UNIVERSIDADE TECNOLGICA FEDERAL DO PARAN

COORDENAO DE LICENCIATURA EM INFORMTICA

DESENVOLVIMENTO DE SISTEMAS PARA INTERNET E DISPOSITIVOS
MVEIS

PEDRO HENRIQUE DE ALENCAR MACHADO

UM PROTTIPO DE DATA MINING APLICADO AO PROCESSO DE

GESTO EDUCACIONAL PARA DETECO DE EVASO ESCOLAR

MONOGRAFIA DE ESPECIALIZAO

FRANCISCO BELTRO
2014
14

PEDRO HENRIQUE DE ALENCAR MACHADO

UM PROTTIPO DE DATA MINING APLICADO AO PROCESSO DE

GESTO EDUCACIONAL PARA DETECO DE EVASO ESCOLAR
Monografia
de
Especializao
apresentada
a
Coordenao
de
Licenciatura
em
Informtica,
da
Universidade Tecnolgica Federal do
Paran como requisito parcial para
obteno do ttulo de Especialista em
Desenvolvimento de Sistemas para
Internet e Dispositivos Mveis.
Orientador: Ms. Paulo Jnior Varela

FRANCISCO BELTRO
2014
15

Ministrio da Educao
Universidade Tecnolgica Federal do Paran
Campus Francisco Beltro
Diretoria de Pesquisa e Ps-Graduao
Curso de Especializao em Desenvolvimento de Sistemas para Internet
e Dispositivos Mveis

TERMO DE APROVAO

Dia 11 do ms de dezembro de 2014 s 16 horas, no mini auditrio do Cmpus

Francisco Beltro, realizou-se a apresentao pblica da monografia pelo estudante
Pedro Henrique de Alencar Machado intitulada Um prottipo de data mining
aplicado ao processo de gesto educacional para deteco de evaso escolar.
Finalizada a apresentao e arguio, a Banca Examinadora declarou aprovada a
monografia do estudante, como requisito parcial para obteno do ttulo de
Especializao em Desenvolvimento e Sistemas para Internet e Dispositivo Mveis.

__________________________________
Professor Paulo Jnior Varela - UTFPR
(Orientador)

___________________________________
Professor Flvio de Almeida e Silva - UTFPR
(Convidado)

___________________________________
Professor Dr. Ademir Roberto Freddo - UTFPR
(Convidado)

__________________________________
Professor Dr. Ademir Roberto Freddo - UTFPR
(Coordenao)

16

Ao meu pai
Miguel Angelo Machado
(in memoriam)
17

AGRADECIMENTOS

No h dvidas que as palavras contidas neste tpico, no sero suficientes

para expressar a minha total gratido quanto a todos os envolvidos nesta
conquista, mas uma coisa cabe muito a este item, esta conquista de cada um
descrito nos pargrafos que se segue, sem mais delongas.
Aos meus pais, pela educao, pelo amor incondicional, apoio e confiana,
sem as quais jamais idealizaria nada que foi um dia almejado.
A todos meus amigos distantes, em especial meu irmo Jos (Obina), pelos
momentos de descontrao, desordem e ciladas.
Aos meus amigos Mauro e Cassio, que permitiram que este trabalho se
tornasse realidade, me apoiando at nos momentos de descanso e relaxo.
Ao meu professor orientador Sr. Ms. Paulo Jnior Varela, por quem
demonstrei enorme admirao desde as primeiras aulas ministradas. Pela confiana
no tema abordado, disposio em sempre ajudar e principalmente pelos
conhecimentos transmitidos durante todo o processo.
A minha amiga e noiva Julili, pelos momentos de refgio, conversas e
silncio. Por sua conta aprendi o quanto tudo isso vale a pena.
Deus, por ter me permitido a vida, e pessoas to especiais. Graas a ti,
estou aqui.

18

No sabendo que era impossvel, ele foi

l e fez.
Jean Cocteau.
19

RESUMO

A necessidade de gesto da aprendizagem um objetivo cada vez mais importante,

tendo em vista os problemas encontrados em nosso pas em prover uma educao
eficiente e de qualidade. Dentre esses problemas podemos mencionar alguns, como
por exemplo: Pouco investimento em tecnologia de gesto, sobrecarga de trabalho
enfrentada pelos professores, falta de interesse dos alunos sobre temas abordados,
entre tantos outros. Tendo em vista a gama de informaes que as Instituies de
Ensino Superior tm em suas bases de dados, uma anlise dos dados pode prover
mecanismos que auxiliem docentes e gestores em tomadas de decises mais
assertivas. Este trabalho descreve a criao de um prottipo web de minerao de
dados que visa detectar a evaso escolar de alunos do curso de Licenciatura em
Informtica da Universidade Tecnolgica Federal do Paran Campus Francisco
Beltro. Uma aplicao web foi criada, cuja foi preparada para receber parmetros de
um aluno e calcular a probabilidade do referente tornar-se um aluno evasivo.
Palavras-chave: Minerao de dados. Educao. Prottipo.

ABSTRACT

The need for learning management is an increasingly effulgent goal, in view of the
problems encountered in our country to provide an efficient and quality education.
Among these we can mention some problems, such as: Little investment in technology
management, workload faced by teachers, lack of interest from students about topics
covered, among many others.Considering the range of information that higher
education institutions have in their databases, an analysis of data can provide
mechanisms to assist teachers and administrators in taken more assertive decisions.
This paper describes the creation of a prototype web data mining that aims to detect the
school dropout students of Bachelor in Informatics of the Federal Technological
University of Paran - Campus Francisco Beltro. A web application was created, which
was prepared to receive parameters of a student and to calculate the probability of
referring to become an elusive.
Keywords: Data mining. Education. Prototype.

LISTA DE ILUSTRAES

Figura 1 - Etapas do KDD...............................................................................................7

Figura 2 - Diagrama de Caso de Uso...........................................................................16
Figura 3 - Diagrama de Classe.....................................................................................17
Figura 4 - Analisar probabilidade...................................................................................19
Figura 5 - DER Alunos...................................................................................................25
Figura 6 - Situao dos Alunos.....................................................................................26
Figura 7 - Cdigo para recuperar planilha xls...............................................................27
Figura 8 - Cdigo mdia de acontecimento..................................................................27
Figura 9 - Cdigo classificao dos alunos...................................................................28
Figura 10 - Design responsivo do prottipo..................................................................33
Figura 11 - Formulrio...................................................................................................33
Figura 12 - Mtodo preparaAluno()...............................................................................34
Figura 14 - Criao da sesso para apresentao do resultado..................................35
Figura 15 - Grfico de probabilidade.............................................................................35

LISTA DE TABELAS

Tabela 1 - Mtodos implementados na WEKA..............................................................13

Tabela 2 - Resultado da classificao questionrio scio educacional........................34

LISTA DE SIGLAS E ABREVIATURAS

API

Application Programming Interface

ARFF

Attribute Relation File Format

CSS

Cascading Style Sheets

DCU

Diagrama de Caso de Uso

DER

Diagrama de Entidade Relacionamento

GPL

General Public Licence

HTML HyperText Markup Language

IDE

Integrated Development Environment

IES

Instituio de Ensino Superior

JDBC

Java DataBase Connectivity

JSF

JavaServer Faces

KDD

Knowledge Discovery in Databases

MD

Minerao de Dados

MVC

Model View Controller

PIB

Produto Interno Bruto

SGBD

Sistema Gerenciador de Banco de Dados

SQL

Structured Query Language

TI

Tecnologia da Informao

UML

Unified Modeling Language

UTFPR

Universidade Tecnolgica Federal do Paran

WEKA

Waikato Environment for Knowledge Analysis

SUMRIO
1. INTRODUO 1
1.1 OBJETIVOS..............................................................................................................2
1.2 JUSTIFICATIVA........................................................................................................3
1.3 ESTRUTURA DO TRABALHO.................................................................................4
2. REFERENCIAL TERICO...................................................................................5
2.1 EVASO ESCOLAR NAS IES..................................................................................5
2.2 MINERAO DE DADOS........................................................................................6
2.3 TAREFAS DE MINERAO DE DADOS................................................................7
2.4 WEKA.......................................................................................................................9
3. MATERIAIS E MTODOS.......................................................................................12
3.1 MATERIAIS............................................................................................................12
3.2 MTODOS.............................................................................................................15
4. RESULTADOS........................................................................................................21
4.1 REQUISITOS.........................................................................................................21
4.2 ANLISE................................................................................................................22
4.3 EXPERIMENTOS...................................................................................................23
4.4 DESENVOLVIMENTO...........................................................................................25
5. CONCLUSO..........................................................................................................37
6. REFERNCIAS .......................................................................................................39
ANEXO A ................................................................................................................... 44
ANEXO B ...................................................................................................................50

1. INTRODUO
Uma pesquisa realizada pela UNESCO (2014) destacou uma problemtica
relacionada ao nmero de analfabetos adultos no Brasil. A pesquisa coloca o pas
como 8 (dentre 150 pases avaliados) com o maior ndice de analfabetos adultos. A
pesquisa destaca como uma das provveis causas do nmero anteriormente citado, a
m qualidade da educao, falta de preparao dos docentes, entre outras causas.
A pesquisa ainda destaca que menos de 10% dos professores brasileiros, na
poca do exame, estavam fazendo algum curso de preparao. Das 150 naes
participantes da pesquisa, somente 25% delas aplicaram no ano anterior 6% do PIB
(Produto Interno Bruto) na rea da educao, cuja uma inteno j anteriormente
apresentada pela prpria UNESCO.
Para a obteno de sucesso nos desafios do analfabetismo, da evaso escolar,
entre outras problemticas ligadas educao brasileira, o uso da tecnologia da
informao pode ser usado como mecanismo de auxlio, como por exemplo, nas
seguintes atividades: Agilidade na anlise dos dados, armazenamento e centralizao
das informaes, interatividade dos alunos com os educadores, automao de tarefas
e processos, dentre tantas outras.
Como ferramenta de auxlio na anlise de dados est a utilizao de tcnicas
de minerao de dados para extrair as informaes implcitas existentes em grandes
bases de dados das organizaes em questo. Lucas (2002) acredita que:
A transformao da informao da informao em conhecimento pode fazer
com que as grandes organizaes sobrevivam neste mercado globalizado, pois
esta transformao fornecer informaes que aps serem analisadas de
forma correta passam a ser utilizadas para tomadas de decises mais
seguras.

Um dos atuais desafios das Instituies de Ensino Superior organizar os

dados e transform-los em informaes teis. O uso de tecnologias computacionais
podem auxiliar gestores e educadores a obterem uma vantagem competitiva
sustentvel.
A extrao das informaes previamente destacadas, segundo Fayyad (1996)
denomina-se Knowledge Discovery in Databases (KDD) ou ento descoberta de
conhecimento em base de dados. Ainda segundo o autor, por mais comum que seja
usar os termos KDD e Minerao de Dados com o mesmo significado, o mesmo
define KDD como sendo o processo de extrao de conhecimento dos dados como

um todo, e Minerao de Dados, como apenas uma etapa particular do KDD, sendo
que nesta etapa a extrao de padres dos dados realizada atravs do uso de
algoritmos especficos.
Descobrir o conhecimento nas mais diversas bases de dados de diferentes
instituies o objetivo da tarefa de Minerao de Dados, alm de permitir uma maior
agilidade no processo de tomadas de decises por parte dos gestores responsveis.
O armazenamento de dados por si s no traz nenhuma contribuio, necessrio
realizar uma anlise sobre os elementos previamente armazenados e a partir da criar
informaes relevantes que podem auxiliar em tomadas de decises. Chiara (2003)
destaca que: Para a aplicao de tcnicas de minerao de dados necessrio que
se tenha uma coleo de dados disponvel. Entretanto, o problema conseguir dados
relevantes para extrair deles conhecimento potencialmente til.
Tendo em vista todas as informaes anteriormente apresentadas, o presente
trabalho prope o desenvolvimento e aplicao de tcnicas de minerao de dados
sobre informaes, previamente coletadas, de alunos de diferentes perodos e
situaes do curso de Licenciatura em Informtica da Universidade Tecnolgica
Federal do Paran Campus Francisco Beltro, a fim de promover

dados

possveis estratgias para auxlio nas tomadas de decises por parte dos seus
gestores.

1.1 OBJETIVOS
A seguir sero apresentados os objetivos gerais e especficos do trabalho em
questo.
1.1.1 OBJETIVOS GERAIS
Aplicar tcnicas de minerao de dados sobre uma base de dados fornecida
pela IES UTFPR Campus Francisco Beltro e outra criada com base em um
questionrio aplicado em alunos do curso de Licenciatura em a fim de classificar e
prever a evaso.

1.1.2 OBJETIVOS ESPECFICOS

Para a concretizao do objetivo geral, elencam-se a seguir os seguintes
objetivos especficos:
a. Aplicao de um questionrio scio educacional (Anexo A) sobre alunos
que esto cursando Licenciatura em Informtica na IES UTFPR Campus
Francisco Beltro;
b. Levantar junto a IES informaes de alunos que esto cursando e que
esto em situao desistentes do curso de Licenciatura em Informtica na
IES UTFPR Campus Francisco Beltro;
c. Estudar e configurar a ferramenta WEKA para utiliz-la na aplicabilidade de
tcnicas de minerao de dados nas bases de informaes previamente
criadas;
d. Tratar as informaes coletadas e criar uma base de dados que ser
utilizada nos testes;
e. Estudar e aplicar o algoritmo Naive Bayes sobre as bases de dados criadas,
a fim de identificar e classificar os registros armazenados;
f. Construir uma aplicao capaz de receber uma nova instncia de um aluno
e classific-lo nas bases de dados criadas;

1.2 JUSTIFICATIVA
A fim de permanecerem competitivas no mercado moderno, as IES devem
considerar suas atividades como quaisquer outras exercidas dentro do mbito
empresarial. Segundo Furtado (2004), desta forma, as instituies podem ser
impactadas pelas mesmas situaes que afligem os mercados:
[...]o setor educacional vem atraindo um nmero crescente de novos atores e o
mercado educacional de novos integrantes, que passam a disputar o domnio
deste mercado com as instituies tradicionais. Estas, por sua vez, vem-se
foradas a rever suas prticas e mtodos at ento utilizados, como condio
para que possam continuar tendo relevncia em seus servios prestados e que
sobrevivam em um cenrio altamente competitivo.

Frente s argumentaes anteriormente apresentadas, justifica-se da seguinte

forma a relevncia ao tema proposto: a crescente importncia da gesto da
informao em todas as organizaes e a pouca disponibilidade de estudos e
pesquisas voltadas para esta rea tendo como foco a aplicao deste conceito dentro

do mbito de uma IES. Alm disto, importante ressaltar o que fora previamente
licitado no item 1 deste trabalho quanto a problemtica do analfabetismo no Brasil e o
que est sendo planejado para resoluo e amenizao desta, torna de suma
importncia prover tcnicas que auxiliem os gestores em tomadas de decises a fim
de trabalharem de maneira mais especfica e minimizar o nmero de possveis
egressos.

1.3 ESTRUTURA DO TRABALHO

O trabalho est dividido em 5 captulos. O primeiro apresenta a introduo,
objetivos e justificativas para a realizao deste trabalho. O Captulo 2 apresenta uma
contextualizao terica sobre os conceitos e caractersticas das tcnicas de
minerao de dados. O Captulo 3 apresenta os materiais e mtodos utilizados para a
realizao deste trabalho. O Captulo 4 apresenta os resultados obtidos, que se
resume aos resultados obtidos com a aplicao do algoritmo e a aplicao de
manipulao e apresentao de novas instncias de alunos ingressos, dentre outros
recursos. Finalizando, no captulo 5 so apresentadas as concluses, dificuldades
encontradas e as sugestes de trabalhos futuros.

2. REFERENCIAL TERICO
Este captulo apresenta o referencial terico do trabalho em questo, todas as
tcnicas e tecnologias utilizadas como parmetro para a construo deste trabalho. A
fundamentao terica serve como base para a fundamentao da pesquisa, neste
item apresenta-se caractersticas sobre a Minerao de Dados com suas tcnicas e
tarefas, ferramentas para data mining, a API WEKA, utilizado no sistema web
desenvolvido para a deteco da evaso dos alunos do curso de Licenciatura em
Informtica da IES UTFPR Campus Francisco Beltro.

2.1 A EVASO ESCOLAR NAS IES

De acordo com Gaioso (2005), a evaso escolar um problema social que
causa, alm de outros, uma interrupo no ciclo de estudos. um problema que vem
preocupando as instituies de ensino em geral, pois a evaso de alunos provoca
graves consequncias sociais, acadmicas e econmicas. (BAGGI, 2010).
Alunos desistentes fazem com que certos investimentos sejam aplicados de
maneira errada, levando em considerao que o discente no prover nenhum dos
retornos esperados. Dentre tantas, esta uma das mais agravantes problemticas da
evaso escolar (LEAL, 2007).
Hiplito (2009) descreve que, em 2009, somente 8% da populao brasileira
adulta tem formao superior, em controversa com outros pases: Coreia, 32%,
Espanha, 28%, Rssia, 55% e Chile, 13%. (HIPLITO, 2009).
De acordo com uma pesquisa realizada pelo Inep em 2006, o percentual de
evaso anual de alunos de cursos de Cincias, Matemticas e Computao tem uma
taxa mdia de evaso em torno dos 28%, consideravelmente acima da mdia
nacional abaixo apenas da evaso anual mdia registrada pelos cursos de Servios
(LEAL, 2007).

2.2 MINERAO DE DADOS

A minerao de dados prov maneiras e mtodos automatizados para facilitar a
descoberta de padres em dados, sem a tendenciosidade e a limitao de uma
anlise baseada na instituio humana. (BRAGA, 2005).
Devido ao avano da tecnologia da informao e o crescimento da Internet, as
organizaes so capazes de coletar e armazenar enorme quantidade de dados.
Pessoas, gradualmente, esto percebendo que os dados no so iguais
informao, os devem ser analisados e extrados para torn-lo informao. A alta
capacidade de armazenamento de dados tm dificultado a capacidade de interpretlos e convert-los em informaes de apoio a tomada de decises (PASTA, 2011).
A relao entre grandes massas de dados e, posteriormente a descoberta de
informaes e novos conhecimentos, podem ser teis para realizar atividades de
tomada de deciso. (BAKER, 2011).
Graas ao avano tecnolgico e a alta oferta de recursos tecnolgicos,
corporaes esto armazenando em banco de dados milhares de informaes, que
aliado s aplicaes, serve de base para tomadas de decises (SHIBA, 2008).
Somente dados armazenados em grandes bases de dados, por si s, no
representam nenhum tipo de informao, a atividade de descobrir conhecimento em
banco de dados denomina-se Knowledge Discovery in Databases KDD (Descoberta
de Conhecimento em Bases de Dados) (SILVA, 2004).
Segundo Fayyad (1996) KDD a extrao de conhecimento dos dados
previamente armazenados, onde uma das etapas a minerao de dados.
Um dos principais desgnios da disciplina de Minerao de Dados descobrir
os conhecimentos em grandes bases de dados de diferentes corporaes por meio da
aplicao de algoritmos especficos.
Segundo Oliveira e Rosa (2007):
A descoberta de conhecimento em bases de dados multidisciplinar e,
historicamente, se origina de diversas reas, dentre as quais podem ser
destacadas a estatstica, inteligncia computacional, reconhecimento de
padres e banco de dados.

Os autores Goldschmidt e Passos (2005) agrupam as atividades do KDD em trs

distintos grupos, cujos so ilustrados na Figura 1:

Desenvolvimento tecnolgico;

Execuo de KDD;

Aplicao dos resultados.

Figura 1 - Etapas do KDD

Fonte: Pasta apud Figueira (1988)

Cada etapa do processo de Minerao de Dados entendida como um sub

processo do KDD. Eles consistem em uma preparao mais refinada dos dados
provenientes das etapas anteriores (HORST E MONARD, 2000):

Consolidao dos dados: coleta e consolidao dos dados que dar

incio ao processo de extrao do conhecimento.

Seleo e pr-processamento: melhora na qualidade e transformao

dos dados, a fim de evitar possveis distores na extrao do
conhecimento.

Minerao de dados: definio de quais algoritmos sero utilizados na

extrao do conhecimento.

Interpretao e avaliao: analise dos resultados obtidos para o

julgamento do modelo obtido da fase anterior. Nesta etapa tambm se
busca criar uma forma de interpretar os resultados visando leitura
direta dos mesmos.

2.3 TAREFAS DE MINERAO DE DADOS

De acordo com o objetivo esperado, diferentes tarefas de MD podem ser
realizadas. Tarefa de Minerao de Dados o modo como as informaes sero
mineradas (PASTA, 2011).
As tarefas possveis de um algoritmo de extrao de padres podem ser
agrupadas em atividades descritivas e preditivas. Classificao e Regresso so
consideradas tarefas de atividade preditiva, enquanto as atividades de Associao,
Clusterizao e Sumarizao so as principais atividades descritivas. (GALVO,
2009).
2.3.1 CLASSIFICAO
A tarefa de classificao consiste na criao de classes previamente definidas
de acordo com suas semelhanas, preconiza Pasta (2011).
Essa tarefa determina um conjunto de classes (padres) que podem ser
usadas para classificar novos objetos. A tarefa de classificao busca uma funo
que permite associar corretamente cada registro de um banco de dados a um nico
rtulo categrico de chamado de classe (RABELO, 2007).
Os mais conhecidos algoritmos utilizados na tarefa de classificao so: Redes
Neurais, Back-Propagation, Classificadores Bayesianos e Algoritmos Genticos.

2.3.2 REGRESSO
Por lidar com resultados contnuos, esta tarefa pode ser utilizada como uma
tarefa de classificao, estabelecendo-se que diferentes faixas de valores
correspondem a diferentes classes (PASTA, 2011).

2.3.3 ASSOCIAO
A tarefa descritiva de Associao consiste em identificar a relao entre
atributos. Por exemplo, um cliente que adquire um produto X, em N% de vezes,
adquire o produto Y tambm (CAMILO, SILVA, 2009).

Os seus algoritmos procuram por relaes entre os itens das transaes,

analisando os que ocorrem simultaneamente, dando possibilidade de entendimento
de novos modelos (PASTA, 2011).

2.3.4 CLUSTERIZAO OU SEGMENTAO

A tarefa descritiva de clusterizao ou segmentao procura identificar a
proximidade e similaridade entre registros. Um cluster uma coleo de registros
similares entre si. (CAMILO, SILVA, 2009).
Seu objetivo principal fazer a partio da base de dados em um nmero
determinado de clusters, nos quais as instncias destes clusteres sejam similares.
(PASTA, 2011).

2.3.5 SUMARIZAO
A tarefa descritiva de sumarizao tem por objetivo a identificao e
apresentao das principais caractersticas dos dados, de forma concisa e
compreensvel (PASTA, 2011).
A sumarizao visa identificar e indicar as caractersticas comuns entre um
conjunto de dados. Esta tarefa aplicada nos clusters obtidos na tarefa de
clusterizao ou segmentao. As tcnicas de sumarizao so, na maior parte das
vezes, aplicadas anlise exploratria de dados e gerao automtica de relatrios
(GALVO, 2009).

2.4 WEKA
Waikato Environment for Knowledge Analysis WEKA uma ferramenta que
contempla algoritmos de preparao de dados, minerao e validao de resultados
(SILVA, 2004).
O software WEKA tem sido bastante utilizado no meio acadmico em
pesquisas que envolvam a rea de MD. Sua escolha se justifica por causa de sua
ampla aplicabilidade j que lida com atributos numricos (reais e inteiros), nominais
e caracteres (string) (PASTA, 2011).

10

O WEKA foi desenvolvido por universitrios da Universidade de Waikato, na

Nova Zelndia, no ano de 1999 e sua licena General Public Licence (GPL), o que
significa que um programa de distribuio livre (SILVA, 2004).
Este software formado por um conjunto de algoritmos que implementam
vrias tcnicas que so utilizadas para a resoluo de problemas reais de MD. O
WEKA foi desenvolvido na linguagem Java, cuja principal caracterstica sua
portabilidade, assim sendo podendo ser executado em diversas plataformas, dentre
as quais, Windows, MAC Os X e Linux. O nico requisito que o computador possua
a mquina virtual Java instalada (MORATE, 2010).
O software WEKA composto por dois pacotes: um pacote autnomo, para
manipulao direta dos algoritmos, usando o formato de dados prprio, e um pacote
de classes em Java que implementam estes algoritmos. Nessa segunda forma,
possvel desenvolver uma aplicao em linguagem Java que faa uso destes
algoritmos e aplic-los em quaisquer bancos de dados atravs de uma conexo JDBC
(Java DataBase Connectivity) (PASTA, 2011).
Alguns mtodos implementados no WEKA, so:
Classificao

Predio numrica

Agrupamento

Associao

rvore de deciso

Regresso linear

EM

Apriori

Regras de

Geradores de

Cobweb

FPGrowth

aprendizagem

arvores modelo

Naive Bayes

Regresso local de

SimpleKMeans

PredictiveAprior

induzida

pesos

Tabelas de deciso

Aprendizado

DBScan

baseado em
instncia
Regresso local de

Tabela de deciso

pesos
Aprendizado baseado

Perceptron

em instncia

multicamadas

CLOPE

Tertius

11

Regresso logica
Perceptron
Perceptron
multicamada
Comit de perceptrons
SVM
Tabela 1 - Mtodos implementados na WEKA
Fonte: Adaptado de Pasta (2011)

3 MATERIAIS E MTODOS
Este captulo apresenta as ferramentas, tcnicas e tecnologias utilizadas para a
elaborao e construo deste trabalho. Neste escopo descrita a metodologia

12

utilizada para atingir o resultado final bem como artefatos de modelagem construdos
para auxiliar na construo da ferramenta.

3.1 MATERIAIS
Os materiais e ferramentas usadas para desenvolver a aplicao data mining
aplicado ao processo de gesto educacional para deteco de evaso escolar foram:
a) JavaServer Faces (JSF): De acordo com Melo (2010), JSF um framework de
componentes para desenvolvimento web em Java. Essa definio foi definida por
meio do Java Community Process (JSP), o que significa que grandes empresas
como Apache, BEA Systems, IBM, Oracle, entre outras, aprovam as suas
especificaes, isso torna o JSF imediatamente um padro de mercado. A
utilizao do JSF, entre outras, permite, tambm, a separao entre a lgica, a
regra de negcio e a navegao entre os componentes da interface, seguindo o
modelo MVC (Model View Controller).
No JSF a controller fica por conta de um servlet, chamado Faces Servlet, cujo
destinado a receber as requisies, encaminh-las a model e enviar respectivas
respostas. A camada model constituda por classes de entidade e de negcio e
que sendo assim recebem dados da camada view e executam as regras
pertinentes ao negcio. A view composta por uma hierarquia de componentes
visuais organizados.

b) IDE Net Beans: O Net Beans um ambiente de desenvolvimento integrado,

gratuito e de cdigo fonte aberto. A IDE foi popularizada pela empresa Sun
Microsystems em 1999, cuja nomeou o projeto como NetBeans Developer X2. Em
junho de 2000 a Sun disponibilizou o cdigo fonte da aplicao, tornando-a uma
plataforma OpenSource. A verso utilizada neste trabalho foi a 7.3, cuja
proporciona ao desenvolvedor ferramentas teis de formatao de cdigo,
marcao de pontos de parada (breakpoints) e outras ferramentas teis que
facilitam o desenvolvimento.
c) Bootstrap: um framework para a estruturao, diagramao e desenvolvimento
da camada front-end de uma aplicao web. Construdo e distribudo de maneira
OpenSource em Agosto de 2010 na empresa Twitter pelos engenheiros Mark Otto

13

e Jacob, o Bootstrap foi o projeto que mais teve acesso desde a sua divulgao
Outubro de 2014. O framework compatvel com a maior parte dos navegadores
web, e desde a verso 2.0 tambm suporta e aplica o design responsivo.

d) HTML 5: Segundo Boneli (2011), o HTML 5 a prxima gerao da linguagem de

marcao HTML, sucedendo HTML 4.01, XHTML 1.0 e XHTML 1.1. Oferece
novas funes que so necessrias para aplicativos mveis modernos. Ele
padroniza diferentes caractersticas de aplicaes web que desenvolvedores
utilizam a anos, porm, que nunca foram documentados por um comit de
padronizao. Um dos principais objetivos facilitar a manipulao dos elementos
de interface, possibilitando o desenvolvedor modificar as caractersticas dos
objetos de forma no intrusiva e de maneira transparente ao usurio final.

e) JQUERY: Segundo Silva (2008), Jquery uma maneira fcil e simples de

escrever JavaScript e colocada ao alcance no somente de programadores
experientes, mas tambm de designers e desenvolvedores com pouco
conhecimento de programao. Em 22 de agosto de 2005, John Resig, um
desenvolvedor americano de profundo conhecimento em JavaScript, escreveu em
seu blog um artigo relatando sua frustao com a maneira verbosa de se escrever
cdigo JavaScript para obter os resultados pretendidos. Neste artigo pblicou
alguns exemplos no quais propunha o uso de seletores CSS com o principal
objetivo de simplificar e dar mais versatilidade ao cdigo. O nome ainda no
existia, mas nessa ocasio foi lanada a ideia que traria como resultado a
biblioteca Jquery.

f) PrimeFaces: Segundo Melo (2010), o PrimeFaces uma biblioteca de

componentes para JavaServerFaces com mais de 90 componentes registrados.
uma das ferramentas mais completas e uma das primeiras a estar totalmente
convertida para JSF 2.0. Para a aplicao em questo, foi utilizado a API em
questo para a apresentao em forma de grficos, dos resultados do clculo de
probabilidade evasiva de novas instncias de alunos.

14

g) WEKA: WEKA uma sute de minerao de dados muito popular no meio

acadmico, desenvolvido utilizando a linguagem Java. Criada nas dependncias
da Universidade de Waikato, Nova Zelndia. Atualmente mantida por uma
comunidade de entusiastas por ser um software livre disponvel sobre a licena
GPL. A ferramenta WEKA oferece uma srie de recursos, dentre os quais uma
API que permite realizar a integrao dos algoritmos e tcnicas de minerao de
dados uma aplicao JAVA. (SILVA, 2004).

h) Astah: uma ferramenta de diagramao UML, com ela possvel a criao de

diagramas de caso de uso, diagramas de classe, alm de outros diagramas, tais
como diagrama de fluxo de dados, diagrama de entidade-relacionamento e outras
funcionalidades teis na fase de especificao e projeto de um sistema.
Segundo o Astah Community (2014), este ambiente permite criar diagramas
rapidamente possuindo inmeros recursos. Apesar de o Astah possuir verses
pagas, o Astah Community de uso gratuito.

i) PostgreSQL: O PostgreSQL um poderoso sistema gerenciador de banco de

dados objeto-relacional de cdigo aberto. Tem cerca de 15 anos de
desenvolvimento ativo e uma arquitetura de grande reputao e confiabilidade na
comunidade OpenSource. Funciona em todos os grandes sistemas operacionais,
incluindo GNU/Linux, Unix e MS Windows. totalmente compatvel com ACID,
tem suporte completo a chaves estrangeiras, junes, vises, gatilhos e
procedimentos armazenados. Suporta tambm o armazenamento de objetos
binrios, incluindo figuras, sons ou vdeos.
Devido s caractersticas apresentadas e a sua alta compatibilidade com a API
Weka, para o desenvolvimento da aplicao de data mining, cuja objeto
principal deste trabalho, foi utilizado com sistema gerenciador de banco de dados
o PostgreSQL verso 9.3.

3.2 MTODOS

15

O desenvolvimento da aplicao data mining aplicado ao processo de gesto

educacional para deteco de evaso escolar foi divido em etapas de acordo com o
modelo sequencial linear de Pressman (2002). As etapas so:
a) Requisitos: A definio do escopo e requisitos foi realizada a partir da comparao
e dos dados coletados no questionrio scio educacional aplicado sobre os alunos
do curso de Licenciatura em Informtica da Universidade Tecnolgica Federal do
Paran Campus Francisco Beltro, e as informaes coletadas junto secretaria
da instituio a respeito dos alunos desistentes do mesmo curso.

b) Anlise: Nesta disciplina foram feitos estudos sobre os seguintes classificadores (a

fim de detectar qual seria escolhido para aplicao do trabalho em questo): Naive
Bayes, IBK.

c) Projeto: Nesta disciplina foi realizada a preparao dos dados para aplicao das
tcnicas de minerao de dados. Ainda aqui foi construdo o modelo relacional do
banco de dados.

d) Desenvolvimento: Nesta disciplina foi aplicado o algoritmo Naive Bayes sobre a

base de dados previamente criada nos alunos que responderam o questionrio
scio educacional alm da construo do prottipo web para a anlise de
probabilidade da evaso escolar em novas instncias de alunos, cujas ferramentas
e tecnologias utilizadas esto listadas na seo 3.1.
3.2.1 MODELAGEM DA APLICAO
Nesta seo, so apresentados artefatos gerados que auxiliaram no
desenvolvimento da aplicao, so eles, diagramas de casos de uso, diagrama de
classe e diagrama de sequencia.

3.2.2 CASO DE USO

16

Na viso de Bezerra (2007, p. 54), Um caso de uso representa um relato de

uso de certa funcionalidade do sistema em questo, sem revelar a estrutura e o
comportamento internos desse sistema.
O diagrama de casos de uso (DCU) corresponde a uma viso externa do
sistema e representa graficamente os atores, casos de uso e relacionamentos
entre esses elementos. O diagrama de caso de uso tem o objetivo de ilustrar
em um nvel alto de abstrao quais elementos externos interagem com que
funcionalidades do sistema. (BEZERRA, 2007, p. 57)

Neste tpico apresentado o diagrama de caso de uso da aplicao proposta,

conforme Figura 2.

Figura 2 - Diagrama de Caso de Uso

O diagrama de caso de uso apresenta as principais funcionalidades da

aplicao, a funo Criar nova instncia de aluno compreende da ao do usurio
em preencher as respectivas informaes de um novo aluno, criar um novo, e
posteriormente solicitar o clculo de uma nova previso, cuja compreendida na
funcionalidade Calcular probabilidade de evaso ao executada pela aplicao.
Assim que o usurio executar a ao de instnciar novos aluno, automaticamente, a

17

aplicao realiza o clculo da probabilidade de evaso do mesmo, e retorna os

nmeros para a aplicao.

3.2.3 DIAGRAMA DE CLASSE

O diagrama de classe do tipo estrutural e especifica as Classes, abstraes e
suas responsabilidades, dentro do escopo de um projeto. Define as estruturas,
exibindo a colaborao entre classes e mostra a estruturao conceitual do banco de
dados (modelo lgico). Na figura 3 ilustrado o diagrama de classe que fora utilizado
para criao da aplicao e posterior para a criao do modelo lgico do banco de
dados.

Figura 3 - Diagrama de Classe

O diagrama acima ilustra as trs classes com seus respectivos mtodos e

atributos. A primeira classe Alunos elucida o modelo criado a partir dos dados que
foram transformados e preparados na planilha de Relao de Alunos (Vide Anexo A).
O mtodo trataExcecao() prepara uma instncia de Aluno para posteriormente realizar
o clculo de probabilidade de evaso. A classe Utils tem um esteretipo do tipo static,
o que implica em dizer que a referente classe ser do tipo Esttica. As classes
estticas so aquelas que contm apenas membros estticos, alm de que elas no

18

podem ser instnciadas. O mtodo replaceCaracter() tem a funo de tratar qualquer

tipo de caractere especial que um atributo de Aluno possa conter, tendo em vista que
a API Weka no trabalha com caracteres especiais. O mtodo processaXMS() recebe
o caminho da planilha com o resultado do questionrio scio educacional (Vide anexo
A), processa-os e os retorna com uma Lista de Alunos. Por ltimo a classe Weka, a
responsvel por receber a Lista de Alunos j preparadas, aplicar a classificao
utilizando o algoritmo Naive Bayes e calcular a probabilidade de evaso de cada um,
atribuindo o resultado em uma mesma lista de Alunos.

3.2.4 DIAGRAMA DE SEQUENCIA

O diagrama do tipo comportamental que especifica determinado trecho de
interao, formada por um conjunto de objetos e seus relacionamentos, incluindo as
mensagens que podero ser enviadas entre eles. Exibindo a ordem temporal de
determinada ao no sistema, ou seja, a ordem que os eventos ocorrem.
Para o desenvolvedor, o diagrama de sequencia oferece informaes
detalhadas de como determinada funcionalidade do sistema executada. Possibilita o
entendimento do curso da aplicao ao ser efetuada determinada interao.
utilizado principalmente para especificar o fluxo bsico de algum caso de uso, e suas
variaes.
Para melhor descrever o fluxo das aes que a aplicao deve executar no
momento de realizar a anlise de probabilidade para cada instncia de alunos, foi
criado um diagrama de sequencia, cujo ilustrado na figura 4.

19

Figura 4 - Analisar probabilidade

20

O respectivo diagrama ilustra a ao de requerer a probabilidade de evaso

de uma nova instncia de aluno. Para tanto a ao iniciada assim que o usurio
preenche o formulrio com os dados do novo aluno, em seguida solicitado a
probabilidade de evaso do mesmo. A partir da a aplicao instancia um novo
objeto do tipo Aluno com os parmetros que fora previamente informado e prepara
seus dados. Na sequencia instnciado um objeto da classe WEKA que recupera
as informaes na base de dados de alunos e calcula a probabilidade evasiva desse
novo aluno. Feito isso retornado ao usurio da aplicao o resultado da anlise.

21

4 RESULTADOS
Este captulo apresenta uma viso geral, da realizao de cada uma das
disciplinas destacadas no modelo sequencial linear de Pressman (2002) uma vez
que o objetivo deste trabalho foi o estudo da matria de minerao de dados para
possibilitar a criao de um prottipo de data mining aplicado ao processo de gesto
educacional para deteco de evaso escolar.
4.1 REQUISITOS
Conforme o objetivo geral e os especficos propostos no incio deste trabalho
e alinhados com a metodologia empregada, num primeiro momento buscou-se
compreender o problema proposto, a evaso escolar dos alunos do curso de
Licenciatura em Informtica da IES UTFPR Campus Francisco Beltro.
O primeiro passo para se descobrir conhecimento em bases de dados uma
correta definio do problema a ser tratado. Desta forma iniciou-se contato com a
IES para obteno de dados a serem analisados, e posteriormente um questionrio
foi criado e aplicado aos alunos que estavam cursando Licenciatura em Informtica,
a fim de definir o tipo de informao que seria interessante de ser descoberta na
base de dados e iniciar o processo de KDD.
4.1.1 INFORMAES DOS ALUNOS DE LICENCIATURA EM INFORMTICA
Nesta etapa entrou-se em contato com a secretaria de Licenciatura em
Informtica da IES em questo solicitando acesso s informaes dos alunos que
esto cursando ou j cursaram, para que fossem realizadas as respectivas etapas
da minerao dos dados. Sendo assim, a secretaria forneceu uma planilha com 247
registros de alunos que cursam ou j cursaram Licenciatura em Informtica. (Vide
Anexo B).
4.1.2 QUESTIONRIO SCIO-EDUCACIONAL
Feito uma anlise sob os atributos dos registros da planilha de relao dos
alunos do curso de Licenciatura em Informtica, foi elaborado um questionrio com

22

perguntas scio educacionais a fim de, alm de outros, obtermos uma maior
variedade de atributos dos registros a serem testados e instnciados. Aplicado o
questionrio, foram obtidas 36 respostas. (Vide Anexo A).

4.2 ANLISE
A partir das informaes coletadas, e das principais funcionalidades definidas
foi ento dado incio anlise da aplicao proposta, abordando um estudo em
alguns dos algoritmos de classificao de dados a fim de identificar qual se
adequaria melhor ao trabalho proposto.

4.2.1 ANLISE DOS CLASSIFICADORES

Ainda durante a disciplina de Anlise, foi realizado um estudo sobre dois
diferentes algoritmos de classificao, sendo eles: IBK e Naive Bayes. O estudo foi
realizado a fim de definir qual o classificador seria mais bem aplicado soluo em
questo. Neste tpico, ser descrito o estudo realizado com cada um, e as razes
escolhidas para escolha do algoritmo proposto.

4.2.1.1

IBK
O algoritmo IBK uma verso do algoritmo de clusterizao k-NN (k-Nearest

Neighbor) utilizado em tarefas de clusterizao.

Atribui-se para o respectivo algoritmo (IBK), como ponto fraco, que o
resultado atribudo pela ferramenta API WEKA, a probabilidade da proximidade
com seus respectivos vizinhos mais prximos.
4.2.1.2

NAIVE BAYES
Uma caracterstica atraente desse classificador a sua capacidade de

produzir estimativas de probabilidade ao invs de simples classificaes. Isto

significa que, para cada rtulo de classe, o classificador pode gerar uma estimativa
de o novo objeto pertencer mesma.

23

4.2.1.3

CONCLUSO DA ANLISE
Realizado os respectivos estudos e testes sobre cada um dos classificadores

anteriormente citados, determinou-se pela utilizao do classificador Naive Bayes

para sequncia do trabalho, pelas seguintes razes:

Probabilidades nos resultados das classificaes;

Amplo nmero de materiais didticos para pesquisa;

Possibilidade de trabalhar com mais que dois resultados nas classificaes,

por exemplo, diferentes tipos de desistncia de alunos: desistncia por
motivo de trabalho, dificuldade na absoro de disciplinas, entre outros.

4.3 EXPERIMENTOS
Nesta seo so apresentados os artefatos e estudos realizados durante a
disciplina de Projeto, cuja j fora previamente apresentada anteriormente. Durante a
respectiva fase foi realizado a seleo dos dados conforme o processo de KDD, com
o objetivo de analisar as informaes de real interesse. Junto seleo, limpeza e
transformao dos dados, foi construdo o diagrama de classe e o modelo de
entidade relacionamento correspondente s informaes posteriormente utilizadas.

4.3.1 Seleo, limpeza e transformao dos dados.

Aps um estudo sobre os dados contidos na planilha de Relao de Alunos
(Vide Anexo B), entendeu-se que alguns dados seriam desnecessrios, como o
nome, nmero do RG, CPF, nome da me e e-mail, que foram eliminados durante o
processo de seleo dos dados.
Efetuado a seleo dos dados, foi hora de realizar uma limpeza e
transformao sobre os dados contidos na planilha, conforme ainda processo de
KDD. Na planilha de relao de alunos foi criado um padro para a coluna Calouro.
Nas informaes fornecidas pela secretaria os resultados para o campo em questo
eram apresentados como Sim ou No, a transformao nos dados substituiu o
valor Sim para o caractere S e para No o caractere N. Os resultados para a
coluna Cotista foram tambm alterados. Anteriormente existiam variaes quanto a

24

alunos do tipo cotistas, a regra foi alterada a fim de armazenar exclusivamente o

valor S para alunos cotistas e N para alunos no cotistas, o mesmo ocorreu para
a coluna Estudou em Escola Publica.
Como no havia a coluna idade, a mesma foi criada e os resultados foram
criados baseado nos valores atribudos para o atributo Data de Nascimento.
A transformao mais relevante nos dados foi na coluna Situao, cuja
anteriormente tratava diferentes resultados, Regular, Desistente, Trancado e Sem
Cursar. Devido referente tratar-se do atributo classe, os resultados foram
exclusivamente tratados como R (Regular) para alunos regulares e D (Desistente)
para registros com situao diferente de regular.
As seguintes tcnicas apresentadas corresponderam seleo, limpeza e
transformao dos dados para posteriormente serem utilizados para a criao do
banco de dados utilizados nas aplicaes.

4.3.2 DIAGRAMA DE ENTIDADE RELACIONAMENTO

De acordo com Rezende (2002, p.201) O principal propsito do DER
representar os objetos de dados e suas relaes, sendo que cada entidade termina
representada pelo menos uma tabela de dado.
O DER representa toda a estrutura lgica do banco de dados expressa
graficamente. A sua simplicidade e a clareza grfica podem explicar, em grande
parte, a ampla disseminao do uso do modelo E-R.
Na Figura 5 ser apresentado o diagrama de entidade relacionamento da
aplicao proposta.

25

Figura 5 - DER Alunos

A figura acima ilustra a tabela Alunos que compe o banco de dados que ser
utilizado para aplicao das tcnicas de minerao de dados.
4.4 DESENVOLVIMENTO
Nesta seo sero apresentados os artefatos e estudos realizados durante a
disciplina de Desenvolvimento, cuja j fora previamente apresentada. Durante a
respectiva fase foi realizado a criao da base de dados (conforme descrito na
seo 4.3.3) e a populao da tabela com os dados que foram previamente
transformados (conforme de descrito na seo 4.3.1). Em seguida foi realizada a
aplicao do algoritmo Naive Bayes sobre a base de dados previamente criada nos
alunos que responderam o questionrio scio educacional (Vide Anexo A). Por ultimo
foi construdo o prottipo web para a anlise de probabilidade de evaso escolar de
novas instncias de alunos.

26

4.4.1 CRIAO DA BASE DE DADOS

A primeira atividade realizada na disciplina de desenvolvimento foi a criao
da base de dados e suas respectivas tabelas, bem como a insero dos dados,
conforme informaes que foram previamente limpas e transformadas.
Conforme descrito na seo 4.3.3 o banco de dados construdo composto
de uma nica tabela denominada Alunos. Com os dados previamente preparados e
transformados, foi feito a importao da planilha xls Relao Alunos para a base de
dados.
Utilizando a funcionalidade de anlise de informaes dispostas na
ferramenta WEKA, observa-se que, dos registros persistidos na tabela Alunos, 137
esto com situao regular, enquanto 109 esto com situao desistente, conforme
ilustrado na figura 6.

Figura 6 - Situao dos Alunos

27

4.4.2 CLASSIFICAO DOS ALUNOS QUE RESPONDERAM O QUESTIONRIO

SCIO EDUCACIONAL
Assim que realizado a criao e insero dos valores na base de dados,
podem-se criar as primeiras classificaes, e assim treinarmos se nossas
informaes, previamente coletadas, seriam suficientes para a anlise proposta.
Para tanto, usou-se dos alunos que responderam o questionrio scio
educacional (Vide Anexo A) para o treinamento. Cada resposta do questionrio, foi
exposta ao algoritmo de classificao Naive Bayes encontrado na API WEKA,
pacote classifier.bayes.NaiveBayes. Para tanto, foi criado uma aplicao que
recuperasse todas as informaes contidas na planilha .xls, e as sujeitasse
classificao do procedimento em questo.
O que se esperava ao sujeitar um registro no algoritmo em questo era obter
a probabilidade do referente se encaixar em uma das situaes, Regular, ou
Desistente, ou seja, a probabilidade do respectivo ser um aluno desistente.
Para a importao da planilha .xls foi usado a API JExcelAPI verso 2.6.10,
conforme ilustrado na figura 7.

Figura 7 - Cdigo para recuperar planilha xls

Como algumas informaes contidas na base de dados de alunos no foram

captadas no questionrio scio educacional foi usado a sua mdia de acontecimento
como valor padro. Isso aconteceu para os seguintes atributos: boletim, histrico,
coeficiente, turno, escore seleo e tnico, conforme ilustrado na figura 8.

Figura 8 - Cdigo mdia de acontecimento

28

Criado a lista de alunos com base na planilha scio educacional foi aplicada a
classificao em cada um dos registros a fim e obter a probabilidade de desistncia
de cada um dos alunos que responderam o questionrio. A figura 9 ilustra o cdigo
que realiza a classificao em cada um.

Figura 9 - Cdigo classificao dos alunos

Conforme ilustrado acima, foi criado um lao de repetio sobre a lista de

alunos previamente capturada da planilha de respostas do questionrio scio
educacional. Para cada iterao foi criado uma instncia da classe DenseInstance,
atribudo para cada ndice do objeto o referente atributo da classe Aluno e por fim
aplicado o clculo de probabilidade. Como resposta, o mtodo retorna um vetor do
tipo double, em que a primeira posio contm a probabilidade associada ao valor
R (Regular) e na segunda posio a probabilidade associada ao valor D
(Desistente). Na sequencia foi solicitado a impresso das informaes no console da
IDE a fim de criarmos um relatrio para melhor anlise dos resultados. A tabela 2
exibe o resultado da execuo da aplicao em questo

29

ID

Probabilidade Regular

Probabilidade Desistente

0.020514922357273382

0.9794850776427266

0.4859663677383961

0.5140336322616039

0.007536764357115227

0.9924632356428847

0.01251988535769687

0.9874801146423031

0.018866141685067752

0.9811338583149323

0.009160183099642444

0.9908398169003575

0.006915387519420173

0.9930846124805798

0.019759670742309273

0.9802403292576907

0.010473725496815755

0.9895262745031842

10

0.012694828837316197

0.9873051711626838

11

0.003589107407910066

0.9964108925920898

12

0.012694828837316197

0.9873051711626838

13

0.12257654987099788

0.877423450129002

14

0.006650561629692196

0.9933494383703079

15

0.01703655345072511

0.9829634465492749

16

0.01547977961487763

0.9845202203851223

17

0.03088511243009884

0.9691148875699012

18

0.08848517139467055

0.9115148286053295

19

0.17249166393715445

0.8275083360628455

20

0.04437069920959597

0.9556293007904041

21

0.036022331451894936

0.9639776685481051

22

0.28700227310117776

0.7129977268988222

23

0.012694828837316197

0.9873051711626838

24

0.013844869866956279

0.9861551301330438

ID

Probabilidade Regular

Probabilidade Desistente

25

0.022109455041123216

0.9778905449588767

26

0.02953200435279171

0.9704679956472082

27

0.019077016725296308

0.9809229832747037

28

0.01965290449715235

0.9803470955028477

29

0.01207155018819024

0.9879284498118098

30

0.01844530570966318

0.9815546942903368

31

0.03363512817733323

0.9663648718226667

32

0.005333598591456509

0.9946664014085435

30

33

0.019077016725296308

0.9809229832747037

34

0.014590963766227025

0.985409036233773

35

0.01502230874995348

0.9849776912500464

Total

35
Tabela 2 - Resultado da classificao questionrio scio educacional.
Fonte: Autoria prpria

Conforme descrito na tabela de resultados da classificao do questionrio

scio educacional, 35 dos 35 alunos que responderam o questionrio, ou seja, 100%
dos alunos tem maior probabilidade de se tornarem desistentes. Com base nos
dados apresentados conclumos que, umas das possveis causas referentes aos
resultados apresentados so que as informaes contidas na nossa base de dados
de alunos no so suficientes para anlise e classificao das referentes predies
de evaso, levando em considerao que a maior parte dos registros da nossa base
de dados (56%) se trata de alunos com situao de desistncia.
A fim de validarmos o clculo da probabilidade de evaso, foi criada uma
tabela de testes, onde inserimos os mesmos 246 registros, porm alteramos a
situao de alguns registros totalizando 220 alunos com situao Regular (89%) e
26 (11%) com situao Desistente. Aplicado o mesmo procedimento sobre a
referente tabela, o resultado apresentado foi mais satisfatrio: 25 dos 35 registros,
ou seja, 71,42% tem maior probabilidade de continuarem como alunos Regulares,
em contra partida, 28,58% dos alunos teriam maior probabilidade de tornarem-se
desistentes.
Para os clculos das probabilidades de evaso acima destacados, os
seguintes atributos foram utilizados como parmetros para os clculos: idade, sexo,
coeficiente, perodo atual, turno, semestre que entrou na faculdade, cidade e estado
de origem, aluno oriundo de escola publica ou no, aluno cotista ou no e se o aluno
calouro ou no.
Sendo assim, cabe como trabalho futuro, a coleta de maiores informaes
dos alunos que esto cursando e alunos que desistiram do curso em questo,
totalizando um maior nmero de registros, e uma maior variedade de informaes.

4.4.3 PROTTIPO WEB PARA A ANLISE DE PROBABILIDADE DE EVASO

ESCOLAR DE NOVAS INSTNCIAS DE ALUNOS

31

Assim que criado a base de dados e a treinada com os resultados da planilha

do questionrio scio educacional, foi realizado a implementao de um prottipo
web, cujo objetivo receber a instncia de um novo aluno, aplicar o algoritmo sobre
a base de dados previamente criada e obter a probabilidade do respectivo se
enquadrar em uma das situaes: Regular ou Desistente. As tcnicas e
ferramentas utilizadas para a construo da ferramenta em questo foram
previamente descritas na seo 3 deste trabalho.

4.4.3.1

COMUNICAO COM O MODELO RELACIONAL

A primeira atividade realizada para a preparao e criao do prottipo web,

foi criar a comunicao entre a API WEKA com o banco de dados relacional. A
ferramenta WEKA trabalha preferencialmente com bases de dados no formato texto.
Por esta razo, quase todos os tutoriais e apostilas sobre a ferramenta
disponibilizados na Internet mostram como utilizar a WEKA para minerar bases de
dados estruturadas nos formatos ARFF ou CSV. No entanto, possvel, tambm,
utilizar a WEKA para minerar dados diretamente de tabelas de SGBDs relacionais.
Esta forma de utilizao da WEKA bastante interessante j que, na maior parte
das aplicaes prticas, os dados a serem minerados se encontram originalmente
armazenados em algum banco relacional (MySQL, Oracle, PostgreSQL, SQL Server,
etc.). Desta forma, quando se efetua a conexo da WEKA com um SGBD, deixa de
existir a necessidade de exportar os dados do banco para texto e posteriormente
format-los como ARFF (ou CSV) - atividades que, em geral, consomem um tempo
considervel.
Para realizar a comunicao entre a ferramenta WEKA e o banco de dados
relacional, foi utilizado o driver JDBC do SGBD Postgresql: postgresql-9.31102.jdbc3.jar. Feito isso, foi necessrio configurar a API WEKA para comunicar-se
com o banco de dados, previamente criado. Para tanto, a API oferece um arquivo
nomeado DatabaseUtils.props, cujo pode ser extrado de dentro do arquivo
weja.jar. No arquivo devem ser informados os seguintes parmetros: Driver JDBC,
URL do banco de dados e informaes de login. Feito isso, a ferramenta est pronta
para conectar-se ao nosso banco Postgresql.

32

4.4.3.2

CRIAO DA INTERFACE WEB

Preparado e testado a comunicao entre o banco de dados relacional e a

ferramenta WEKA, o prximo passo foi a construo da interface web, cuja o meio
de interao do usurio com a aplicao. Para tanto foi utilizado um template
bootstrap (apresentado na seo 3.1) que se adequa a diferentes resolues,
conceito conhecido como design responsivo, conforme ilustrado na figura 18.
Segundo Garone (2012), design responsivo : ... uma tcnica de estruturao
HTML e CSS, em que o site se adapta ao browser do usurio sem precisar definir
diversas folhas de estilos para cada resoluo..

Figura 10 - Design responsivo do prottipo

A figura 10 ilustra as adequaes que a pgina web realiza, baseado em

diferentes resolues de interface.
O prottipo web possui uma nica pgina xhtml, cuja realiza uma breve
apresentao do tema proposto, apresenta os participantes do projeto e oferece um
breve formulrio, ilustrado na figura 11, cujo ser objeto principal desta seo.

33

Figura 11 - Formulrio

A figura 11 ilustra o formulrio que capturar os respectivos dados de uma

nova instncia de aluno, aplicar as tcnicas de minerao de dados e retornar a
probabilidade desse novo aluno se enquadrar em uma das duas situaes: Regular
ou Desistente. O formulrio dispe dos seguintes campos: Nome, Cdigo de
Matrcula, Coeficiente, Idade, Sexo, Calouro, Turno, Estudou em escola pblica,
Perodo que cursa atualmente, Aluno Cotista, Cidade, Estado, Ms e Ano de
ingresso na universidade. Com exceo dos campos Nome e Cdigo de Matrcula,
os demais campos so utilizados para o clculo da probabilidade evasiva do novo
aluno.

4.4.3.3

CRIAO DA REGRA DE NEGCIO

Com a interface de interao com o usurio pronta, o prximo passo foi o

desenvolvimento da regra de negcio, cuja captura as informaes digitadas pelo

usurio, aplica tcnicas de minerao de dados e apresenta as probabilidades da
nova instncia de aluno. O primeiro mtodo da aplicao responsvel por
recuperar os dados digitados na interface e criar, com base nessas informaes,
uma nova instncia de aluno, conforme ilustrado na figura 12.

34

Figura 12 - Mtodo preparaAluno()

Criado a instncia do aluno, o prximo mtodo aplica o algoritmo naive bayes,

sobre o novo objeto. O processo em questo o mesmo que fora previamente
apresentado na Figura 13 - Cdigo classificao dos alunos, com a diferena de que
o clculo ser executado uma nica vez sobre o aluno que fora instnciado na
imagem acima.
Executado o clculo de probabilidade evasiva do aluno em questo, o
prximo mtodo armazena as informaes calculadas em uma sesso que ser
posteriormente recuperada para apresentao do resultado, conforme ilustrado na
figura 14.

Figura 14 - Criao da sesso para apresentao do resultado

4.4.3.4

APRESENTAO DO RESULTADO
Assim que executado o mtodo ilustrado na figura 12, as informaes

previamente calculadas so exibidas graficamente em uma nova pgina, cuja ilustra

a probabilidade do aluno se enquadrar em cada uma das situaes: Regular e
Desistente, conforme ilustrado na figura 15.

35

Figura 15 - Grfico de probabilidade

A figura acima ilustra um teste fictcio efetuado sobre uma nova instncia do
aluno Pedro Machado, cdigo de matrcula 1063081, coeficiente: 89,6, idade 26 a 29
anos, sexo masculino, calouro, estuda no perodo noturno, estudou em escola
pblica, cursa atualmente o 6 perodo, ingressou na universidade por meio de
alguma cota, de Dois Vizinhos PR e ingressou na universidade no segundo
semestre de 2012. O resultado para a nova instncia do aluno de 79,97% de
chance de ser regular contra 20,03% de chance de ser desistente.

36

5 CONCLUSO
A principal utilidade da pesquisa e da aplicao desenvolvida auxiliar os
docentes em possveis tomadas de decises quanto aos alunos que ministra. Assim
que sujeitado alunos ao clculo da probabilidade evasiva, depois que adquirido
novas instncias e novos treinamentos no banco de dados, o professor poder
tomar decises mais assertivas.
A utilizao das tcnicas aqui aplicadas no ambiente proposto permitiu a
viabilidade e a utilidade prtica da metodologia em um estudo de caso real, sendo
que os resultados podero auxiliar os gestores a elucidar caractersticas relevantes
em relao a diversas situaes observadas neste estudo.
Devido ao baixo nmero de informaes contidas na nossa base de dados,
pode-se observar a baixa confiabilidade nos clculos aplicados sobre os alunos que
responderam o questionrio scio educacional. Essa dificuldade somente ser

37

amenizada com o aprendizado da base de dados bem como o crescimento

horizontal e vertical da base de dados.
Essa dificuldade pode ser observada quando se aplica o algoritmo de
classificao em nossa primeira base de dados (fornecida pela secretaria), cujo
resultado foi que 100% dos alunos testados tm maior probabilidade de serem
evasivos. O resultado deu-se devido aos registros na nossa base de dados
possurem resultados semelhantes quando analisado a situao dos mesmos. 137
esto com situao regular, enquanto 109 esto com situao desistente. Uma base
de dados fictcia foi criada cuja possua 220 alunos com situao Regular (89%) e 26
(11%) com situao Desistente, cuja se refere a um ambiente de ensino mais
prximo do real (onde h mais alunos Regulares que alunos desistentes). O mesmo
procedimento foi aplicado, e o resultado apresentado foi mais satisfatrio: 71,42%
dos alunos tm maior chance de continuarem como alunos Regulares, em contra
partida, 28,58% dos alunos teriam maior probabilidade de tornarem-se desistentes.
Alguns desafios e dificuldades foram encontrados durante o processo de
desenvolvimento do trabalho proposto, entre eles:
a) A dificuldade inicial neste trabalho foi da liberao da base de dados os
alunos do curso de Licenciatura em Informtica da Universidade
Tecnolgica Federal do Paran Campus Francisco Beltro, haja vista
tratar-se de dados pessoais dos acadmicos ali inscritos e matriculados;
b) A limitao das informaes contidas na base de dados, que no
contempla informaes a respeito de alunos aprovados e matriculados,
bem como maiores informaes sociais, cujas foram capturadas no
questionrio scio educacional aplicado.
Aps

estudo

abordado

neste

trabalho,

estabelecem-se

algumas

recomendaes para pesquisas de mesmo cunho. Alguns assuntos merecem

aprofundamento em pesquisas ou trabalhos futuros. Os principais so:
a) Utilizao de outras tcnicas de Minerao de Dados no contempladas
neste estudo, como por exemplo, Redes Neurais e Algoritmos
Genticos;
b) Aplicao de um questionrio scio educacional sobre alunos recmmatriculados, bem como em alunos desistentes do curso, a fim de

38

aprimorar e colher um maior nmero de registros na nossa base de

dados;
c) Melhorias no prottipo web de clculo de evaso escolar, a fim de tornalo uma ferramenta aos gestores da instituio, cujos podero
estabelecer perodos que sero aplicados s respectivas tcnicas aqui
apresentadas e planejar as tomadas de decises;

6 REFERNCIAS
BAGGI, Cristiane Aparecida dos Santos. Evaso e Avaliao Institucional no
Ensino Superior: Uma discusso bibliogrfica. 2010. Dissertao Mestrado PUC Campinas, SP.

BAKER, Ryan Shaun Joazeiro de.

Minerao de Dados Educacionais:

Oportunidades para o Brasil. 2011.

BATISTA P., SILVA M.J. Mining Web Access Logs of an On-line Newspaper.,
Departamento de Informatica, Faculdade de Ciencias . Universidade de Lisboa.
Disponvel em:<http://xldb.fc.ul.pt/data/Publications_attach/rpec02.pdf>. Acesso em:
10 ago. 2014.

39

BEZERRA, Eduardo. Princpios de anlise e Projeto de Sistemas com UML. 2

Edio. Rio de Janeiro: Campus, 2007.

BOENTE, A. N. P. ; OLIVEIRA, F. S. G. ; ROSA, J. L. A.. Utilizao de Ferramenta

de KDD para Integrao de Aprendizagem e Tecnologia em Busca da Gesto
Estratgica do Conhecimento na Empresa. Anais do Simpsio de Excelncia em
Gesto e Tecnologia, v. 1, p. 123-132, 2007.

BRAGA, Luis Paulo Vieira. Introduo Minerao de Dados. 2 edio, 2005.

212 p. 19 20.

BRASIL. Ministrio da Educao. Instituto Nacional de Estudos e Pesquisas

Educacionais. Sinopses do ensino superior. Censos do ensino superior.
Comunicaes pessoais. Disponvel em: www.inep.gov.br. Acesso em: 10 nov.
2014.

CAMILO, Cssio Oliveira; SILVA Joo Carlos da. Minerao de Dados:

Conceitos,Tarefas, Mtodos e Ferramentas. Relatrio Tcnico. 2009
CHIARA, Ramon. Aplicao de Tcnicas de Data Mining em Logs de Servidores
Web. 2003. Dissertao (Mestrado). Instituto de Cincias Matemticas e de
Computao - ICMC-USP. 2003.

CRISP-DM. Cross Industry Standart Process for Data Mining. Disponvel em:<
http://www.crisp-dm.org/>. Acesso em: 10 out. 2014.

CRUZ, Armando J. R. da. Data Mining via Redes Neuronais Artificiais e

Mquinas de Vectores de Suporte. 2007. 123 f. Dissertao (Mestrado em
Sistemas de Informao) Universidade do Minho, Lisboa, 2007.

DIAS, Maria M. Um Modelo de Formalizao do Processo de Desenvolvimento

de Sistemas de Descoberta de Conhecimento em Banco de Dados. 2001. 212 f.

40

Tese (Doutorado em Engenharia da Produo) Universidade Federal de Santa

Catarina UFSC, Florianpolis, 2001.

FAYYAD; PIATETSKY-SHAPIRO, G.; SMYTH, P. From Data Mining to Knowledge

Discovery: An Overview. Menlo Park, CA: AAAI Press/The MIT Press, 1996

FIGUEIRA, Rafael. Minerao de dados e banco de dados orientados a objetos.

1988. Dissertao (Mestrado em Cincias da Computao) Universidade Federal
de Santa Catarina, Florianpolis, 2011.

FURTADO, M. I. V. Inteligncia competitiva para o ensino superior privado: Uma

abordagem

atravs

da

minerao

de

textos.

2004.

Tese

(Doutorado).

COPPE/UFRJ. Universidade Federal do Rio de Janeiro, Rio de Janeiro. 2004.

GAIOSO, Natalicia Pacheco de Lacerda. O fenmeno da evaso escolar na

educao superior no Brasil. 2005. Dissertao Mestrado Programa de Ps
Graduao em Educao da Universidade Catlica de Braslia, Braslia, 2005.
GALVO, Noemi Dreyer. Tcnica de minerao de dados: uma reviso da
literatura. Cuiab MT. 2009.

GOLDSCHMIDT, R.R.; PASSOS, E. Data Mining: Um guia prtico, conceitos,

tcnicas, ferramentas, orientaes e aplicaes. So Paulo: Elselvier 2005.

HIPLITO, Oscar. Financiamento e expanso do ensino superior. Disponvel em:

http://www.jornaldaciencia.org.br/Detalhe.jsp?id=62770. Acesso em 10 jan. 2015.

HIRAGI, GILBERTO de O.. Minerao de Dados em Base de Germoplasma.

2008, 108 f. Dissertao (Mestrado em Informtica) - Universidade de Braslia- UnB,
Braslia, 2008.

41

LEAL, Roberto. A evaso no ensio superior brasileiro. Artigo. Instituto Lobo

para o Desenvolvimento da Educao, da Cincia e da Tecnologia, 2007

LUCAS, Anelise de Macedo. Utilizao de Tcnicas de Minerao de Dados

considerando os Aspectos Temporais. 2002. Dissertao (Mestrado). Porto
Alegre: PPGC da UFRGS, 2002.

MELO, Alexandre. Programao JAVA para Web. NOVATEC; 2014

MORATE, Diego G. Manual de WEKA. Valladolid, 2010. Disponvel em: <

http://www.metaemotion.com/diego.garcia.morate/>. Acesso em: 12 nov 2014
PASTA, Arquelau. Aplicao da Tcnica de Data Mining na Base de Dados do
Ambiente de Gesto Educacional: Um estudo de caso de uma Instituio de
Ensino Superior de Blumenau SC. 2011. Dissertao (Mestrad). Univali.

PRESSMAN, R. Engenharia de software, 5 ed., Rio de Janeiro: McGraw-Hill,

2002.

RABELO, Emerson. Avaliao de Tcnicas de Visualizao para Minerao de

Dados. 2007. 103 f. Dissertao (Mestrado em Cincia da Computao) Universidade Estadual de Maring. Maring, 2007.

REZENDE, Denis Alcides. Engenharia de Software e Sistemas de Informao. 2

Edio. Rio de Janeiro: Brasport, 2002.

SCOSS, Anne M.. A Clusterizao e Classificao no Processo De Data Mining

para Anlise do Desempenho Docente no Ensino de Graduao. 2006. 86 f.
Trabalho de Concluso de Curso (Especializao) - Universidade do Extremo Sul
Catarinense - UNESC, Cricima, 2006.

42

SHIBA, Sonia Kaoru. Modelagem de processo de extrao de conhecimento em

banco de dados para sistemas de suporte deciso. 2008. Dissertao
(Mestrado) - Escola Politcnica da Universidade de So Paulo. 2008

SILVA, Mauricio. JQUERY - A biblioteca do programador javascript. 3 Edio;

NOVATEC; 2013

SILVA, Marcelino Pereira dos Santos. Minerao de Dados Conceitos,

Aplicaes e Exeperimentos com Weka. 2004
UNESCO.

Relatrio

sobre

educao

para

todos.

Disponvel

<http://www.onu.org.br/unesco-lanca-relatorio-sobre-educacao-para-todos/>
Acessado em 10 set. 2014

em:

43

ANEXO A Questionrio Scio Educacional

Questionrio Scio Educacional

Questionrio destinado aos alunos do curso de Licenciatura em Informtica da Universidade
Tecnolgica Federal do Paran, Campus Francisco Beltro.
Os itens abaixo fazem parte de um questionrio scio educacional aplicado aos alunos de
Licenciatura em Informtica da UTFPR Campus Francisco Beltro. As respostas sero
utilizadas nica e exclusivamente como material didtico de pesquisa, portanto sinta-se a
vontade em respond-las.
Com o objetivo de traar um perfil dos alunos do curso de Licenciatura em Informtica da
UTFPR Campus Francisco Beltro e avaliar a eficcia das disciplinas ministradas no
referente curso de graduao, solicitamos a sua ateno para responder o questionrio a
seguir.
* Required

44

1. Sexo *
Mark only one oval.
Masculino
Feminino
2. Idade *
Mark only one oval.
At 20 anos
21 a 25 anos
26 a 29 anos
31 a 40 anos
Mais de 40 anos
3. Qual sua cidade de origem *
Ex.: Curitiba
4. Ocupa atualmente *
Escolha dentre as opes abaixo, qual a sua atual situao profissional.
Mark only one oval.
Empregado em empresa privada
Funcionrio pblico
Tem negcio prprio
Administra negcio familiar
No trabalha
Pesquisas cientficas dentro do mbito universitrio
Other:
5. Estado civil *
Mark only one oval.
Solteiro(a)
Casado(a)
Separado(a)/Divorciado(a)
Vivo(a)
Other:
6. Reside atualmente *
Mark only one oval.
Com os pais
Com esposo(a) e/ou filhos
Com amigos
Sozinho(a)
Other:
7. Qual a faixa de renda mensal da sua famlia *
Escolha dentre as opes, qual a faixa mensal de renda total da sua famlia. A soma
total da renda mensal de cada um dos membros
Mark only one oval.
At R$2500,00
De R$2500,00 a R$4000,00
De R$4000,00 a R$6000,00

45

De R$6000,00 a R$9000,00
Mais de R$9000,00
8. Qual o meio de transporte utilizado para ir faculdade *
Mark only one oval.
Veculo Prprio
nibus
Carona
Other:
9. Assinale a melhor opo quanto ao seu ponto de vista financeiro *
Mark only one oval.
No trabalho e meus gastos so financiados pelos meus pais
Trabalho e tenho ajuda da minha famlia
Trabalho e me sustento
Trabalho e contribuo com o sustento da minha famlia
Trabalho e sou o principal responsvel pelo sustento da minha famlia
10. Em que tipo de escola voc cursou o ensino mdio *
Mark only one oval.
Toda em escola publica
Toda em escola particular
A maior parte do tempo em escola publica
A maior parte do tempo em escola particular
Metade em particular e outra em publica
11. H quanto tempo concluiu o Ensino Mdio *
Mark only one oval.
Menos de 1 ano
Entre 1 e 3 anos
Entre 4 e 6 anos
Entre 7 e 10 anos
Mais de 10 anos
12. O que voc mais utiliza para se manter atualizado? *
Mark only one oval.
Jornais
Revistas
TV
Rdio
Internet, Redes Sociais.
13. Qual (is) meio(s) voc utiliza para acessar a Internet? *
Mark only one oval.
Internet mvel (2/3/4G)
Em casa
Na universidade
Em meios pblicos
Mais de uma das alternativas
14. Quais redes sociais voc possui conta *

46

Mark only one oval.

Facebook
Twitter
Google +
LinkedIN
WhatsAPP
Mais de uma alternativa
Nenhuma
Other:
15. Com que frequncia voc acessa suas redes sociais?
Mark only one oval.
Diariamente
Semanalmente
Mensalmente
Esporadicamente (Semestralmente, Anualmente, ...)
Nunca
16. Por que razo escolheu o curso de Licenciatura em Informtica *
Mark only one oval.
Adequao s minhas aptides pessoais
Prestgio da profisso
Bom mercado de trabalho
Perspectiva de Boa Remunerao
Other:
17. Quem tomou a deciso de escolha do seu curso *
Mark only one oval.
Eu mesmo(a)
Meus pais
Companheiro(a)
Eu e meus pais
Eu e meu companheiro(a)
Other:
18. Qual perodo do est cursando atualmente *
Mark only one oval.
1
2
3
4
5
6
7
8
19. Qual o semetre e ano de ingresso no
curso *
Ex.: 2/2010

47

20. Qual sua inteno aps concluir o curso *

Mark only one oval.
Atuar como empregado de empresa privada
Realizar concurso pblico
Administrar Negcios da Famlia
Criar meu prprio negcio
Dar sequencia nos estudos e pesquisa (Mestrado / Doutorado)
Other:
21. Qual disciplina voc tem maior aptido *
Caso tenha aptido por mais de uma rea abaixo, poder selecionar mais de uma opo.
Check all that apply.
Algoritmo / Lgica de Programao
Empreendedorismo, Administrao e/ou Comunicao
Filosofia e/ou Psicologia
Pedagogia, Gesto de Pessoas e/ou Educao
Matemtica, Clculos e/ou Fundamentos Matemticos
Engenharia de Software (UML, IFML, entre outras)
Linguagem de Programao Estruturada (C, Pascal, entre outras)
Linguagem de Programao Orientada a Objetos (C#, JAVA, C++, entre outras)
22. Quantas horas semanais (em mdia) voc disponibiliza para estudo das
disciplinas fora do ambiente das aulas. No conte as horas em sala de aula *
Mark only one oval.
0
1a3
4a6
7a9
10 a 15
16 ou mais
23. Quais as maiores dificuldades encontradas no curso at o presente momento *
Check all that apply.
Conciliao com atividades extracurriculares
Problema de relacionamento com professores e/ou alunos
Dificuldade no aprendizado do contedo das aulas
Concentrar-se nas referentes disciplinas
Problema com disciplinas de lgica e/ou programao
Problema com disciplinas de gesto educacional
Falta de interesse nos assuntos abordados
Dificuldade com alguma disciplina em especfico
Nenhuma
Other:
24. Comentrios e/ou sugestes
Por favor, caso haja necessrio, descreva abaixo possveis novos questionamentos ou
remoo de outros. Sinta-se a vontade para criticas, sugestes e/ou elogios.

48

ANEXO B Lista de Alunos Regulares e Desistentes

49

Adair Perdomo Falcao

6,28E+09

126854
6

Adan De Borba

5,68E+09

8
5950339
[SESP]
[PR] []
127420424
[SESP] [PR]
[10/03/2009]

122670
3

Adan Rafael Bier Da

Silva

6,06E+09

95197817
[SESP] [PR]
[22/03/2002]

1343629

134334
3

Adriano Lamonato

8,96E+10

9.317.801-7
[SESP] [PR]
[04/10/2011]
124600880
[SESP] [PR]
[20/02/2008]
128758682
[SESP] [PR]
[29/09/2009]
10684517-4
[SESP] [PR]
[10/07/2008]
7060226854
[SSP] [RS]
[05/08/1991]

156296
7

Adriano Polla

1,04E+10

127613290
[SESP] [PR]
[22/11/2012]

1147919
149600
0
132188
9
132139
0

Adao Correa
Adnir Luiz De Andrade
Junior
Adriana Aparecida
Carneiro Lobo
Zmozinski
Adriano Chagas Junior

7,07E+09

1,05E+09

8,83E+09

8,47E+09

Maria Marcilia
Perdomo
Falcao
Salete Maria
Camara De
Borba
Soeli Da
Aparecida
Ramos Da
Silva

Luiza Dos
Santos Correa

Eva Partocki
De Andrade

Maria Ivete
Carneiro Lobo

Doris Benoni
Correa

Otilia Salete
Lamonato

Maria Joana
Ribeiro Polla

M
M

0,8513

632,2

jan/1
2

FRANCISCO
BELTRO / PR

1 - No cotista

0,0792

556,9

jan/1
4

FRANCISCO
BELTRAO / PR

cotista

548,4

jan/1
2

FRANCISCO
BELTRAO / PR

602,6

jan/1
4

FRANCISCO
BELTRAO / PR

2 - Cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,6903

648,9

jan/1
4

PRUDENTOPOLIS
/ PR

1 - No cotista

0,278

549,4

fev/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

PATO BRANCO /
PR

1 - No cotista

0,1392

0.0000

fev/11

570,8

jan/1
2

FRANCISCO
BELTRAO / PR

470,3

fev/1
3

NOVA
CONCRDIA / PR

1 - No

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

50

149138
5

Alana Greici Morandi

Dias

7,57E+09

144000
4

Alano Freire

6,68E+09

149089
3

Alari Navarini

2,86E+09

134335
1

Alari Navarini

2,86E+09

149169
5

Alex Porto Dos Santos

9,86E+09

1491105

Alex Sandro Da Costa

7,5E+09

160402
3
130676
6

Aline Cristiane Fochi

1,01E+10

Aline Teixeira

3,08E+09

134363
7
130646
4

Allan Patrick Dos

Santos Fraga

7,76E+09

Alucir Messias Neves

9,28E+10

149127
0

Ana Carolina Amaral

Nunes

9,6E+09

108462965
[SESP] [PR]
[25/01/2007]
94334462
[SSP] [PR]
[14/11/2001]
75538741
[SESP] [PR]
[14/12/2006]
75538731
[SESP] [PR]
[14/12/2006]
98124888
[SESP] [PR]
[14/04/2003]
106681015 [] []
[]

13.448.038-6
[SESP] [PR]
[13/12/2011]
77818480
[SESP] [PR]
[10/06/1996]
110945213
[SESP] [PR]
[25/07/2007]

130677
4

Ana Carolina Pasquali

8,83E+09

56047557 [] [] []
16413636
[PCMG] [MG]
[20/06/2006]
105077513
[SESP] [PR]
[04/10/2005]

156297
5

Ana Claudia Chaves

Lodi

7,69E+09

102314450
[SESP] [PR]
[19/11/2004]

159670
5

Ana Claudia Petri

8,95E+09

132138
2

Ana Julia De Godois

6,72E+09

144025
0

Ana Paula Juliana Perin

8,09E+09

156314
9

Ana Paula Sandrin

6,61E+09

134336
0

Anderson Lourenco Dos

Santos

6,97E+09

134364
5

Anderson Luiz Michels

9,84E+10

130678
2

Andre Felipe Dias

Adornes

7,8E+09

159621
7

Andre Luiz Borges De

Araujo

4,74E+09

134365
3

Andrei Meneghetti
Bigolin

8,48E+09

144026
8

Angela Cristina Luzzi

Dall Agnol

6,38E+09

623210
155475
1

Angelo Rafael Arruda

De Costa
Antonio Valdeci De
Almeida

B
B

H
H

4,02E+09
4,53E+10

12.895.213-6
[SESP] [PR]
[24/11/2009]
105498799
[SESP] [PR]
[09/11/2005]
110953879
[SSP] [PR]
[30/05/2007]

098199446 [] []
[]
10689176-1
[SESP] [PR]
[19/12/2005]
80910363
[SESP] [PR]
[30/05/1997]
108200448
[SESP] [PR]
[11/05/2007]
9.079.197 4
[SESP] [PR]
[17/07/2000]
1087498117
[SESP] [RS]
[10/08/2011]
10331381-3
[SSP] [PR]
[01/04/2005]
6569080-2
[SESP] [PR]
[10/08/1992]
10660309
[SESP] [MG]
[25/05/2001]

Edna Regina
Morandi Dias

Maria Helena
Costin Freire
Zenilde
Brancalione
Navarini
Zenilde
Brancalione
Navarini
Marizete Tonial
Porto Dos
Santos
Marli Aparecida
Telles Da
Costa

Teresinha
Maria Fochi

Rita Stahnke
Teixeira

M
M
M
M

0,4969

431,6

jan/1
3

FRANCISCO
BELTRAO / PR

5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,6711

552,2

fev/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

0,3642

581,4

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

573,2

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

SANTA IZABEL
DO OESTE / PR

1 - No cotista

0,0512

0,8835

636,1

fev/1
3

0,3664

541,5

jan/1
3

FRANCISCO
BELTRAO / PR

FRANCISCP
BELTRO-PR /
PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

PATO BRANCO /
PR

1 - No cotista

477,9

jan/1
4

0,0912

513,5

fev/11

0,1764

604,5

jan/1
2

582,9

fev/11

SALTO DO
LONTRA / PR
FRANCISCO
BELTRAO / PR

0,5923

513,3

jan/1
3

FRANCISCO
BELTRO / PR
MARMELEIRO /
PR

Neiva Dos
Santos Fraga
Giriadita Silva
Neves

Cristina Maria
Amaral Alves

Lucia Clair
Flach Pasquali

0,4616

561,3

jan/1
2

Aida Chaves
Pachuri

0,5781

505,6

fev/1
3

SO JOO / PR

439,7

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

0.0000

fev/11

SANTA IZABEL
DO OESTE / PR

1 - No cotista

0,6955

493,5

fev/1
2

FRANCISCO
BELTRAO / PR

507,8

fev/1
3

FRANCISCO
BELTRO / PR

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

546,6

jan/1
2

BITURUNA / PR

1 - No cotista

FRANCISCO
BELTRAO / PR

2 - Cotista

CHOPINZINHO /
PR

1 - No cotista

Izolete Borges
Petri
Noeli
Aparecida De
Godois

Arlete Franzen
Perin

F
M

Zilma Sandrin
Solange
Lourenco Dos
Santos

Anita De
Lurdes Michels
Salett
Aparecida Dias
Adornes

Celina Borges

Ires Meneghetti
Bigolin

F
M
M

Clecy Maria
Ampese Luzzi
Maria Esmeria
Arruda De
Costa
Maria Valmi
Soares

2 - Cotista
2 - Cotista
1 - No cotista

0,7715

617,1

jan/1
2

0,1164

559,1

fev/11

509,8

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista

CORONEL VIVIDA
/ PR

1 - No cotista
2 - Cotista

0,6826

640,8

jan/1
2

0,6848

493

fev/1
3

ITAPEJARA
DOESTE / PR

0,4396
0,7159

2
2

N
N

527,2
549,6

fev/1
3
fev/1
3

MARMELEIRO /
PR
FRANCISCO
BELTRAO / PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,

51

pardo ou indgena
130710
0

Barbara Camila Franca

Da Silva

149060
5

Bartany Kyoman Rosina

Cavalcanti Vasconcelos

B
B

H
H

7,58E+09
2,55E+09

154915
4

Bianca Wai Kuen Chu

1,22E+09

144001
2

Bruno Lovera
Marostega

2,87E+09

134366
1

Bruno Manoel
Dobrovolski

9,14E+09

151304
4

Bruno Polesello

9,83E+09

Camila Biava

8,54E+09

137834
1

Carla Vieira Minosso

6,78E+09

143986
3

Carlos Eduardo Brittes

De Lima

1307118

4,08E+10

156298
3

Carlos Nei Boschi Junior

5,34E+09

156299
1

Caroline De Souza
Campanha

8,88E+09

134337
8

Cassia Cleia Vicelli

5,58E+09

144002
0

Cassiane Copercini

134338
6

Cassiano Guareschi
Montanari

7,58E+09

132191
9

Claudinei Soares

8,87E+09

7,25E+09

149061
3

Claudiomar Dos Santos

7,04E+10

149072
9
130632
4

Cleiton Marcos Wappler

Crisly Briggitte Mamani
Huaman

8,82E+09

4,1E+10

130633
2

Cristian Lucas Da Silva

3,1E+09

130679
0

Dancler Galli

5,46E+09

149139
3

Daniel Jose Copelli

Lucini

8,87E+09

134339
4

Diandra Caroline Alves

De Oliveira

130680
4

Diego Willian
Dobrovolski

7,67E+09

130712
6

Dionelli Alegna Mussoi

6,42E+09

154946
4
130647
2

Dirlei Cezar Galvao

Dirlene Cassia Reiner
Berlatto

3,26E+09

2,25E+09

Douglas Begnini

9,08E+09

Edemir Cleverson Nesi

1,83E+09

Edenilce Wanot

4,85E+09

144027
6
134384
0
149140
7
138367
1
159671
3

Edenilson Guistti
Edivandro Bernardelli

B
B

H
H

7,78E+09

9,55E+10
3,47E+09

109263168
[SESP] [PR]
[01/06/2006]
715516-6 [SIM]
[PR]
[30/06/2009]
12.370.833-4
[SESP] [PR]
[21/12/2011]
8096444198
[SSP] [RS]
[18/05/2004]
106686505
[SESP] [PR]
[11/05/2006]
128112596
[SESP] [PR]
[25/06/2009]
103183790
[SESP] [PR]
[03/03/2005]
123468708
[SESP] [PR]
[14/10/2007]
36.192.286-3
[SSP] [SP]
[05/11/2009]
94412781
[SESP] [PR]
[26/11/2001]
5096725
[SESP] [SC]
[21/01/2013]
94419182
[SESP] [PR]
[22/11/2001]
102472934
[SSP] [PR]
[14/12/2004]
9793182-8
[SESP] [PR]
[21/03/2003]
128237151
[SESP] [PR]
[20/07/2009]

521966143
[SESP] [PR]
[02/05/1989]
98416307
[SESP] [PR]
[24/09/2012]
V 608384-X [] []
[]
6105415852 []
[] []
88756614
[SESP] [PR]
[24/11/1999]
108463945
[SESP] [PR]
[06/02/2007]
101182444 [] []
[]
98178139
[SESP] [PR]
[16/04/2003]
104897533
[SESP] [PR]
[03/10/2005]
75651384
[SESP] [PR]
[16/07/2012]
66240002 [] [] []
126648065
[SSP] [PR]
[29/10/2008]
61314881
[SESP] [PR] []
93912470
[SESP] [PR]
[18/09/2001]
57670517
[SESP] [PR]
[02/05/1996]
8.209.921-2
[SESP] [PR]

F
F

Cecilia
Kutchma
Claribel De
Souza Rosina
Pires

0,2864
0,5961

1
2

N
N

497,3

jan/1
2

PATO BRANCO /
PR

1 - No cotista

613,8

jan/1
3

FRANCISCO
BELTRO / PB

1 - No cotista

FOZ DO IGUACU /
PR

1 - No cotista

Ye Xiao Ping

594

fev/1
3

562,5

fev/1
2

CAPANEMA / PR

1 - No cotista

609,4

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

PATO BRANCO /
PR

1 - No cotista

Beatriz Lovera
Irene
Felisberto
Dobrovolski
Vanair
Goncalves
Polesello
Maria
Aparecida
Biava
Maria Salette
De Oliveira
Vieira

Zelir Brittes
Souza Lima

M
M
F

0,4664

0.0000

fev/1
3

0,2456

495,6

fev/1
2

MARMELEIRO /
PR

1 - No cotista

0,3729

474,3

jan/1
3

RENASCENCA /
PR

1 - No cotista

586,8

fev/1
2

SOROCABA / SP

1 - No cotista

PATO BRANCO /
PR

1 - No cotista

Fatima Boschi

0,6896

493,9

jan/1
4

Rita Ribeiro De
Souza

0,8677

498,2

fev/1
3

SO LOURENO
DO OESTE / SC

1 - No cotista

FRANCISCO
BELTRAO / PR

2 - Cotista

Rosani Cleia
Klim Vicelli
Catarina De
Fatima
Mendonca
Copercini
Maria
Guareschi Da
Silva

M
F
M
M
M
F
M

0,0112

556

fev/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

FRANCISCO
BELTRO / PR

2 - Cotista

592,6

Ivanir Nogueira

0,0512

0.0000

fev/11

Antonia Marcal
Dos Santos

573,2

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

0,8244

608,5

fev/1
3

AMPERE / PR

1 - No cotista

618,4

fev/11

SAO PAULO / SP

1 - No cotista
1 - No cotista

Adelires Koch
Wappler
Brigida Huanan
Carlos
Gladenice
Teresinha Da
Silva
Maria Leonir
Galli
Ivonete
Terezinha
Copelli
Ivanete De
Oliveira Gomes
De Oliveira
Carmem
Sachetti
Dobrovolski
Eloize
Aparecida
Almeida De
Oliveira Mussoi

Neli De Souza
Wanot

M
M

568,8

0,617

jan/1
2

Jesuina Da
Silva Galvao
Oliva Rigon
Reiner
Marines De
Fatima De
Abreu Begnini
Clementina
Skrzel Nesi

0,0392

jan/1
2

Leonita Guistti
Luiza Kobielski
Bernardelli

600,5

fev/11

GRAMADO DO
LOUREIROS / RS

0,1428

525,9

fev/11

FRANCISCO
BELTRAO / PR

1 - No cotista

0,6849

486,3

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

552,3

jan/1
2

REALEZA / PR

2 - Cotista
1 - No cotista

0,1068

564,8

fev/11

FRANCISCO
BELTRAO / PR

0,6739

486,9

fev/11

LARANJEIRAS
DO SUL / PR

1 - No cotista

0,5562

448

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

587,4

fev/11

VERE / PR

2 - Cotista

512,8

0,4156

0,7092

0
0

1
1

N
N

603,8

fev/1
2
fev/1
2

FRANCISCO
BELTRAO / PR
FRANCISCO
BELTRAO / PR

488,8

jan/1
3

FRANCISCO
BELTRAO / PR

jan/1
2
jan/1
4

FRANCISCO
BELTRAO / PR
FRANCISCO
BELTRAO / PR

527,1
464,9

2 - Cotista
2 - Cotista
1 - No cotista
2 - Cotista
1 - No cotista

52

[17/09/1997]
130648
0

Edson Dos Santos

8,94E+10

134340
8

Edson Goncalves
Chortaszko

6,64E+09

159672
1

Eduardo Colonetti
Constantino

7,25E+09

68479401 [] [] []
87507483
[SESP] [PR]
[07/06/1999]
10.651.764-9
[SESP] [PR]
[17/10/2011]

149062
1

Eduardo Steinbach

8,85E+09

10.669.677-7
[SESP] [PR]
[12/05/2006]

126008
1

Edvanio Cancelier

8,82E+09

149090
7

Eliel Albino De Abreu

8,15E+09

130681
2

Elio Machado Costa

7,34E+09

102174720
[SESP] [PR]
[05/11/2004]
104784127
[SESP] [PR]
[15/09/2005]

1,95E+09

91964287 [] [] []
91964287
[SESP] [PR]
[22/12/2000]
84185523
[SESP] [PR]
[29/05/1998]
3093349714
[SSP] [RS]
[20/11/2001]
86372207
[SESP] [PR]
[06/07/2001]
69134904
[SESP] [PR]
[02/09/1993]

5,46E+10

36377313
[SESP] [PR]
[19/03/2008]

2,99E+09

Elton Pasqualli Nunes

7,03E+10

949680

Emanuelle De Zorzi
Marin

6,66E+09

151376
1

Emanuelli Maira
Boschetti

6,82E+09

144028
4

Evandro Gilson Oliveira

3,76E+09

134341
6

Elio Machado Costa

130682
0

Eliseu Sanches
Gimenez

8,87E+08

144042
0

Eliton Andrade Da Silva

8,2E+10

130713
4

Eliton Pinheiro

5,38E+09

130683
9

Elizandra Carlon
Schreiber

155473
5

Elizeo Antonio Lourenco

Lins

149128
8

Elizete Balduino Becker

126056
1

7,34E+09

76246645
[SESP] [PR]
[07/01/2010]
1047364367
[SJS] [RS]
[18/11/1998]
13.434.443-1
[SESP] [PR]
[28/11/2011]

105871449
[SESP] [PR]
[18/11/2005]
8838706-6
[SSP] [PR]
[29/09/1999]

149129
6

Evandro Uberti Zelner

6,59E+09

130684
7

Evandro Wessler

5,71E+09

94640962 [] [] []
90791931
[SESP] [PR]
[17/07/2000]

159622
5

Everton Parno

5,69E+09

9.384.696-6
[SESP] [PR]
[18/09/2001]

151359
1

Ezequiel Huberto Schuh

3E+09

137835
0

Fabiana Kellm

8,95E+09

5106305161
[SSP] [RS]
[27/01/2006]
104662889
[SESP] [PR]
[06/09/2005]

Maria Dos
Santos
Maria Dorlei
Goncalves
Chortaszko

Clair Colonetti

Ana Elisa
Hellmann
Steinbach

0,7534

604,7

jan/1
3

FRANCISCO
BELTRAO / PR

Cezira Navarini
Cancelier

0,9365

568,1

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

0,6932

574,5

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

577,2

fev/11

FRANCISCO
BELTRAO / PR

1 - No cotista

593,5

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

FRANCISCO
BELTRAO / PR

1 - No cotista

M
M
M
M
M
M

Elza Pinheiro
De Abreu
Rosa Da Silva
Machado
Costa
Rosa Da Silva
Machado
Costa
Ilidia Batistela
Gimenez
Diomira
Andrade Da
Silva
Nadir
Ellwanger
Pinheiro

Rosa Carlon

Jair Teresinha
Lins

586,4

fev/11

FRANCISCO
BELTRAO / PR

2 - Cotista

0,1248

553

jan/1
2

AMPERE / PR

1 - No cotista

447,9

jan/1
4

DOIS VIZINHOS /
PR

0,5816

0,5356

559

jan/1
4

602

fev/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

0,5056

495,8

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista

FRANCISCO
BELTO / PR

502,7

jan/1
3

FRANCISCO
BELTRAO / PR

Ironi Rocha
Machado
Balduino
Dioneide Maria
Pasqualli
Nunes

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,7944

0.0000

jan/1
4

SALGADO
FILHO / PR

1 - No cotista

Ivonete Libera
De Zorzi

0,7585

590,5

fev/11

Maria Goreti
Boschetti

0,5813

0.0000

jan/1
3

PATO BRANCO /
PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

0,6657

487,9

fev/1
2

SANTA IZABEL
DO OESTE / PR

2 - Cotista

FRANCISCO
BELTRAO / PR

1 - No cotista

0,6228

560,7

fev/11

609,9

fev/1
3

FRANCISCO
BELTRAO / PR

FRANCISCO
BELTRAO / PR

Zenilde
Oliveira
Roseli
Therezinha
Uberti Zelner
Marli Missio
Dalpont
Wessler

Vitoria Caetano
Parno

Ilga Maria De
Souza Schuh

0,832

0.0000

jan/1
3

FRANCISCO
BELTRO / PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

Sonia Beatriz
Kellm

0,4622

483,1

fev/1
2

FRANCISCO
BELTRAO / PR

1 - No cotista

M
M

517

jan/1
3

0,2108

543,4

jan/1
2

FRANCISCO
BELTRAO / PR

515,9

jan/1
4

FRANCISCO
BELTRAO / PR

53

149091
5

Fabio Chenet

8,4E+09

130685
5

Fabio Dziekanski

6,35E+09

145661
0

Fabio Julio Bido

4,83E+09

130714
2

Fabio Zimmermann

8,78E+09

130634
0

Felipe Edgar
Christmann

6,57E+09

4,07E+10

134342
4

Felipe Theodoro
Guimaraes

9,37E+09

8,66E+09

589152

Fernando Alves Da Silva

5,01E+09

144004
7

Fernando Henrique
Gnoatto

8,5E+09

149063
0

Fernando Locatelli
Binklin

6,32E+09

134617
2
134367
0

Fernando Vinicius Dos

Santos Acordi

7,72E+09

Flavio Cezar De Gois

6,94E+09

137836
8

Franciele Schauss

156300
9

Francieli Aparecida
Santin

8,83E+09

159673
0

Francine Dias Fonseca

7,43E+09

1,05E+09

159623
3
134368
8

Gabriel Gewinski
Bonacolsa

7,42E+09

Gabriela Cunha

9,33E+09

134344
0

Geciane Marques Da
Silva

6,9E+09

159624
1

Geovani Da Silva Farias

132024
6

Geraldo Magela
Amancio

1491113
145662
8
134385
8

B
B

H
H

5,88E+09
3,07E+10

Germano Pelentil Leite

Junior

9,42E+09

Gian Carlos Batezini

6,39E+09

Gideone Garcia

2,48E+09

102169573
[SESP] [PR]
[04/11/2004]
11.094.187-0
[SESP] [PR]
[15/06/2009]
10.148.995-7 []
[] []
9.926.272-9
[SESP] [PR]
[26/09/2003]

104268480
[SESP] [PR]
[08/07/2005]
10.414.989-8
[SESP] [PR]
[28/06/2005]
10.842.571-7
[SESP] [PR]
[03/10/2006]
5887938 [] [] []
91243032
[SESP] [PR]
[26/09/2000]

10.666.752-4
[SESP] [PR]
[21/02/2006]
129216077
[SESP] [PR]
[19/11/2009]

109055875
[SESP] [PR]
[01/06/2006]
103624541
[SESP] [PR]
[13/05/2005]
72913116
[SESP] [PR]
[01/09/2011]

1 - No cotista
1 - No cotista

557,7

fev/11

0,6557

490,7

fev/1
3

FRANCISCO
BELTRAO / PR

2 - Cotista

Mariza Bido
Marizete Lucia
Passoni
Zimmermann

0,5773

421,8

fev/11

FRANCISCO
BELTRO / PR

1 - No cotista

Icelene Rech
Cavalli

FRANCISCO
BELTRO / PR

Marinete
Lourdes
Marcon Da
Silva
Maria Lucia
Godoy Leme
Peres

Silvia Cristina
Guimaraes

Delia Locatelli

FRANCISCO
BELTRAO / PR

jan/1
3

Felipe Roberto Peres

575,8

0,024

10611029-8 [] []
[]

144003
9

Rita Dziekanski

Vilma Tissiani
Da Silva
Maria Gorete
Giacomini
Gnoatto

9,6E+09

0,5476

FRANCISCO
BELTRAO / PR

59347721
[SESP] [PR]
[11/01/1990]

160401
5

Sonia Maria
Lopes Chenet

7,75E+09

Felipe Marcon Toller

Felippe Graff
Fernanda Paula
Pilonetto Lopes
Cordeiro

108451688
[SESP] [PR]
[30/11/2006]
40124110-5
[SSP] [SP]
[03/10/2008]
11.070.894-7
[SESP] [PR]
[09/02/2007]
83887222
[SESP] [PR]
[19/07/2011]
10.574.779-9
[SESP] [PR]
[10/11/2005]

154916
2

134343
2

108427272
[SESP] [PR]
[15/08/2006]
130655220
[SESP] [PR]
[09/06/2010]
102449959
[SESP] [PR]
[02/12/2004]
5583444
[SESPDC] [SC]
[19/04/2010]
93533194
[SESP] [PR]
[05/11/2008]

M
F

Silvana Da
Assuncao Graff
Marilene
Sartori
Pilonetto

Marivete
Lourdes Acordi
Irene Maurer
De Gois
Lucia
Cavalheiro
Schauss

Roseli Ghidini
Santin

M
M

Leonilda Dias
Fonseca
Ladir Lucia
Gewinski
Bonacolsa
Angela Maria
Cunha

Ivone Marques
Da Silva

Leontina
Chimende
Farias

Efigenia
Amancio

F
M

Marcia Jacinta
Furlan Perlentil
Leite
Ivaldete Meira
Nonato
Batezini

Regina Maria
Martins Garcia

0,3706

611

fev/1
2

0,7681

530,9

fev/1
3

FRANCISCO
BELTRAO / PR

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

551,6

fev/1
2

PIRASSUNUNGA /
SP

2 - Cotista

0,6469

550,9

jan/1
2

FOZ DO IGUACU /
PR

1 - No cotista

0,6547

558,5

jan/1
2

AMPERE / PR

2 - Cotista

ITAPEJARA
D'OESTE / PR

390,3

jan/1
4

0,7789

664,3

jan/1
3

PATO BRANCO /
PR

0,7272

548,4

jan/1
3

CORONEL VIVIDA
/ PR

0,6161

589,7

jan/1
3

MARMELEIRO /
PR

0,3756

529,8

606,5

jan/1
3
jan/1
2

DOIS VIZINHOS /
PR
FRANCISCO
BELTRO / PR
MANFRINOPOLIS
/ PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
1 - No cotista
2 - Cotista

461,1

jan/1
2

0,5686

503,6

fev/1
3

FRANCISCO
BELTRO / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

460,2

jan/1
4

PATO BRANCO /
PR

1 - No cotista

AMPERE / PR
DIONISIO
CERQUEIRA / SC

505,9

611,7

jan/1
4
jan/1
2

0,218

571,5

jan/1
2

FRANCISCO
BELTRAO / PR

485,5

jan/1
4

AMPERE / PR
PATO BRANCO /
PR

1 - No cotista
2 - Cotista

2 - Cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,7064

0.0000

fev/1
3

0,663

531,6

jan/1
3

SANTA IZABEL
DO OESTE / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,4837

525,3

fev/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

599

fev/1
3

FRANCISCO
BELTRO / PR

1 - No cotista

0,4525

54

149092
3

Giovani Basotti Hobold

5,65E+09

99350628
[SESP] [PR]
[13/10/2003]

Ines Maria
Basotti Hobold

557,5

jan/1
3

FRANCISCO
BELTRAO / PR

577694 [SESP]
[RO]
[07/04/1995]

Maria Madeira

0,4339

428,5

fev/1
3

PIRAQUARA / PR

Grazielle Da
Silva Macedo

523,8

jan/1
4

SAO PAULO / SP

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
4 - Categoria 2 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

568,4

fev/1
2

SAO PAULO / SP

1 - No cotista

PATO BRANCO /
PR

2 - Cotista

156301
7

Girlande Ferreira

6,06E+10

159625
0

Grazielle Da Silva
Macedo

4,28E+10

144005
5

Guilherme Pedro
Sanches Ferreira

4,18E+10

982393

Gustavo Felipe
Lattmann

6,85E+09

145663
6

Gustavo Henrique Dos

Santos

8,23E+09

363799278
[PR] [PR]
[14/03/2014]
39852101-3
[SSP] [PR]
[19/12/2008]
10672994-8
[SESP] [PR]
[26/06/2006]
5.818.416
[SESP] [SC]
[26/05/2006]

156302
5

Iara Pazzetto

8,95E+09

12.895.371-0
[SESP] [PR]
[24/11/2009]

159626
8

Ilson Moreira Ferreira

2,66E+09

134377
7

Indianara Perondi

5,15E+09

675431

Ivan Andre Zanini

3,96E+09

156303
3

Ivandro Luiz Rodrigues

De Lara

9,09E+09

144034
9

Ivonete Vieira

9,56E+10

149141
5

Jackson Cassol

7,55E+09

158893
1

Jair Ricardo Cella

9,68E+08

154940
5

Jairo Borges Alves

9,71E+10

144006
3

Jaqueline Santoro

8,38E+09

132015
7

Jason Akiyama

2,88E+10

130686
3

Jean Antonio Oliveira

Reis

8,07E+09

134946
5

Jean Antonio Oliveira

Reis

8,07E+09

910007

Jean Marlon Hulse

Merigo

7,45E+09

132210
9

Jeferson Fabio Lefchak

6E+09

154929
4

Jefferson Alberto
Kohwald

7,83E+09

6.200.439-8
[SESP] [PR]
[06/11/2007]
9.713.106 6
[SSP] [PR]
[11/11/2002]
7070936-8
[SESP] [PR]
[05/04/1994]

12.969.113-1
[SESP] [PR]
[02/03/2010]
130127851
[SSP] [PR]
[17/04/2010]

105019610
[SESP] [PR]
[14/02/2013]
9.322.625-9
[SESP] [PR]
[27/01/2014]
1072382045
[SESP] [RS]
[18/04/2012]
102400488
[SSP] [PR]
[29/11/2004]
129141468
[SESP] [SP]
[05/11/2009]
86020807 [] [] []
8602080-7
[SESP] [PR]
[04/01/1999]
93121660
[SSP] [PR]
[22/06/2001]
96149832
[SESP] [PR]
[18/06/2002]
104148000
[SESP] [PR]
[23/06/2005]

M
M

Mirian Sanches
Rozimar
Scorsatto
Lattmann

0,6878

622,4

jan/1
2

Lori Bridi Dos

Santos

521,3

fev/1
2

PATO BRANCO /
PR

Maria Helena
Pazzetto

0,5461

507,5

fev/1
3

FRANCISCO
BELTRO / PR

Alaide
Bernadete
Moreira

523,7

jan/1
4

FRANCISCO
BELTRAO / PR

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

Genaide Beato

0,5981

593,2

fev/1
3

FRANCISCO
BELTRAO / PR

2 - Cotista

Assunta Tereza
Zanini

0,61

566,6

fev/1
2

RENASCENCA /
PR

Ivani Antunes
Fiorentin
Rodrigues De
Lara

0,3881

464

jan/1
4

FRANCISCO
BELTRO / PR

Laides Vieira

0,0264

430,2

fev/1
2

FRANCISCO
BELTRAO / PR

0,4933

393,7

jan/1
3

MARMELEIRO /
PR

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

0,632

488

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

Juceli Fatima
Martiori
Cleunice
Terezinha
Sabedot Cella

Loreni Maria
Borges Alves

0,7156

501,9

jan/1
4

RIO GRANDE / RS

1 - No cotista

Selma Berns
Santoro

0,7188

544,6

fev/1
2

SAO JORGE
DOESTE / PR

2 - Cotista

FRANCISCO
BELTRAO / PR
SANTO ANTONIO
DO SUDOESTE /
PR

0,3513

0.0000

jan/1
3

Sioli Maria
Reis

561,4

fev/11

Sioli Maria
Reis

0,6667

545,4

jan/1
2

FRANCISCO
BELTRO / PR

2 - Cotista

Zeli Maria
Hulse

PATO BRANCO /
PR

1 - No cotista

M
M

Suely Akiyama

1 - No cotista
1 - No cotista

626,2

fev/1
2

Maria Pereira
Lefchak

0,024

0.0000

fev/11

PATO BRANCO /
PR

1 - No cotista

Claides Hilda
Kohwald

0,6983

538,4

fev/1
3

MARMELEIRO /
PR

1 - No cotista

55

145664
4
145664
4

Jefferson Goroncy

Jefferson Goroncy

7,17E+09

7,17E+09

154941
3

Jessica Carolini Pereira

8,7E+09

159627
6

Jessica Paula
Guimaraes Maia

1,47E+10

149093
1

Jessica Thome

7,99E+09

134345
9

Jivago Bulsing Schott

7,27E+09

144007
1

Joacir Antoniolli Junior

7,24E+09

138368
0

Joao Antonio Franz Dos

Santos

6,48E+09

154947
2

Joao Lenon Mayer Dos

Santos

8,51E+09

145665
2

Joao Pedro Reck

8,82E+09

149064
8

Joel Berte

5,4E+08

130715
0

Joice Maria Chiapetti

3,37E+09

106512
2

Jorge Jose Kleinubing

1331132

Jose Felipe Pereira Da

Rocha

5,68E+10

137837
6

Juliana Santos Dias

6,63E+09

154917
0

Kellin Aryane Carneiro

9,5E+09

130687
1

Klemerson Chan
Bekoski

6,09E+09

160405
8

Larissa De Lima

8,38E+09

134369
6

Larissa Silva Kozemekin

2,29E+10

154942
1

Leandro Gustavo
Crocetti

125036
1

Leonardo Kufner De
Carvalho

B
B

H
H

4,71E+09

9.339.087-3
[SESP] [PR]
[18/07/2001]
9.339.087-3
[SESP] [PR]
[18/07/2001]
107699831
[SESP] [PR]
[01/02/2006]
13.862.710-1
[SESP] [PR]
[07/06/2013]
108435348
[SESP] [PR]
[27/02/2007]
6695541
[SESP] [SC]
[11/04/2011]
99053771
[SSP] [PR]
[27/08/2003]
106672466
[SESP] [PR]
[14/03/2006]
108475277
[SESP] [PR]
[20/10/2006]
104474128
[SESP] [PR]
[15/09/2005]

81852650
[SESP] [PR]
[12/09/1997]
79301914
[SESP] [PR]
[07/11/1996]
82144978
[SESP] [PR]
[29/09/1997]
133324178
[SSP] [PR]
[30/06/2011]
104849253
[SESP] [PR]
[20/09/2005]
12.654.968-7
[SESP] [PR]
[17/10/2008]
101002039
[SESP] [PR]
[09/07/2004]

M
M

Iraci Terezinha
Serena Thome
Terezinha
Aparecida
Bulsing Schott
Ivone
Brancalione
Antoniolli
Therezinha
Maria Franz
Pereira Dos
Santos

Irene Mayer
Dos Santos
Carmen
Teresinha
Annater

Maria Odila
Berte

Ivone P
Chiopetti

Geni Barbosa
Kleinubing

7,43E+09

107069780 [] []
[]

4,77E+09

82045252
[SSP] [PR]
[29/02/2012]

jan/1
4

REALEZA / PR

378,5

fev/1
2

REALEZA / PR

2 - Cotista

DOIS VIZINHOS /
PR

1 - No cotista

463,7

fev/1
3

552,8

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista

552,6

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

572,9

jan/1
3

SAO DOMINGOS /
SC

1 - No cotista

FRANCISCO
BELTRAO / PR

1 - No cotista

0,4181

0,5502

584,4

fev/1
2

0,0016

542,8

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

0,6717

459,8

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

FRANCISCO
BELTRAO / PR

0,482

539,9

jan/1
4

0,09

602,4

jan/1
3

FRANCISCO
BELTRAO / PR

2 - Cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,2637

495,2

fev/1
2

DOIS VIZINHOS /
PR

1 - No cotista

586,3

fev/11

PATO BRANCO /
PR

2 - Cotista

CAMPO MOURAO
/ PR

1 - No cotista

0,7243

Maria Lena
Chan Bekoski

0,7222

538,2

fev/11

FRANCISCO
BELTRAO / PR

Janete Tereza
Kavaleki De
Lima

446,4

jan/1
4

FRANCISCO
BELTRO / PR

1 - No cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

Eugenia
Kozemekin

0,252

616,3

jan/1
2

DOIS VIZINHOS /
PR

1 - No cotista

Tereza Priscila
Crocetti

491,2

fev/1
3

CURITIBA / PR

1 - No cotista

Vera Lucia
Kufner

0,7044

610,7

jan/1
4

FRANCISCO
BELTRAO / PR

0,5519

517,2

fev/1
3

FRANCISCO
BELTRO / PR

551,5

jan/1
3

SALTO DO
LONTRA / PR

0,6596

529,5

jan/1
3

FRANCISCO
BELTRAO / PR

Leticia Regina Pinto

Rodrigues Fernandes

417,4

Ivete Kraus
Carneiro

Leila Lindiana
Schroeder
Innocencio

149094
0

Nelsi Pinto
Rodrigues

9,17E+09

Aroni Teresinha
Da Rocha
Loreci Backes
Dos Santos
Dias

Anadete
Martins Coelho
Schlichmann

Leonardo Schlichmann

Maria Goretti
Guimaraes

8,8E+09

5,39E+09

10242660-6
[SESP] [PR]
[21/01/2013]

1491121

12.597.825-8
[SESP] [PR]
[05/08/2008]
345859054
[SESP] [SP]
[13/10/2010]
79375020
[SESP] [PR]
[07/11/1996]
10.415.294-5
[SESP] [PR]
[01/07/2005]

156304
1

Lourenco Romulo
Innocencio Neto

Lorines
Terezinha
Sossella
Goroncy
Lorines
Terezinha
Sossella
Goroncy
Leticia
Antonelli
Pereira

6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

554,1

fev/1
3

0,598

493,9

jan/1
2

SANTA IZABEL
DO OESTE / PR

1 - No cotista

0,7551

562,2

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

56

103855721
[SESP] [PR]
[03/06/2005]
105010664
[SESP] [PR]
[24/07/2006]
001134016
[SSP] [MS]
[02/05/1997]
10.847.472-0
[SESP] [PR]
[01/11/2006]

149130
0

Lucas Alexandre De
Almeida

9,05E+09

149151
2

Lucas Bonetti Klem

8,89E+09

130635
9

Lucas Emacfilat Vieira

62911120

149229
2

Lucas Rosa Tavares Da

Silva

7,46E+09

156305
0

Luciano Detogni

7,92E+09

154918
9

Luis Henrique Ribeiro

Tesser

9,53E+09

103075
2

Luis Hernan Gonzalez

Morales

1,07E+09

144035
7

Luiz Fabricio Rios

8,14E+09

159674
8

Luiz Fernando Pompeo

Da Silva

4,53E+09

913464

Luiz Gustavo Bressan

6,48E+09

8.712.907-1
[SESP] [PR]
[30/10/2002]
9.329.895-0
[SESP] [PR]
[06/07/2001]

101819655
[SESP] [PR]
[04/10/2004]

103843707
[SESP] [PR]
[28/01/1993]
10474455-9
[SESP] [PR]
[06/08/2010]
12.383.933-1
[SESP] [PR]
[04/08/2008]
10.609.050-5
[SSP] [PR]
[06/04/2006]

120906
0

Luiz Henrique Gielow

5,45E+09

156306
8

Maicon Antonio Godinho

Dos Santos

7,59E+09

130636
7

Maicon Aurelio Felisbino

Gamla

7,62E+09

11.094.271-0
[SESP] [PR]
[16/03/2007]
99589817
[SESP] [PR]
[08/02/2011]

102170148
[SSP] [PR]
[04/11/2004]

132033
5
151280
3

Marcos Baggio

8,93E+09

154930
8

Marcos Fernando Da
Silva

9,47E+09

159588
1

Marcos Henrique De
Avila

154919
7

Marcos Marcolin

7,42E+09

462

jan/1
3

0,6118

594,3

fev/1
3

FRANCISCO
BELTRAO / PR
FRANCISCO
BELTRAO / PR

1 - No cotista
2 - Cotista

Catarina
Detogni

0,5018

487,5

fev/1
3

SO JOO / PR

Cleide Ana
Ribeiro Tesser

0,7321

568,6

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

Rosa Elvira
Morales Saez

SAO JORGE
D'OESTE / PR

1 - No cotista

0,422

561,9

fev/1
2

Rosa Eliane
Lemes Rios

434,9

fev/1
2

PATO BRANCO /
PR

Elena Pompeo
Da Silva

468,6

jan/1
4

SAO JORGE
DOESTE / PR

Sueli Baudonet
Rodrigues

613,6

fev/1
2

MEDIANEIRA / PR

Margarida
Marques Dos
Santos

580

jan/1
3

SAO JOAO / PR

0,4258

503,5

fev/1
3

FRANCISCO
BELTRO / PR

0,6972

605,2

fev/11

FRANCISCO
BELTRO / PR

0,0768

556,9

0,6415

M
M

Mairi De
Fatima Ramao
Dos Santos
Tereza De
Fatima
Felisbino

9.674.874-4
[SESP] [PR]
[18/09/2002]

132136
6

FRANCISCO
BELTRAO / PR
NOVA
ESPERANCA DO
SUDOESTE / PR

1 - No cotista
4 - Categoria 2 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

7,05E+09

2,03E+09

jan/1
3

641,3

9,55E+09

503,7

13.168.065-1
[SESP] [PR]
[10/12/2010]

Marcelo Cezar Grando

0,545

105011555
[SESP] [PR]
[11/09/2007]

9,32E+09

jan/1
4

Silvalina Rosa
De Moraes

Salesia Stang
Baggio

Gloria Goretti
Bonetti Klem
Selma Maria
De Jesus
Vieira

Maicon Rodrigo Oliveira

Marcelo Gomes De
Morais

Clarice Dos
Santos

Elenice Fatima
De Vargas
Oliveira
Rosalina Gerci
Grando
Marilde De
Campos De
Morais

[] [] []
103413591
[SSP] [PR]
[23/05/2005]
102082699
[SESP] [PR]
[27/10/2004]

144043
8

5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

M
M

2 - Cotista
4 - Categoria 2 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

1 - No cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

MARMELEIRO /
PR

0.0000

fev/1
3
jan/1
3

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

AMPRE / PR

1 - No cotista

604,1

fev/1
2

SALTO DO
LONTRA / PR

2 - Cotista

FRANCISCO
BELTRO / PR

0,1352

0.0000

fev/11

Alzerina
Dacoreggio
Rocha Da Silva

499,3

fev/1
3

NOVA
ESPERANCA DO
SUDOESTE / PR

Roseli De
Souza

589,1

jan/1
4

ITAPEJARA
DOESTE / PR

Marilene
Aparecida
Ubert Marcolin

0,7063

546,8

fev/1
3

REALEZA / PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

57

151375
3

Marcos Marcolin

151364
8

Marcos Roberto
Guimaraes

5,83E+09

1119362

Marcos Vinicius Lima

6,36E+09

145666
0

Marcus Lucas Peres

Caum

9,59E+09

125025
6

Maria Alcina Pohl Sass

Salgado

5,13E+10

132230
3

Maria Luiza Guimaraes

Dos Santos

159628
4

Mario Sergio Silveira

Ramos

3,32E+09

144036
5

Marlon Castilhos Tosetto

7,67E+09

159589
0

Marlon Galvao Santos

De Almeida

8,9E+09

159590
3

Matheus Felipe De
Aguiar

9,47E+09

7,05E+09

8,84E+09

154931
6

Mauricio Taube Zanella

9,36E+09

132025
4

Mayara Baldo

7,86E+09

137517
2

Michael Andrade
Hellmann

8,3E+09

1595911

Michele Renilda
Gosman

8,94E+09

134386
6

Milton Azevedo Alves

130649
9

Moises Nunis De
Azevedo

9,52E+09

149095
8

Natiele Aparecida
Minusculi

7,8E+09

8,14E+10

134346
7

Nelson Venzo

134370
0

Nereu Antonio De Costa

Junior

5,68E+09

127404
0

Nivaldo Malaquias De
Paula

7,22E+10

130688
0

Odair Goncalves Dos

Santos

6,15E+10

159629
2

Patrick James Klososki

3,64E+09

144008
0

Paulo Henrique
Galeriani De Oliveira

4,1E+10

145667
9

Paulo Sergio Costa

Dutra

8,37E+10

9,56E+10

96748744
[SESP] [PR]
[18/09/2002]

95537057
[SSP] [PR]
[05/08/1989]
9.738.655-2
[SESP] [PR]
[18/12/2002]
132078386
[SESP] [PR]
[12/01/2011]
31012350
[SSP] [PR]
[07/09/1979]
20883862
[SESP] [MT]
[04/08/2006]

7.906.513-7
[SESP] [PR]
[11/05/2001]
91566010
[SSP] [PR]
[25/10/2000]

10.956.713-2
[SESP] [PR]
[21/11/2006]
12.732.706-8
[SESP] [PR]
[05/03/2009]

96276745
[SESP] [PR]
[06/09/2012]
102972511
[SESP] [PR]
[23/03/2007]
94707234
[SESP] [PR]
[11/01/2002]
12.534.529-8
[SESP] [PR]
[15/05/2008]
5865102
[SESP] [SC]
[28/02/2007]
10736417 [] [] []
104152660
[SESP] [PR]
[28/06/2005]
62906758
[SESP] [PR]
[07/08/1991]
76749116
[SESP] [PR]
[13/02/1996]
5.638.415-4
[SESP] [PR]
[04/10/1995]
49747420
[SESP] [PR]
[21/08/1990]

7.574.458-7
[SESP] [PR]
[03/10/1995]
488816208
[SSP] [PR]
[06/12/2007]
128681310
[SESP] [PR]
[27/08/2009]

Marilene
Aparecida
Ubert Marcolin

Maria Seloi
Santos
Guimaraes
Clarisse Maria
Franceschini
Lima

Sandra Mara
Peres Caum

Lory Pohl Sass

Salgado

Terezinha
Guimaraes

M
M

Dorvalina De
Oliveira Ramos
Marilene De
Castilhos
Tosetto

Sara Ribeiro
Santos De
Almeida
Otilia
Wichochinski
De Aguiar

Cleri Maria
Taube Zanella

0.0000

jan/1
3

REALEZA / PR

0,5904

0.0000

jan/1
3

FRANCISCO
BELTRO / PR

3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,4284

0.0000

fev/1
2

DOIS VIZINHOS /
PR

1 - No cotista

0,6956

523,1

jan/1
3

FRANCISCO
BELTRAO / PR

2 - Cotista

0,024

621,4

fev/11

FRANCISCO
BELTRAO / PR

1 - No cotista

DOIS VIZINHOS /
PR

0,04

553,1

fev/1
3

490,5

jan/1
4

FRANCISCO
BELTRAO / PR

0,4493

484,3

fev/1
2

FRANCISCO
BELTRAO / PR

573,4

jan/1
4

PINHAIS / PR

580,8

jan/1
4

FRANCISCO
BELTRO / PR

0,04

532,7

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

0,6308

0.0000

fev/11

FRANCISCO
BELTRO / PR

1 - No cotista

0,5681

598,5

jan/1
3

590,7

jan/1
4

1 - No cotista
4 - Categoria 2 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

Lucia Ioris
Baldo
Ines Fatima De
Andrade
Hellmann
Rosane
Catarina Novak
Gosman

Conceicao
Azevedo Alves

0,6171

597,8

jan/1
2

Vanete Nunis
De Azevedo

584,4

fev/11

AMPERE / PR
JOAO
MONLEVADE /
MG

Maria Gorety
Lopes

0,7683

571,1

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

591,1

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

FRANCISCO
BELTRO / PR

1 - No cotista
1 - No cotista

F
M

M
M
M
M

Maria Juvita
Venzo
Maria Esmeria
Arruda De
Costa
Genesil
Ferreira De
Paula
Terezinha
Marinho De
Lima Santos

Tereza
Narulina
Klososki
Maria Cleonilce
Galeriani De
Oliveiras

Terezinha
Costa Dutra

0,1544

FRANCISCO
BELTRAO / PR
SANTO ANTONIO
DO SUDOESTE /
PR

1 - No cotista
1 - No cotista
2 - Cotista
1 - No cotista

0,55

739,9

fev/1
3

0,6217

522,1

fev/11

FRANCISCO
BELTRAO / PR

0,2787

563,3

jan/1
3

FRANCISCO
BELTRAO / PR

531,6

jan/1
4

FRANCISCO
BELTRAO / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

553,6

fev/1
2

JESUITAS / PR

2 - Cotista

510,9

fev/1
2

FRANCISCO
BELTRO / PR

2 - Cotista

58

16604515
[IIMG] [MG]
[06/10/2006]
85509462
[SESP] [PR]
[21/10/1998]
125042597
[SESP] [PR]
[28/03/2008]

149065
6

Pedro Henrique Seara

De Almeida

1,11E+10

130716
9

Rafael Angonese
Popiolek

4,73E+09

154920
0

Rafael Fachinello

9,17E+09

154904
9

Rafael Vasconcelos
Rodrigues

3,89E+10

156307
6

Rafaelli Cordeiro

8,05E+09

1491130

Rafaelli Cordeiro

8,05E+09

134618
0

Rauany Jorge
Esperandim

8,65E+09

154932
4

Reghis Da Silva

6,85E+09

130650
2

Regis Balensiefer
Arconti

7,59E+09

134371
8

Renan Junior Munaro

De Lima

7,16E+09

142382
7

Renan Marek

7,08E+09

130717
7
144029
2

Renato Fritzen
Ricardo Antonio Reis
Bau

8,16E+09

7,97E+09

98428321
[SESP] [PR] []
103442621
[SESP] [PR]
[26/04/2005]
102037120 [] []
[]

154905
7

Ricardo Doum Fornalski

Tavares

5,81E+09

97181470
[SESP] [PR]
[10/03/2010]

159592
0

Ricardo Miguel
Rodrigues Kunh

463258058
[SESP] [SP] []
108443855
[SESP] [PR]
[27/11/2006]
108443855 [] []
[]
127583072
[SESP] [PR]
[20/04/2009]
49887726
[SESP] [SC]
[31/07/2001]
4906319
[SESPDC] [SC]
[26/01/2011]
103844940
[SESP] [PR]
[03/06/2005]

Robeson Ferreira Klaus

7,88E+09

10.398.720-2
[SESP] [PR]
[20/06/2005]
10.613.951-0
[SESP] [PR]
[01/12/2005]

Rodrigo Antonio
Romano

7,48E+09

10.236.999-8
[PR] [PR]
[31/07/2009]

160403
1

Ronoaldo Witt

4,74E+09

605204

Rosaine Fiorio

9,71E+08

159630
6

1116924

139607
2

Rosilaine Zanardi

8,55E+09

6,01E+09

144009
8

Samuel Rohden Michels

8,83E+09

130651
0

Sandro Carvalho

2,58E+09

159413
3

Sandro Carvalho

2,58E+09

149066
4

Schaiane Heimann

9,3E+09

136790
0

Sergio Luiz Martins

2,88E+10

8.917.026-5
[SESP] [PR]
[21/02/2000]
92369463
[SESP] [PR]
[01/03/2001]
86606313
[SESP] [PR]
[22/02/1999]
10.044.438-0
[SSP] [PR]
[22/04/2004]
70204428
[SESP] [PR]
[20/04/2009]
70204428
[SESP] [PR]
[20/04/2009]

106660093 [] []
[]
9005110748
[SESP] [RS]
[22/07/2011]

Maria Acacio
Seara Almeida
Vianete Maria
Angonese
Popiolek
Claudete Maria
Ricardi
Fachinello

Maria De
Fatima Castro
Rodrigues

M
M

F
F

Rosalina De
Lima Cordeiro
Rosalina De
Lima Cordeiro

Cleide Maria
Jorge
Ivania
Terezinha
Wichroski Da
Silva
Velcy Beltriz
Balensiefer
Arconti
Edite Maria
Munaro De
Lima

Geneci Marek

M
M

M
M

Amabile
Mensor Fritzen
Aloisia Reis
Bau

Zelia Fornalski
Tavares
Rozangela
Aparecida
Rodrigues
Kunh

Nilva Ferreira
Klaus
Rosane
Aparecida
Grocelli E Silva
Romano

Ivalda Beatriz
Montemezzo
Witt

Arziria Salete
Benthac Fiorio
Eva Rosa
Ferreira Da
Silva Zanardi
Silmara
Rohden
Michels

F
F

0,8092

662,3

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

0,6485

476,9

fev/11

AMPERE / PR

1 - No cotista

0,739

546,8

fev/1
3

FRANCISCO
BELTRAO / PR

0,7879

587,4

fev/1
3

FRANCA /

0,04

536,1

536,1

fev/1
3
jan/1
3

DOIS VIZINHOS /
PR
DOIS VIZINHOS /
PR

0,8031

540,5

jan/1
2

FRANCISCO
BELTRO / PR

1 - No cotista

0,7363

516

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

0,6727

591

jan/1
4

SO LOURENO
DO OESTE / SC

1 - No cotista

DOIS VIZINHOS /
PR

1 - No cotista
4 - Categoria 2 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena
1 - No cotista
1 - No cotista

652,8

jan/1
2

440,1

fev/1
3

CRUZEIRO DO
IGUAU / PR

1 - No cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

0,2992

444,1

FRANCISCO
BELTRAO /

1 - No cotista

0,012

430,5

jan/1
2
fev/1
2

0,84

598,4

fev/1
3

FRANCISCO
BELTRO / PR

1 - No cotista
5 - Categoria 3 - cotista
independente de renda (se
necessidade de
comprovao) e que no
se declarou preto, pardo o
indgena

593,4

jan/1
4

FRANCISCO
BELTRO / PR

1 - No cotista

SAO JOAO / PR

1 - No cotista

AMPERE / PR

518,3

jan/1
4

0,058

583

fev/1
2

ITAPEJARA
DOESTE / PR

492,9

jan/1
4

FRANCISCO
BELTRO / PR

2 - Cotista
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

0,8856

648,4

jan/1
2

4108403 / PR

1 - No cotista

587,5

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

FRANCISCO
BELTRAO / PR

2 - Cotista
1 - No cotista

0,7746

0,008

557,4

fev/1
2

Gema Zanatta
Carvalho

0,7314

589,1

fev/1
3

FRANCISCO
BELTRO / PR

Gema Zanatta
Carvalho

0.0000

fev/1
3

MEDIANEIRA / PR

Marli
Menegazzo
Heimann

589,9

jan/1
3

FLOR DA SERRA
DO SUL / PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

Otilha Martins

0,1024

543,2

jan/1
2

FRANCISCO
BELTRAO / PR

2 - Cotista

59

130689
8

Sheila Cristiane Piva

6,27E+09

134347
5

Sidnei Goncalves

6E+09

105963
7

Silviane Doleski

6,11E+09

132137
4

Tailize Manarin

8,58E+08

142876
4

Tatiane Bobato Lemos

8,05E+09

144010
1

Tiago Jose Teles

6,38E+09

130652
9

Vagner Cavalli

7,88E+09

880680

Valdinei Gresco Dos

Santos

5,92E+09

Valdir Raimundo De
Oliveira

3,2E+09

Vanessa Viecelli Stedille

3,86E+09

134372
6
134348
3
149096
6
134349
1
149097
4

97511160
[SESP] [PR]
[27/12/2002]
93101715
[SESP] [PR]
[19/06/2001]
93903188
[SESP] [PR]
[18/09/2001]
89554047
[SESP] [PR]
[15/12/2009]
10.257.613-6
[SSP] [PR]
[15/12/2004]
10151331-9
[SSP] [PR]
[27/08/2004]
101066134
[SESP] [PR]
[30/06/2004]

10.048.825-6
[SESP] [PR]
[04/05/2004]
7.735.356-9
[SESP] [PR]
[03/05/1996]

F
M

Edy Da Rosa

Carmen Fatima
Ramos Doleski

Neide Lazaroto
Manarin
Rosicleia
Aparecida
Bobato Lemos
Marli
Rodrigues Da
Silva Teles

Milta Assmann
Cavalli

F
F

M
M

Vilmar Hoffmann Junior

8,8E+09

82667393 [] [] []
82667393
[SESP] [PR]
[19/03/2013]
110942338
[SESP] [PR]
[12/03/2007]

Vilmar Vicelli

5,25E+10

36327146 [] [] []

133124250
[SESP] [PR]
[06/11/1998]

Vanessa Viecelli Stedille

3,86E+09

950289

Vinicius Preis De Mello

3,8E+09

160407
4

Wairan Henrique Graeff

De Lima

8,73E+09

159573
3

William Jeferson Viera

Lopes

5,87E+09

154921
9

William Rafael
Hoffmann

9,21E+09

12.801.469-1
[SESP] [PR]
[27/05/2009]
12.419.821-6
[SESP] [PR]
[27/02/2008]
13.021.372-3
[SESP] [PR]
[14/05/2010]

Geneci
Lourdes
Defendi Piva

Nelci Gresco
Dos Santos
Thereza
Marques De
Oliveira
Terezinha
Hobold Viecelli

Terezinha
Hobold Viecelli
Leoni Santina
Da Silva
Hoffmann

0,6624

555,3

jan/1
3

FRANCISCO
BELTRO / PR

1 - No cotista

FRANCISCO
BELTRO / PR

1 - No cotista

0,657

560,5

jan/1
4

0,1244

526,1

jan/1
2

RENASCENCA /
PR

2 - Cotista

0,3204

0.0000

jan/1
2

FRANCISCO
BELTRO / PR

1 - No cotista

IMBITUVA / PR

2 - Cotista
2 - Cotista

576,8

fev/1
2

544,6

fev/1
2

FRANCISCO
BELTRAO / PR

0,7372

586,5

fev/1
2

MANGUEIRINHA /
PR

0,8133

584,8

jan/1
4

RENASCENCA /
PR

2 - Cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena

0,2396

632,6

FRANCISCO
BELTRAO / PR

1 - No cotista

561,6

fev/1
2
jan/1
2

VERE / PR

2 - Cotista

593,2

jan/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

FRANCISCO
BELTRAO / PR
FRANCISCO
BELTRAO / PR

0,6061

556,2

Maria Vicelli

592,8

jan/1
2
jan/1
3

Maria Ivete De
Mello

380,1

jan/1
3

PATO BRANCO /
PR

Leoni
Aparecida
Graeff De Lima

548,1

jan/1
4

FRANCISCO
BELTRO / PR

1 - No cotista
3 - Categoria 1 - cotista
oriundo de famlia com
renda, comprovada, igual o
inferior a 1,5 sal rios
mnimos (um sal rio-mnim
e meio) per capita e que
no se declarou preto,
pardo ou indgena
6 - Categoria 4 - cotista
independente de renda (se
necessidade de
comprovao) e
autodeclarado preto,
autodeclarado pardo ou
autodeclarado indgena

623,9

jan/1
4

DOIS VIZINHOS /
PR

1 - No cotista

0,6028

550,7

fev/1
3

FRANCISCO
BELTRAO / PR

1 - No cotista

M
M

Carmen
Denise Viera
Maria
Kiescoski
Hoffmann

2 - Cotista