informações deles. Esses dois
estudos mostram a diversidade de possibilidades de pesquisas dentro dessa área.
O trabalho de Morosini et al. [23] apresenta uma revisão bibliográfica dos textos publi-
cados nas principais revistas brasileiras de Educação com classificação A e B, segundo os
critérios de qualidade do sistema Qualis 6 da Coordenação de Aperfeiçoamento de Pessoal
do Nível Superior (Capes 7 ). Durante a análise, foi verificado que a maioria dos estudos
de outros autores foi feita de forma qualitativa com base em entrevistas, análise documen-
tal e análise bibliográfica. Os autores encontraram oito principais motivos para evasão
no ensino superior, dentre eles, aspectos financeiros, interpessoais, baixo desempenho em
atividades econômicas, aspectos sociais e baixo nível de motivação. Outra conclusão do
trabalho foi que, apesar de todos os estudos analisados falarem que a evasão acarreta uma
série de problemas, esses problemas não foram elucidados nos textos.
De forma semelhante, o trabalho de Santos [14] faz uma análise exploratória qualita-
tiva das pesquisas publicadas no Portal de Teses da Capes e nas reuniões semanais da
Associação Nacional de Pós-Graduação e Pesquisa em Educação(ANPEd 8 ). Como prin-
cipais motivos para a evasão no ensino superior, eles citaram: falta de motivação, falta de
hábito e técnicas de estudo individualizado, dificuldade de organizar o tempo disponível,
conciliar estudo e trabalho e formação escolar anterior precária.
Além de trabalhos relacionados com revisão bibliográfica, estão sendo aplicadas téc-
nicas para estudar casos específicos de evasão em determinadas universidades. Como
exemplo, Casartelli et al. [7] estudaram os motivos da evasão na Pontifícia Universidade
Católica do Rio Grande do Sul (PUCRS). O estudo foi de caráter qualitativo exploratório
em que foi criado um grupo focal com estudantes que evadiram da PUCRS para, com
base em um roteiro semi-estruturado, compreender as principais causas da evasão da Uni-
versidade. Esse método auxiliou a entender os motivos da evasão de forma mais efetiva
do que com o método tradicional utilizado na Universidade (preenchimento de formulário
sobre o motivo da evasão), pois os alunos evitam informar o real motivo de sua saída,
alegando apenas ser um motivo pessoal.
Com o mesmo objetivo, Perdomo et al. [25] realizaram um estudo dos motivos de
evasão na Escola Superior de Ciências da Saúde (ESA) da Universidade do Estado do
Amazonas (UEA). Diferentemente do trabalho de Casartelli et al. [7], as informações
foram obtidas a partir de documentos legais da própria Universidade, como documentos
referentes ao desligamento de alunos matriculados em um período e lista com o total
de vagas preenchidas independente da forma de ingresso na Universidade. Os dados
foram organizados em uma planilha e receberam um tratamento de estatística descritiva,
fornecendo gráficos e tabelas.
As conclusões em todos os trabalhos apresentados ainda são muito inconclusivas. É
consenso entre todos os autores citados que analisar dados para entender os motivos da
6
Qualis é o conjunto de procedimentos utilizados pela Capes para estratificação da qualidade da
produção intelectual dos programas de pós-graduação. A classificação de periódicos é realizada pelas
áreas de avaliação e passa por processo anual de atualização. Esses veículos são enquadrados em estratos
indicativos da qualidade - A1 (o mais elevado) até C (com peso zero). Fonte: Capes
7
http://capes.gov.br
8
http://www.anped.org.br

7
evasão ainda é uma atividade muito complexa mas que está com avanço nos resultados
devido ao aumento de publicações na área nos últimos anos.
Como resultado da análise das pesquisas realizadas, é possível perceber que os dados
são obtidos, em geral, de duas formas: por meio de questionários ou por meio de dados
que a instituição possui.
Um estudo sobre a forma de obter esses dados de evasão de uma instituição foi realizado
por Sarker et al. [30]. Os autores apresentam a situação da evasão universitária no Reino
Unido que, assim como no Brasil, está se tornando um problema cada vez maior e gerando
diversos custos. Atualmente, o método de entender os motivos da evasão é por meio de
questionários. Eles apresentam algumas dificuldades no uso desse método, relacionadas
com o custo e esforço de administrar a aplicação e resultados e baixa taxa de participação
dos estudantes no preenchimento dos questionários. Os autores propuseram alterar essa
forma de avaliação: explorar as informações dos bancos de dados institucionais e de
dados abertos para predizer os fatores relacionados com evasão e retenção de alunos nas
instituições. Foi apresentada uma arquitetura para obtenção, manipulação e exibição dos
dados que apresentou resultados bem satisfatórios.
Tendo como base a pesquisa de Sarker et al. [30], surge o questionamento sobre a
possibilidade de utilizar dados que a instituição já possui para estudar, de forma mais
simples e econômica, o problema da evasão.

2.4 Bacharelado em Ciência da Computação - UnB

O BCC − UnB [11] forma profissionais necessários para diversas atividades humanas,
demanda que aumenta cada vez mais devido ao crescimento tecnológico.
O estudante do curso precisa ter afinidade com as Ciências Exatas e criatividade para
pensar e implementar soluções. O curso apresenta uma base geral em Matemática, Física,
Inglês e Português e uma introdução à áreas específicas da computação no primeiro ano.
Nos anos seguintes da graduação, ocorre um reforço na parte de sistemas de computação.
Para auxiliar no andamento do curso, o Departamento de Ciência da Computação (CIC)
conta com sete laboratórios para a prática profissional e também oferece possibilidade de
participação em projetos de pesquisa.
Ao se formar, o estudante poderá atuar nas áreas de desenvolvimento de software,
gerência de redes e manutenção/suporte.

2.4.1 Informações sobre o curso

Nome do curso: Ciência da Computação
Habilitação: Bacharelado em Ciência da Computação
Unidade Acadêmica: Instituto de Ciências Exatas (IE)
Campus: Darcy Ribeiro
Turno: Diurno
Reconhecido pelo MEC: sim
Currículo vigente em: 2007/2
Máximo de créditos por período: 32
Mínimo de créditos por período: 15
Créditos exigidos: 240

8
 Limite mínimo de permanência semestral: 7
Limite máximo de permanência semestral: 14
Recomendação de permanência semestral: 9

2.4.2 Disciplinas obrigatórias

A Tabela 2.5 apresenta a lista das disciplinas obrigatórias do BCC − UnB e a quan-
tidade de créditos de cada disciplina.

Tabela 2.5: Disciplinas obrigatórias do BCC − UnB [10].

Código Disciplina Créditos

113107 ÁLGEBRA 1 004
113123 ÁLGEBRA LINEAR 006
116378 BANCOS DE DADOS 004
113034 CÁLCULO 1 006
113042 CÁLCULO 2 006
113051 CÁLCULO 3 006
113417 CÁLCULO NUMERICO 004
116351 CIRCUITOS DIGITAIS 006
116301 COMPUTAÇÃO BÁSICA 006
116441 ENGENHARIA DE SOFTWARE 004
116319 ESTRUTURAS DE DADOS 004
118001 FÍSICA 1 004
118010 FÍSICA 1 EXPERIMENTAL 002
118028 FÍSICA 2 004
118036 FÍSICA 2 EXPERIMENTAL 004
118044 FÍSICA 3 004
118052 FÍSICA 3 EXPERIMENTAL 004
145971 INGLÊS INSTRUMENTAL 1 004
116416 INTRO SISTEMAS INFORMAÇÃO 004
113930 INTRODUÇÃO A TEORIA DOS GRAFOS 004
140481 LEITURA E PRODUÇÃO DE TEXTOS 004
116343 LINGUAGENS DE PROGRAMAÇÃO 004
116394 ORG ARQ DE COMPUTADORES 004
116327 ORGANIZAÇÃO DE ARQUIVOS 004
115045 PROBABILIDADE E ESTATÍSTICA 006
113956 PROGRAMAÇÃO SISTEMÁTICA 004
116467 SISTEMAS OPERACIONAIS 006
116432 SOFTWARE BASICO 004
113115 TEORIA DOS NÚMEROS 004
116459 TRADUTORES 006

Além dessas matérias, os estudantes precisam concluir as Cadeias e Ciclos apresentados

nas Tabelas 2.6, 2.7, 2.8, 2.9 e 2.10.

9
 Tabela 2.6: Cadeia 4: Ciclo 3: o aluno deverá cursar [10].

Código Disciplina Créditos

113948 LINGUAGENS FORMAIS E AUTÔMATOS E 004
116360 TEORIA DA COMPUTAÇÃO OU 004
116882 AUTÔMATOS E COMPUTABILIDADE 006

Tabela 2.7: Cadeia 5: Ciclo 3: o aluno deverá cursar [10].

Código Disciplina Créditos

116475 TRABALHO DE GRADUAÇÃO OU 006
116912 TRABALHO DE GRADUAÇÃO 1 E 002
116921 TRABALHO DE GRADUAÇÃO 2 004

Tabela 2.8: Cadeia 6: Ciclo 3: o aluno deverá cursar [10].

Código Disciplina Créditos

137481 LÓGICA 1 OU 006
117366 LÓGICA COMPUTACIONAL 1 004

Tabela 2.9: Cadeia 7: Ciclo 3: o aluno deverá cursar [10].

Código Disciplina Créditos

113859 ANÁLISE DE ALGORITMOS OU 004
117536 PROJETO ANÁLISE DE ALGORITMOS 004

Tabela 2.10: Cadeia 8: Ciclo 3: o aluno deverá cursar [10].

Código Disciplina Créditos

116424 TRANSMISSÃO DE DADOS OU 004
204315 TELEINFORMÁTICA E REDES 1 004

As ementas das disciplinas obrigatórias e seus pré-requisitos estão mostradas no Anexo I.

2.4.3 Disciplinas optativas

A Tabela 2.11 apresenta a lista das disciplinas optativas do Bacharelado em Ciência
da Computação e a quantidade de créditos de cada disciplina.

10
Tabela 2.11: Disciplinas optativas do Bacharelado em Ciência da Computa-
ção da UnB [10].

Código Disciplina Créditos

113131 ALGEBRA 2 004
117145 ALGEBRA 3 004
113204 ANALISE 1 006
113212 ANALISE 2 004
117137 ANALISE 3 004
113972 ANALISE COMBINATORIA 004
145491 ANALISE DA IMAGEM 004
117188 ANALISE E PROJETO DE SISTEMAS 006
153206 ANALISE GRAFICA 1 004
113506 ANALISE NUMERICA 1 004
194671 APREND E DESENV DO PNEE 004
116594 ARQUITETURAS AVANCADAS 004
316407 ARQUITETURAS VLSI 004
116769 ARTES GRAF E TIPOGRAF DIGITAL 004
192287 AVALIACAO DA APRENDIZAGEM 004
204358 AVALIAÇÃO DESEMPENHO DE REDES 004
113824 CALCULO DE PROBABILIDADE 1 006
113832 CALCULO DE PROBABILIDADE 2 004
204340 COMPUT MÓVEL REDES SEM FIO 004
186163 COMUNICACAO E NEGOCIACAO 004
117285 CONSTRUCAO DE PECAS MULTIMIDIA 004
181919 CONTAB E ANALISES DE BALANCOS 004
181129 CONTABILIDADE GERAL 1 004
192104 CURRICULOS E PROGRAMAS 1 004
117561 DEPEND EM SIS COMPUTACIONAIS 004
153133 DESENHO GEOMETRICO 006
116777 EDSITORACAO POR COMPUTADOR 004
191621 EDUC AMB E PRAT COMUNITARIAS 004
192562 EDUCACAO A DISTANCIA 004
153001 ELEM LING ESTÉTICA HIST ARTE 1 004
153010 ELEM LING ESTÉTICA HIST ARTE 2 004
200662 EMPREENDEDORISMO I TECNOLÓGICA 004
170721 EMPRESA JUNIOR 1 006
170739 EMPRESA JUNIOR 2 006
113301 EQUACOES DIFERENCIAIS 1 004
124664 ERGONOMIA 1 006
116661 ESTU INTELIGENCIA ARTIFICIAL 004
116556 ESTUDOS EM CRIPTOGRAFIA 004
116629 ESTUDOS EM SIS DE COMPUTACAO 004
116521 ESTUDOS PROCES ESPECTRAL 004
Continua na página seguinte

11
 Tabela 2.11 – Continuação da tabela da página anterior
Código Disciplina Créditos
116734 ESTUDOS SISTEMAS INFORMACAO 004
153079 EXPRES SUPERF VOL, MOVIMENTO 004
116688 FERRAMENTA AN SISTEMAS 004
137634 FILOSOFIA DA LINGUAGEM 004
139602 FILOSOFIA DA MENTE 004
118061 FISICA 4 004
118079 FISICA 4 EXPERIMENTAL 004
140511 FONETICA FONOLOGIA PORTUGUES 004
200379 FUND COMPUT DE ROBÓTICA 004
153699 FUND DA LINGUAGEM VISUAL 006
117579 FUND DE SISTEMAS INTELIGENTES 004
316377 FUND SIS COMPUTACIONAIS 004
191663 FUNDAMENTOS DA EDUC AMBIENTAL 004
117161 GEOMETRIA 1 004
117170 GEOMETRIA 2 004
113328 GEOMETRIA DIFERENCIAL 1 004
204331 GER E SEGURANÇAO DE REDES 004
116700 GERENCIA DE PROJETOS 004
117200 GERENCIA DE REDES 004
186171 GESTAO ORGANIZACIONAL 004
152901 INFOESTETICA 1 - EST IMAG INF 004
116858 INFORMATICA APLIC A EDUCACAO 004
116726 INFORMATICA E SOCIEDADE 002
116718 INFORMATICA NAS ORGANIZACOES 004
142573 INGLÊS INSTRUMENTAL 2 004
316024 INTELIGÊNCIA ARTIFICIAL 1 004
316032 INTELIGÊNCIA ARTIFICIAL 2 004
117587 INTERAÇÃO HUM COMPUTADOR 004
170054 INTR A ATIVIDADE EMPRESARIAL 004
117129 INTRO A COMPUTACAO ALGEBRICA 004
113433 INTRO A PROGRAMACAO LINEAR 004
117072 INTRO AS EQUACOES DIF PARCI 004
116653 INTRO INTELIGENCIA ARTIFICIAL 004
117544 INTROD A SISTEMAS MULTIAGENTES 004
117552 INTROD AO DESENV DE JOGOS 004
181013 INTRODUCAO A ADMINISTRACAO 004
185035 INTRODUÇÃO A CIÊNCIA POLÍTICA 004
132012 INTRODUÇÃO A ECONOMIA 004
191019 INTRODUCAO A EDUCACAO 004
191299 INTRODUCAO A EDUCACAO ESPECIAL 004
153061 INTRODUCAO A ESCULTURA 006
137553 INTRODUCAO A FILOSOFIA 004
140082 INTRODUÇÃO A LINGÜÍSTICA 004
Continua na página seguinte

12
 Tabela 2.11 – Continuação da tabela da página anterior
Código Disciplina Créditos
156272 INTRODUCAO A PINTURA 006
124010 INTRODUÇÃO A PSICOLOGIA 004
134465 INTRODUÇÃO A SOCIOLOGIA 004
117242 INTRODUCAO AO PROC DE IMAGENS 004
156264 INTRODUCAO AOS MULTI MEIOS 006
116491 INTRODUCAO COMPUTACAO SONICA 004
153711 INTRODUCAO PROGRAMACAO VISUAL 006
116670 LEVANTAMENTO DADOS PESQUISA 004
116815 LING P/INTELIGENCIA ARTIFICIAL 004
147630 LINGUA CHINESA 1 004
147648 LÍNGUA CHINESA 2 004
147656 LINGUA CHINESA 3 004
150649 LÍNGUA SINAIS BRAS - BÁSICO 004
316041 LINGUAGENS DECLARATIVAS 004
116751 LINGUAGENS P/ SIS EDITORACAO 004
117374 LÓGICA COMPUTACIONAL 2 004
117358 LÓGICA MAT E COMPUTACIONAL 004

13
Capítulo 3

Mineração de Dados

Nesse capítulo, são descritos os conceitos gerais de mineração de dados necessários

ao entendimento desse trabalho. Na Seção 3.1 é apresentada uma visão geral sobre a
área de mineração de dados e, na Seção 3.2, os principais conceitos da área. A Seção 3.3
descreve os diferentes tipos de aprendizado. As técnicas de mineração são apresentadas
na Seção 3.4. A Seção 3.5 apresenta ferramentas utilizadas para mineração de dados.

3.1 Apresentação
Segundo Han e Kamber [19], a mineração de dados começou a ter sua importância
percebida nos últimos anos pela indústria da informação e pela sociedade como um todo
devido à grande quantidade de dados existentes e à necessidade de transformar esses dados
em informações úteis e em conhecimento.
De acordo com Witten et al. [35], essa grande quantidade de dados existentes aumenta
a cada dia e não parece ter um fim. Alguns motivos citados que originam nessa quantidade
de dados são: facilidade de salvar dados nos computadores, baixo custo de discos rígidos
e as opções de armazenamento online, elementos da computação ubíqua que armazenam
diversos tipos de dados, etc.
É possível perceber, segundo Witten et al. [35], o crescimento de uma lacuna entre a
geração de dados e o entendimento deles. A geração e o entendimento de dados são inver-
samente proporcionais, ou seja, à medida que a quantidade de dados existente aumenta,
o entendimento desses dados decresce.
Escondidas nesse grande volume de dados, existem informações úteis que raramente
são explícitas ou utilizadas. A mineração de dados se preocupa em identificar padrões
nesses dados armazenados eletronicamente de forma automatizada por um computador.

3.2 Conceitos básicos

Essa seção apresenta os principais conceitos que precisam ser compreendidos para
estudo de mineração de dados.

14
3.2.1 Mineração de dados e Extração de conhecimento
Han e Kamber [19] definem, de forma ampla e simples, mineração de dados como
o processo de extrair ou, como o próprio nome diz, “minerar” conhecimento de grandes
quantidades de dados.
No entanto, segundo Fayad et al. [16], a mineração está além disso. A mineração
de dados é uma das etapas do Knowledge-Discovery in Databases (KDD ou extração de
conhecimento, em português) que consiste na aplicação de algoritmos específicos para
extrair padrões dos dados.
Por conta disso, o conceito de extração de conhecimento costuma ser usado como
sinônimo de mineração de dados, o que é um erro pois representam coisas distintas. A
extração de conhecimento é, como pode ser visto na Figura 3.1, um processo interativo
de identificação de informações válidas, úteis e legíveis nos dados, mesmo que somente
após a realização de alguns processamentos neles, e também de determinação de novos
padrões.
Como mostrado na Figura 3.1, o processo de extração de conhecimento é composto
por sete etapas:

1. Limpeza dos dados

Remoção de dados inconsistentes ou sem significado.
2. Integração dos dados
Combinação de dados de diferentes bancos de dados.
3. Seleção de dados
Recuperação de dados dos bancos de dados que são relevantes para a aplicação.
4. Transformação dos dados
Aplicação de operação de resumo ou agregação com intuito de transformar ou con-
solidar os dados em formas adequadas para a mineração.
5. Mineração de dados
Processo essencial de aplicação de métodos inteligentes para extração de padrões de
dados.
6. Avaliação dos padrões
Identificação dos padrões que realmente são interessantes para representação do
conhecimento baseado em mensurações.
7. Apresentação do conhecimento
Uso de técnicas de visualização de dados e representação do conhecimento para
apresentação para o usuário dos conhecimentos que foram minerados.

Para Han e Kamber [19], a mineração de dados envolve técnicas multidisciplinares,

como tecnologias de banco de dados e de data warehouse, estatística, machine learning,
computação de alta performance, reconhecimento de padrões, redes neurais, visualização
de dados, recuperação de informações, processamento de imagens e sinais e analisadores
espaciais e temporais de dados.

15
Figura 3.1: Etapas do processo de extração de conhecimento. Adaptado de Han e Kam-
ber [19].

É importante ressaltar que a mineração de dados deve ter como base técnicas eficientes
e escaláveis. Um algoritmo é escalável quando o tempo de execução aumenta de forma
linear proporcionalmente ao tamanho dos dados de acordo com os recursos disponíveis,
como memória e espaço em disco.
Os conhecimentos interessantes, regularidades ou informações de alto nível extraídas
dos bancos de dados com mineração de dados podem ser vistas de diferentes ângulos. O
conhecimento obtido pode ser usado em diferentes situações, como: tomada de decisão,
controle de processo, gerenciamento de informações e processamento de consultas.
Por conta disso, a mineração de dados é considerada uma das áreas mais importantes
em sistemas de banco de dados e de informações, é uma das áreas de desenvolvimento
interdisciplinar mais promissoras da tecnologia da informação.

16
3.2.2 Objetivos da extração de conhecimento
De acordo com Fayad et al. [16], existem dois tipos de objetivos no processo de extração
de conhecimento: verificação e descoberta.

• Verificação
O sistema se limita a verificar as hipóteses definidas pelos usuários.
• Descoberta
O sistema automaticamente encontra novos padrões nos dados.
O objetivo de descoberta pode ser dividido em dois outros objetivos: predição e
descrição.

– Predição
O sistema encontra padrões para predizer o comportamento futuro de algumas
entidades.
– Descrição
O sistema encontra padrões para apresentar aos usuários de forma compreen-
sível por humanos.

3.2.3 Arquitetura de um sistema de mineração de dados

A arquitetura típica de um sistema de mineração de dados, de acordo com Han e
Kamber [19], é apresentada na Figura 3.2.
A arquitetura básica de um sistema de mineração de dados possui diversos componen-
tes, descritos a seguir.

• Banco de dados, Data Warehouse,World Wide Web e outros repositórios de infor-

mações.
Um ou mais conjuntos de bancos de dados, Data warehouses ou outros tipos de
repositórios de informações, como planilhas; é nesse componente que as técnicas de
limpeza e de integração de dados costumam ser aplicadas.
• Banco de dados ou servidor de Data warehouse
Esses componentes são responsáveis por determinar os dados que são relevantes, de
acordo com as requisições do usuário do sistema de mineração de dados.
• Base de conhecimento
Domínio que é usado para guiar as pesquisas ou avaliar quais os padrões resultantes
que são interessantes para a aplicação.
Esse conhecimento pode incluir hierarquia de conceitos (usada para organizar os
atributos e seus valores em diferentes níveis de abstração), crenças de usuários (usa-
das para avaliar o quão interessante um padrão é baseado em sua imprevisibilidade),
restrições adicionais, metadados, entre outros.

17
Figura 3.2: Arquitetura típica de um sistema de mineração de dados. Adaptado de Han
e Kamber [19].

• Motor de mineração de dados

Esse componente é essencial para o sistema de mineração de dados. Ele consiste em
um conjunto de módulos funcionais para realização de atividades como caracteriza-
ção, associação e correlação estatística, classificação, predição, clusterização, entre
outros.
• Módulo de avaliação de padrões
Aplicação de medidas para determinar o grau de interesse de um padrão e é respon-
sável pela interação com os módulos de mineração de dados, de modo a pesquisar
padrões interessantes.
Esse módulo pode ser integrado ao de mineração, dependendo do método escolhido
para a implementação. Visando a eficiência da mineração de dados, é altamente
recomendável inserir o avaliador de interesse dos padrões o mais profundamente
possível no processo de mineração, a fim de limitar as buscas apenas aos padrões
interessantes.
• Interface do usuário

18
 Módulo responsável por realizar a comunicação entre os usuários e o sistema de
mineração de dados, permitindo que o usuário interaja com o sistema especificando
consultas ou atividades, fornecendo informações para deixar a busca mais focada,
explorando a mineração de dados com base nos resultados intermediários. Além
disso, a interface permite que o usuário possa navegar por esquemas de banco de
dados e de data warehouse ou por estrutura de dados, avaliar os padrões que foram
minerados e visualizá-los de diferentes formas.

3.3 Tipos de aprendizado

De acordo com Han e Kamber [19], a mineração de dados envolve técnicas de machine
learning e, portanto, é importante entender os tipos de aprendizado que existem.
Alpaydin [2] classifica o aprendizado em três tipos: supervisionado, não supervisionado
e por reforço, detalhados nas subseções seguintes.

3.3.1 Aprendizado supervisionado

O objetivo do aprendizado supervisionado é aprender a fazer um mapeamento dos
valores de entrada para os de saída com base em valores corretos fornecidos por um
supervisor.
Para isso, conforme explicado por Donalek [13], o processo de aprender possui uma
fase de aprendizado com dados de testes, chamada de treinamento. São fornecidos os
dados de entrada e resultados esperados e alguns exemplos de dados já possuem resultado
correto determinado pelo usuário. Também é reforçada a importância da generalização,
que é a habilidade de produzir saídas razoáveis para entradas que não foram encontradas
na fase de treinamento.

3.3.2 Aprendizado não supervisionado

Ao contrário do aprendizado supervisionado, no não supervisionado não existe um
supervisor, apenas existem dados de entrada. O objetivo é encontrar regularidades nos
dados de entrada.
Pujari [26] define o aprendizado não supervisionado como a descoberta automática
(sem intervenção humana) de informações escondidas nos dados por meio de identificação
de padrões.

3.3.3 Aprendizado por reforço

O aprendizado por reforço é interessante em aplicações cuja saída do sistema seja uma
sequência de ações e, nesse caso, o que importa é a política definida pelo conjunto de
ações corretas para atingir um determinado objetivo. Uma única ação não é importante e
não existe uma ação que seja melhor do que as outras em um estado intermediário, o que
torna uma ação boa é se ela faz parte de uma política que levará ao alcance do objetivo.
No aprendizado por reforço, então, o programa deverá aprender com base nas ações
corretas e incorretas realizadas no passado para criar uma boa política.

19
3.4 Técnicas de mineração de dados
Existem diversas técnicas de mineração de dados: classificação, regressão, clusteriza-
ção, sumarização, associação, redução, entre outras. Para cada uma dessas técnicas, já
existem diversos algoritmos desenvolvidos.
As três técnicas que serão focadas no desenvolvimento desse trabalho são: classificação,
regressão e clusterização, explicadas a seguir.

3.4.1 Classificação
A classificação é uma técnica baseada no aprendizado supervisionado. De forma geral,
explicada por Donalek [13], essa técnica divide as amostras de dados em classes determi-
nadas pelo usuário e utiliza os dados de treino, que já foram classificados, para classificar
o restante dos dados nas classes corretas.
Han e Kamber [19] descrevem a técnica como um processo de duas etapas. A primeira
etapa, chamada de fase de treino, consiste na criação de um classificador que descreve um
conjunto de classes e conceitos pré-determinados. O algoritmo de classificação irá construir
esse classificador por meio do aprendizado baseado no conjunto de testes, representados
por uma tupla (vetor de atributos de dimensão n) que conterá atributos e pertencerá a
uma classe já determinada por outros atributos do banco de dados, chamados atributos
rótulos de classes. A Figura 3.3 representa um exemplo dessa primeira etapa.

Figura 3.3: Exemplo da etapa de treinamento da classificação, segundo Han e Kamber [19].
Nesse exemplo, a classificação terá objetivo de determinar se um empréstimo é de risco
ou é seguro. Os arquivos de entrada já possuem exemplos de algumas pessoas e, com base
nesses dados, o algoritmo de classificaão determina as regras da classificação.

A segunda etapa é onde ocorre efetivamente a classificação. Um ponto importante

dessa técnica é estimar a acurácia da classificação. Como não é possível determinar a
acurácia do classificador unicamente com base na fase de treino, uma vez que podem
ter ocorrido anomalias, ou seja, dados com padrões diferentes dos demais, nos arquivos
de treinos que não correspondem aos demais dados do banco, é criado um conjunto de

20
testes, formado por tuplas com o atributo rótulo de classe já associado e que não estavam
presentes na fase de treino. A acurácia será dada pela porcentagem de tuplas do conjunto
de testes que foram classificadas corretamente pelo classificador, ou seja, que o atributo
rótulo de classe da tupla seja igual ao da predição feita pelo classificador. Caso essa
acurácia seja considerável aceitável pela aplicação, é possível utilizar esse classificador
para predizer qual a classe das tuplas em que não se conhece o atributo rótulo de classe.
A Figura 3.4 representa um exemplo dessa segunda etapa, relacionado ao exemplo dado
na Figura 3.3.

Figura 3.4: Exemplo da segunda etapa da classificação, segundo Han e Kamber [19]. Esse
exemplo representa a segunda etapa do que foi representado na Figura 3.3. Os arquivos
de testes, que já estão classificados mas não foram utilizados na fase de treinamento,
rodam sobre as regras de classificação para verificar a acurácia do classificador. Caso a
acurácia esteja satisfatória para a aplicação, nosso dados iram rodar sobre essas regras de
classificação para determinar se o empréstimo é de risco ou não.

Algoritmos de classificação
Existem diversos algoritmos de classificação. Wu et al. [36] apresentaram uma lista com
os 10 melhores algoritmos de mineração de dados. Dentre os de classificação, destacam-se:
Naive Bayes, Support Vector Machine (SVM), k-nearest neighbor (kNN) e C4.5.
O Naive Bayes é considerado de fácil construção e não faz uso de parâmetros iterati-
vos complicados, o que permite que ele seja facilmente aplicado a grandes quantidades de
dados. Sua interpretação também é relativamente fácil, inclusive para pessoas sem conhe-
cimentos avançados em computação. Além disso, apesar de sua simplicidade, ela costuma
ter bons resultados, podendo ser invocado em situações que exigam robustez. A classifi-
cação acontece por meio de cálculos de probabilidade para determinar a probabilidade de
cada instância pertencer a uma classe.
O SVM é um algoritmo considerado que vale a pena ser testado em aplicações de
aprendizado de máquina por ser um dos algoritmos com maior robustez e acurária. Suas
vantagens são o bom fundamento teórico, necessidade de poucos exemplos para a fase
de treinamento e funciona independente da quantidade de atributos. Seu funcionamento

21
ocorre por meio de uma função matemática criada na fase de treinamento capaz de dis-
tinguir as possíveis classes.
O kNN é um algoritmo que detecta um grupo de k objetos que foram utilizados na fase
de treinamento e que mais se assemelha a um novo dado que está sendo testado e classifica
essa nova instância de acordo com a classificação que mais ocorre nessa vizinhança. Os
três elementos chave desse algoritmo são: o conjunto de registros que foram utilizados na
fase de treinamento, a métrica utilizada para computador a distância dos objetos (o que
determina a vizinhança) e o valor de k (quantidade de vizinhos). A classificação de uma
nova instância ocorre com o cálculo da distância dos objetos já classificados em relação a
esse, a identificação dos k vizinhos mais próximos e a determinação da classe por meio da
classificação desses vizinhos.
O C4.5 é um algoritmo baseado em árvore de decisão descendente do ID3, outro
algoritmo bem conhecido que gera árvore de decisão para classificar as instâncias. O C4.5
constrói a árvore por meio de uma abordagem dividir para conquistar. ID3, segundo
Adhatrao et al. [1], é um algoritmo matemático inventado em 1979 utilizado para criação
de árvores de decisão. O splitting criteria, ou seja, o critério utilizado para escolha do
atributo em cada nó da árvore, é a entropia. A entropia é a medida de quão aleatório
é um conjunto de dados e, portanto, quanto maior a entropia, maior a necessidade de
informações para descrever o dado.

3.4.2 Regressão
Assim como a classificação, a regressão também é uma técnica baseada no aprendizado
supervisionado. Roiger e Geatz [27] definem a regressão como uma generalização de um
conjunto de dados numéricos por meio da criação de equações matemáticas relacionando
um ou mais atributos em um único atributo numérico de saída. Apesar de uma regressão
poder ser não linear, em geral o uso popular da regressão é para modelo lineares.
Segundo Han e Kamber [19], ao contrário da classificação, que possui, em geral, um
resultado booleano como saída, ou seja, se uma tupla pertence ou não a uma classe, a
regressão tem como saída um valor numérico.
Alpaydin [2] explica que a técnica é supervisionada já que não se sabe inicialmente
qual a fórmula utilizada para fazer a regressão, ela será obtida com base no conjunto
de testes. Por meio de equações estatísticas, é possível determinar qual a função que
representa a regressão. É importante ressaltar que, apesar de na fase de treino o erro
diminuir à medida que o grau da equação aumenta, esse alto grau pode ser interessante
apenas para detectar os exemplos fornecidos no treino, mas não a forma geral do restante
dos dados. Portanto, é importante tomar cuidado ao determinar o grau da equação.

3.4.3 Clusterização
Ao contrário das técnicas citadas acima, a clusterização é baseada no aprendizado não
supervisionado.
De forma geral, definida por Donalek [13], a clusterização agrupa os dados em sub-
grupos (clusters) de forma que os dados em cada grupo compartilhem características em
comum.

22
3.5 Ferramentas de mineração de dados
Existem diversas ferramentas que facilitam a mineração de dados, como Weka, Rapid
Miner 1 e Matlab 2 . O Weka, que foi utilizado nesse trabalho, será apresentado breve-
mente.
Weka, que representa uma abreviação de Waikato Environment for Knowledge Analy-
sis, é, segundo o próprio site do projeto [24], uma coleção de algoritmos do estado da arte
de Learning Machine para a realização de atividades de mineração de dados.
De acordo com Witten et al. [35], o Weka foi desenvolvido na Universidade de Wai-
kato, Nova Zelândia, utilizando a linguagem Java e compatível com Linux, Windows e
Macintosh. Ele provê uma interface para diferentes algoritmos de aprendizado de má-
quina, métodos para pré e pós-processamento de dados e para avaliação dos resultados
dos esquemas de aprendizado em qualquer conjunto de dados fornecido como entrada.
O Weka é uma ferramenta que facilita o processo de mineração de dados. Dentre
as vantagens, podemos destacar a existência dos principais algoritmos de mineração, ou
seja, classificação, clusterização, associação e seleção de atributos. Além disso, ele foi
desenvolvido de forma que possibilite o uso rápido dos métodos existentes de forma flexível
em novos conjuntos de dados. Ele fornece suporte para todo o processo de mineração de
dados, que vai desde a preparação dos dados de entrada até a visualização do resultado do
aprendizado. Também estão inclusos uma variedade de ferramentas de pré-processamento.
Existe uma facilidade em comparar os métodos existentes e identificar o mais apropriado
para cada problema. Todas essas etapas de fazer um pré-processamento em um conjunto
de dados, organizar os dados em esquemas de aprendizado e analisar o resultado e a
performance de cada classificador podem ser realizadas sem escrever nenhuma linha de
código.
Existem três formas de utilizar o Weka. A primeira é aplicar um dos métodos de
aprendizado a um conjunto de dados e analisar o resultado da saída. A segunda é utilizar
os modelos de aprendizado para gerar predições em novas instâncias. E, por último, a
terceira é aplicar diferentes formas de aprendizado e comparar o desempenho de cada
uma para escolher a melhor a ser usada na predição. Esse desempenho é medido por um
módulo de avaliação comum que avalia a performance de todos os classificadores.
O recurso mais valioso que o Weka fornece é a implementação dos esquemas de apren-
dizado, seguido pelas ferramentas de pré-processamento de dados, os filtros.
Existem três principais interfaces gráficas para usuários no Weka: Explorer, Knowledge
Flow e Experimenter. Também é possível utilizar o Weka por linha de comando.
A interface chamada Explorer, exibida na Figura 3.5, é o jeito mais fácil de utilizar o
Weka e é por ela que os usuários costumam iniciar a utilização da ferramenta. Ela permite
acesso a todos os recursos utilizando um menu e formulários, tornando possível a criação
de uma árvore de decisão, ou qualquer outro algoritmo existente na ferramenta, com base
em um conjunto de dados fornecido como entrada. Essa interface facilita a exploração
dos algoritmos existente ao apresentar as opções como escolhas no menu e campos de
formulários para preencher. Além disso, ao passar o mouse nas opções, uma explicação é
dada sobre a funcionalidade. Uma desvantagem dessa interface é que ela mantém todos
1
https://rapidminer.com/
2
http://www.mathworks.com/products/matlab/

23
os dados em memória e, por isso, a Explorer só pode ser aplicada a programas de pequeno
e médio porte.

Figura 3.5: Interface Explorer do Weka versão 3.6 no Windows.

Knowledge Flow é uma interface que permite o projeto de configurações para o pro-
cessamento de dados. Essa interface, representada na Figura 3.6, permite análises mais
complexas por meio da combinação de componentes que representam fontes de dados,
ferramentas de pré-processamento, algoritmos, métodos de avaliação e módulos de visua-
lização. Essa combinação é facilitada pelo recurso de arrastar caixas que representam os
algoritmos e fontes de dados e juntá-las como desejar.

Figura 3.6: Interface Knowledge Flow do Weka versão 3.6 no Windows.

A última interface gráfica, representada na Figura 3.7, é chamada de Experimenter e

tem o objetivo de responder questões básicas quando são aplicadas técnicas de classifica-

24
ção e regressão. Uma pergunta que essa interface ajuda a responder é: quais os métodos
e valores de parâmetros que possuem melhor resultado para um determinado problema?
Essa ajuda é feita pela facilidade que a interface provê de executar classificadores e filtros
com diferentes configurações de parâmetros de forma automatizada e interativa, armaze-
nando as estatísticas de desempenho e realizando testes significativos.

Figura 3.7: Interface Experimenter do Weka versão 3.6 no Windows.

25
Capítulo 4

Trabalhos Relacionados

Esse capítulo apresenta trabalhos sobre evasão que fizeram uso de análise e/ou minera-
ção de dados, com o objetivo de verificar os procedimentos utilizados para esse estudo em
instituições com base nessas técnicas, visando auxiliar o desenvolvimento da metodologia
utilizada nesse trabalho. A Seção 4.1 apresenta uma visão geral dos trabalhos estudados.
A Seção 4.2 detalha os trabalhos realizados na UnB e a Seção 4.3 os realizados no Brasil.
A Seção 4.4 compara os dados e metodologias desses trabalhos.

4.1 Visão geral

Como dito nos capítulos anteriores, os trabalhos sobre evasão têm recebido um maior
destaque nos últimos anos, avançando nos resultados da análise a cada pesquisa. Esse ca-
pítulo explora, de forma mais aprofundada, as metodologias utilizadas nas pesquisas para
fazer essas análises, abordando como foram tratados os dados, quais foram os métodos
utilizados para extração, manipulação e análise.
De acordo com Araque et al. [3], existem duas maneiras de realizar uma pesquisa sobre
a evasão dos estudantes. A primeira delas, mais comum, é a pesquisa com aplicação de
questionários e entrevistas. Esse método é utilizado para peceber as questões subjetivas
e qualitativas do real motivo que o aluno decidiu por não terminar seus estudos. No
entanto, essa metodologia possui algumas dificuldade de implementação, que devem ser
trabalhas para que não inviese a coleta de dados. Esse tipo de modalidade, por visar
obter respostas mais subjetivas, pode se torna muito invasiva na vida do aluno e caso
não seja tratada da melhor maneira, pode gerar alguns resultados enviesados. A outra
maneira é a análise dos dados dos estudantes que as instituições guardam por meio do
ato de matrícula, produzidos pelos estudantes na instituição e armazenados nos sistemas
acadêmicos. Por tratar o problema de maneira mais objetiva, essa metodologia se torna
menos invasiva e mais transparente, mas acaba não levando em consideração quais os
motivos reais da saída do aluno.
Algumas metodologias estudadas apresentam as duas perspectivas, utilizando os re-
sultados da análise previa dos dados para suportar as informações subjetivas coletados
nas entrevistas ou como um direcionamento de quais aspectos abarcar na fase de entre-
vista. O uso dos dois métodos de maneira intercalada, vemos como complementar, com
um método dando suporte e reforçando o resultado do outro. No entanto, a maioria dos

26
estudos utilizaram apenas de análise dos dados dos estudantes, seja com ou sem uso de
técnicas de mineração de dados, obtendo resultados satisfatórios.
Em todas as metodologias estudadas, o primeiro passo é definir quais foram os casos
de evasão estudados. Segundo Souza et al. [33], as formas de evasão estudadas foram:
por tempo médio de curso, por abandono, por desistência oficial, por eliminação, por
jubilação, por transferência de instituição ou interna.

4.2 Evasão na UnB

Na UnB já existem estudos sobre evasão realizados por iniciativas de pesquisas de
departamentos.
O objetivo do estudo realizado por Santos e Valverde [28] foi avaliar as mudanças
que a reforma curricular de 1997 causou nos índices de evasão do departamento de Quí-
mica. Estudos anteriores foram utilizados como parâmetros de comparação da evolução
do problema ao longo do tempo, permitindo verificar se o impacto desse novo currículo
foi negativo ou positivo e quantificá-lo.
O período de estudo determinado foi de 2000 a 2005, desconsiderando os três anos
iniciais após a implementação do novo currículo. Tal medida foi tomada por tratarem-se
de anos de maturação da nova grade, eliminando os chamados alunos híbridos, estudantes
que desempenhavam as atividades do antigo currículo, mesmo com o novo em vigor, por
ingressarem antes da reforma feita, o que poderia causar enviesamento nos resultados.
Os dados foram concedidos pelo Sistema de Graduação da Secretaria de Administração
Acadêmica e da Secretaria de Planejamento da Universidade de Brasília. Também foram
realizados estudos gerais de entrada e saída nos cursos vigentes dentro do departamento,
formando, com isso, tabelas sobre o ingresso, a formatura e a evasão no período. Com essa
análise geral, foi possível detectar quais foram os principais tipos de evasão juntamente
com os períodos dos cursos mais proprícios à evasão.
Tais informações gerais foram de suma importância para a delimitação das próximas
análises. Como foi encontrado que, na maioria dos casos, os alunos se afastavam dos
estudos nos quatro primeiros semestres e por motivos de não cumprimento de condição,
foi decidido realizar a análise de índices de reprovação das disciplinas recomendadas de
serem cursadas nesses semestres. Com essa análise, as autoras conseguiram detectar
quais as disciplinas que mais impactam na evasão dos alunos nesse período. Ao final da
pesquisa, observaram a ocorrência de uma diminuição significativa dos alunos evadidos
juntamente com a diminuição do número de reprovações das disciplinas, o que reforça a
pesquisa de Morosini et al. [23], que afirma que o rendimento acadêmico e a motivação
estão fortemente relacionadas entre si e são grandes influenciadores dos índices de evasão.
Nesse trabalho foram realizas apenas comparações estatísticas simples, as autoras
não fizeram regressões que asseguram e quantificam as relações das variáveis analisadas,
diferentemente do trabalho realizado por Lima e Costa [20] dentro do Departamento
de Estatística que avalia os cursos formadores dos docentes das principais matérias do
vestibular.
Lima e Costa [20] afirmam que a regressão logística é uma importante técnica para a
verificação de quão forte está relacionada sua resposta com as possíveis causas dessa res-
posta. A regressão logística é importante para o trabalho delas por conta do mapeamento
de um perfil dos alunos desses cursos e um perfil dos alunos não evadidos e evadidos para,

27
assim, levantar as principais causas da evasão. Com a aplicação das regressões é possível
obter quais são os fatores que mais se relacionam com a evasão e com a permanência.
Lima e Costa [20] definem a regressão logística como um caso especial dos modelos
lineares generalizados, em que a variável resposta é categórica, ou seja, a variável que você
deseja predizer está dividida em categorias e as variáveis explicativas, aquelas usadas para
explicar a variável resposta, podem ser tanto categóricas quanto quantitativas, assumindo
valores numéricos em determinada escala.
Para o trabalho de Lima e Costa [20], a variável resposta pode ser categorizada em
não evadido e evadido. Já as variáveis explicativas foram determinadas pelos seguintes
dados: sexo, habilitação, se o aluno foi monitor ou não, curso, número de ingressos,
semestres de permanência, posição no fluxo e percentual de disciplinas com reprovação
no período em estudo, dados provenientes do SIGRA.
Com a finalidade de conseguir a relevância dos dados explicativos com os dados res-
postas, foram realizados testes cíclicos, nos quais eram aplicadas diferentes técnicas em
diferentes ciclos. Após tais procedimentos, conseguiram inferir um perfil dos estudantes
por meio das variáveis relevantes. Os dados que apresentaram maiores relações foram
sexo, turno, área do conhecimento, monitoria, habilitação, porcentagem de disciplinas
obrigatórias com reprovação e semestre de permanência. Note a recorrência da relevân-
cia do estudo de reprovações em disciplinas e participação na vida acadêmica, medida
pela participação em monitorias, reafirmando as ideias motivacionais e de desempenho de
Morosini et al. [23].
Couto e Dantas [8], por meio de técnicas de mineração de dados para identificar padrões
dos alunos dos três cursos oferecidos pelo Departamento de Ciência da Computação da
UnB, construíram uma base de aprendizado sobre os principais perfis desses alunos. Os
autores afirmam existir nos cursos do Departamento uma divisão forte nos principais
motivos de evasão entre homens e mulheres. Apesar de terem perfis semelhantes, inclusive
com taxas de evasão semelhantes, o principal motivo de evasão dos homens é o não
cumprimento de condição, ou seja, não cumpriu o mínimo de desempenho em um período
estipulado pela Universidade, enquanto o das mulheres é abandono do curso. Isso mostra
que o desempenho dos homens está muito atrelado à sua saída e a das mulheres com a
falta de interese pelo curso, o que levou os autores a realizarem uma classificação dos
dados seguindo os padrões de gênero.
Ainda nesse trabalho, Couto e Dantas [8] realizaram análises estatísticas dos dados e,
por meio delas, afirmaram que o índice de reprovação nos primeiros semestres em discipli-
nas oferecidas pelos Departamento de Matemática, Instituto de Física e Departamento de
Ciência da Computação está fortemente ligado à taxa de evasão por possuírem as piores
médias de aprovação entre os estudantes do Departamento. Dessa maneira, o estudo foi
conduzido também levando em consideração a média dos alunos em tais disciplinas. A
classificação do aluno levou em consideração, ainda, o semestre de permanência, forma de
ingresso no Departamento, raça, idade, entre outros fatores menos relevantes.

4.3 Evasão no Brasil

O projeto da Universidade Federal de Santa Catarina, de Souza et al. [33], faz uso
das técnicas de estudo de evasão mais comuns, tais como as entrevistas e questionários.

28
Apesar do uso das entrevistas, a autora complementa com um estudo simples do perfil
dos alunos por meio dos dados da universidade.
Para obtenção dos resultados esperados, os autores realizaram uma prévia seleção
no banco de dados da universidade dos estudantes considerados evadidos, tendo como
análise os dados referentes a forma de egresso desse alunos, mencionados anteriormente.
Esses alunos foram contatados com um questionário de quarenta e nove perguntas que
buscava responder questões de temas acadêmico-institucionais, sócio-político-econômicos
e de ordem pessoal.
Das 153 respostas do total de 456 questionários enviados por e-mail, a maioria estava
alinhada com a vertente Sócio-Político-Econômicos, principalmente a necessidade de tra-
balhar dos estudantes, mas também foi constatado a falta de interesse dos alunos com as
matérias lecionadas na universidade. Juntamente com a análise dos dados desses alunos
evadidos, foi visto que a maioria desses alunos possuíam baixo rendimento universitário,
tal rendimento neste trabalho levou em consideração as notas que o aluno retirou nas
disciplinas que ele cursou.
Já a pesquisa realizada por Vitelli et al. [34] na Universidade do Vale do Rio dos Sinos
faz uma abordagem também mais objetiva, realizando o estudo de evasão da universidade
com os próprios dados que ela possui. O objetivo era indicar os fatores que ocasionavam
a evasão e quantificar a relevância deles, ou seja, o quão forte cada um está relacionado
com o tema em questão.
O período de recolhimento de dados a serem analisados foi de cinco anos. Esse período
foi escolhido uma vez que, dentro dele, a maioria dos cursos analisados teriam seu início e
conclusão. Com o período definido, foi pedido à instituição dados dos alunos que poderiam
ser de certa relevância ao estudo em questão. São eles: sexo, idade, estado civil, local
de residência, média de desempenho nas atividades, média de desempenho no vestibular,
quantidade de atividades matriculadas, percentual de atividades reprovadas, percentual de
atividades aprovadas, percentual de atividades canceladas, percentual de atividades sem
frequência (desistência), percentual de créditos concluídos, inadimplentes, três semestres
contínuos sem matrícula, média de créditos matriculados por semestre, ajuda financeira,
transferência interna, forma de ingresso, área (curso) e tamanho do curso (em créditos).
Com esses dados, foram aplicados os métodos da regressão logística. A escolha dos
métodos foi baseada em uma série de indicadores que compõem a regessão logística, os
quais foram testados com várias aplicações nos dados obtidos. Os indicadores escolhidos
dentro da regressão logística são descritos na Tabela 4.1.
Após inúmeros testes realizados, foi construído um modelo que pudesse predizer as
chances de um estudante vir a evadir ou não da universidade. Apesar dos resultados
satisfatórios, Vitelli et al. [34] advertem que as escolhas das variáveis a serem analisadas
influenciam muito no resultado final e recomendam que os testes sejam refinados de ano em
ano para a atualização de uma nova equação devido a mudanças no resultado dependendo
do período analisado. No modelo apresentado pelos autores, os fatores mais impactantes
da evasão estão relacionados ao desempenho acadêmico e ao tempo de curso.
No trabalho de Campello e Lins [6], da Universidade Federal de Pernambuco, os au-
tores também buscam obter previsões de evasão e retenção dos estudantes no curso de
engenharia de produção analisando seus dados. Esse trabalho tenta prever dois tipos de
fenômenos universitários sendo eles evasão, a que também se refere esse trabalho, e re-

29
Tabela 4.1: Tabela com as descrições e finalidade de cada indicador que compõe o método
de regressão logística, segundo Vitelli et al. [34].
Indicadores Descrição
Log Likelihood Mostra a capacidade de o modelo estimar a probabi-
lidade associada à ocorrência de determinado evento,
quanto menor o valor deste indicador, maior o poder
preditivo do modelo.
Cox & Snell R Square Compara o desempenho de modelos concorrentes. En-
tre duas equações logísticas igualmente válidas, deve-se
preferir a que apresente maior Cox & Snell R Square.
Hosmer e Lemeshow É obtido através de um teste Qui-quadrado que consiste
em dividir o número de observações em cerca de 10 clas-
ses e, em seguida, comparar as frequências preditas com
as observadas. Caso exista diferença entre os valores,
então o modelo não seria capaz de produzir estimativas
e classificações muito confiáveis
Wald Tem como objetivo verificar se cada parâmetro estimado
é significamente diferente de zero. Essa estatistica se-
gue uma distribuição Qui-quadrado e quando a variável
dependente tem um único grau de liberdade pode ser
calculada elevando-se ao quadrado a razão entre o coefi-
ciente que está sendo testado e o respectivo erro-padrão

tenção. A retenção se manifesta quando um aluno ultrapassa o tempo proposto para o

curso, podendo esse concluir após dado período ou não.
Como metodologia, foram determinados também o período de entrada que seria anali-
sado e os dados dos estudantes que poderiam estar considerados como retidos ou evadidos.
Para a extração desses dados, foram utilizadas técnicas de mineração de dados. De acordo
com Campello e Lins [6], foram seguidas as seguintes etapas em todo o processo:

• Preparação dos dados – Consiste nas seguintes atividades:

– Seleção de variáveis – Seleção que ocorre por possibilidade de relevância de

cada variável.
– Seleção de registros – Estimação do período. Essa seleção é importante de-
vido a utilização das técnicas de análise precisarem de muito processamento,
restringindo os dados a serem analisados com a finalidade de se otimizar tal
processamento.
– Transformação de variáveis – Alteração de alguns dados para o formato contí-
nuo, ou seja, dividido em faixas.

• Seleção dos modelos de mineração de dados – É preciso explorar as várias alterna-

tivas de modelos a fim de encontrar aquele que é mais adequado ao problema.

30
 • Validação do modelo – Após a seleção e dimensionamento do modelo, deve-se avaliar
e interpretar os resultados, observando a taxa de precisão do modelo definido.
• Monitoração do modelo – É preciso monitorar permanentemente o modelo em fun-
ção das mudanças ambientais que afetam os resultados e ajustar de acordo com a
necessidade.

Seguindo esses passos, na etapa de seleção dos processos de mineração de dados cada
técnica possui diversos tipos de métodos estatísticos. Essas técnicas são descritas na
Tabela 4.2. Dentre elas, o pesquisador deve escolher as que apresentam melhor encaixe
com o problema.

Tabela 4.2: Métodos de mineração de dados e respectivas descrição e finalidades, segundo

Campello e Lins [6].
Métodos Descrição
Estudo de clustering Processos com objetivo de agrupar objetos similares para
simplificar a identificação dos dados.
Regras de associação Processos descritivos que visam estudar as relações ou
associações (links) entre os dados.
Árvores de decisão É uma forma de representar um conjunto de regras que
definem uma precedência entre classes ou valores.
Estudo da vizinhança Técnicas de previsão que interpretam o conteúdo das
instâncias como pontos em um “espaço de dados” e pode
dizer quais as variáveis estão interligadas com quais.

Após a aplicação dos métodos escolhidos, o trabalho teve como resultado a classificação
dos estudantes em excelentes, bons, regulares, fracos, péssimos e desinteressados. Em cada
uma dessas classes, foram apresentados os principais fatores que poderiam influenciar
os alunos a desistirem do curso, como: desempenho escolar, problemas do sistema da
universidade, formação básica deficiente, etc. Também foram apresentadas as disciplinas
que possuem maiores chances de influenciar um abandono devido à sua taxa de reprovação.
Segundo Campello e Lins [6], essa abordagem deve ser feita de maneira única para cada um
dos cursos devido às suas características e perfil, não podendo generalizar esses resultados
para os demais cursos da universidade.

4.4 Comparações dos trabalhos

Com a finalidade de facilitar a visualização dos diferentes métodos utilizados nos tra-
balhos analisados, foram construídas duas tabelas comparativas. A Tabela 4.3 mostra os
dados que foram utilizados nas análises de cada trabalho.
Para a melhor organização das tabelas, foi dado a cada trabalho o nome da universi-
dade de origem dos autores e, em caso de mesma universidade, foi adicionado o curso de
origem do autores.

31
4.4.1 Dados
Como foi dito, a Tabela 4.3 relata quais foram os dados brutos utilizados em cada um
dos trabalhos categorizados nas seguintes classes:

• Desligamento: Dados de egresso de alunos da IES. O desligamento pode ocorrer

voluntariamente ou por condicionamento da IES.
• Abandono: Dados de egresso de alunos que não realizaram a rematrícula e não
formalizaram o pedido de desvínculo com a IES.
• Transferência de curso: Dados de alunos que solicitam a alteração do curso para
outro da mesma IES.
• Transferência de IES: Dados de alunos que solicitam a transferência de seus estudos
para as dependências de uma nova IES.
• Pessoais: Dados de caráter pessoal que foram fornecidos no ato de matrícula, sendo,
assim, produzidos fora do âmbito da IES, como sexo, endereço, escola de origem,
etc.
• Evolução acadêmica: Dados acadêmicos que possuem a temporalidade como fator
importante e que compõem o rendimento desse estudante dentro da IES categoriza-
dos dentro dos semestres vivenciados. Esses dados são relacionados com disciplinas
matriculadas, menções, créditos aprovados, créditos reprovados, etc.
• Acadêmicos: Dados acadêmicos que não possuem a temporalidade com fator impor-
tante, como índice de rendimento acadêmico, porcentagem de créditos realizados,
etc.
• Grau de Análise: Nível de requerimento hierárquico dos dados que foram analisados,
se a análise foi em âmbito de IES ou de curso.

Na Tabela 4.3 é representado por um X o projeto que continha, em suas análises, os

dados categorizados na classe representante da respectiva linha da tabela.

4.4.2 Metodologias
Foi realizado um resumo geral das decisões dos autores no decorrer da aplicação das
metodologias presentes na revisão sistemática de cada trabalho. Com essa revisão se teve
com maior clareza de quais eram os passos a serem seguidos nessa trabalho, além de obter
dados para uma futura comparação de resultados. Além disso o processo de revisão dos
trabalhos foi importante como indicativo da possibilidade de estudo de evasão atravéz
de uma metodologia objetiva como mineração e análise de dados. Dessa maneira para
melhor a visualização do método percorrido pelo autores e de suas as decisões em cada
uma delas, foram classificadas e resumidas as seguintes etapas.

• Objetivo: objetivos finais apresentados nos trabalhos analisados que compuseram o

entendimento do fenômeno de evasão estudado, apresentados na Tabela 4.4.

32
Tabela 4.3: Categorias de dados que foram utilizados nos métodos estatísticos dos traba-
lhos analisados por esse projeto.
Tipo de Granada Sinos UFSC Matérias Química Eng. de UFPE
dado [3] [34] [33] básicas UnB Produ- [31]
/ UnB [28] ção /
[20] UFPE
[6]
Desligamento X X X X X
Não X X X X X X X
matrícula
Transferência X X X X X
de curso
Transferência X X X X X
de IES
Pessoais X X X X X
Evolução X X
acadêmica
Acadêmicos X X X X X X X
Instituições Três IES IES Cursos Curso Curso IES
analisadas faculda- Privada Pública básicos Pública
des do ves-
tibular

Tabela 4.4: Objetivos apresentados nos trabalhos analisados que compuseram o entendi-
mento do fenômeno de evasão estudado.
Estudo Objetivos
Granada [3] Perfil do aluno e principais fatores de saída
Sinos [34] Perfil do aluno
UFSC [33] Principais fatores de saída
Matérias básicas UnB [20] Perfil dos alunos e principais fatores de saída
Química UnB [28] Perfil do aluno e avaliação do novo PPP
Eng. de Produção UFPE [6] Perfil do aluno e Principais fatores de saída
UFPE [31] Perfil do aluno retido

• Extração dos Dados: formas de realização da extração dos dados, apresentadas na

Tabela 4.5. Algumas possibilidades são análise de dados, mineração de dados e
questionários.
• Métodos Estatísticos: métodos estatísticos empregados, apresentados na Tabela 4.6,

33
Tabela 4.5: Formas de realização da extração dos dados apresentadas nos trabalhos ana-
lisados que compuseram o entendimento do fenômeno de evasão estudado.
Estudo Extração dos dados
Granada [3] Mineração de dados
Sinos [34] Mineração de dados
UFSC [33] Entrevista de questionários e análise de Banco de dados
Matérias básicas UnB [20] Análise de Banco de dados
Química UnB [28] Análise de Banco de dados
Eng. de Produção UFPE [6] Mineração de dados
UFPE [31] Mineração de dados CRISP

para entender os dados e, a partir deles, retirar as informações necessárias para o

entendimento da evasão.

Tabela 4.6: Métodos estatísticos apresentados nos trabalhos analisados que compuseram
o entendimento do fenômeno de evasão estudado.
Estudo Métodos estatísticos
Granada [3] Regressão estatística
Sinos [34] Regressão logística
UFSC [33] Tabulação e análise estatística
Matérias básicas UnB [20] Regressão logística múltipla e simples
Química UnB [28] Tabulação e análise estatística
Eng. de Produção UFPE [6] Geração de histogramas e regressão logística
UFPE [31] Regressão estatística

• Período: duração dos períodos em que as análises foram realizadas, apresentadas na

Tabela 4.7.
• Descarte de dados: dados que tiveram que ser descartados, apresentados na Ta-
bela 4.8, para que os métodos apresentassem melhor rendimento ou acurácia em
seus resultados
• Tratamento dos dados: após a aquisição dos dados, quais foram as medidas rea-
lizadas com esses, se houve algum tratamento antes da realização do processo de
análise e quais foram esses procedimentos. Esses procedimentos são apresentados
na Tabela 4.9.

34
Tabela 4.7: Períodos analisados que compuseram o entendimento do fenômeno de evasão
estudado.
Estudo Período
Granada [3] 15 anos
Sinos [34] −
UFSC [33] 2 anos
Matérias básicas UnB [20] −
Química UnB [28] 5 anos
Eng. de Produção UFPE [6] 6 anos
UFPE [31] 10 anos

Tabela 4.8: Dados que foram descartados apresentados nos trabalhos analisados que com-
puseram o entendimento do fenômeno de evasão estudado.
Estudo Descarte de dados
Granada [3] Não
Sinos [34] −
UFSC [33] Não
Matérias básicas UnB [20] Retirada dos alunos com dados incompletos
Química UnB [28] Alunos de transferência
Eng. de Produção UFPE [6] Alunos que iniciaram antes do período determinado e
saída de alunos nos 2 primeiros semestres
UFPE [31] Alunos que iniciaram antes do período determinado, alu-
nos que concluíram dentro do período determinado e
dados discrepantes

• Novas Variáveis: variáveis, apresentadas na Tabela 4.10, criadas a partir dos dados
brutos antes da realização dos procedimentos de análise. Nela ocorre a criação de
faixas de precisão, variáveis Dummy, que são, segundo Campello e Lins [6], variáveis
de valor binário que representam a presença ou não de uma característica, e cálculos
de médias a partir de uma representação de dados temporais.

35
Tabela 4.9: Procedimentos de tratamento de dados apresentados nos trabalhos analisados
que compuseram o entendimento do fenômeno de evasão estudado.
Estudo Tratamento dos dados
Granada [3] Preenchimento de dados incompletos e junção dos dados
semestrais
Sinos [34] Não
UFSC [33] −
Matérias básicas UnB [20] Não
Química UnB [28] −
Eng. de Produção UFPE [6] Identificação dos alunos entendidos como evadidos ou
retidos e classificação dos alunos por rendimento
UFPE [31] Dados incompletos tratados

Tabela 4.10: Novas variáveis criadas nos trabalhos analisados que compuseram o enten-
dimento do fenômeno de evasão estudado.
Estudo Novas variáveis
Granada [3] Variáveis Dummy e variáveis em função do tempo (mé-
dias)
Sinos [34] Variáveis Dummy
UFSC [33] Variáveis de satisfação
Matérias básicas UnB [20] Variáveis em função do tempo (médias)
Química UnB [28] Não
Eng. de Produção UFPE [6] Variáveis Dummy
UFPE [31] Variáveis em função do tempo e variáveis calculadas a
partir de outros dados

36
Capítulo 5

Análise de Dados no BCC - UnB

Para uma melhor organização do projeto realizado, ele foi subdividido em duas partes.
A primeira, apresentada nesse capítulo, é a de análise de dados e compreende desde as
primeiras decisões de projeto até a análise da situação do curso por meio de consultas nos
dados obtidos. A segunda é a de mineração de dados, detalhada no capítulo seguinte.
Nesse capítulo, a Seção 5.1 apresenta como será tratada a evasão nesse trabalho. Na
Seção 5.2 se encontram os dados obtidos e como foi a solicitação deles e, na Seção 5.3,
o tratamento feito nos dados para deixar no formato correto para a análise e mineração
de dados. A Seção 5.4 apresenta as perguntas definidas para guiar a análise, que é
apresentada na Seção 5.5.

5.1 Evasão para esse trabalho

A primeira etapa do projeto, conforme explicado por Lobo [21], foi definir o que seria
considerado por evasão. Optamos pela evasão de curso, ou seja, situação em que um
aluno, estando matriculado em um determinado curso de uma determinada instituição de
ensino superior, solicita transferência de curso ou IES, é desligado por vontade própria ou
por exclusão da IES.
O curso escolhido para análise foi o Bacharelado em Ciência da Computação da Uni-
versidade de Brasília (BCC - UnB).
Serão considerados como evadidos os estudantes com tipos de evasão definidos de
acordo com o regulamento da Universidade de Brasília [9] sobre tal conceito:

1. Abandono – Forma de exclusão do cadastro discente da UnB aplicada ao aluno que,

durante um período letivo, não tenha efetivado matrícula em disciplinas, ou que,
embora matriculado, tenha sido reprovado com SR (sem rendimento) em todas as
disciplinas.
2. Desligamento por Jubilamento – Forma de exclusão do cadastro discente da UnB
aplicada ao aluno que esgotou o tempo máximo de permanência previsto pelo Con-
selho Nacional de Educação – CNE para conclusão do curso.
3. Transferência para outra instituição de ensino superior – Forma de exclusão do
cadastro discente da UnB aplicada ao aluno que, por iniciativa própria, mediante
solicitação formal e apresentação de declaração de reserva de vaga, tenha assegurada

37
 a sua admissão por transferência facultativa ou obrigatória em outra instituição de
ensino superior, nacional ou estrangeira, para continuação de estudos.
4. Transferência interna – Saída do curso por meio de transferência para outro curso
da própria Universidade.
5. Desligamento por não-cumprimento de condição – Forma de exclusão do cadastro
discente da UnB aplicada ao aluno que, tendo sido anteriormente identificado como
provável desligado por rendimento acadêmico ou por tempo de permanência, não te-
nha cumprido, no decorrer do(s) período(s) fixado(s), a condição que lhe foi imposta
pelos órgãos colegiados.
6. Desligamento Voluntário – Forma de exclusão do cadastro discente da UnB apli-
cada ao aluno que, por iniciativa própria, tenha desistido de seu vínculo com a
Universidade em determinado curso.

5.2 Aquisição dos dados

Os dados foram solicitados ao Decanato de Planejamento e Orçamento (DPO), que
recuperou os dados do SIGRA - Sistema de Informação Acadêmica de Graduação. Foram
solicitados tantos dados pessoais quanto acadêmicos dos estudantes do Bacharelado em
Ciência da Computação.
Os dados obtidos vieram divididos em duas planilhas no formato do Excel. Uma delas
continha os dados dos 2034 alunos matriculados desde a criação do curso até o 1o semestre
de 2014. A Tabela 5.1 apresenta os dados que estavam presentes nela, juntamente com
uma breve explicação sobre eles.

Tabela 5.1: Variáveis relacionadas aos estudantes do Bacharelado em Ciência

da Computação.

Variável Descrição
MatricAluno Código do aluno no sistema.
CodCurso Código do curso.
CodOpcao Código da opção.
PrioridadeOpcao Prioridade da opção, que pode ser primária ou secundá-
ria.
AnoIngresso Ano de ingresso na Univerisade.
SemestreIngresso Semestre de ingresso na Universidade.
FormaIngresso Forma de ingresso na Universidade.
AnoSaida Ano de saída da Universidade.
SemestreSaida Semestre de saída da Universidade.
FormaSaida Forma de saída da Universidade.
PerIngressoOpcao Período de ingresso na opção.
SemestreIngressoOpcao Semestre de ingresso na opção.
ForIngressoOpcao Forma de ingresso na opção.
Continua na página seguinte

38
 Tabela 5.1 – Continuação da tabela da página anterior
Variável Descrição
AnoIngressoOpcao Ano de ingresso na opção.
MesIngressoOpcao Mês de ingresso na opção.
PerSaidaOpcao Período de saída da opção.
SemestreSaidaOpcao Semestre de saída da opção.
ForSaidaOpcao Forma de saída da opção.
AlunoRegistrado Se aluno está registrado ou não.
PeriodoCurricular Ano do período curricular.
SemestrePeriodoCurricular Semestre do período curricular.
NumIncricaoCurricular Número de inscrição no período curricular.
Judicial Se aluno possui ou não algum processo judicial.
PoloAluno Pólo do aluno.
IRA Índice de Rendimento Acadêmico do aluno.
PeriodoProvavelFormando Período em que o aluno será considerado como provável
formando, segundo as regras da Universidade.
Obs Campo aberto para observações sobre o aluno.
AluSexo Sexo do aluno.
AluNivel Nível de formação do curso.
AluNacionalidade País de nascimento do aluno.
AluDtNasc Data de nascimento do aluno.
AluPaisNasc País de nascimento dos pais.
AluUfNasc UF de nascimento do aluno.
AluCotId Qual o sistema pelo qual o aluno entrou, que pode ser
universal ou por alguns dos tipos de cotas aceitas pela
Universidade.
AluPne Portador de necessidades especiais.
AluRA Registro acadêmico do aluno (matrícula).
AluEscola Tipo da escola que o aluno se formou no ensino médio,
que pode ser privada ou pública.
Alucodigoracacor Cor do aluno, declarada por ele.
CampoNaoInd Cidade de nascimento do aluno.
AluPesCodigoPessoa Código de cadastro do aluno.
OpcDenominacao_last Nome da opção.
OpcIni_last Período de início da opção na Universidade.
OpcPerFim_last Período de fim da opção na Universidade.
OpcCredFormat_last Quantidade de créditos necessários para se formar no
curso.
CurNivel_last Nível do curso.
OpcMinPerm_last Permanência mínima no curso, em semestres.
OpcMaxPerm_last Permanência máxima no curso, em semestres.
OpcGrau_last Grau da opção.
OpcDuracao_last Duração estimada da opção.
OpcDataResol_last Data de resolução da criação da opção.
OpcHorasAtivExtensao_last Horas exigidas de atividades de extensão.
Continua na página seguinte

39
 Tabela 5.1 – Continuação da tabela da página anterior
Variável Descrição
CurPerIni_last Período em que o curso foi criado.
CurPerFim_last Período em que o curso deixou de ser oferecido.
CurDenominacao_last Nome do curso.
CurOrgResp_last Órgão responsável pelo curso.
CurDepto_last Departamento que oferece o curso.
CurAreaCon_last Área de conhecimento do curso.
CurDuracao_last Duração estimada do curso.
CurTurno_last Turno em que o curso é oferecido.
CurForma_last Forma como o curso é oferecido.
CurCodigoEnade_last Código do ENADE para o curso.
Cód.ENADE Código do ENADE para o curso.
Grau Grau do curso.
Modalidade Modalidade do curso.
Nome Nome do curso.
Turno Turno do curso.
LocaldeOferta Campus em que o curso é oferecido.
NomeAnuário Nome do curso no anuário.
UnidadeCód Código da unidade do departamento que oferece o curso.
Unidade Nome da unidade do departamento que oferece o curso.
DeptoCód Código do departamento que oferece o curso.
Departamento Nome do departamento que oferece o curso.

A segunda planilha continha os dados referentes ao histórico de todos os matriculados

no curso de 2000 até 2013. Ao todo, foram 52900 registros. A Tabela 5.2 mostra quais os
dados relacionados ao histórico.

Tabela 5.2: Variáveis relacionadas ao histórico dos estudantes já matriculados no Bacha-

relado em Ciência da Computação.

Variável Descrição
MatricAluno Código do aluno no sistema.
Ano Ano em que a disciplina foi cursada.
Semestre Semestre do ano curricular em que a matéria foi cursada.
Disciplina Código da disciplina cursada.
Turma Código da turma da disciplina cursada.
Menção Menção obtida pelo aluno após a conclusão da disciplina
cursada.
Percentual de faltas Quantidade de faltas, em porcentagem, do aluno na dis-
ciplina cursada.

40
5.3 Tratamento dos dados
Com intuito de facilitar a manipulação dos dados, foi criado um banco de dados
MySQL com as informações das planilhas. Cada uma das planilhas se tornou uma tabela
do banco de dados criado. Para isso, primeiramente a planilha foi convertida para o
formato CSV, o que permitiu a utilização do CSV to SQL Converter 1 . Essa ferramenta
permite exportar um arquivo CSV e gera um arquivo SQL com base nele. Em seguida,
esse arquivo foi exportado para o phpMyAdmin. Os dados da Tabela 5.1 se tornaram a
tabela alunos do nosso banco, enquanto os da Tabela 5.2 se tornaram a tabela historico.
Com o banco criado, foi possível iniciar o tratamento dos dados, que corresponde às
primeiras etapas do processo de extração de conhecimento, ou seja, limpeza, integração,
seleção e transformação dos dados. A consulta SQL necessária para realização dessa etapa
de tratamento de dados está disponível no Apêndice A.

Limpeza de dados
Durante a limpeza de dados, foram removidas as seguintes variáveis, anteriormente
descritas na Tabela 5.1: CodCurso, CodOpcao, PrioridadeOpcao, MesIngressoOpcao,
AlunoRegistrado, Judicial, PoloAluno, IRA, PeriodoProvavelFormando, Obs, AluNivel,
AluRA, CampoNaoInd, AluPesCodigoPessoa, OpcDenominacao_last, OpcIni_last, Opc-
PerFim_last, OpcCredFormat_last, CurNivel_last, OpcMinPerm_last, OpcGrau_last,
OpcMaxPerm_last, OpcDuracao_last, OpcDataResol_last, OpcHorasAtivExtensao_last,
CurPerIni_last, CurPerFim_last, CurDenominacao_last, CurOrgRest_last, CurArea-
Con_last, CurDuracao_last, CurTurno_last, CurForma_last, CurCodigoEnade_last,
CurDepto_last, Cód. Enade, Grau, Modalidade, Nome, Turno, LocaldeOferta, Nome-
Anuario, UnidadeCód, Unidade, Unidade, DeptoCód e Departamento.

Integração de dados
A integração foi feita relacionando os dados do aluno com seu histórico. Para isso, foi
feito um INNER JOIN no atributo MatricAluno das duas tabelas. Além disso, foi feita
uma integração do histório com os dados das matérias obrigatórias e optativas do curso.
Para isso, foram criadas duas tabelas, uma para cada tipo de matéria, com informações do
código da disciplina, nome da disciplina, departamento e, para as matérias obrigatórias,
o semestre que é recomendado no fluxo.

Seleção de dados
Durante a seleção dos dados necessários para a aplicação, outros foram removidos.
Primeiramente foram removidos os dados dos alunos que entraram antes de 2000 ou de-
pois de 2013, pois não foram obtidos os históricos deles. Também foram retirados todos
os dados de alunos, tanto pessoais quanto de histórico, que possuem forma de saída com
códigos 9 e 55, segundo a Tabela 5.3, que apresenta os possíveis motivos de saída de uma
pessoa juntamente com seu código.

1
http://www.convertcsv.com/csv-to-sql.htm

41
 Tabela 5.3: Código e descrição das possíveis formas de saída de um aluno.

Código Forma de saída

0 Cursando
1 Formatura
2 Desligamento - Rendimento acadêmico
3 Desligamento - Jubilamento
4 Desligamento - Falta de documentação
5 Desligamento - Força de convênio
6 Transferência
7 Desligamento - Voluntário
8 Expulsão disciplinar
9 Falecimento
10 Ex-aluno (Decreto 477)
11 Desligamento - Falta de pagamento
12 Desligamento - Decisão judicial
13 Formatura com especialização
14 Conclusão de estágio da pós-graduação
15 Formatura anterior a 1/88
16 Desligamento - Abandono
17 Desligamento - Não cumpriu condição
18 Desligamento com especialização
19 Formatura da pós-graduação
20 Reprovado 3 vezes na mesma disciplina obrigatória
21 Novo vestibular
22 Mudança de turno
50 Vestibular para outra habilitação
51 Vestibular para mesma habilitação
52 Mudança de curso
53 Mudança de habilitação
54 Confirmação de habilitação
55 Anulação de registro
99 Outros

Transformação de dados
Para deixar os dados na forma adequada para a aplicação foram feitas diversas trans-
formações.
Foi criado um novo campo na tabela de alunos com a forma de saída dele podendo
assumir quatro valores: 0 para cursando, 1 para formado, 2 para evadido ou 3 para outros
casos. Com base nos códigos apresentados na Tabela 5.3, os alunos considerados como
cursando eram apenas os que tinham forma de saída 0; os formados aqueles com código
1, 13, 14, 15 e 19; os evadidos com 2, 3, 4, 5, 6, 7, 8, 11, 12, 16, 17, 18, 20, 21, 50, 52 e
53; e os outros com valores 10, 22, 51, 54 e 99.
Foi adicionado, nessa mesma tabela, um campo para idade em que o aluno saiu do

42
curso e, caso ele ainda esteja cursando, esse campo recebe valor 0. Para realizar essa conta
da idade, foi necessário alterar o formato da data de nascimento que já estava no banco
para o formato DD/MM/YYYY.
Na tabela de histórico foi criado um campo chamado aprovação que pode assumir valor
0 para quando o aluno é reprovado e 1 para quando é aprovado. O aluno é reprovado
quando obtém menção SR, II, MI, TJ ou TR e aprovado com menções MM, MS, SS ou
CC. Os registros de alunos com menções AP ou DP não serão considerados pela falta de
informação sobre o significado delas.
Ainda na tabela do histórico, foi adicionado um campo de tipo da disciplina, que pode
assumir valor 0 para módulo livre, 1 para obrigatória e 2 para optativa.
Além desses campos, também foi adicionado um do semestre em que o aluno estava
quando cursou aquela disciplina. Para calcular esse valor foi preciso verificar o semestre
em que a matéria foi cursada e o semestre que ele entrou no curso. A Tabela 5.4 apresenta
as fórmulas utilizadas para cálculo do semestre curricular em que ela foi cursada.

Tabela 5.4: Fórmulas utilizadas para cálculo do semestre curricular em que uma disciplina
foi cursada em função do semestre em que ela foi feita e do que o aluno entrou no curso. A
coluna semestre_entrada corresponde ao semestre de entrada do aluno em algum ano e a
semestre_cursada corresponde ao semestre de algum ano em que a disciplina foi cursada.
Nas fórmulas, a variável ano_entrada é o ano de entrada do aluno no curso e ano_cursada
é o ano em que a disciplina foi cursada.

semestre_entrada semestre_cursada Fórmula

1 1 2 ∗ (ano_entrada − ano_cursada) + 1
1 2 2 ∗ (ano_entrada − ano_cursada)
2 1 2 ∗ (ano_entrada − ano_cursada) + 2
2 2 2 ∗ (ano_entrada − ano_cursada) + 1

Na tabela de alunos foram criados dois novos campos: desempenho médio e taxa de
evasão. O desempenho médio é calculado pela quantidade de créditos realizados com
aprovação pelo aluno dividido pela quantidade de créditos realizados. De forma seme-
lhante, a taxa de reprovação é a quantidade de créditos com reprovação dividido pelo
total de créditos cursados.
Ainda na tabela de alunos, por conta da diversidade de situações de alunos, por exem-
plo, alunos que entraram por transferência, que possuem histórico antes do ano que entra-
ram ou então os que entraram diretamente no Bacharelado em Ciência da Computação,
foi criado um campo de grupo de análise. Esse campo recebe valor 0 para quando o aluno
entrou diretamente no curso e não possui histórico anterior, 1 para quando o aluno cursou
outro curso na UnB antes de mudar para o Bacharelado e 2 para os casos de alunos que
entraram diretamente no curso mas possuem histórico anterior. Nesse trabalho, apenas
os casos do grupo de análise com valor 0 serão considerados.

5.4 Perguntas definidas

Antes de utilizar a técnica de mineração de dados, foi realizada uma análise dos dados
para compreensão da situação do curso em relação à evasão.

43
 Para guiar essa análise, foram definidas algumas perguntas que deveriam ser respon-
didas:.

1. Qual o semestre que possui maior índice de evasão e qual o menor? Qual é o principal
motivo de evasão em cada semestre?
2. Qual é o índice de evasão por sexo? E o de formatura? Quais os principais motivos
de evasão por sexo?
3. Qual é o índice de evasão por idade? E o de formatura? Quais os principais motivos
de evasão por idade?
4. Qual é o índice de evasão por tipo de escola, que pode ser pública ou particular?
Quais os principais motivos de evasão por tipo de escola?
5. Qual é o índice de evasão por forma de ingresso? Qual é a forma que possui maior
índice e qual a menor?
6. Qual é o desempenho médio, definido como quantidade de créditos com aprova-
ção dividido pela quantidade de créditos realizados, dos alunos considerados como
evadidos e dos que formaram?
7. Qual é a taxa de reprovação dos alunos considerados como evadidos e dos que
formaram?
8. Qual é a média de créditos obrigatórios cursados por semestre dos alunos conside-
rados como evadidos e dos que formaram?
9. Qual o índice de reprovação por departamento das matérias obrigatórias dos alunos
evadidos e dos que formaram?
10. Quais as disciplinas obrigatórias, organizadas por semestre recomendado no fluxo,
que possuem as maiores taxas de reprovação?
11. Qual é a variação na taxa de reprovação de cada disciplina obrigatória ao longo dos
anos?
12. Qual o rendimento, ou seja, as menções, das disciplinas obrigatórias, organizadas
por semestre recomendado no fluxo, dos alunos considerados como evadidos e dos
que formaram?

5.5 Análise de dados

Com base nas perguntas definidas na seção anterior, foram criados os gráficos e as
tabelas apresentados nessa seção. A consulta SQL utilizada para isso está disponível no
Apêndice B. Todos os dados utilizados para criação dos gráficos apresentados nessa Seção
estão no Apêndice C.

5.5.1 Semestre
A Tabela C.1 apresenta os dados da evasão por semestre e dos motivos de evasão em
cada um deles. A Figura 5.1 apresenta o gráfico correspondente.

44
Figura 5.1: Taxa de evasão por semestre e motivos de evasão em cada um. O código do
motivo de saída está de acordo com o apresentado na Tabela 5.3. O semestre 0 corresponde
a um semestre cursado no verão, independente da posição do fluxo em que o aluno estava
quando cursou. Cada uma das barras corresponde a um semestre, representado no eixo
X. A altura da barra representa a quantidade de alunos que evadiram naquele semestre,
de acordo com o eixo Y. As cores em cada uma das barras correspondem ao motivo de
saída, segundo a legenda do lado direito do gráfico. O número dentro de cada uma das
cores mostra a quantidade absoluta de alunos que evadiram naquele semestre e por qual
motivo.

A Tabela C.2 apresenta os dados de formatura por semestre. A Figura 5.2 apresenta
o gráfico correspondente.
O terceiro semestre é o que ocorre a maior taxa de evasão, que possui como principal
motivo de saída o desligamento por não cumprimento de condição. Esse é o principal
motivo de saída da maioria dos semestres. No caso do segundo semestre, que também
possui elevado índice de evasão, o principal motivo é o desligamento por abandono, motivo
que se repete como principal em outros semestres. Outros motivos de saída que são os
principais em algum dos semestres são: desligamento voluntário e reprovar três vezes a
mesma matéria obrigatória. Os semestres que mais alunos se formam são o 10o , 11o e 12o ,
sendo que o recomendado pelo fluxo são 9 semestres.

5.5.2 Sexo
A Tabela 5.5 apresenta os dados da quantidade de alunos já matriculados no curso
separados por sexo e a situação deles, ou seja, se estão cursando, formados ou evadidos.

45
Figura 5.2: Taxa de formatura por semestre. Cada uma das barras corresponde a um
semestre, representado no eixo X. A altura da barra representa a quantidade de alunos
que evadiram naquele semestre, de acordo com o eixo Y.

Tabela 5.5: Quantidade de alunos que já saíram do curso separados por sexo e situação
em que eles saíram.
Sexo Feminino Masculino
Quantidade % Quantidade %
Formado 45 46.4 328 44.0
Evadido 52 53.6 418 56.0
Total 97 100 746 100

Ainda com base nessa separação por sexo, são analisadas as taxas de evasão e de
formatura por sexo e os motivos de saída de quem evadiu. A Tabela C.3 mostra os dados
femininos e a Figura 5.3 o gráfico correspondente.
Da mesma forma, a Tabela C.4 e a Figura 5.4 mostram os dados masculinos.
Apesar da quantidade absoluta de formados e evadidos do sexo masculino ser superior
a do feminino, a porcentagem não possui uma diferença significativa. A taxa de evasão
feminina é de 53.6%, enquanto a masculina é de 56.0%. Já a de formatura feminina é
de 46.4% e a masculina de 44.0%. No entanto, existe uma diferença entre os principais
motivos de evasão entre os dois sexos. As mulheres evadem por três principais motivos:
desligamento por não cumprimento de condição, desligamento voluntário e desligamento
por abandono. Já os homens evadem predominantemente por desligamento por não cum-
primento de condição. Hoje existem no curso 38 mulheres e 287 homens.

5.5.3 Idade
A Tabela C.5 apresenta os dados da quantidade de alunos evadidos separados por
idade e os motivos de saída deles. A Figura 5.5 apresenta o gráfico correspondente.
Da mesma forma, a Tabela C.6 e a Figura 5.6 mostram os dados de formatura sepa-
rados por idade.

46
Figura 5.3: Taxa de evasão e de formatura feminina e motivos de saída de quem evadiu.
O código do motivo de saída está de acordo com o apresentado na Tabela 5.3. O gráfico
do lado esquerdo mostra a quantidade de evadidos, de formados e de alunos cursando,
sendo o azul a quantidade de alunos cursando, o vermelho a de formados e o laranja a de
evadidos. Já o do lado direito, mostra os motivos de saída dos evadidos, sendo os números
no gráfico a quantidade de alunos que saíram por cada motivo.

A maioria dos alunos evadidos saíram com 20 anos, e a principal faixa de evasão de 19
a 22 anos. A partir de 19 anos, o principal motivo de evasão é de desligamento por não
cumprimento de condição. O principal motivo de evasão aos 18 anos é de desligamento
voluntário. Já aos 17 anos é desligamento por abandono.
Já dos formandos, a maioria tinha 23 anos quando saiu do curso. Essa idade de
formatura ser a principal é justificada pela maioria dos alunos entrarem com 18 anos e
permanecerem cinco anos no curso.

5.5.4 Tipo de escola

A Tabela C.7 apresenta os dados da quantidade de alunos já matriculados no curso
separados por tipo de escola, que pode ser pública, particular ou não declarado. A Fi-
gura 5.7 apresenta o gráfico correspondente.
Dos alunos que declararam o tipo de escola, a maioria, estudou em escola particupar.
O principal motivo de saída dos alunos que evadiram, independente do tipo de escola, foi
de desligamento por não cumprimento de condição. Como a maioria dos alunos, 51.54%,
não declararou o tipo de escola, esses dados podem ser considerados enviesados.

5.5.5 Forma de ingresso

Os códigos referentes às possíveis formas de ingresso estão na Tabela 5.6. A Tabela C.8
apresenta os dados da quantidade de alunos já matriculados no curso separados por forma
de ingresso. A Figura 5.8 apresenta o gráfico correspondente.

47
Figura 5.4: Taxa de evasão e de formatura masculina e motivos de saída de quem evadiu.
O código do motivo de saída está de acordo com o apresentado na Tabela 5.3. O gráfico
do lado esquerdo mostra a quantidade de evadidos, de formados e de alunos cursando,
sendo o azul a quantidade de alunos cursando, o vermelho a de formados e o laranja a de
evadidos. Já o do lado direito, mostra os motivos de saída dos evadidos, sendo os números
no gráfico a quantidade de alunos que saíram por cada motivo.

Tabela 5.6: Código e descrição das possíveis formas de ingresso de um aluno.

Código Forma de ingresso

1 Vestibular
2 Transferência Obrigatória
3 Transferência Facultativa
4 Portador Diplom Curso Superior
5 Acordo Cultural-PEC
6 Convênio-Int
7 Matrícula Cortesia
8 Seleção
9 Inscrição
10 Estágio
11 Convênio FEDF
12 Convênio UFPA
13 Novo Vestibular
14 Vestibular para mesmo Curso
15 Duplo Curso
16 Reintegração
17 Programa de Avaliação Seriada
Continua na página seguinte

48
 Tabela 5.6 – Continuação da tabela da página anterior
Código Forma de ingresso

18 PIE
19 Anistia
20 Convênio - Andifes
21 Intercâmbio de Pós-Graduaçao
22 Refugiado
23 Transferência-Convênio.
24 PEC-G Peppfol
25 Visitante
26 Convênio de Pós-Grad. PEC-PG
27 Enem
28 Mudança de Turno
29 Seleção para PARFOR
30 Convênio Funai
50 Dupla Habilitação
51 Mudança de Habilitação
52 Mudança de Curso
53 Registro de Habilitação
54 Registro de Diploma
55 Convênio UFMS
56 Seleção- Defesa Direta de Tese
57 Programa Bolsista PUC-GO
58 Convênio de Co-Tutela
99 Outros

Os alunos que mais evadem são os que entraram por algum tipo de convênio ou matrí-
cula cortesia, chegando a ter uma taxa de evasão de 100%. A menor taxa de evasão é dos
alunos que entraram por mudança de curso. As duas formas de ingresso mais comuns são
por vestibular e pelo PAS. Dessas, a taxa de evasão do vestibular é superior a do PAS.

5.5.6 Desempenho médio

A Tabela C.9 apresenta os dados da quantidade de alunos evadidos separados por
desempenho médio. A Figura 5.9 apresenta o gráfico correspondente.
Da mesma forma, a Tabela C.10 e a Figura 5.10 mostram os dados de formatura
separados por desempenho médio.
O desempenho médio nas disciplinas obrigatórias diverge entre os evadidos e os forma-
dos. Nos evadidos percebe-se uma variação maior de valores de desempenho, possuindo
estudantes com desempenhos em todas as possíveis faixas de valores. A maioria dos eva-
didos tinham desempenho médio inferior a 70%, ou seja, foram aprovados em menos de
70% dos créditos obrigatórios cursados. Já no caso dos formandos, nenhum estudante teve
desempenho inferior a 50% e a maioria conseguiu ter 90% de créditos cursados aprovados.

49
Figura 5.5: Índice de evasão por idade e por motivo de saída. O código do motivo de saída
está de acordo com o apresentado na Tabela 5.3. Cada uma das barras corresponde a uma
idade, representada no eixo X. A altura da barra representa a quantidade de alunos que
evadiram com aquela idade, de acordo com o eixo Y. As cores em cada uma das barras
correspondem ao motivo de saída, segundo a legenda do lado direito do gráfico. O número
dentro de cada uma das cores mostra a quantidade absoluta de alunos que evadiram com
aquela idade e por esse motivo.

5.5.7 Taxa de reprovação média

A Tabela C.11 apresenta os dados da quantidade de alunos evadidos separados por
taxa de reprovação média. A Figura 5.11 apresenta o gráfico correspondente.
Da mesma forma, a Tabela C.12 e a Figura 5.12 mostram os dados de formatura
separados por taxa de reprovação média.
A taxa de reprovação média nas disciplinas obrigatórias é calculada de forma que
a soma do desempenho médio com a taxa de reprovação de cada aluno seja 1. Com
isso, temos resultados semelhantes aos obtidos na análise do desempenho médio. Os
evadidos possuem uma maior variação de taxa de reprovação média. Enquanto os evadidos
reprovaram em mais de 30% dos créditos obrigatórios cursados, a maioria dos formados
reprovaram menos de 30%.

5.5.8 Média de créditos obrigatórios por semestre

A Tabela C.13 apresenta os dados da média de créditos obrigatórios cursados por
semestre dos evadidos. O semestre 0 representa um semestre cursado no verão, indepen-
dente do período curricular que ele estava quando cursou. A Figura 5.13 apresenta o
gráfico correspondente.

50
Figura 5.6: Índice de formatura por idade. Cada uma das barras corresponde a uma
idade, representada no eixo X. A altura da barra representa a quantidade de alunos que
evadiram com aquela idade, de acordo com o eixo Y.

Da mesma forma, a Tabela C.14 e a Figura 5.14 mostram as médias de créditos

obrigatórios cursados por semestre pelos formados.
A média de créditos cursados por semestre dos formandos é superior ao dos evadidos
até o sexto semestre. No sétimo semestre do fluxo é quando ocorre uma redução de
matérias obrigatórias, de acordo com o currículo do BCC − UnB. É justamente a partir
do sétimo semestre que ocorre uma diminuição na média de créditos obrigatórios cursados
por semestre, ficando inferior à dos evadidos. A partir do décimo quarto semestre, que é
o tempo máximo de permanência no curso, a situação volta a inverter.

5.5.9 Índice de reprovação por departamento

A Tabela C.15 apresenta os dados da taxa média de reprovação dos alunos evadidos e
dos formados. A Figura 5.15 apresenta o gráfico correspondente.
As reprovações acontecem, principalmente, nas disciplinas oferecidas pelo Instituto de
Física, Departamento de Matemática e Departamento de Ciência da Computação. Além
disso, existe uma relação forte entre a taxa de reprovação nas disciplinas obrigatórias e a
forma de saída do aluno.

5.5.10 Reprovações em disciplinas obrigatórias

As Tabelas C.16, C.17, C.18, C.19 e C.20 apresentam os dados da taxa de reprovação
das disciplinas obrigatórias de acordo com o semestre do fluxo que são recomendadas.
As Figuras 5.16, 5.17, 5.18, 5.19 e 5.20 apresentam os gráficos correspondentes. Foram
selecionadas apenas disciplinas até o 5o semestre do fluxo e oferecidas pelo Departamento

51
Figura 5.7: Taxa de evasão por tipo de escola e motivos de saída. O código do motivo de
saída está de acordo com o apresentado na Tabela 5.3. Cada uma das barras corresponde
a um tipo de escola, representado no eixo X. A altura da barra representa a quantidade
de alunos que evadiram que possuem aquele tipo de escola, de acordo com o eixo Y. As
cores em cada uma das barras correspondem ao motivo de saída, segundo a legenda do
lado direito do gráfico. O número dentro de cada uma das cores mostra a quantidade
absoluta de alunos que evadiram daquele tipo de escola e por esse motivo.

de Ciência da Computação, Departamento de Matemática ou Instituto de Física. A

escolha do período ocorreu por incluir os semestres com maiores índices de evasão. Já
a do departamento que oferece a disciplina foi devido ao fato de serem os que possuem
disciplinas obrigatórias com maiores taxas de reprovação.
A análise dessas taxas de reprovação mostra que determinadas disciplinas são de di-
fíceis aprovações. Essas disciplinas, de forma geral, são pré-requisito de outras, o que
explica a retenção dos alunos no curso. Considerando uma alta taxa de reprovação valo-
res maiores ou iguais a 25%, o primeiro semestre pode ser considerado crítico, uma vez
que todas as disciplinas do fluxo desse semestre possuem alta taxa de reprovação. Como
não existe separação na taxa de reprovação de evadidos e formados, não é possível deter-
minar o quanto essa taxa de reprovação de cada disciplina está relacionada com a evasão
no curso.

5.5.11 Taxa de reprovação ao longo dos anos

As Tabelas C.21, C.22, C.23, C.24 e C.25 apresentam os dados da variação da taxa
de reprovação ao longo dos anos das disciplinas obrigatórias de acordo com o semestre
do fluxo que são recomendadas. As Figuras 5.21, 5.22, 5.23, 5.24 e 5.25 apresentam
os gráficos correspondentes. Foram selecionadas apenas disciplinas com alta taxa de
reprovação, ou seja, com valores maiores ou iguais a 25%, de acordo com os resultados
obtidos na Subseção 5.5.10.

52
Figura 5.8: Taxa de evasão por forma de ingresso. O código da forma de ingresso está de
acordo com o apresentado na Tabela 5.6. Cada uma das barras corresponde a uma forma
de ingresso, representada no eixo X. A altura da barra representa a quantidade de alunos
que evadiram que possuem aquele tipo de forma de ingresso, de acordo com o eixo Y. As
barras vermelhas correspondem aos alunos que evadiram e a verde ao total que entraram
por aquela forma de ingresso, de acordo com a legenda do lado direito do gráfico.

Figura 5.9: Desempenho médio dos evadidos organizados em faixas de desempenho. Cada
uma das barras corresponde a uma faixa de desempenho, representada no eixo X. A altura
da barra representa a quantidade de alunos evadidos que possuem desempenho dentro
daquela faixa, de acordo com o eixo Y.

A análise da evolução das taxas de reprovações mostra um aumento geral na quanti-

dade de reprovações a cada ano. De forma geral, as taxas de reprovações começaram a
aumentar consideravelmente a partir de 2009. Considerando a quantidade média de se-
mestres que um aluno leva para se formar e da quantidade média de créditos obrigatórios
cursados por semestre, temos que grande parte dos dados desse período de aumento das
taxas de reprovações são de alunos que estão cursando atualmente ou já evadiram.

53
Figura 5.10: Desempenho médio dos formados organizados em faixas de desempenho.
Cada uma das barras corresponde a uma faixa de desempenho, representada no eixo X.
A altura da barra representa a quantidade de alunos formados que possuem desempenho
dentro daquela faixa, de acordo com o eixo Y.

Figura 5.11: Taxa de reprovação média dos evadidos organizados em faixas de reprovação.
Cada uma das barras corresponde a uma faixa de taxa de reprovação, representada no
eixo X. A altura da barra representa a quantidade de alunos evadidos que possuem taxa
de reprovação dentro daquela faixa, de acordo com o eixo Y.

Figura 5.12: Taxa de reprovação média dos formados organizados em faixas de reprovação.
Cada uma das barras corresponde a uma faixa de taxa de reprovação, representada no
eixo X. A altura da barra representa a quantidade de alunos formados que possuem taxa
de reprovação dentro daquela faixa, de acordo com o eixo Y.

5.5.12 Menções em disciplinas obrigatórias

As Tabelas C.26 e C.27 apresentam, respectivamente, os dados das menções nas disci-
plinas obrigatórias obtidas pelos alunos evadidos e formados. As Figuras 5.26, 5.27, 5.28,
5.29 e 5.30 apresentam os gráficos correspondentes, organizados de acordo com o semestre
do fluxo que são recomendadas de serem cursadas. Foram selecionadas apenas disciplinas

54
Figura 5.13: Média de créditos obrigatórios cursados por semestre dos evadidos. O semes-
tre 0 representa um semestre cursado no verão, independente do período curricular que
ele estava quando cursou. Cada uma das barras corresponde a um semestre, representada
no eixo X. A altura da barra representa a média de créditos obrigatórios cursados por
semestre, de acordo com o eixo Y.

Figura 5.14: Média de créditos obrigatórios cursados por semestre dos formados. O se-
mestre 0 representa um semestre cursado no verão, independente do período curricular
que ele estava quando cursou. Cada uma das barras corresponde a um semestre, repre-
sentada no eixo X. A altura da barra representa a média de créditos obrigatórios cursados
por semestre, de acordo com o eixo Y.

com alta taxa de reprovação, ou seja, com valores maiores ou iguais a 25%, de acordo com
os resultados obtidos na Subseção 5.5.10.
Podemos perceber que a quantidade de menções SR, TJ e TR é muito superior no
caso dos alunos evadidos do que nos alunos formandos. Mesmo em caso de aprovações,
as menções obtidas pelos formados são mais altas, a maioria das menções dos formados é
MS enquanto a dos evadidos é MM.

55
Figura 5.15: Índice de reprovação das matérias obrigatórias organizadas por departamento
dos alunos evadidos e dos formados. Os departamentos estão representados no eixo X.
A altura da barra representa a taxa de reprovação deles, independente da situação do
estudante no curso, de acordo com o eixo Y.

Figura 5.16: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 1o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras corresponde a uma disciplina,
representada no eixo X. A altura da barra representa a quantidade de reprovações que já
ocorreram naquela disciplina, independente da situação do estudante no curso, de acordo
com o eixo Y.

56
Figura 5.17: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 2o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras corresponde a uma disciplina,
representada no eixo X. A altura da barra representa a quantidade de reprovações que já
ocorreram naquela disciplina, independente da situação do estudante no curso, de acordo
com o eixo Y.

Figura 5.18: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 3o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras corresponde a uma disciplina,
representada no eixo X. A altura da barra representa a quantidade de reprovações que já
ocorreram naquela disciplina, independente da situação do estudante no curso, de acordo
com o eixo Y.

57
Figura 5.19: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 4o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras corresponde a uma disciplina,
representada no eixo X. A altura da barra representa a quantidade de reprovações que já
ocorreram naquela disciplina, independente da situação do estudante no curso, de acordo
com o eixo Y.

Figura 5.20: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 5o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada uma das barras corresponde a uma disciplina,
representada no eixo X. A altura da barra representa a quantidade de reprovações que já
ocorreram naquela disciplina, independente da situação do estudante no curso, de acordo
com o eixo Y.

58
Figura 5.21: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 1o semestre do curso. Os códigos das disciplinas
estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada linha está
relacionada a uma disciplina, de acordo com a legenda do lado direito do gráfico. Cada
um dos pontos dessas linhas relaciona a taxa de reprovação em um determinado ano. A
taxa de reprovação foi calculada como a proporção de reprovações das matrículas em uma
determinada disciplina a cada ano.

59
Figura 5.22: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 2o semestre do curso. Os códigos das disciplinas
estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada linha está
relacionada a uma disciplina, de acordo com a legenda do lado direito do gráfico. Cada
um dos pontos dessas linhas relaciona a taxa de reprovação em um determinado ano. A
taxa de reprovação foi calculada como a proporção de reprovações das matrículas em uma
determinada disciplina a cada ano.

60
Figura 5.23: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 3o semestre do curso. Os códigos das disciplinas
estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada linha está
relacionada a uma disciplina, de acordo com a legenda do lado direito do gráfico. Cada
um dos pontos dessas linhas relaciona a taxa de reprovação em um determinado ano. A
taxa de reprovação foi calculada como a proporção de reprovações das matrículas em uma
determinada disciplina a cada ano.

61
Figura 5.24: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 4o semestre do curso. Os códigos das disciplinas
estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada linha está
relacionada a uma disciplina, de acordo com a legenda do lado direito do gráfico. Cada
um dos pontos dessas linhas relaciona a taxa de reprovação em um determinado ano. A
taxa de reprovação foi calculada como a proporção de reprovações das matrículas em uma
determinada disciplina a cada ano.

62
Figura 5.25: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 5o semestre do curso. Os códigos das disciplinas
estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10. Cada linha está
relacionada a uma disciplina, de acordo com a legenda do lado direito do gráfico. Cada
um dos pontos dessas linhas relaciona a taxa de reprovação em um determinado ano. A
taxa de reprovação foi calculada como a proporção de reprovações das matrículas em uma
determinada disciplina a cada ano.

63
Figura 5.26: Menções nas disciplinas obrigatórias recomendadas de serem cursadas no 1o
semestre do curso dos alunos formados e dos evadidos. Cada uma das barras corresponde
a uma menção, representada no eixo X. A altura da barra representa a proporção de cada
uma das menções obtidas naquela disciplina, de acordo com o eixo Y.

64
Figura 5.27: Menções nas disciplinas obrigatórias recomendadas de serem cursadas no 2o
semestre do curso dos alunos formados e dos evadidos. Cada uma das barras corresponde
a uma menção, representada no eixo X. A altura da barra representa a proporção de cada
uma das menções obtidas naquela disciplina, de acordo com o eixo Y.

65
Figura 5.28: Menções nas disciplinas obrigatórias recomendadas de serem cursadas no 3o
semestre do curso dos alunos formados e dos evadidos. Cada uma das barras corresponde
a uma menção, representada no eixo X. A altura da barra representa a proporção de cada
uma das menções obtidas naquela disciplina, de acordo com o eixo Y.

66
Figura 5.29: Menções nas disciplinas obrigatórias recomendadas de serem cursadas no 4o
semestre do curso dos alunos formados e dos evadidos. Cada uma das barras corresponde
a uma menção, representada no eixo X. A altura da barra representa a proporção de cada
uma das menções obtidas naquela disciplina, de acordo com o eixo Y.

67
Figura 5.30: Menções nas disciplinas obrigatórias recomendadas de serem cursadas no 5o
semestre do curso dos alunos formados e dos evadidos. Cada uma das barras corresponde
a uma menção, representada no eixo X. A altura da barra representa a proporção de cada
uma das menções obtidas naquela disciplina, de acordo com o eixo Y.

68
Capítulo 6

Perfil dos Alunos do BCC − UnB

Conforme citado no Capítulo 5, nesse capítulo é apresentado o processo da mineração

de dados realizado para determinação do perfil dos alunos com risco de evasão.
Nesse capítulo, a Seção 6.1 apresenta a manipulação dos dados realizada para melhor
adaptação para o processo de mineração de dados e as variáveis escolhidas; o processo da
mineração é descrito na Seção 6.2; a Seção 6.3 apresenta os resultados das performances
dos algoritmos utilizados para mineração. Com base nos resultados da mineração de
dados, a Seção 6.4 apresenta como está a situação de alunos com perfil de evasão que
estão cursando.

6.1 Transformação dos dados

Com base na análise estatística dos dados apresentada no Capítulo 5, foi possível
determinar quais as variáveis possuem maior impacto na determinação do perfil de um
aluno, que pode ser evadido ou formado.
As variáveis escolhidas, que serão utilizadas no processo de mineração de dados, são
apresentadas na Tabela 6.1. O sexo foi considerado como uma variável importante, pois,
apesar da proporção de homens que evade ser praticamente a mesma da de mulheres,
os principais motivos de saída dos que evadem são distintos e, consequentemente, são
perfis diferentes. Cada forma de ingresso na Universidade possui diferentes taxas de
evasão, sendo que algumas chegam a 100% e outras a menos de 10%. A partir da análise
estatística, foi concluído que os índices de reprovações nas matérias obrigatórias, em
especial em alguns departamentos, são os principais diferenciadores dos dois tipos de
perfis de alunos. Além disso, as menções obtidas nas disciplinas obrigatórias, tanto de
aprovações quanto reprovações e trancamentos, estão fortemente ligadas com o perfil do
aluno. Portanto, o IRAObr, calculado como uma relação entre a quantidade de cada
menção obtida em disciplinas obrigatórias, sendo que quanto maior a menção, maior o
peso nesse cálculo, também foi considerado uma variável importante.
Foram criadas duas novas tabelas no banco de dados com as informações apresentadas
na Tabela 6.1. A primeira com dados dos alunos que já saíram do curso, seja por evasão ou
formatura, e a segunda com os dados dos que estão cursando atualmente. Para poder ter
a separação da situação do aluno (evadido, formado ou cursando), foi necessário adicionar
nas duas tabelas o atributo ForSaidaOpcao. A consulta SQL utilizada para criação das
tabelas no banco de dados pode ser verificada no Apêndice D.

69
Tabela 6.1: Variáveis escolhidas para serem utilizadas no processo de mineração de dados.
A escolha das variáveis foi feita de acordo com os fatores que possuem maior impacto na
definição do perfil, com base nos resultados obtidos na análise estatística dos dados,
apresentada no Capítulo 5.
Variável Descrição
ForIngressoOpcao Forma de ingresso na Universidade.
AluSexo Sexo do aluno.
IRAObr Cálculo relacionado com as menções obtidas nas discipli-
nas obrigatórias que cursou, de forma que quanto maior
a menção, maior o peso dela.
Cic Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Ciência da Computação.
Est Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Estatística.
Mat Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Matemática.
IFD Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Instituto de Física.
Lip Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Lingüística, Português e Lín-
guas Clássicas.
Let Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Línguas Estrangeiras e Tra-
dução.
Fil Taxa de reprovação nas disciplinas obrigatórias ofereci-
das pelo Departamento de Filosofia.

6.2 Mineração dos dados

A ferramenta Weka foi escolhida para ser utilizada no processo de mineração dos dados,
pois, segundo Witten et al. [35] a ferramenta facilita o processo de mineração por já ter
implementado os principais algoritmos de mineração, além de fornecer a performance do
algoritmo e predizer a classificação de novos dados.
O aprendizado selecionado foi o supervisionado. Essa escolha foi feita por conta do
aprendizado supervisionado, segundo Donalek [13], permitir que o processo aprenda com
base em exemplos de dados que já possuem os resultados esperados conhecidos. Nesse
trabalho, já temos os resultados esperados dos alunos que não estão mais cursando. Esses
dados serão utilizados para treinamento e teste.
Dentre as possíveis técnicas de mineração de dados com aprendizado supervisionado,
a escolhida foi a classificação. Essa técnica, de acordo com Han e Kamber [19], permite

70
mapear os dados de entrada em classes já determinadas. O classificador irá aprender como
determinar a classe de uma determinada entrada com base nos padrões que ele identificou
na fase de treinamento. Assim como no trabalho realizado por Adhatrao et al. [1], a
escolha da classificação foi feita considerando que o objetivo é classificar os alunos que
estão cursando em duas classes já definidas: evadido ou formado.
Com base nos estudos de trabalhos anteriormente realizados, foram escolhidos os algo-
ritmos de classificação mais utilizados. Assim, serão usados nesse projeto os algoritmos:
Naive Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (kNN), ID3 e C4.5.
O Weka permite diferentes formatos de dados de entrada, como planilhas, bancos
de dados e geração de dados na própria ferramenta. No entanto, para determinados
algoritmos e entradas, esses formatos geram erros. Para evitar esses erros, os dados
de entrada devem ser colocados no formato ARFF (Attribute-Relation File Format). A
partir de uma planilha no formato CSV (separado por vírgula), a conversão para o formato
ARFF é realizada facilmente, de forma automática ou manual. A automática apresenta,
em algumas situações, problema de incompatibilidade de dados das fases de treinamento,
teste e classificação de novos dados. Esses problemas ocorrem por conta da existência
de atributos com valores distintos dos apresentados na fase de treinamento. Portanto, a
conversão manual é uma opção mais adequada para o processo. As etapas da conversão
manual são:

1. salvar dados em uma planilha no formato CSV;

2. abrir arquivo CSV em um editor de texto;
3. inserir @relation <nome_relacao> no início do arquivo para definir o nome da
relação entre os atributos;
4. inserir @atribute <nome_atributo> <{possiveis_valores}> para cada um dos atri-
butos;
5. inserir @data para indicar que começará a listagem dos dados. Cada registro estará
em uma linha e os dados são separados por vírgula, organizados na mesma ordem
em que foram declarados os atributos.

Para realização do processo de mineração de dados foram gerados três arquivos no

formato ARFF, com base nas duas novas tabelas criadas no banco de dados, apresentadas
na Seção 6.1:

1. Parte dos dados (75%) dos alunos que já saíram do curso, formados ou evadidos.
Esses dados serão usados para treinamento do classificador e teste para determinação
da performance dele.
2. Parte dos dados (25%) dos alunos que já saíram do curso, formados ou evadidos.
Esses dados serão usados para verificar se a acurácia obtida na fase de treinamento
e de teste estão de acordo com a obtida utilizando novos dados de teste.
3. Dados dos alunos que estão cursando atualmente para verificar em qual perfil, eva-
dido ou formado, eles se enquadram de acordo com o classificador utilizado.

71
Figura 6.1: Exemplo de arquivo no formato ARFF. O nome da relação entre os atributos
é definido por @relation. Cada um dos atributos e seus possíveis valores são declarados
por @atribute. O início da listagem dos dados é identificado por @data. Cada registro
está em uma linha e os valores dos atributos são separados por vírgula e estão na mesma
ordem da declaração dos atributos.

Os dados utilizados possuem valores numéricos e nominais. No entanto, alguns dos

algoritmos escolhidos aceitam apenas dados nominais. Essa conversão pode ser feita
diretamente no Weka, utilizando um filtro. As etapas para essa conversão são:

1. acessar Weka no modo Explorer;

2. abrir o arquivo no formato ARFF;
3. escolher o filtro;
4. selecionar a opção filters −> unsupervised −> atribute −> NumericToNominal;
5. aplicar o filtro;
6. salvar o arquivo.

A Figura 6.2 mostra as etapas da conversão de valores numéricos para nominais no

Weka. Os números estão de acordo com os passos apresentados.

Figura 6.2: Conversão de valores numéricos para nominais utilizando o filtro do Weka.
Os números estão de acordo com os passos apresentados.

Para criar um classificador utilizando a ferramenta Weka, é necessário seguir os se-

guintes passos:

72
 1. abrir o Weka no modo Explorer;
2. selecionar o arquivo com os dados de teste e treinamento de acordo com o filtro
necessário pelo algoritmo que será utilizado;
3. abrir a aba Classify;
4. selecionar o algoritmo que será utilizado. O nome da classe utilizado por cada um
dos algoritmos é apresentado na Tabela 6.2;

Tabela 6.2: Nome dos algoritmos utilizados para classificação nesse trabalho e o nome da
classe deles na ferramenta Weka.
Algoritmo Nome da classe no Weka
Naive Bayes bayes −>NaiveBayes
k-Nearest Neighbors functions −>IBk
Support Vector Machine (SVM) lazy −>LibSVM
ID3 trees −>Id3
C4.5 trees −>j48

5. em Test Options, selecionar Percentage Split com valor 75%;

6. em More options, marcar a opção Output prediction;
7. selecionar o Label, que é o atributo utilizado para classificação dos dados. Escolher
a opção ForSaidaOpcao;
8. clicar em Start para iniciar a classificação;
9. em Result List, clicar com o botão direito no classificador desejado;
10. selecionar a opção Save model e salvar o classificador.

6.3 Avaliação dos algoritmos

A performance dos classificadores é avaliada de acordo com critérios gerais do classifi-
cador e específicos de cada uma das classes. Os critérios gerais do classificador são aqueles
referentes à acurácia e taxas de erro. Já os critérios específicos de cada classe se referem
às taxas para determinar a probabilidade de uma instância ser classificada naquela classe.
A Tabela 6.3 apresenta os critérios gerais. Os critérios específicos da classe de formados
são apresentados na Tabela 6.4 e a de evadidos na Tabela 6.5.
Para verificar se a performance dos classificadores é mantida com dados distintos dos
utilizados para treinamento e teste, é feita uma reavaliação do classificador utilizando
novos dados de teste. Para isso, deve-se:

1. abrir o Weka no modo Explorer;

73
Tabela 6.3: Performance dos classificadores criados com base em critérios gerais do clas-
sificador.
Critério Naive Bayes SVM kNN ID3 C4.5
Correctly Clas- 90.0826% 83.4711% 88.4298% 90.9091% 85.124%
sified Instances
Kappa statistic 0.7893 0.6466 0.7526 0.8586 0.68
Mean absolute 0.0766 0.1102 0.0897 0.0503 0.1444
error
Root mean 0.2373 0.332 0.2544 0.2138 0.2755
squared error
Relative abso- 23.4124% 33.6991% 27.443% 15.7943% 44.1568%
lute error
Root relative 58.9584% 82.4648% 63.1984% 53.8709% 68.4366%
squared error
UnClassified 0% 0% 0% 2.4793% 0%
Instances

Tabela 6.4: Performance dos classificadores criados com base em critérios específicos da
classe formados.
Algoritmo TP Rate FP Rate Precision Recall F-measure ROC Area
Naive Bayes 0.986 0.22 0.864 0.986 0.921 0.961
SVM 0.944 0.32 0.807 0.944 0.87 0.812
kNN 0.986 0.26 0.843 0.986 0.909 0.888
ID3 0.957 0.104 0.931 0.957 0.944 0.915
C4.5 0.972 0.32 0.812 0.972 0.885 0.878

Tabela 6.5: Performance dos classificadores criados com base em critérios específicos da
classe evadidos.
Algoritmo TP Rate FP Rate Precision Recall F-measure ROC Area
Naive Bayes 0.78 0.014 0.975 0.78 0.867 0.961
SVM 0.68 0.056 0.895 0.68 0.773 0.812
kNN 0.74 0.014 0.974 0.74 0.841 0.888
ID3 0.896 0.043 0.935 0.896 0.915 0.9
C4.5 0.68 0.028 0.944 0.68 0.791 0.878

2. selecionar o arquivo com os dados de teste e treinamento de acordo com o filtro

necessário pelo algoritmo que será utilizado;
3. abrir a aba Classify;
4. em Result List, clicar com o botão direito;
5. selecionar a opção Load Model;
6. selecionar o classificador desejado;
7. em Test options, selecionar Supplied test set;

74
 8. escolher o arquivo com os novos dados de teste de acordo com o filtro necessário
pelo algoritmo que foi utilizado para criação do classificador;
9. em Result List, clicar com o botão direito no classificador desejado;
10. selecionar a opção Re-evaluate model on current test set.
A Tabela 6.6 apresenta a performance dos classificadores após o teste com novos
dados com base nos critérios gerais. Os critérios específicos da classe de formados são
apresentados na Tabela 6.7 e a de evadidos na Tabela 6.8.

Tabela 6.6: Performance dos classificadores criados com base em critérios gerais do clas-
sificador.
Critério Naive Bayes SVM kNN ID3 C4.5
Correctly Clas- 90.6977% 83.7209% 86.9767% 83.2558% 89.3023%
sified Instances
Kappa statistic 0.746 0.6023 0.6604 0.7063 0.7056
Mean absolute 0.0802 0.1085 0.0941 0.0763 0.096
error
Root mean 0.2458 0.3294 0.2744 0.2709 0.2416
squared error
Relative abso- − 29.9528% − − −
lute error
Root relative − 74.0123% − − −
squared error
UnClassified 0% 0% 0% 6.5116% 0%
Instances

Tabela 6.7: Performance dos classificadores após o teste com novos dados com base em
critérios específicos da classe formados.
Algoritmo TP Rate FP Rate Precision Recall F-measure ROC Area
Naive Bayes 1 0.115 0.672 1 0.804 0.977
SVM 1 0.201 0.539 1 0.701 0.899
kNN 0.976 0.155 0.597 0.976 0.741 0.924
ID3 0.95 0.124 0.655 0.95 0.776 0.898
C4.5 0.951 0.121 0.65 0.951 0.772 0.878

Nesse experimento, o principal fator de avaliação de um algoritmo é sua acurácia, ou

seja, qual a porcentagem de instâncias classificadas corretamente. Assim, no primeiro teste
realizado, o Naive Bayes e o ID3 apresentaram os melhores resultados. O desempenho
desses algoritmos também pode ser verificado por meio do critério Kappa statistic, que
possui os maiores valores dentre os testes realizados, e das menores taxas de erro. Apesar
desses critérios para o classificador com algoritmo ID3 serem melhores, uma desvantagem
dele foi a dificuldade que ele apresentou de classificar cerca de 2.48% das instâncias.
Ao rodar novos testes sobre o classificador, apenas a acurácia do Naive Bayes se
manteve, a do ID3 reduziu em, aproximadamente, 7%. Por isso, o classificador construído
com base no algoritmo Naive Bayes obteve a melhor performance nesse experimento.

75
Tabela 6.8: Performance dos classificadores após o teste com novos dados com base em
critérios específicos da classe evadidos.
Algoritmo TP Rate FP Rate Precision Recall F-measure ROC Area
Naive Bayes 0.885 0 1 0.885 0.939 0.977
SVM 0.799 0 1 0.799 0.888 0.899
kNN 0.845 0.024 0.993 0.845 0.913 0.924
ID3 0.876 0.05 0.986 0.876 0.928 0.865
C4.5 0.879 0.049 0.987 0.879 0.93 0.954

Analisando os resultados do Naive Bayes para cada uma das classes, é possível concluir
que esse classificador acerta mais o perfil de evasão dos alunos.

6.4 Alunos com perfil de evasão

Como o classificador criado com base no algoritmo Naive Bayes apresentou a melhor
performance, ele será utilizado para identificar o perfil dos alunos que estão cursando
atualmente.
A classificação é feita utilizando um arquivo de teste que possui dados apenas dos
alunos que estão cursando. Os seguintes passos são necessários para essa classificação.

1. abrir o Weka no modo Explorer;

2. selecionar o arquivo com os dados de teste e treinamento de acordo com o filtro
necessário pelo algoritmo que será utilizado;
3. abrir a aba Classify;
4. em Result List, clicar com o botão direito;
5. selecionar a opção Load Model;
6. selecionar o classificador construído com o algoritmo Naive Bayes;
7. em Test options, selecionar Supplied test set;
8. escolher o arquivo com os dados dos alunos cursando de acordo com o filtro necessário
pelo algoritmo que foi utilizado para criação do classificador;
9. em Result List, clicar com o botão direito no classificador construído com o algoritmo
Naive Bayes;
10. selecionar a opção Re-evaluate model on current test set.

Após isso, é gerada a Confusion Matrix, em que é possível visualizar como foram
classificados os dados. A matriz mostra como os alunos cursando (representado por c =
0) foram classificados, podendo ser em formados (a = 1) ou evadidos (b = 2). Como na
fase de treinamento foram utilizados apenas dados de formados ou evadidos e o objetivo
desse trabalho é classificar os alunos nesses dois perfis, a matriz, que aparenta estar errada
já que nenhum dado foi classificado corretamente, na verdade mostra uma predição de
como esses dados seriam classificados. A Figura 6.3 apresenta essa matriz gerada.

76
Figura 6.3: Confusion matrix gerada pelo classificador construído com o algoritmo Naive
Bayes. Essa matriz mostra quantos alunos, dos que estão cursando, são classificados como
formandos e quantos como evadidos. O número total de instâncias é 263.

Com base nos dados da matriz apresentada na Figura 6.3, foi gerado o gráfico da
Figura 6.4, que mostra a proporção de alunos cursando que foram classificados como
formandos ou evadidos.

Figura 6.4: Proporção de alunos cursando que foram classificados como formandos ou
evadidos pelo classificador construído com o algoritmo Naive Bayes.

Dos alunos cursando, 58.56% foram classificados com perfil de evasão. Esse número,
em comparação com a taxa de evasão dos que já saíram que é de 55.76%, se mostra realista
uma vez que o desempenho nas disciplinas foi considerado o principal determinante para
o perfil de evasão e, conforme mostrado na análise estatística dos dados apresentada no
Capítulo 5, o índice de reprovações nas disciplinas obrigatórias estão aumentando cada
vez mais nos últimos quatro anos, o que representa grande parte dos dados de alunos
cursando atualmente.

77
Capítulo 7

Conclusões

Os resultados experimentais obtidos nesse trabalho validam a hipótese de que é possível

utilizar técnicas de mineração de dados para determinar o perfil de um aluno em risco de
evasão no BCC − UnB.
A análise estatística dos dados foi fundamental para identificação das principais va-
riáveis relacionadas com o perfil de evasão ou de formatura de um aluno. Foi verificado
que a taxa de reprovação nas disciplinas obrigatórias do curso está de certa forma relaci-
onada com a decisão por evasão do aluno, especialmente quando a reprovação ocorre por
trancamento ou por falta de rendimento.
Construindo classificadores com diferentes algoritmos, foi verificado que o Naive Bayes
apresentou o melhor resultado para os atributos escolhidos nesse trabalho. Esse classifi-
cador determinou que 58.56% dos alunos cursando atualmente irão sair do curso sem se
formar. Atualmente a taxa de evasão é de 55.76%, mostrando que o problema está se
agravando no curso.

7.1 Principais contribuições

As principais contribuições desse trabalho foram:

1. Análise estatística de aspectos ligados à evasão do BCC - UnB.

2. Geração de banco de dados contendo dados filtrados dos alunos de 2000 a 2013, que
pode ser utilizado em trabalhos futuros.
3. Compreensão do perfil e das características do aluno que podem influenciar na sua
evasão.
4. Criação de um classificador que automaticamente consegue prever a saída por evasão
ou por formatura de um determinado aluno.

Com base nessas contribuições, é possível que professores e coordenadores identifiquem

os alunos que possuem perfil de evasão e, com isso, sejam capazes de fazer uma invertenção
para melhorar seu ensino com intuito de incentivar que o aluno se forme no curso. Os
dados e estatísticas geradas também permitem a geração de conhecimento para melhoria
da abordagem das disciplinas oferecidas pelo Departamento de Ciência da Computação.

78
7.2 Trabalhos futuros
Esse trabalho representa uma base no estudo do perfil de evasão dos alunos do De-
partamento de Ciência da Computação. Portanto, diferentes novos trabalhos podem ser
realizados para aprofundamento dos resultados obtidos. Possíveis trabalhos são:

1. Analisar a situação dos alunos que não entraram diretamente no BCC − UnB.
2. Construir um novo classificador que faça uso de dados das disciplinas optativas,
além dos atributos já utilizados nesse trabalho.
3. Utilizar técnicas de clusterização para identificar outros possíveis perfis de alunos.
4. Aplicar métodos de regressão nos atributos com a finalidade de gerar indicadores de
relações entre esses e o atributo pergunta.
5. Desenvolver um sistema com interface amigável para gerenciamento dos dados pelo
coordenador do curso, chefe do departamento ou funcionários de outros setores na
Universidade.
6. Repetir o experimento para o curso de Computação - Licenciatura, que também é
oferecido pelo Departamento de Ciência da Computação.
7. Repetir o experimento futuramente para verificar mudanças de perfil por conta do
novo PPP do curso.

79
 Referências

[1] K. Adhatrao, A. Gaykar, A. Dhawan, R. Jha, and V. Honrao. Predicting students’

performance using iD3 and c4.5 classification algorithms. International Journal of
Data Mining Knowledge Management Process (IJDKP), 3(5), 2013. 22, 71
[2] E. Alpaydin. Introduction to Machine Learning. The MIT Press, 2nd edition, 2010.
19, 22
[3] F. Araque, C. Roldán, and A. Salguero. Factors influencing university drop out rates.
Computers & Education, 53(3):563–574, 2009. 26, 33, 34, 35, 36
[4] C. Baggi and D. Lopes. Evasão e avaliação institucional no ensino superior: uma
discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior (Cam-
pinas), 16(2):355–374, 2011. 6
[5] J. Bertolin. Indicadores em nível de sistema para avaliar o desenvolvimento e a qua-
lidade da educação superior brasileira. Avaliação: Revista da Avaliação da Educação
Superior (Campinas), 12:309 – 331, 06 2007. 5, 6
[6] A. de V. C. Campello and L. N. Lins. Metodologia de análise e tratamento da evasão
e retenção em cursos de graduação instituições federais de ensino superior. Anais
XXVIII Encontro Nacional de Engenharia de Produção, Rio de Janeiro, 2008. xiii,
29, 30, 31, 33, 34, 35, 36
[7] A. Casartelli, A. C. Benso, M. Morosini, and R. M. Gessinger. Um estudo sobre os
motivos relacionados à evasão estudantil na PUCRS. Segunda Conferencia sobre el
Abandono en la Educación Superior (II CLABES), pages 221 – 227. 7
[8] G. Couto and M. Dantas. Utilizando mineração de dados na resolução de problemas
de gênero na UnB. 2014. Monografia do curso de Computação − Licenciatura −
Universidade de Brasília, Brasília. 28
[9] Universidade de Brasilia − UnB. Desligamentos, 2014. Disponível em: http://www.
saa.unb.br/index.php/desligamento Acessado em: 16/06/2014. 37
[10] Universidade de Brasília − UnB. Currículo do Bacharelado em Ciência da Compu-
tação. Disponível em: https://matriculaweb.unb.br/matriculaweb/graduacao/
curriculo.aspx?cod=1856 Acessado em: 07/06/2014. xiii, xiv, 9, 10, 11, 83
[11] Universidade de Brasília − UnB. Curso de Ciência da Computação. Disponível
em: http://www.unb.br/aluno_de_graduacao/cursos/ciencia_da_computacao
Acessado em: 07/06/2014. 8

80
[12] INEP − Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Si-
nopses estatísticas da educação básica, 2012. Disponível em: http://portal.inep.
gov.br/basica-censo-escolar-sinopse-sinopse Acessado em: 09/04/2014. xiii,
4, 5
[13] C. Donalek. Supervised and unsupervised learning, 2011. Disponível
em: http://www.astro.caltech.edu/~george/aybi199/ek_Classif.pdf Aces-
sado em: 01/06/2014. 19, 20, 22, 70
[14] P. dos Santos. Evasão na educação superior: uma análise a partir de publicações
na ANPED e CAPES (2000 a 2012). Tercera Conferencia sobre el Abandono en la
Educación Superior (III CLABES), pages 413 – 421. 7
[15] P. dos Santos and L. Giraffa. Evasão na educação superior: um estudo sobre o
censo da educação superior no brasil. Tercera Conferencia sobre el Abandono en la
Educación Superior (III CLABES), pages 49 – 58. 6
[16] U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, editors. Advan-
ces in Knowledge Discovery and Data Mining. American Association for Artificial
Intelligence, Menlo Park, CA, USA, 1996. 15, 17
[17] J. B. Ferreira, M. de L. Machado-Taylor, and A. Magalhães. A importância e a
satisfação no ensino superior: a perspectiva dos estudantes. In X Congresso da
Sociedade Portuguesa de Ciências da Educação. Instituto Politécnico de Bragança,
2009. 1
[18] V. Guidotti and P. Verdum. Fatores que influenciam a evasão e a permanência dos
alunos de um curso de pedagogia na modalidade EAD. Tercera Conferencia sobre el
Abandono en la Educación Superior (III CLABES), pages 249 – 258. 6
[19] J. Han and M. Kamber. Data mining : concepts and techniques. Kaufmann, San
Francisco, 2005. vii, 14, 15, 16, 17, 18, 19, 20, 21, 22, 70
[20] A. de O. Lima and B. A. C. Costa. Evasão na Universidade de Brasília: um estudo
sobre os cursos formadores de docentes para matérias básicas do vestibular. 2012.
Monografia (Bacharelado em Estatística) ¯ Universidade de Brasília, Brasília. 6, 27,
28, 33, 34, 35, 36
[21] M. B. Lobo. Panorama da evasão no ensino superior brasileiro: aspectos gerais das
causas e soluções. Disponível em: http://www.institutolobo.org.br/imagens/
pdf/artigos/art_087.pdf Acessado em: 09/04/2014. 6, 37
[22] H. Martins Galvão, H. L. Corrêa, and J. L. Alves. Modelo de avaliação de desempenho
global para instituição de ensino superior. Revista de Administração da Universidade
Federal de Santa Maria [On-line], 4:425–441, Novembro 2011. 4
[23] M. Morosini, A. Casartelli, A. C. da Silva, B. dos Santos, R. Schmitt, and R. M.
Gessinger. A evasão na Educação Superior no Brasil: uma análise da produção de
conhecimento nos periódicos qualis entre 2000-201. Primera Conferencia Latinoame-
ricana sobre el Abandono en la Educación Superior (I CLABES), pages 65 – 74. 7,
27, 28

81
[24] Weka − The University of Waikato. Weka 3: Data Mining Software in Java, 2013. Dis-
ponível em: http://www.cs.waikato.ac.nz/ml/weka/index.html Acessado em:
01/06/2014. 23
[25] S. Perdomo, G. Labra, and I. Nogueira. Evasão na Escola Superior de Saúde da
Universidade do Estado do Amazonas. Segunda Conferencia sobre el Abandono en
la Educación Superior (II CLABES), pages 119 – 127. 7
[26] A. K. Pujari. Data mining techniques. Universities Press, 2001. 19
[27] R. Roiger and M. W. Geatz. Data Mining: A Tutorial Based Primer. Addison
Wesley, 2003. 22
[28] E. O. Santos and V. C. Valverde. A evasão no curso de Química da UnB: o que
mudou após 1997. 2010. Monografia (Especialização em Desenvolvimento Gerencial)
− Universidade de Brasília, Brasília. 27, 33, 34, 35, 36
[29] F. Sarker, H. Davis, and T. Tiropanis. A review of higher education challenges and
data infrastructure responses. In International Conference for Education Research
and Innovation (ICERI2010). International Conference for Education Research and
Innovation (ICERI2010), November 2010. Event Dates: 15th -17th November 2010.
1
[30] F. Sarker, T. Tiropanis, and H. Davis. Exploring student predictive model that relies
on institutional databases and open data instead of traditional questionnaires. In
Proceedings of the 22Nd International Conference on World Wide Web Companion,
WWW ’13 Companion, pages 413–418, Republic and Canton of Geneva, Switzerland,
2013. International World Wide Web Conferences Steering Committee. 8
[31] H. R. B. da Silva and P. J. L. Adeodato. A data mining approach for preventing
undergraduate students retention. In Neural Networks (IJCNN), The 2012 Interna-
tional Joint Conference on, pages 1–8. IEEE, 2012. 33, 34, 35, 36
[32] R. Silva Filho, P. R. Motejunas, O Hipólito, and M.B. Lobo. A evasão no ensino
superior brasileiro. Cadernos de Pesquisa, 37(132):641–659, 2007. 6
[33] I. M. de Souza et al. Causas da evasão nos cursos de graduação da Universidade
Federal de Santa Catarina. 1999. Dissertação (Mestrado em Administração − Uni-
versidade Federal de Santa Catarina, Florianópolis. 27, 28, 33, 34, 35, 36
[34] R. F. Vitelli, C. S. Rocha, and R. Fritsch. Estudo sobre evasão nos cursos de gradu-
ação de uma instituição de ensino superior privada: Aplicação de regressão logística.
xiii, 29, 30, 33, 34, 35, 36
[35] I. H. Witten, E. Frank, and M. A. Hell. Data Mining: Practical Machine Learning
Tools and Technique. Morgan Kaufmann, 3 edition, 2011. 14, 23, 70
[36] X. Wu, V. Kumar, J. Quinlan, J. Ghosh, Q. Yang, H. Motoda, G. J. McLachlan,
A. Ng, B. Liu, P. S. Yu, Z. Zhou, M. Steinbach, D. J. Hand, and D. Steinberg. Top
10 algorithms in data mining. Knowl. Inf. Syst., 14(1):1–37, December 2007. 21

82
 Anexo I

Ementas e pré-requisitos das disciplinas

obrigatórias

A Tabela I.1 apresenta a lista das ementas das disciplinas obrigatórias do BCC − UnB
e seus pré-requisitos.

Tabela I.1: Ementas e pré-requisitos das disciplinas obrigatórias do BCC −

UnB [10].

Código da disciplina Pré-requisitos Ementa

- Noções de lógica e teoria dos conjuntos;
- Relações e funções;
- Noções de reticulados e álgebras de Boole;
- Axiomas de Peano;
- Princípios de indução
113107 -
- Os números inteiros; congruências;
- Estruturas algébricas: semi-grupos, grupos,
aneis, domínios de integridade e corpos
- Polinômios sobre domínios de integridade em
uma variável
- O espaço R^n e o cálculo vetorial em R^2 e
R^3
- Corpos e espaços vetoriais
113123 113034
- A teoria dos determinantes
- Aplicações lineares e matrizes
- Formas canônicas
- Níveis de abstração de informações e dados
- Modelo relacional; modelo de rede, modelo
hierárquico
116378 116327
- Segurança, integridade e concorrência
- Estudos de caso
- Novas aplicações para banco de dados
Continua na página seguinte

83
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Funções de uma variável real
- Limite e continuidade
113034 - - Derivada
- Integral
- Aplicações de integral
- Sequências e séries numéricas
- Séries de potências
- Fórmula de Taylor
- Equações diferenciais ordinárias de 1a ordem
113042 113034
- Equações diferenciais ordinárias lineares
- A Transformada de Laplace
- Sistemas lineares de equações diferenciais
ordinárias de 1a ordem
- Vetores no plano e no espaço
- Funções de várias variáveis
- Fórmula de Taylor, pontos de extremos
locais e absolutos, pontos críticos,
Multiplicador de Lagrange
113051 113042
- Transformações diferenciáveis
- Integrais múltiplas
- Integrais de linha
- Integrais de superfícies, Teorema da
Divergência e Teorema de Stokes
- Zero de funções reais
- Sistemas de equações lineares e inversão de
matrizes
113417 113042 - Ajustes de curvas e interpolação
- Integração numérica
- Soluções numéricas de equações diferenciais
ordinárias
- Representação da informação
- Álgebra Booleana
118044 E - Estrutura de portas lógicas
116351 118052 E - Operações com dados
167037 - Flip-flops e registradores
- Circuitos sequenciais
- Conversão D/A e A/D
Continua na página seguinte

84
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Histórico do computador
- Computadores e resolução de problemas
- Estruturas de decisão
- Vetores e matrizes
116301 -
- Cadeias de caracteres
- Subalgoritmos: funções e procedimentos
- Estilo de programação
- Particularidades da linguagem Pascal
- Software e engenharia de software
- Planejamento de software
- Fundamentos e métodos de análise
116441 116343 - Fundamentos de projeto de software
- Garantia da qualidade do software
- Automação do processo de desenvolvimento
de software
- Manipulação de cadeias
- Estruturas de dados lineares: vetores,
116301 OU matrizes, pilhas e listas encadeadas
116319
117234 - Estruturas de dados não-lineares: árvores,
matrizes esparsas e grafos
- Classificação e pesquisa em memória
- Conceitos e operações básicas relativos à
cinemática
e à dinâmica dos movimentos de translação
e rotação
118001 -
- Leis de Newton
- Energia e potência
- Equilíbrio de corpos rígidos
- Colisões
- Medidas e erros
- Análise gráfica
- Atrito
- Colisão
118010 - - Conservação do momento linear
- Estudo dos movimentos
- Rotação
- Conservação de energia
- Equilíbrio de corpos rígidos
Continua na página seguinte

85
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Dinâmica da rotação
- Conservação do momento angular
- Oscilações
- Gravitação
- Estática dos fluidos
118001 E
- Dinâmica dos fluidos
118028 118010 E
- Ondas e meios elásticos
113034
- Ondas sonoras
- Temperatura
- Calor e 1a Lei da Termodinâmica
- Teorica cinética dos gases
- Entropia e 2a Lei da Termodinâmica
- Giroscópio
- Movimento periódico
- Hidrostática
118001 E
- Ondas sonoras
118036 118010 E
- Dilatação linear
113034
- Calor específico dos sólidos
- Condução de calor
- Comportamento dos gases
- Leis de Coulomb
- Campo elétrico - Lei de Gauss
- Potencial, capacitância, propriedade dos
dielétricos
118028 E - Corrente, resistência e Fem
118036 E - Circuitos e instrumentos de corrente
113042 OU contínua
118044
118206 E - Campo magnético
118214 E - Forças magnéticas sobre condutores de
113042 correntes
- Campo magnético produzido por correntes
- Força eletromotriz induzida
- Correntes alternadas
- Equações de Maxwell
Continua na página seguinte

86
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Fundamentos teóricos
- Uso de medidores elétricos e fontes
- Resistência elétrica
- Ohmica e não ohmica
- Fonte de tensão
- Fem e resistência interna
118028 E - Ponte de Wheatstone
118036 E - Medidas de resistências, superfícies
113042 OU equipotenciais e linhas de campo
118052
118206 E - Deflexão eletromagnética de elétrons
118214 E - Capacitores sob correntes CC
113042 - Força magnética sobre segmentos retilíneos
de correntes
- As bobinas de Helmholtz e a razão e/m
para o elétron
- Circuitos com correntes alternadas
- Ressonância no circuito RLC série
- Transformadores e circuitos retificadores
- Introdução e prática de estratégias de
compreensão escrita que favoreçam
uma leitura mais eficiente e
145971 - independente de textos variados
- Desenvolvimento da percepção dos
princípios lógicos envolvidos no processo
da leitura
- Fundamentos da teoria geral de sistemas
- Teoria da informação: conceito de
informação, conceitos de
dados, representação de dados e de
conhecimento
116319 OU - Sistemas de informação: fases e etapas
116416
113956 - Documentação
- Prototipação
- Modelagem conceitural: abstração, modelo
entidade-relacionamento, análise funcional,
administração de dados
- Estudo de caso
Continua na página seguinte

87
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Árvores
- Conexão
- Grafos eulerianos e hamiltonianos
- Teoria transversão
- Planaridade
- Dualidade
113930 -
- Matroides
- Teoremas de Hall, Konig e Kuratowski
- Aplicações
- Problema de otimização em grafos
- Otimização
- Algoritmos
- Leitura ativa
- Leitura analítica
- Leitura crítica
140481 -
- Planejamento e produção de resumos,
resenhas, críticas e textos dissertativos
argumentativos
- Introdução
- Conceitos: variáveis, expressões, escopo,
comandos, tipagem, procedimentos, tipos
116343 116319
de dados, abstração, controle, etc
- Paradigmas e linguagem de programação:
imperativas, lógicas e orientadas por objetos
- Desempenho de processadores
- Arquitetura do conjunto de instruções e
linguagem de máquina
116351 OU
- Aritmética computacional
169251 OU
116394 - Organização e projeto de processadores
169102 OU
(uniciclo, multiciclo e pipeline)
167983
- Hierarquia de memórica
- Sistemas de entrada e saída
- Introdução ao multiprocessamento
- Tecnologias de dispositivos de
armazenamento secundário
- Parâmetros de hardware
- Organizações básicas de arquivos
115045 E - Pilha, sequencial, sequencial-indexado,
116327
116319 direto e invertido
- Organizações híbridas de arquivos:
avaliação de sistemas de arquivos
- Compressão de dados
- Classificação em memória secundária
Continua na página seguinte

88
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Análise de observações
- Modelo matemático
- Exp. Aleatória
- Espaço amostral
- Variáveis aleatórias
- Distribuições e suas características
- Covariância e correlação
113034 OU
115045 - Distribuição conjunta
113018
- Principais modelos
- Discretos e contínuos
- Estatística descritiva
- Ajustamento de funções reais
- Correlação e regressão
- Noções de amostragem
- Testes de hipóteses
- Especificação e definição de programas
- Métodos de programação
116301 OU - Documentação
113956
113913 - Testes sistemáticos
- Manutenção de programas
- Estudo de caso
- Conceitos básicos e históricos
- Gerência de processos e programação
concorrente
- Gerência de dispositivos
116467 116432
- Gerência de memória
- Sistema de arquivos
- Estudo de sistemas operacionais
existentes
- Programação em linguagem de máquina
116394 E
116432 - Montadores, ligadores e carregadores
116319
- Programação em linguagem C
- Indução matemática e Princípio da
Boa Ordenação
- Divisibilidade de inteiros
- Equações Diofantinas
113115 -
- Teorema Fundamental da Aritmética e
aplicações
- Congruências
- Tópicos adicionais
Continua na página seguinte

89
 Tabela I.1 – Continuação da tabela da página anterior
Código da disciplina Pré-requisitos Ementa
- Tipos de tradutores
- Especificação de linguagens de
programação
113948 E - Análise léxica
116343 E - Análise sintática
116432 OU - Verificação de tipos de análise de escopo
116459
116882 E - Ambiente de execução
116343 E - Organização da memória
116432 - Acesso a variáveis, passagem de parâmetros,
tabelas de símbolos
- Geração de código intermediário
e código final

90
 Apêndice A

Consulta SQL para tratamento dos

dados

A seguinte consulta SQL foi utilizada para a etapa de tratamento dos dados.
SELECT ∗ FROM ‘ h i s t o r i c o ‘ WHERE ‘ D i s c i p l i n a ‘ = 113107 OR ‘ D i s c i p l i n a ‘ =
113123 OR ‘ D i s c i p l i n a ‘ = 116378 OR ‘ D i s c i p l i n a ‘ = 113034 OR
‘ D i s c i p l i n a ‘ = 113042 OR ‘ D i s c i p l i n a ‘ = 113051 OR ‘ D i s c i p l i n a ‘ = 113417
OR ‘ D i s c i p l i n a ‘ = 116351 OR ‘ D i s c i p l i n a ‘ = 116301 OR ‘ D i s c i p l i n a ‘ =
116441 OR ‘ D i s c i p l i n a ‘ = 116319 OR ‘ D i s c i p l i n a ‘ = 118001 OR
‘ D i s c i p l i n a ‘ = 118010 OR ‘ D i s c i p l i n a ‘ = 118028 OR ‘ D i s c i p l i n a ‘ = 118036
OR ‘ D i s c i p l i n a ‘ = 118044 OR ‘ D i s c i p l i n a ‘ = 118052 OR ‘ D i s c i p l i n a ‘ =
145971 OR ‘ D i s c i p l i n a ‘ = 116416 OR ‘ D i s c i p l i n a ‘ = 113930 OR
‘ D i s c i p l i n a ‘ = 140481 OR ‘ D i s c i p l i n a ‘ = 116343 OR ‘ D i s c i p l i n a ‘ = 116394
OR ‘ D i s c i p l i n a ‘ = 116327 OR ‘ D i s c i p l i n a ‘ = 115045 OR ‘ D i s c i p l i n a ‘ =
113956 OR ‘ D i s c i p l i n a ‘ = 116467 OR ‘ D i s c i p l i n a ‘ = 116432 OR
‘ D i s c i p l i n a ‘ = 113115 OR ‘ D i s c i p l i n a ‘ = 116459 OR ‘ D i s c i p l i n a ‘ = 113948
OR ‘ D i s c i p l i n a ‘ = 116360 OR ‘ D i s c i p l i n a ‘ = 116882 OR ‘ D i s c i p l i n a ‘ =
116475 OR ‘ D i s c i p l i n a ‘ = 116912 OR ‘ D i s c i p l i n a ‘ = 116921 OR
‘ D i s c i p l i n a ‘ = 137481 OR ‘ D i s c i p l i n a ‘ = 117366 OR ‘ D i s c i p l i n a ‘ = 113859
OR ‘ D i s c i p l i n a ‘ = 117536 OR ‘ D i s c i p l i n a ‘ = 116424 OR ‘ D i s c i p l i n a ‘ =
204315

SELECT ∗ FROM a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =

h i s t o r i c o . MatricAlunos WHERE a l u n o s . FormaSaida = 9

UPDATE h i s t o r i c o INNER JOIN o p t a t i v a s on h i s t o r i c o . D i s c i p l i n a =

o p t a t i v a s . C o d D i s c i p l i n a SET h i s t o r i c o . T i p o D i s c i p l i n a = 2

UPDATE h i s t o r i c o INNER JOIN a l u n o s on h i s t o r i c o . MatricAluno =

a l u n o s . MatricAluno SET h i s t o r i c o . T i p o D i s c i p l i n a = 2

UPDATE ‘ a l u n o s ‘ SET ‘ SemestreCursoSaida ‘ = ( ‘ PerSaidaOpcao ‘ −

‘ AnoIngresso ‘ ) ∗2 + 1 WHERE ‘ S e m e s t r e I n g r e s s o ‘ = 1 AND
‘ SemestreSaidaOpcao ‘ = 1

SELECT count ( MatricAluno ) AS num_alunos , S e m e s t r e C u r s o S a i d a FROM a l u n o s

WHERE FormaSaida = 2 GROUP BY S e m e s t r e C u r s o S a i d a

91
SELECT count ( MatricAluno ) AS num_alunos , SemestreCursoSaida ,
( count ( MatricAluno ) / 4 6 2 ) ∗100 FROM a l u n o s WHERE FormaSaida = 2 GROUP BY
SemestreCursoSaida

SELECT AluSexo , count ( MatricAluno ) AS num_alunos FROM a l u n o s WHERE

FormaSaida = 2 GROUP BY ‘ AluSexo ‘

SELECT count ( MatricAluno ) AS num_alunos , Id ad eS ai d a ,

( count ( MatricAluno ) / 4 6 2 ) ∗100 FROM a l u n o s WHERE FormaSaida = 2 GROUP BY
IdadeSaida

SELECT ‘ AluEscola ‘ , count ( MatricAluno ) AS num_alunos ,

( count ( MatricAluno ) / 4 6 2 ) ∗100 FROM a l u n o s WHERE FormaSaida = 2 GROUP BY
AluEscola

SELECT ‘ FormaIngresso ‘ , count ( MatricAluno ) AS num_alunos ,

( count ( MatricAluno ) / 4 6 2 ) ∗100 FROM a l u n o s WHERE FormaSaida = 2 GROUP BY
FormaIngresso

SELECT SUM h i s t o r i c o . c r e d i t o s HAVING h i s t o r i c o . Mencao != . . . / SUM

( h i s t o r i c o . c r e d i t o s ) FROM a l u n o s INNER JOIN h i s t o r i c o ON
a l u n o s . MatricAluno = h i s t o r i c o . MatricAlunos WHERE a l u n o s . FormaSaida = 2

SELECT (
Select SUM( h i s t o r i c o . c r e d i t o s ) FROM a l u n o s INNER JOIN h i s t o r i c o ON
a l u n o s . MatricAluno = h i s t o r i c o . MatricAluno Where a l u n o s . FormaSaida = 2
and h i s t o r i c o . Aprovacao = 1 )
/ SUM( h i s t o r i c o . c r e d i t o s ) FROM a l u n o s INNER JOIN h i s t o r i c o ON
a l u n o s . MatricAluno = h i s t o r i c o . MatricAluno WHERE a l u n o s . FormaSaida = 2

SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) , ( Select

SUM( h i s t o r i c o . c r e d i t o s ) FROM a l u n o s INNER JOIN h i s t o r i c o ON
a l u n o s . MatricAluno = h i s t o r i c o . MatricAluno Where a l u n o s . FormaSaida = 2
and h i s t o r i c o . Aprovacao = 1 ) ) , ( Select SUM( h i s t o r i c o . c r e d i t o s ) as
aprovado FROM a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno Where a l u n o s . FormaSaida = 2
and h i s t o r i c o . Aprovacao = 1 ) / SUM( h i s t o r i c o . c r e d i t o s ) FROM a l u n o s INNER
JOIN h i s t o r i c o ON a l u n o s . MatricAluno = h i s t o r i c o . MatricAluno WHERE
a l u n o s . FormaSaida = 2 GROUP BY a l u n o s . MatricAluno

SELECT SemestreCursoSaida , MotivoFormaSaidaOpcao , count ( MatricAluno ) AS

num_alunos , count ( MatricAluno ) / 4 . 7 4 as porcentagem , ( s e l e c t
MAX( num_alunos ) from a l u n o s WHERE ForSaidaOpcao = 2 Group by
SemestreCursoSaida )
FROM a l u n o s WHERE ForSaidaOpcao = 2 GROUP BY SemestreCursoSaida ,
MotivoFormaSaidaOpcao

Select aprovadas . MatricAluno , c r e d i t o s A p r o / c r e d i t o s T o t as desempenho from (

SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s T o t FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno WHERE a l u n o s . FormaSaida = 2 and
a l u n o s . MatricAluno= 200035939 Group by a l u n o s . MatricAluno ) as t o t a l
inner j o i n (

92
SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s A p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno WHERE h i s t o r i c o . Aprovacao = 1 and
a l u n o s . FormaSaida = 2 and a l u n o s . MatricAluno= 200035939 Group by
a l u n o s . MatricAluno ) as aprovadas
on aprovadas . MatricAluno=t o t a l . MatricAluno
Group By aprovadas . MatricAluno

update a l u n o s inner j o i n
( Select aprovadas . MatricAluno , c r e d i t o s A p r o / c r e d i t o s T o t as desempenho from
(
SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s T o t FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno Group by a l u n o s . MatricAluno ) as t o t a l
inner j o i n (
SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s A p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno WHERE h i s t o r i c o . Aprovacao = 1 Group by
a l u n o s . MatricAluno ) as aprovadas
on aprovadas . MatricAluno=t o t a l . MatricAluno
Group By aprovadas . MatricAluno ) as DesempenhoAlunos
on DesempenhoAlunos . MatricAluno=a l u n o s . MatricAluno
set a l u n o s . Desempenho=DesempenhoAlunos . desempenho

/∗ Separando os a l u n o s que entraram d i r e t a m e n t e em c i c dos que n o

entraram : ∗/
Select Count( MatricAluno ) From a l u n o s Where A n o I n g r e s s o !=
P e r I n g r e s s o O p c a o Or S e m e s t r e I n g r e s s o != S e m e s t r e I n g r e s s o O p c a o

/∗ Semestre c u r s a d o ∗/
Update a l u n o s
INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno= h i s t o r i c o . MatricAluno
Set h i s t o r i c o . SemetreCursado = ( 2 ∗ ( h i s t o r i c o . Ano−a l u n o s . A n o I n g r e s s o )+ 1 )
Where a l u n o s . GrupoAnalise = 0 And h i s t o r i c o . S e m e s t r e = 1 And
alunos . SemestreIngresso = 1

Update a l u n o s
INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno= h i s t o r i c o . MatricAluno
Set h i s t o r i c o . SemetreCursado = ( 2 ∗ ( h i s t o r i c o . Ano−a l u n o s . A n o I n g r e s s o )+ 2 )
Where a l u n o s . GrupoAnalise = 0 And h i s t o r i c o . S e m e s t r e = 2 And
alunos . SemestreIngresso = 1

Update a l u n o s
INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno= h i s t o r i c o . MatricAluno
Set h i s t o r i c o . SemetreCursado = ( 2 ∗ ( h i s t o r i c o . Ano−a l u n o s . A n o I n g r e s s o )+ 1 )
Where a l u n o s . GrupoAnalise = 0 And h i s t o r i c o . S e m e s t r e = 2 And
alunos . SemestreIngresso = 2

update a l u n o s inner j o i n
( Select aprovadas . MatricAluno , aprovadas . c r e d i t o s A p r o / t o t a l . c r e d i t o s T o t as
desempenho from

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a Group by a l u n o s . MatricAluno ) as t o t a l

93
inner j o i n
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s A p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a where h i s t o r i c o . Aprovacao = 1 Group by
a l u n o s . MatricAluno ) as aprovadas
on aprovadas . MatricAluno=t o t a l . MatricAluno
Group By aprovadas . MatricAluno ) as DesempenhoAlunos
on DesempenhoAlunos . MatricAluno=a l u n o s . MatricAluno
set a l u n o s . Desempenho=DesempenhoAlunos . desempenho

/∗ TaxaReprovacao ∗/
update a l u n o s inner j o i n
( Select r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
as taxa from
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s T o t FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a Group by a l u n o s . MatricAluno ) as t o t a l
inner j o i n
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) as c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a where h i s t o r i c o . Aprovacao = 0 Group by
a l u n o s . MatricAluno ) as r e p r o v a d a s
on r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
Group By r e p r o v a d a s . MatricAluno ) as ReprovacaoAlunos
on ReprovacaoAlunos . MatricAluno=a l u n o s . MatricAluno
set a l u n o s . TaxaReprovacao=ReprovacaoAlunos . taxa

94
 Apêndice B

Consulta SQL para análise estatística

dos dados

A seguinte consulta SQL foi utilizada para obter os resultados utilizados na análise
estatística dos dados.
/∗SEMESTRE∗/
SELECT SemestreCursoSaida , count ( MatricAluno ) FROM ‘ a l u n o s ‘ WHERE
‘ ForSaidaOpcao ‘ = 1 GROUP BY S e m e s t r e C u r s o S a i d a

SELECT
SemestreCursoSaida ,
MotivoFormaSaidaOpcao ,
count ( MatricAluno ) AS num_alunos ,
count ( MatricAluno ) / 4 . 7 0 as porcentagem
FROM a l u n o s
WHERE ForSaidaOpcao = 2
GROUP BY SemestreCursoSaida , MotivoFormaSaidaOpcao
Order by SemestreCursoSaida , num_alunos DESC

/∗IDADE∗/
SELECT
I da de Sa id a ,
MotivoFormaSaidaOpcao ,
count ( MatricAluno ) AS num_alunos ,
count ( MatricAluno ) / 4 . 7 0 as porcentagem
FROM a l u n o s
WHERE ForSaidaOpcao = 2
GROUP BY I da de Sa id a , MotivoFormaSaidaOpcao
Order by I da de Sa id a , num_alunos DESC

SELECT
I da de Sa id a ,
MotivoFormaSaidaOpcao ,
count ( MatricAluno ) AS num_alunos ,
count ( MatricAluno ) ∗100/ t o t a l . AluTotal as porcentagem
FROM a l u n o s , ( Select count ( MatricAluno ) as AluTotal from a l u n o s WHERE
ForSaidaOpcao = 2 ) as t o t a l
WHERE ForSaidaOpcao = 2
GROUP BY I da de Sa id a , MotivoFormaSaidaOpcao
Order by I da de Sa id a , num_alunos DESC

95
/∗SEXO∗/
SELECT
a l u n o s . AluSexo , count ( MatricAluno ) AS NumEvadidos , TotAlunos
from a l u n o s
inner Join
( SELECT
AluSexo , count ( MatricAluno ) AS TotAlunos
FROM a l u n o s
GROUP BY ‘ AluSexo ‘
) as t o t a l
On t o t a l . AluSexo = a l u n o s . AluSexo
WHERE ForSaidaOpcao = 2
GROUP BY ‘ AluSexo ‘

SELECT
a l u n o s . AluSexo , MotivoFormaSaidaOpcao , count ( MatricAluno ) AS NumEvadidos
from a l u n o s
WHERE ForSaidaOpcao = 2
GROUP BY a l u n o s . ‘ AluSexo ‘ , a l u n o s . MotivoFormaSaidaOpcao
Order by a l u n o s . ‘ AluSexo ‘DESC

/∗TIPO DE ESCOLA∗/
SELECT
a l u n o s , AluEscola , count ( MatricAluno ) AS NumEvadidos , TotAlunos
from a l u n o s
inner Join
( SELECT
AluEscola , count ( MatricAluno ) AS TotAlunos
FROM a l u n o s
GROUP BY ‘ AluEscola ‘
) as t o t a l
On t o t a l , A l u E s c o l a = a l u n o s , A l u E s c o l a
WHERE ForSaidaOpcao = 2
GROUP BY ‘ AluEscola ‘

SELECT
a l u n o s , AluEscola , MotivoFormaSaidaOpcao , count ( MatricAluno ) AS
NumEvadidos
from a l u n o s
WHERE ForSaidaOpcao = 2
GROUP BY ‘ AluEscola ‘ , a l u n o s , MotivoFormaSaidaOpcao
Order by a l u n o s , ‘ AluEscola ‘DESC

/∗FORMA DE INGRESSO∗/
SELECT
a l u n o s , ForIngressoOpcao , count ( MatricAluno ) AS NumEvadidos , TotAlunos
from a l u n o s
inner Join
( SELECT
ForIngressoOpcao , count ( MatricAluno ) AS TotAlunos
FROM a l u n o s
GROUP BY ‘ ForIngressoOpcao ‘
) as t o t a l
On t o t a l , F o r I n g r e s s o O p c a o = a l u n o s , F o r I n g r e s s o O p c a o

96
WHERE ForSaidaOpcao = 2
GROUP BY ‘ ForIngressoOpcao ‘

/∗DESEMPENHO∗/
Select
case when ‘ Desempenho ‘ = 0 then
’0 ’
when ‘ Desempenho ‘>0 and ‘ Desempenho ‘ <0.3 then
’ 0 ␣<␣Desempenho␣<␣ 0 , 3 ’
when ‘ Desempenho ‘ >=0.3 and ‘ Desempenho ‘ <0.5 then
’ 0 , 3 ␣<=␣Desempenho␣<␣ 0 , 5 ’
when ‘ Desempenho ‘ >=0.5 and ‘ Desempenho ‘ <0.7 then
’ 0 , 5 ␣<=␣Desempenho␣<␣ 0 , 7 ’
when ‘ Desempenho ‘ >=0.7 and ‘ Desempenho ‘ <0.9 then
’ 0 , 7 ␣<=␣Desempenho␣<␣ 0 , 9 ’
when ‘ Desempenho ‘ >=0.9 and ‘ Desempenho‘<=1 then
’ 0 , 9 ␣<=␣Desempenho␣<=␣1 ’
end as faixa_desempenho
, count ( ∗ ) as Quantidade
From a l u n o s
Where ForSaidaOpcao = 2
Group by faixa_desempenho

/∗MEDIA DE CREDITOS POR SEMESTRE∗/

SELECT
h i s t o r i c o . SemetreCursado ,
sum( h i s t o r i c o . C r e d i t o s ) /count ( d i s t i n c t ( h i s t o r i c o . ‘ MatricAluno ‘ ) ) as
M dia_de_creditos
FROM a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . ‘ MatricAluno ‘= h i s t o r i c o . ‘ MatricAluno ‘
where a l u n o s . GrupoAnalise = 0
group by h i s t o r i c o . SemetreCursado

SELECT
h i s t o r i c o . SemetreCursado ,
sum( h i s t o r i c o , C r e d i t o s ) /count ( d i s t i n c t ( h i s t o r i c o . ‘ MatricAluno ‘ ) ) as
M dia_de_creditos
FROM a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . ‘ MatricAluno ‘= h i s t o r i c o . ‘ MatricAluno ‘
JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a = h i s t o r i c o . D i s c i p l i n a
where a l u n o s . GrupoAnalise = 0 and a l u n o s . FormaSaida=2
group by h i s t o r i c o . SemetreCursado

SELECT
h i s t o r i c o . SemetreCursado ,
sum( h i s t o r i c o . C r e d i t o s ) /count ( d i s t i n c t ( h i s t o r i c o . ‘ MatricAluno ‘ ) ) as
M dia_de_creditos
FROM a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . ‘ MatricAluno ‘= h i s t o r i c o . ‘ MatricAluno ‘
JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a = h i s t o r i c o . D i s c i p l i n a
where a l u n o s . GrupoAnalise = 0 and a l u n o s . FormaSaida=1
group by h i s t o r i c o . SemetreCursado

/∗TAXA DE REPROVACAO∗/
Select
case when ‘ TaxaReprovacao ‘ = 0 then

97
 ’0 ’
when ‘ TaxaReprovacao ‘>0 and ‘ TaxaReprovacao ‘ <0.3 then
’ 0 ␣<␣Tx , ␣ R e p r o v a o ␣<␣ 0 , 3 ’
when ‘ TaxaReprovacao ‘ >=0.3 and ‘ TaxaReprovacao ‘ <0.5 then
’ 0 , 3 ␣<=␣Tx , ␣ R e p r o v a o ␣<␣ 0 , 5 ’
when ‘ TaxaReprovacao ‘ >=0.5 and ‘ TaxaReprovacao ‘ <0.7 then
’ 0 , 5 ␣<=␣Tx , ␣ R e p r o v a o ␣<␣ 0 , 7 ’
when ‘ TaxaReprovacao ‘ >=0.7 and ‘ TaxaReprovacao ‘ <0.9 then
’ 0 , 7 ␣<=␣Tx , ␣ R e p r o v a o ␣<␣ 0 , 9 ’
when ‘ TaxaReprovacao ‘ >=0.9 and ‘ TaxaReprovacao ‘<=1 then
’ 0 , 9 ␣<=␣Tx , ␣ R e p r o v a o ␣<=␣ 1 ’
end as faixa_TaxaReprovacao
, count ( ∗ ) as Quantidade
From a l u n o s
Where ForSaidaOpcao = 2
Group by faixa_TaxaReprovacao

/∗MENCOES NAS DISCIPLINAS∗/

SELECT
h i s t o r i c o . Mencao , count ( h i s t o r i c o . MatricAluno ) as Quantidade_de_alunos ,
100∗ count ( h i s t o r i c o . MatricAluno ) / ( s e l e c t count ( h i s t o r i c o . MatricAluno ) from
a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . MatricAluno=h i s t o r i c o . MatricAluno where a l u n o s . GrupoAnalise = 0
and h i s t o r i c o . D i s c i p l i n a =118001 and a l u n o s . FormaSaida =2) as Porcentagem
FROM a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . MatricAluno=h i s t o r i c o . MatricAluno
where a l u n o s . GrupoAnalise = 0 and h i s t o r i c o . D i s c i p l i n a =118001 and
a l u n o s . FormaSaida=2
group by h i s t o r i c o . Mencao
Order by f i e l d ( h i s t o r i c o . Mencao , ’TR ’ , ’TJ ’ , ’SR ’ , ’ II ’ , ’MI ’ , ’MM’ ,
’MS ’ , ’ SS ’ , ’CC ’ , ’AP ’ , ’DP ’ )

Select o b r i g a t o r i a s . C o d D i s c i p l i n a , count ( h i s t o r i c o . MatricAluno ) as

Reprovados
From a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . MatricAluno=h i s t o r i c o . MatricAluno
j o i n o b r i g a t o r i a s on h i s t o r i c o . D i s c i p l i n a=o b r i g a t o r i a s . C o d D i s c i p l i n a
where a l u n o s . GrupoAnalise = 0 And h i s t o r i c o . Aprovacao = 0 and
o b r i g a t o r i a s . Fluxo = 1
group by o b r i g a t o r i a s . C o d D i s c i p l i n a

Select h i s t o r i c o . A n o D i s c i p l i n a , count ( h i s t o r i c o . MatricAluno ) as Reprovados

From a l u n o s inner j o i n h i s t o r i c o
on a l u n o s . MatricAluno=h i s t o r i c o . MatricAluno
where a l u n o s . GrupoAnalise = 0 And h i s t o r i c o . Aprovacao = 0 and
h i s t o r i c o . D i s c i p l i n a =118001
group by h i s t o r i c o . A n o D i s c i p l i n a

/∗REPROVACAO NAS MATERIAS∗/

SELECT count ( MatricAluno ) FROM h i s t o r i c o WHERE D i s c i p l i n a = 116301

SELECT count ( MatricAluno ) FROM h i s t o r i c o WHERE D i s c i p l i n a = 116301 AND

Aprovacao = 0

98
 Apêndice C

Dados da análise estatística

Tabela C.1: Índice de evasão por semestre e por motivo de saída. O código do
motivo de saída está de acordo com o apresentado na Tabela 5.3. O semestre
0 corresponde a um semestre cursado no verão, independente da posição do
fluxo em que o aluno estava quando cursou.

Semestre Motivo de Quantidade %

Saída de Alunos
0 7 3 0.6383
0 21 1 0.2128
0 20 1 0.2128
1 7 11 2.3404
1 5 4 0.8511
1 21 2 0.4255
1 17 2 0.4255
2 16 22 4.6809
2 7 11 2.3404
2 21 8 1.7021
2 5 7 1.4894
2 12 2 0.4255
2 17 1 0.2128
2 20 1 0.2128
3 17 78 16.5957
3 20 14 2.9787
3 7 13 2.766
3 21 9 1.9149
3 6 5 1.0638
3 16 2 0.4255
3 12 1 0.2128
3 5 1 0.2128
3 52 1 0.2128
4 17 26 5.5319
Continua na página seguinte

99
Tabela C.1 – Continuação da tabela da página anterior
Semestre Motivo de Quantidade %
Saída de Alunos
4 21 10 2.1277
4 16 8 1.7021
4 20 5 1.0638
4 7 4 0.8511
4 52 3 0.6383
4 6 2 0.4255
5 17 26 5.5319
5 16 7 1.4894
5 21 7 1.4894
5 7 6 1.2766
5 52 3 0.6383
5 20 3 0.6383
6 17 20 4.2553
6 20 6 1.2766
6 16 6 1.2766
6 7 5 1.0638
6 21 4 0.8511
7 17 14 2.9787
7 7 4 0.8511
7 21 3 0.6383
7 16 2 0.4255
7 52 2 0.4255
8 17 9 1.9149
8 20 3 0.6383
8 7 3 0.6383
8 16 2 0.4255
8 6 1 0.2128
9 17 4 0.8511
9 7 3 0.6383
9 21 2 0.4255
9 16 2 0.4255
9 20 1 0.2128
9 52 1 0.2128
10 17 11 2.3404
10 20 3 0.6383
10 16 3 0.6383
10 7 1 0.2128
11 20 4 0.8511
11 16 3 0.6383
11 17 2 0.4255
12 16 7 1.4894
12 7 3 0.6383
Continua na página seguinte

100
 Tabela C.1 – Continuação da tabela da página anterior
Semestre Motivo de Quantidade %
Saída de Alunos
12 17 3 0.6383
12 21 1 0.2128
12 20 1 0.2128
12 52 1 0.2128
13 17 3 0.6383
13 16 2 0.4255
14 16 4 0.8511
14 21 1 0.2128
14 17 1 0.2128
15 17 3 0.6383
15 16 1 0.2128
16 17 2 0.4255
16 16 1 0.2128
18 21 1 0.2128
18 17 1 0.2128

Tabela C.2: Índice de formatura por semestre. O semestre 0 corresponde a um semestre

cursado no verão, independente da posição do fluxo em que o aluno estava quando cursou.

Semestre Quantidade
de Alunos
0 8
1 1
2 2
3 2
4 1
5 3
6 6
7 8
8 11
9 70
10 125
11 59
12 17
13 22
14 16
15 14
16 5
17 1
20 2

101
Tabela C.3: Taxa de evasão feminina e motivos de saída. O código do motivo de saída
está de acordo com o apresentado na Tabela 5.3.

Motivo de Quantidade %
saída de alunos
5 2 3.85
6 1 1.92
7 11 21.15
12 3 5.77
16 11 21.15
17 11 21.15
20 1 1.92
21 8 15.39
52 4 7.7
Total 52 100.0

Tabela C.4: Taxa de evasão masculina e motivos de saída. O código do motivo de saída
está de acordo com o apresentado na Tabela 5.3.

Motivo de Quantidade %
saída de alunos
5 10 2.39
6 7 1.67
7 56 13.4
16 61 14.6
17 195 46.65
20 41 9.81
21 41 9.81
52 7 1.67
Total 418 100.0

Tabela C.5: Índice de evasão por idade e por motivo de saída. O código do
motivo de saída está de acordo com o apresentado na Tabela 5.3.

Idade Motivo de Quantidade %

Saída de Alunos
17 16 3 0.6383
17 17 1 0.2128
18 7 12 2.5532
18 16 4 0.8511
18 17 4 0.8511
18 21 4 0.8511
Continua na página seguinte

102
Tabela C.5 – Continuação da tabela da página anterior
Idade Motivo de Quantidade %
Saída de Alunos
18 52 1 0.2128
18 6 1 0.2128
19 17 30 6.383
19 21 14 2.9787
19 7 9 1.9149
19 16 6 1.2766
19 20 5 1.0638
19 6 1 0.2128
19 52 1 0.2128
20 17 28 5.9574
20 7 11 2.3404
20 20 10 2.1277
20 21 8 1.7021
20 16 7 1.4894
20 5 2 0.4255
20 6 2 0.4255
20 52 2 0.4255
21 17 25 5.3191
21 21 9 1.9149
21 7 8 1.7021
21 16 5 1.0638
21 20 5 1.0638
21 52 4 0.8511
21 6 2 0.4255
21 5 1 0.2128
22 17 29 6.1702
22 7 14 2.9787
22 20 10 2.1277
22 16 7 1.4894
22 21 4 0.8511
22 5 1 0.2128
23 17 18 3.8298
23 20 5 1.0638
23 7 4 0.8511
23 16 3 0.6383
23 21 2 0.4255
23 5 2 0.4255
23 52 1 0.2128
23 6 1 0.2128
24 17 18 3.8298
24 16 8 1.7021
24 20 2 0.4255
Continua na página seguinte

103
Tabela C.5 – Continuação da tabela da página anterior
Idade Motivo de Quantidade %
Saída de Alunos
24 7 2 0.4255
24 52 1 0.2128
24 12 1 0.2128
24 6 1 0.2128
25 16 12 2.5532
25 17 11 2.3404
25 21 3 0.6383
25 7 3 0.6383
25 20 3 0.6383
25 5 1 0.2128
26 17 11 2.3404
26 5 3 0.6383
26 16 3 0.6383
26 21 1 0.2128
27 17 4 0.8511
27 16 3 0.6383
27 21 3 0.6383
27 7 2 0.4255
27 5 2 0.4255
28 17 5 1.0638
28 16 3 0.6383
28 20 1 0.2128
28 7 1 0.2128
29 17 3 0.6383
29 16 1 0.2128
29 7 1 0.2128
29 20 1 0.2128
30 17 5 1.0638
31 17 4 0.8511
31 16 2 0.4255
31 12 1 0.2128
32 17 3 0.6383
32 16 1 0.2128
33 17 2 0.4255
34 17 1 0.2128
36 17 1 0.2128
37 16 1 0.2128
37 21 1 0.2128
38 16 3 0.6383
38 17 1 0.2128
39 17 1 0.2128
39 12 1 0.2128
Continua na página seguinte

104
Tabela C.5 – Continuação da tabela da página anterior
Idade Motivo de Quantidade %
Saída de Alunos
42 17 1 0.2128
44 52 1 0.2128

Tabela C.6: Índice de formatura por idade.

Idade Quantidade %
de Alunos
20 1 0.2128
21 15 3.1915
22 77 16.383
23 100 21.2766
24 68 14.4681
25 41 8.7234
26-30 62 13.1915
>30 9 1.9151

105
Tabela C.7: Taxa de evasão por tipo de escola e motivos de saída. O código do motivo
de saída está de acordo com o apresentado na Tabela 5.3.

Tipo de escola Motivo de Quantidade

saída de Alunos
Não declarado 5 9
Não declarado 6 6
Não declarado 7 61
Não declarado 12 3
Não declarado 16 58
Não declarado 17 130
Não declarado 20 22
Não declarado 21 19
Não declarado 52 4
Pública 5 3
Pública 6 1
Pública 7 3
Pública 16 5
Pública 17 19
Pública 20 6
Pública 21 7
Pública 52 2
Particular 6 1
Particular 7 3
Particular 16 9
Particular 17 57
Particular 20 14
Particular 21 23
Particular 52 5

106
Tabela C.8: Taxa de evasão por forma de ingresso. O código da forma de ingresso está de
acordo com o apresentado na Tabela 5.6. A quantidade de evadidos representa quantos
alunos que entraram por cada uma das formas de ingresso e evadiram. O total de alunos
é a quantidade de alunos que entraram por aquela forma de ingresso, independente da
situação atual dele no curso, ou seja, se está cursando, formado ou evadido.

Forma de Quantidade Total de % de evadidos

ingresso de evadidos alunos
1 259 706 36.68555241
15 29 47 61.70212766
17 81 240 33.75
2 43 70 61.42857143
20 1 1 100
24 4 4 100
3 11 27 40.74074074
5 5 9 55.55555556
52 2 22 9.090909091
6 9 9 100
7 26 27 96.2962963

Tabela C.9: Desempenho médio dos evadidos organizados em faixas de desempenho.

Desempenho Número de evadidos

0 52
0 <Desempenho <0,3 80
0,3 <= Desempenho <0,5 101
0,5 <= Desempenho <0,7 129
0,7 <= Desempenho <0,9 67
0,9 <= Desempenho <= 1 41

Tabela C.10: Desempenho médio dos formados organizados em faixas de desempenho.

Desempenho Número de formados

0,5 <= Desempenho <0,7 19
0,7 <= Desempenho <0,9 145
0,9 <= Desempenho <= 1 209

107
Tabela C.11: Taxa de reprovação média dos evadidos organizados em faixas de reprovação.

Desempenho Número de evadidos

0 44
0 <Desempenho <0,3 85
0,3 <= Desempenho <0,5 121
0,5 <= Desempenho <0,7 109
0,7 <= Desempenho <0,9 67
0,9 <= Desempenho <= 1 44

Tabela C.12: Taxa de reprovação média dos formados organizados em faixas de reprova-
ção.

Desempenho Número de formados

0 81
0 <Desempenho <0,3 273
0,3 <= Desempenho <0,5 19

Tabela C.13: Média de créditos obrigatórios cursados por semestre dos evadidos. O
semestre 0 representa um semestre cursado no verão, independente do período curricular
que ele estava quando cursou.

Semestre Média de créditos

0 8.50
1 24.22
2 18.65
3 17.69
4 17.43
5 18.02
6 17.11
7 16.43
8 14.74
9 14.15
10 12.55
11 14.38
12 9.71
13 8.29
14 13.60
15 3.33
16 4.00
17 4.00
18 4.00

108
Tabela C.14: Média de créditos obrigatórios cursados por semestre dos formados. O
semestre 0 representa um semestre cursado no verão, independente do período curricular
que ele estava quando cursou.

Semestre Média de créditos

0 9.56
1 26.14
2 22.54
3 22.43
4 20.91
5 22.51
6 18.97
7 16.08
8 11.52
9 9.20
10 8.64
11 8.81
12 9.47
13 8.35
14 6.88
15 6.80
16 7.33
17 8.00
18 4.00
19 12.00
20 8.00

Tabela C.15: Índice de reprovação das matérias obrigatórias organizadas por departa-
mento dos alunos evadidos e dos formados.
Departamento Evadido Formado
CIC 0.49 0.07
EST 0.20 0,06
MAT 0.59 0.16
IFD 0.47 0.06
LIP 0.12 0.01
LET 0.12 0.03
FIL 0.08 0.05

109
Tabela C.16: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 1o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Disciplina Taxa de reprovação
116301 29.72973
113034 39.13669
118001 40.8998
118010 30.50975

Tabela C.17: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 2o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Disciplina Taxa de reprovação
113042 32.21071
116319 24.43845
118028 26.40509
118036 14.28571

Tabela C.18: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 3o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Disciplina Taxa de reprovação
113051 42.91225
118044 31.80212
118052 13.32418
113956 22.60274
117366 34.0591

Tabela C.19: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas

no 4o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Disciplina Taxa de reprovação
113123 29.39597
116351 16.74208
116416 8.020699
116327 15.45338

110
Tabela C.20: Reprovações nas disciplinas obrigatórias recomendadas de serem cursadas
no 5o semestre do curso. Os códigos das disciplinas estão de acordo com os apresentados
nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Disciplina Taxa de reprovação
113107 39.1657
116378 11.61388
113417 31.20125
116343 17.79891
116394 25.11211
113115 27.57794

Tabela C.21: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 1o semestre do curso. Os códigos das disciplinas estão
de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Ano 113034 116301 118001 118010
2000 25.71 17.14 33.82 20.00
2001 23.81 13.75 20.65 22.62
2002 21.11 24.42 10.84 20.45
2003 27.72 21.90 23.40 15.63
2004 24.14 22.22 16.05 27.91
2005 41.90 16.48 22.34 10.00
2006 34.95 27.66 25.00 26.14
2007 33.80 23.08 21.33 15.00
2008 25.68 23.38 33.33 17.91
2009 45.79 36.36 40.20 25.88
2010 40.00 33.09 57.78 35.11
2011 59.69 40.16 53.59 47.83
2012 58.73 46.15 69.51 46.56
2013 55.08 47.58 69.88 60.94

111
Tabela C.22: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 2o semestre do curso. Os códigos das disciplinas estão
de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Ano 113042 118028
2000 11.11 8.70
2001 1.59 21.05
2002 15.38 17.07
2003 37.04 14.46
2004 26.80 10.77
2005 13.58 6.35
2006 32.26 19.48
2007 23.47 25.30
2008 36.76 20.75
2009 32.88 14.29
2010 48.15 52.63
2011 44.44 34.02
2012 45.28 43.24
2013 50.53 63.93

Tabela C.23: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 3o semestre do curso. Os códigos das disciplinas estão
de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Ano 113051 117366 118044
2000 0.00 - 50.00
2001 50.00 - 16.22
2002 50.00 - 13.64
2003 53.85 - 20.29
2004 45.87 - 27.14
2005 44.58 23.33 30.38
2006 35.19 39.36 30.00
2007 38.71 12.07 38.75
2008 40.00 44.59 36.99
2009 50.00 51.61 47.27
2010 37.50 16.67 33.33
2011 32.81 32.00 49.09
2012 45.76 39.78 38.96
2013 42.62 31.19 27.12

112
Tabela C.24: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 4o semestre do curso. Os códigos das disciplinas estão
de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Ano 113123
2000 0.00
2001 20.00
2002 27.91
2003 40.00
2004 26.56
2005 37.50
2006 36.49
2007 25.76
2008 13.24
2009 18.33
2010 13.95
2011 40.43
2012 21.31
2013 72.22

Tabela C.25: Evolução da taxa de reprovação ao longo dos anos nas disciplinas obrigatórias
recomendadas de serem cursadas no 4o semestre do curso. Os códigos das disciplinas estão
de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9 e 2.10.
Ano 113107 113115 113417 116394
2000 20.00 0.00 0.00 20.00
2001 41.67 25.00 30.77 33.33
2002 30.95 12.00 29.41 12.82
2003 23.08 21.31 12.31 24.56
2004 38.57 15.00 23.73 10.34
2005 33.33 13.58 39.68 10.00
2006 30.86 26.56 39.51 19.61
2007 36.92 32.84 28.05 22.81
2008 46.81 29.73 36.36 30.00
2009 32.56 22.83 27.59 24.05
2010 43.75 42.22 24.24 37.04
2011 42.00 36.36 31.25 29.41
2012 39.66 23.61 27.03 34.21
2013 70.83 57.35 64.86 48.15

113
Tabela C.26: Menções obtidas pelos alunos evadidos nas disciplinas obrigatórias. Os
códigos das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9
e 2.10.
Disciplina TR TJ SR II MI MM MS SS CC
116301 1.45 0.21 12.19 17.15 19.42 20.66 17.36 5.99 5.58
113034 1.47 0.21 19.50 24.95 16.56 21.80 9.01 1.26 5.24
118001 2.96 2.37 16.57 22.88 15.38 25.84 8.88 3.94 1.18
118010 2.62 1.09 14.63 8.52 21.18 27.95 18.78 4.15 1.09
113042 0.68 1.36 15.31 18.71 17.35 32.31 9.86 2.04 2.38
118028 1.83 0.00 13.70 9.13 20.09 38.81 14.61 1.83 0.00
113051 7.91 0.00 24.86 19.21 15.82 20.90 8.47 1.13 1.69
118044 4.19 0.60 25.75 10.78 20.36 28.74 7.78 0.00 1.80
117366 6.25 0.78 32.81 10.16 11.72 19.53 11.72 2.34 4.69
113123 19.32 0.00 14.77 11.36 13.64 27.27 10.23 2.27 1.14
113107 6.25 0.00 30.47 22.66 7.81 21.88 7.03 0.00 3.91
113417 5.80 0.00 5.80 23.19 15.94 17.39 24.64 7.25 5.80
116394 1.47 0.00 20.59 11.76 17.65 17.65 11.76 2.94 16.18
113115 2.94 0.00 19.85 12.50 20.59 30.88 10.29 2.21 0.74

Tabela C.27: Menções obtidas pelos alunos formados nas disciplinas obrigatórias. Os
códigos das disciplinas estão de acordo com os apresentados nas Tabelas 2.5, 2.7, 2.8, 2.9
e 2.10.
Disciplina TR TJ SR II MI MM MS SS CC
116301 0.00 0.00 1.20 0.60 3.30 22.22 39.34 30.33 3.00
113034 0.29 0.00 0.58 2.05 9.06 42.98 28.95 11.11 4.97
118001 0.00 0.00 2.06 1.18 5.00 37.35 32.94 18.53 2.94
118010 0.00 0.00 0.60 0.60 5.95 31.55 46.13 13.99 1.19
113042 1.42 0.00 0.57 3.70 5.98 44.44 29.34 13.11 1.42
118028 1.83 0.00 13.70 9.13 20.09 38.81 14.61 1.83 0.00
113051 4.35 0.00 3.93 12.01 15.32 44.31 16.56 2.69 0.83
118044 0.00 0.00 1.48 3.85 9.47 52.66 21.89 9.76 0.89
117366 1.89 0.00 5.03 1.26 13.84 35.22 28.30 13.84 0.63
113123 5.53 0.00 1.58 4.47 6.58 45.53 23.68 12.11 0.53
113107 2.05 0.00 3.33 6.92 11.28 41.79 26.41 7.69 0.51
113417 3.14 0.00 2.00 4.29 10.86 39.43 29.71 9.43 1.14
116394 0.00 0.00 2.46 3.28 8.74 41.80 35.25 6.01 2.46
113115 0.83 0.00 1.11 1.93 9.67 41.71 30.66 13.81 0.28

114
 Apêndice D

Consulta SQL para mineração de dados

A seguinte consulta SQL foi utilizada para criação da tabela do banco de dados utili-
zado para mineração de dados.
CREATE TABLE mineracao_departamentos_cursando LIKE a l u n o s ;
INSERT mineracao_departamentos_cursando SELECT ∗ FROM a l u n o s ;

ALTER TABLE ‘ mineracao_departamentos_cursando ‘

DROP ‘ AnoIngresso ‘ ,
DROP ‘ S e m e s t r e I n g r e s s o ‘ ,
DROP ‘ FormaIngresso ‘ ,
DROP ‘ AnoSaida ‘ ,
DROP ‘ S e m e s t r e S a i d a ‘ ,
DROP ‘ FormaSaida ‘ ,
DROP ‘ PerIngressoOpcao ‘ ,
DROP ‘ S e m e s t r e I n g r e s s o O p c a o ‘ ,
DROP ‘ PerSaidaOpcao ‘ ,
DROP ‘ SemestreSaidaOpcao ‘ ,
DROP ‘ AlunoRegistrado ‘ ,
DROP ‘ P e r i o d o C u r r i c u l a r ‘ ,
DROP ‘ S e m e s t r e P e r i o d o C u r r i c u l a r ‘ ,
DROP ‘ A l u N a c i o n a l i d a d e ‘ ,
DROP ‘ AluDtNasc ‘ ,
DROP ‘ AluCotId ‘ ,
DROP ‘ AluEscola ‘ ,
DROP ‘ AnoNasc ‘ ,
DROP ‘ Id ad e Sa id a ‘ ,
DROP ‘ SemestreCursoSaida ‘ ,
DROP ‘ Desempenho ‘ ,
DROP ‘ TaxaReprovacao ‘ ,
DROP ‘ MotivoFormaSaida ‘ ,
DROP ‘ MotivoFormaSaidaOpcao ‘ ,
DROP ‘ AnoSemetreIngresso ‘ ,
DROP ‘ AnoSemestreIngressoOpcao ‘ ,
DROP ‘ AnoSemestreSaida ‘ ,
DROP ‘ AnoSemestreSaidaOpcao ‘ ;

DELETE FROM ‘ mineracao_departamentos_cursando ‘ WHERE ‘ ForSaidaOpcao ‘ = 0 ;

DELETE FROM ‘ mineracao_departamentos_cursando ‘ WHERE ‘ GrupoAnalise ‘ = 1 ;
DELETE FROM ‘ mineracao_departamentos_cursando ‘ WHERE ‘ GrupoAnalise ‘ = 2 ;

ALTER TABLE ‘ mineracao_departamentos_cursando ‘

115
 DROP ‘ GrupoAnalise ‘ ;

ALTER TABLE ‘ mineracao_departamentos_cursando ‘ ADD ‘ IRAObr ‘ FLOAT NOT NULL

;
UPDATE mineracao_departamentos_cursando INNER JOIN h i s t o r i c o ON
mineracao_departamentos_cursando . ‘ MatricAluno ‘= h i s t o r i c o . ‘ MatricAluno ‘
SET
mineracao_departamentos_cursando . ‘ IRAObr‘= h i s t o r i c o . IndiceRendimentoObr ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ IRAObr‘=

CASE WHEN ‘ IRAObr ‘ = 0 THEN ’ 6 ’
WHEN ‘ IRAObr‘>0 AND ‘ IRAObr‘<1 THEN’ 7 ’
WHEN ‘ IRAObr‘>=1 AND ‘ IRAObr‘<2 THEN’ 8 ’
WHEN ‘ IRAObr‘>=2 AND ‘ IRAObr‘<3 THEN’ 9 ’
WHEN ‘ IRAObr‘>=3 AND ‘ IRAObr‘<4 THEN’ 10 ’
WHEN ‘ IRAObr‘>=4 AND ‘ IRAObr‘<=5 THEN’ 11 ’
end ;

ALTER TABLE ‘ mineracao_departamentos_cursando ‘ ADD ‘ Cic ‘ FLOAT NOT NULL ,

ADD ‘ Est ‘ FLOAT NOT NULL , ADD ‘ Mat ‘ FLOAT NOT NULL , ADD ‘ IFD ‘
FLOAT NOT NULL , ADD ‘ Lip ‘ FLOAT NOT NULL , ADD ‘ Let ‘ FLOAT NOT NULL
, ADD ‘ F i l ‘ FLOAT NOT NULL ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ CIC ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ CIC ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . Cic=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =

116
 h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’EST ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’EST ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . Est=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’MAT’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’MAT’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . Mat=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ IFD ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l

117
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ IFD ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . IFD=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ LIP ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ LIP ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . Lip=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’LET ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =

118
 h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’LET ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . Let=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ F i l ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ F i l ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_cursando ‘ . MatricAluno

SET ‘ mineracao_departamentos_cursando ‘ . F i l=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ Cic ‘=

CASE WHEN ‘ Cic ‘ = 0 THEN ’ 10 ’
WHEN ‘ Cic ‘>0 AND ‘ Cic ‘ <0.1 THEN’ 11 ’
WHEN ‘ Cic ‘ >=0.1 AND ‘ Cic ‘ <0.2 THEN’ 12 ’
WHEN ‘ Cic ‘ >=0.2 AND ‘ Cic ‘ <0.3 THEN’ 13 ’
WHEN ‘ Cic ‘ >=0.3 AND ‘ Cic ‘ <0.4 THEN’ 14 ’
WHEN ‘ Cic ‘ >=0.4 AND ‘ Cic ‘ <0.5 THEN’ 15 ’
WHEN ‘ Cic ‘ >=0.5 AND ‘ Cic ‘ <0.6 THEN’ 16 ’
WHEN ‘ Cic ‘ >=0.6 AND ‘ Cic ‘ <0.7 THEN’ 17 ’
WHEN ‘ Cic ‘ >=0.7 AND ‘ Cic ‘ <0.8 THEN’ 18 ’
WHEN ‘ Cic ‘ >=0.8 AND ‘ Cic ‘ <0.9 THEN’ 19 ’
WHEN ‘ Cic ‘ >=0.9 AND ‘ Cic ‘<1 THEN’ 20 ’
WHEN ‘ Cic ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ Est ‘=

CASE WHEN ‘ Est ‘ = 0 THEN ’ 10 ’

119
 WHEN ‘ Est ‘>0 AND ‘ Est ‘ <0.1 THEN’ 11 ’
WHEN ‘ Est ‘ >=0.1 AND ‘ Est ‘ <0.2 THEN’ 12 ’
WHEN ‘ Est ‘ >=0.2 AND ‘ Est ‘ <0.3 THEN’ 13 ’
WHEN ‘ Est ‘ >=0.3 AND ‘ Est ‘ <0.4 THEN’ 14 ’
WHEN ‘ Est ‘ >=0.4 AND ‘ Est ‘ <0.5 THEN’ 15 ’
WHEN ‘ Est ‘ >=0.5 AND ‘ Est ‘ <0.6 THEN’ 16 ’
WHEN ‘ Est ‘ >=0.6 AND ‘ Est ‘ <0.7 THEN’ 17 ’
WHEN ‘ Est ‘ >=0.7 AND ‘ Est ‘ <0.8 THEN’ 18 ’
WHEN ‘ Est ‘ >=0.8 AND ‘ Est ‘ <0.9 THEN’ 19 ’
WHEN ‘ Est ‘ >=0.9 AND ‘ Est ‘<1 THEN’ 20 ’
WHEN ‘ Est ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ Mat‘=

CASE WHEN ‘ Mat ‘ = 0 THEN ’ 10 ’
WHEN ‘ Mat‘>0 AND ‘ Mat‘ <0.1 THEN’ 11 ’
WHEN ‘ Mat‘ >=0.1 AND ‘ Mat‘ <0.2 THEN’ 12 ’
WHEN ‘ Mat‘ >=0.2 AND ‘ Mat‘ <0.3 THEN’ 13 ’
WHEN ‘ Mat‘ >=0.3 AND ‘ Mat‘ <0.4 THEN’ 14 ’
WHEN ‘ Mat‘ >=0.4 AND ‘ Mat‘ <0.5 THEN’ 15 ’
WHEN ‘ Mat‘ >=0.5 AND ‘ Mat‘ <0.6 THEN’ 16 ’
WHEN ‘ Mat‘ >=0.6 AND ‘ Mat‘ <0.7 THEN’ 17 ’
WHEN ‘ Mat‘ >=0.7 AND ‘ Mat‘ <0.8 THEN’ 18 ’
WHEN ‘ Mat‘ >=0.8 AND ‘ Mat‘ <0.9 THEN’ 19 ’
WHEN ‘ Mat‘ >=0.9 AND ‘ Mat‘<1 THEN’ 20 ’
WHEN ‘ Mat‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ IFD‘=

CASE WHEN ‘ IFD ‘ = 0 THEN ’ 10 ’
WHEN ‘ IFD‘>0 AND ‘ IFD ‘ <0.1 THEN’ 11 ’
WHEN ‘ IFD‘ >=0.1 AND ‘ IFD ‘ <0.2 THEN’ 12 ’
WHEN ‘ IFD‘ >=0.2 AND ‘ IFD ‘ <0.3 THEN’ 13 ’
WHEN ‘ IFD‘ >=0.3 AND ‘ IFD ‘ <0.4 THEN’ 14 ’
WHEN ‘ IFD‘ >=0.4 AND ‘ IFD ‘ <0.5 THEN’ 15 ’
WHEN ‘ IFD‘ >=0.5 AND ‘ IFD ‘ <0.6 THEN’ 16 ’
WHEN ‘ IFD‘ >=0.6 AND ‘ IFD ‘ <0.7 THEN’ 17 ’
WHEN ‘ IFD‘ >=0.7 AND ‘ IFD ‘ <0.8 THEN’ 18 ’
WHEN ‘ IFD‘ >=0.8 AND ‘ IFD ‘ <0.9 THEN’ 19 ’
WHEN ‘ IFD‘ >=0.9 AND ‘ IFD‘<1 THEN’ 20 ’
WHEN ‘ IFD‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ Lip ‘=

CASE WHEN ‘ Lip ‘ = 0 THEN ’ 10 ’
WHEN ‘ Lip ‘>0 AND ‘ Lip ‘ <0.1 THEN’ 11 ’
WHEN ‘ Lip ‘ >=0.1 AND ‘ Lip ‘ <0.2 THEN’ 12 ’
WHEN ‘ Lip ‘ >=0.2 AND ‘ Lip ‘ <0.3 THEN’ 13 ’
WHEN ‘ Lip ‘ >=0.3 AND ‘ Lip ‘ <0.4 THEN’ 14 ’
WHEN ‘ Lip ‘ >=0.4 AND ‘ Lip ‘ <0.5 THEN’ 15 ’
WHEN ‘ Lip ‘ >=0.5 AND ‘ Lip ‘ <0.6 THEN’ 16 ’
WHEN ‘ Lip ‘ >=0.6 AND ‘ Lip ‘ <0.7 THEN’ 17 ’
WHEN ‘ Lip ‘ >=0.7 AND ‘ Lip ‘ <0.8 THEN’ 18 ’
WHEN ‘ Lip ‘ >=0.8 AND ‘ Lip ‘ <0.9 THEN’ 19 ’
WHEN ‘ Lip ‘ >=0.9 AND ‘ Lip ‘<1 THEN’ 20 ’
WHEN ‘ Lip ‘=1 THEN’ 21 ’

120
 end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ Let ‘=

CASE WHEN ‘ Let ‘ = 0 THEN ’ 10 ’
WHEN ‘ Let ‘>0 AND ‘ Let ‘ <0.1 THEN’ 11 ’
WHEN ‘ Let ‘ >=0.1 AND ‘ Let ‘ <0.2 THEN’ 12 ’
WHEN ‘ Let ‘ >=0.2 AND ‘ Let ‘ <0.3 THEN’ 13 ’
WHEN ‘ Let ‘ >=0.3 AND ‘ Let ‘ <0.4 THEN’ 14 ’
WHEN ‘ Let ‘ >=0.4 AND ‘ Let ‘ <0.5 THEN’ 15 ’
WHEN ‘ Let ‘ >=0.5 AND ‘ Let ‘ <0.6 THEN’ 16 ’
WHEN ‘ Let ‘ >=0.6 AND ‘ Let ‘ <0.7 THEN’ 17 ’
WHEN ‘ Let ‘ >=0.7 AND ‘ Let ‘ <0.8 THEN’ 18 ’
WHEN ‘ Let ‘ >=0.8 AND ‘ Let ‘ <0.9 THEN’ 19 ’
WHEN ‘ Let ‘ >=0.9 AND ‘ Let ‘<1 THEN’ 20 ’
WHEN ‘ Let ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_cursando ‘ SET ‘ F i l ‘=

CASE WHEN ‘ F i l ‘ = 0 THEN ’ 10 ’
WHEN ‘ F i l ‘>0 AND ‘ F i l ‘ <0.1 THEN’ 11 ’
WHEN ‘ F i l ‘ >=0.1 AND ‘ F i l ‘ <0.2 THEN’ 12 ’
WHEN ‘ F i l ‘ >=0.2 AND ‘ F i l ‘ <0.3 THEN’ 13 ’
WHEN ‘ F i l ‘ >=0.3 AND ‘ F i l ‘ <0.4 THEN’ 14 ’
WHEN ‘ F i l ‘ >=0.4 AND ‘ F i l ‘ <0.5 THEN’ 15 ’
WHEN ‘ F i l ‘ >=0.5 AND ‘ F i l ‘ <0.6 THEN’ 16 ’
WHEN ‘ F i l ‘ >=0.6 AND ‘ F i l ‘ <0.7 THEN’ 17 ’
WHEN ‘ F i l ‘ >=0.7 AND ‘ F i l ‘ <0.8 THEN’ 18 ’
WHEN ‘ F i l ‘ >=0.8 AND ‘ F i l ‘ <0.9 THEN’ 19 ’
WHEN ‘ F i l ‘ >=0.9 AND ‘ F i l ‘<1 THEN’ 20 ’
WHEN ‘ F i l ‘=1 THEN’ 21 ’
end ;

ALTER TABLE ‘ mineracao_departamentos_cursando ‘

DROP ‘ MatricAluno ‘ ;

CREATE TABLE mineracao_departamentos_ex_aluno LIKE a l u n o s ;

INSERT mineracao_departamentos_ex_aluno SELECT ∗ FROM a l u n o s ;

ALTER TABLE ‘ mineracao_departamentos_ex_aluno ‘

DROP ‘ AnoIngresso ‘ ,
DROP ‘ S e m e s t r e I n g r e s s o ‘ ,
DROP ‘ FormaIngresso ‘ ,
DROP ‘ AnoSaida ‘ ,
DROP ‘ S e m e s t r e S a i d a ‘ ,
DROP ‘ FormaSaida ‘ ,
DROP ‘ PerIngressoOpcao ‘ ,
DROP ‘ S e m e s t r e I n g r e s s o O p c a o ‘ ,
DROP ‘ PerSaidaOpcao ‘ ,
DROP ‘ SemestreSaidaOpcao ‘ ,
DROP ‘ AlunoRegistrado ‘ ,
DROP ‘ P e r i o d o C u r r i c u l a r ‘ ,
DROP ‘ S e m e s t r e P e r i o d o C u r r i c u l a r ‘ ,
DROP ‘ A l u N a c i o n a l i d a d e ‘ ,

121
 DROP ‘ AluDtNasc ‘ ,
DROP ‘ AluCotId ‘ ,
DROP ‘ AluEscola ‘ ,
DROP ‘ AnoNasc ‘ ,
DROP ‘ Id ad e Sa id a ‘ ,
DROP ‘ SemestreCursoSaida ‘ ,
DROP ‘ Desempenho ‘ ,
DROP ‘ TaxaReprovacao ‘ ,
DROP ‘ MotivoFormaSaida ‘ ,
DROP ‘ MotivoFormaSaidaOpcao ‘ ,
DROP ‘ AnoSemetreIngresso ‘ ,
DROP ‘ AnoSemestreIngressoOpcao ‘ ,
DROP ‘ AnoSemestreSaida ‘ ,
DROP ‘ AnoSemestreSaidaOpcao ‘ ;

DELETE FROM ‘ mineracao_departamentos_ex_aluno ‘ WHERE ‘ ForSaidaOpcao ‘ = 0 ;

DELETE FROM ‘ mineracao_departamentos_ex_aluno ‘ WHERE ‘ GrupoAnalise ‘ = 1 ;
DELETE FROM ‘ mineracao_departamentos_ex_aluno ‘ WHERE ‘ GrupoAnalise ‘ = 2 ;

ALTER TABLE ‘ mineracao_departamentos_ex_aluno ‘

DROP ‘ GrupoAnalise ‘ ;

ALTER TABLE ‘ mineracao_departamentos_ex_aluno ‘ ADD ‘ IRAObr ‘ FLOAT NOT NULL

;
UPDATE mineracao_departamentos_ex_aluno INNER JOIN h i s t o r i c o ON
mineracao_departamentos_ex_aluno . ‘ MatricAluno ‘= h i s t o r i c o . ‘ MatricAluno ‘
SET
mineracao_departamentos_ex_aluno . ‘ IRAObr‘= h i s t o r i c o . IndiceRendimentoObr ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ IRAObr‘=

CASE WHEN ‘ IRAObr ‘ = 0 THEN ’ 6 ’
WHEN ‘ IRAObr‘>0 AND ‘ IRAObr‘<1 THEN’ 7 ’
WHEN ‘ IRAObr‘>=1 AND ‘ IRAObr‘<2 THEN’ 8 ’
WHEN ‘ IRAObr‘>=2 AND ‘ IRAObr‘<3 THEN’ 9 ’
WHEN ‘ IRAObr‘>=3 AND ‘ IRAObr‘<4 THEN’ 10 ’
WHEN ‘ IRAObr‘>=4 AND ‘ IRAObr‘<=5 THEN’ 11 ’
end ;

ALTER TABLE ‘ mineracao_departamentos_ex_aluno ‘ ADD ‘ Cic ‘ FLOAT NOT NULL ,

ADD ‘ Est ‘ FLOAT NOT NULL , ADD ‘ Mat ‘ FLOAT NOT NULL , ADD ‘ IFD ‘
FLOAT NOT NULL , ADD ‘ Lip ‘ FLOAT NOT NULL , ADD ‘ Let ‘ FLOAT NOT NULL
, ADD ‘ F i l ‘ FLOAT NOT NULL ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ CIC ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =

122
 h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ CIC ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . Cic=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’EST ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’EST ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . Est=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’MAT’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND

123
 o b r i g a t o r i a s . Departamento= ’MAT’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . Mat=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ IFD ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ IFD ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . IFD=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ LIP ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ LIP ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno

124
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . Lip=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’LET ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’LET ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

SET ‘ mineracao_departamentos_ex_aluno ‘ . Let=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ INNER JOIN

(SELECT r e p r o v a d a s . MatricAluno , r e p r o v a d a s . c r e d i t o s R e p r o / t o t a l . c r e d i t o s T o t
AS taxa FROM

(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s T o t FROM

a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE o b r i g a t o r i a s . Departamento= ’ F i l ’ GROUP BY
a l u n o s . MatricAluno ) AS t o t a l
INNER JOIN
(SELECT a l u n o s . MatricAluno , SUM( h i s t o r i c o . c r e d i t o s ) AS c r e d i t o s R e p r o FROM
a l u n o s INNER JOIN h i s t o r i c o ON a l u n o s . MatricAluno =
h i s t o r i c o . MatricAluno JOIN o b r i g a t o r i a s ON o b r i g a t o r i a s . C o d D i s c i p l i n a =
h i s t o r i c o . D i s c i p l i n a WHERE h i s t o r i c o . Aprovacao = 0 AND
o b r i g a t o r i a s . Departamento= ’ F i l ’ GROUP BY a l u n o s . MatricAluno ) AS
reprovadas

ON r e p r o v a d a s . MatricAluno=t o t a l . MatricAluno
GROUP BY r e p r o v a d a s . MatricAluno ) AS ReprovacaoAlunos

ON
ReprovacaoAlunos . MatricAluno =‘ mineracao_departamentos_ex_aluno ‘ . MatricAluno

125
SET ‘ mineracao_departamentos_ex_aluno ‘ . F i l=ReprovacaoAlunos . taxa ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ Cic ‘=

CASE WHEN ‘ Cic ‘ = 0 THEN ’ 10 ’
WHEN ‘ Cic ‘>0 AND ‘ Cic ‘ <0.1 THEN’ 11 ’
WHEN ‘ Cic ‘ >=0.1 AND ‘ Cic ‘ <0.2 THEN’ 12 ’
WHEN ‘ Cic ‘ >=0.2 AND ‘ Cic ‘ <0.3 THEN’ 13 ’
WHEN ‘ Cic ‘ >=0.3 AND ‘ Cic ‘ <0.4 THEN’ 14 ’
WHEN ‘ Cic ‘ >=0.4 AND ‘ Cic ‘ <0.5 THEN’ 15 ’
WHEN ‘ Cic ‘ >=0.5 AND ‘ Cic ‘ <0.6 THEN’ 16 ’
WHEN ‘ Cic ‘ >=0.6 AND ‘ Cic ‘ <0.7 THEN’ 17 ’
WHEN ‘ Cic ‘ >=0.7 AND ‘ Cic ‘ <0.8 THEN’ 18 ’
WHEN ‘ Cic ‘ >=0.8 AND ‘ Cic ‘ <0.9 THEN’ 19 ’
WHEN ‘ Cic ‘ >=0.9 AND ‘ Cic ‘<1 THEN’ 20 ’
WHEN ‘ Cic ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ Est ‘=

CASE WHEN ‘ Est ‘ = 0 THEN ’ 10 ’
WHEN ‘ Est ‘>0 AND ‘ Est ‘ <0.1 THEN’ 11 ’
WHEN ‘ Est ‘ >=0.1 AND ‘ Est ‘ <0.2 THEN’ 12 ’
WHEN ‘ Est ‘ >=0.2 AND ‘ Est ‘ <0.3 THEN’ 13 ’
WHEN ‘ Est ‘ >=0.3 AND ‘ Est ‘ <0.4 THEN’ 14 ’
WHEN ‘ Est ‘ >=0.4 AND ‘ Est ‘ <0.5 THEN’ 15 ’
WHEN ‘ Est ‘ >=0.5 AND ‘ Est ‘ <0.6 THEN’ 16 ’
WHEN ‘ Est ‘ >=0.6 AND ‘ Est ‘ <0.7 THEN’ 17 ’
WHEN ‘ Est ‘ >=0.7 AND ‘ Est ‘ <0.8 THEN’ 18 ’
WHEN ‘ Est ‘ >=0.8 AND ‘ Est ‘ <0.9 THEN’ 19 ’
WHEN ‘ Est ‘ >=0.9 AND ‘ Est ‘<1 THEN’ 20 ’
WHEN ‘ Est ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ Mat‘=

CASE WHEN ‘ Mat ‘ = 0 THEN ’ 10 ’
WHEN ‘ Mat‘>0 AND ‘ Mat‘ <0.1 THEN’ 11 ’
WHEN ‘ Mat‘ >=0.1 AND ‘ Mat‘ <0.2 THEN’ 12 ’
WHEN ‘ Mat‘ >=0.2 AND ‘ Mat‘ <0.3 THEN’ 13 ’
WHEN ‘ Mat‘ >=0.3 AND ‘ Mat‘ <0.4 THEN’ 14 ’
WHEN ‘ Mat‘ >=0.4 AND ‘ Mat‘ <0.5 THEN’ 15 ’
WHEN ‘ Mat‘ >=0.5 AND ‘ Mat‘ <0.6 THEN’ 16 ’
WHEN ‘ Mat‘ >=0.6 AND ‘ Mat‘ <0.7 THEN’ 17 ’
WHEN ‘ Mat‘ >=0.7 AND ‘ Mat‘ <0.8 THEN’ 18 ’
WHEN ‘ Mat‘ >=0.8 AND ‘ Mat‘ <0.9 THEN’ 19 ’
WHEN ‘ Mat‘ >=0.9 AND ‘ Mat‘<1 THEN’ 20 ’
WHEN ‘ Mat‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ IFD‘=

CASE WHEN ‘ IFD ‘ = 0 THEN ’ 10 ’
WHEN ‘ IFD‘>0 AND ‘ IFD ‘ <0.1 THEN’ 11 ’
WHEN ‘ IFD‘ >=0.1 AND ‘ IFD ‘ <0.2 THEN’ 12 ’
WHEN ‘ IFD‘ >=0.2 AND ‘ IFD ‘ <0.3 THEN’ 13 ’
WHEN ‘ IFD‘ >=0.3 AND ‘ IFD ‘ <0.4 THEN’ 14 ’
WHEN ‘ IFD‘ >=0.4 AND ‘ IFD ‘ <0.5 THEN’ 15 ’

126
 WHEN ‘ IFD‘ >=0.5 AND ‘ IFD ‘ <0.6 THEN’ 16 ’
WHEN ‘ IFD‘ >=0.6 AND ‘ IFD ‘ <0.7 THEN’ 17 ’
WHEN ‘ IFD‘ >=0.7 AND ‘ IFD ‘ <0.8 THEN’ 18 ’
WHEN ‘ IFD‘ >=0.8 AND ‘ IFD ‘ <0.9 THEN’ 19 ’
WHEN ‘ IFD‘ >=0.9 AND ‘ IFD‘<1 THEN’ 20 ’
WHEN ‘ IFD‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ Lip ‘=

CASE WHEN ‘ Lip ‘ = 0 THEN ’ 10 ’
WHEN ‘ Lip ‘>0 AND ‘ Lip ‘ <0.1 THEN’ 11 ’
WHEN ‘ Lip ‘ >=0.1 AND ‘ Lip ‘ <0.2 THEN’ 12 ’
WHEN ‘ Lip ‘ >=0.2 AND ‘ Lip ‘ <0.3 THEN’ 13 ’
WHEN ‘ Lip ‘ >=0.3 AND ‘ Lip ‘ <0.4 THEN’ 14 ’
WHEN ‘ Lip ‘ >=0.4 AND ‘ Lip ‘ <0.5 THEN’ 15 ’
WHEN ‘ Lip ‘ >=0.5 AND ‘ Lip ‘ <0.6 THEN’ 16 ’
WHEN ‘ Lip ‘ >=0.6 AND ‘ Lip ‘ <0.7 THEN’ 17 ’
WHEN ‘ Lip ‘ >=0.7 AND ‘ Lip ‘ <0.8 THEN’ 18 ’
WHEN ‘ Lip ‘ >=0.8 AND ‘ Lip ‘ <0.9 THEN’ 19 ’
WHEN ‘ Lip ‘ >=0.9 AND ‘ Lip ‘<1 THEN’ 20 ’
WHEN ‘ Lip ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ Let ‘=

CASE WHEN ‘ Let ‘ = 0 THEN ’ 10 ’
WHEN ‘ Let ‘>0 AND ‘ Let ‘ <0.1 THEN’ 11 ’
WHEN ‘ Let ‘ >=0.1 AND ‘ Let ‘ <0.2 THEN’ 12 ’
WHEN ‘ Let ‘ >=0.2 AND ‘ Let ‘ <0.3 THEN’ 13 ’
WHEN ‘ Let ‘ >=0.3 AND ‘ Let ‘ <0.4 THEN’ 14 ’
WHEN ‘ Let ‘ >=0.4 AND ‘ Let ‘ <0.5 THEN’ 15 ’
WHEN ‘ Let ‘ >=0.5 AND ‘ Let ‘ <0.6 THEN’ 16 ’
WHEN ‘ Let ‘ >=0.6 AND ‘ Let ‘ <0.7 THEN’ 17 ’
WHEN ‘ Let ‘ >=0.7 AND ‘ Let ‘ <0.8 THEN’ 18 ’
WHEN ‘ Let ‘ >=0.8 AND ‘ Let ‘ <0.9 THEN’ 19 ’
WHEN ‘ Let ‘ >=0.9 AND ‘ Let ‘<1 THEN’ 20 ’
WHEN ‘ Let ‘=1 THEN’ 21 ’
end ;

UPDATE ‘ mineracao_departamentos_ex_aluno ‘ SET ‘ F i l ‘=

CASE WHEN ‘ F i l ‘ = 0 THEN ’ 10 ’
WHEN ‘ F i l ‘>0 AND ‘ F i l ‘ <0.1 THEN’ 11 ’
WHEN ‘ F i l ‘ >=0.1 AND ‘ F i l ‘ <0.2 THEN’ 12 ’
WHEN ‘ F i l ‘ >=0.2 AND ‘ F i l ‘ <0.3 THEN’ 13 ’
WHEN ‘ F i l ‘ >=0.3 AND ‘ F i l ‘ <0.4 THEN’ 14 ’
WHEN ‘ F i l ‘ >=0.4 AND ‘ F i l ‘ <0.5 THEN’ 15 ’
WHEN ‘ F i l ‘ >=0.5 AND ‘ F i l ‘ <0.6 THEN’ 16 ’
WHEN ‘ F i l ‘ >=0.6 AND ‘ F i l ‘ <0.7 THEN’ 17 ’
WHEN ‘ F i l ‘ >=0.7 AND ‘ F i l ‘ <0.8 THEN’ 18 ’
WHEN ‘ F i l ‘ >=0.8 AND ‘ F i l ‘ <0.9 THEN’ 19 ’
WHEN ‘ F i l ‘ >=0.9 AND ‘ F i l ‘<1 THEN’ 20 ’
WHEN ‘ F i l ‘=1 THEN’ 21 ’
end ;

ALTER TABLE ‘ mineracao_departamentos_ex_aluno ‘

DROP ‘ MatricAluno ‘ ;

127