UNIVERSIDADE
FACULDADE
CURSO
APLlCAC;;AO
TUIUTI
DE CIENCIAS
DO PARANA
EXATAS
DE PROCESSAMENTO
DE DATA MINING
PARA AVALIAR
E TECNOLOGICAS
DE DADOS
0 PERFIL
DE CANDIDATOS
AO
VESTIBULAR
Alexandre
Sabine
Disciplina
e Eslilgio
CURITIBA
2001
Maralh
Mara Mayer
de Projeto de Gradua9llo
Supervisionado
ALEXANDRE
SABINE
APLlCA<;AO
DE DATA MINING
MARATH
MARA MAYER
PARA AVALIAR
0 PERFIL
DE CANDIDATOS
AO
VESTIBULAR
Trabalho de gradual'ao
apresentado
ao Curso
de Tecnologia em Processamento
de Dados da
Faculdade de Cilmcias Exatas e Tecnol6gicas
da Universidade
Tuiuti do Parana.
Orientayiio:
CURITIBA
2001
Prof'
Deborah
Ribeiro
Carvalho
DEDICATORIA
.•NaG basta ensinar
porque
se tarnara
ao homem
urn sentimenta,
do que
S8
e moralmente
assemelhara,
criatura
correta.
CaD
ensinado
harmoniosamente
Deve aprender
suas quimeras
daquilo
A
nao
a compreender
ser assim,
seu lugar preciso em rela~o
profissionais,
do que a uma
desenvolvida.
a motiva9ilo
e suas angustias,
que
e belo,
que
com seus conhecimentos
mais a urn
que
urn sensa pratico daquilo
vale a pena sar empreendido,
ele
utilizavel,
E necessaria
mas naG uma personalidade.
adquira
urna especialidade,
assim uma rnaquina
dos homens,
para determiner
a seus
pr6ximos e
com exatidao
a
comunidade
H
Albert
Dedicamos
essa monografia
nosso redor, pela paciencia,
forma contribuiram
A
aos nossos
pais, ami gas e a todes as pessoas
compreensao,
apoio, incentives,
para pudessemos
desenvolver
nossa orienta dora e amiga, prof1'. Deborah,
tempo para nos auxHiar, orientar
Ao professor
Aes nossos familiares
e mostrar
Canalli por ser
e amigos,
pedimos
desta se tornasse
0 NOSSO
este projeto.
muitas vezes difidl
e arido.
cliente de nosso experimento.
desculpas,
pela ausencia
nesse tempo, por termos de abrir mao de sua companhia
A TODOS
ao
ou seja, que de certa
que muitas vezes abriu m~o de seu
este caminho
0
Einstein
passive!.
MUlTO
OBRIGADO.
e distancia
para que a condusao
iNDICE
RESUMO.
.
12
.. 13
INTRODU~AO
2 KNOWLEDGE
DISCOVERY
1.1.
Conccito
1.2.
As ctapas do processo
(KDD) ..
IN DATABASES
..15
de KOD ....
................................................................................
1.2.1. Sclc<;ffode dados ..
2.2.2.
Enriquccimcnlo
2.2A
/Jala.\/illillp. ...
1.2.5.
DlIlo /l'art'lwusr
3,[
COllccito..
3.1.
T.lrd<l5..
dos <bdos c
tr.IIISfOrllllc:10
.................................
.....
.
21
J.:
.
H
25
.
RCgnt$de:lssoci:l~O..
.
25
ClII.~IU;/r..~..
.
Tocuic3S..
26
.
ncur3is
artificiais
3.3.2.
A1gorill1los g.cnelicos ..
3.3.3.
An'orcs
de
.
.
31
...... 32
3.3.3.1. HisI6rico .....
I
26
3U
...............
dccislo ..
3.3.3.2. Conccito
21
24
.
3.3.1. Rcdes
1U
...... 20
...
.
:l.2.1. Cbs.sificlU;.•
"'iO...
19
.
3. DA TA MINING ...
:U.
l~
.
C'odific;'U;l.io ...
2.2.3.
3.2.3.
16
.
Limpc7.~1dos <bdos ...
2.1.2.1.
3.2.2
.... 15
...
.
Cnr.u:tcristicas
.....................................................................................
-'2
3-1.
3-1.
·3~
3.3.3.5.
3.3.~.
Mctodo ....
R:tciocinio lxise:ldo
..............................................................................
em enroL ..
.1.3A.I. Areprcscllt.·w
3.3A.1.
A
.
35
_
36
..1000sc:tsos
rccupern~o d..- cusos
36
..37
...
:U.·U. Aad.lpt.;~JocbiOllI(;;'o
A aprclldi7.J.~lI
3.3AA.
3.3 ..5. RegrJs de :t~i:I~o
37
... 3S
...
..38
...
..............................................
3A
Aplic.I~I
...
3.5.
DeS\";\1I~Ig.cns do /JflW .\/inillg ..
.
4. METODOLOGIA..
4.1. Algprilmo
38
..AO
A3
..43
de il"IComist":ncin dol. d:ldos ...
4.1.1. P5eudocOdigo
....
.. ~5
-1-.1.:2. QryCollsistc
-1-7
-l-.1.3. Qi)'lncollsistc
-l-7
-l-.l.-l-. QryM:h:imos
-l-.1.5.MOdulo
5. EXPERIMENTOS
...
.
.
..
COM AS BASES
DE DADOS.
5.1.1. Expcrilllcllto
5.1.2.
utiliz:llIdo
.57
a lxlSoCinleir.l
Exp. com alut"lO!ii clauificndos.
Expcrimctlto
scm os cbdos inconsislcntes
SIS
~m
\';I~
§em algl.ll1s atributos
6-l-
........... 68
..
..7-l-
5.2. BlSC de dJdos de 96 ...
5.2.
J
Expcrill1cnto
utili:amdo:1
5.2.2 E"pcrimcllIo
5.3. &lsc de
dldos de
-l-8
. .. 57
~.1. BJ.sc de didos de 97 ....
5.1.1.1.
-l-7
•
OOIC imcir:l ....
de illconsi5t~ncia
dos (bdos
de % ..
95
7-1-
.78
79
."d.1 E:qX'rimelllo
utilil.Jndo
5.3.2 Expcrimclllo
de illcon.sist~nci:1 dos; cbdos de 95 ..
a b;1~ imcir.l
79
. ... 33
... 84
SA.I
ExperilllC'nlO ulilizlIudo:l
ruse
5.A..2£.xp:rimcmo..dc...iru::orul1ci.uios..cbdos
5.5. Base de dldos
.
illlcira .....
de 94
84
....... 90
.
de 93 ...
5.5.1 Ex~riJllcnlO
uliliz;mdo-ahlsc
inteir;t..
5.5.2 Experimcnto
de inconsistcncb
dos dJdos
90
...............................................
de 93 ..
90
.
95
......95
5.6.1 Experimcllto
IIlilizando:1
5.6.2 Experimcllto
de incons]siCnci:l.
6. CONCLUsiio
OOSICinteim ...
5e1ll 0 utribulo
.
95
c6di.g.o de op¢io
97
.
....
. 105
ANEXOS.
Ancxo
I ...
Ancxo
2 ..
Ancxo3
.
105
.
105
...... 115
..
. ...115
AnC',\o4 ..
Ancxo5
102
.
..
.
Anc.\O 7 ..
REFERENCIAS·BIBLIOGRAFICAS
133
. ..
Ancxo 6 ..
..
141
147
..... 156
-iNmcE
DE ~jGURAS
FiJ::..I: Proccuo de KDD X Data Mining. ...
Fig. 2: Os
.
.... 16
.
Fi~. 3: lnfonn:~10....
Fig. 4: Rcdc ncur.1l :lrlifici:li
.
31
.
...
Fig. 6: f\'I;l!nz de confus.:'\o d:l hue
de Cfro :irYQI'C
21
de 2 C"IllJd:I~ ...
~nctico5
Fig. 5: Algorill11O$
n,. 7: TuXJ
15
do proccuo de KDD ...
pUlOS
32
..... -'6
ck 97 ..
.. ..... 5'1
cb b:liC de 97 ...
Fig. ~: M:nriz de collfus.:lo dJ
b.ne
.
de 97 ..
59
Fi,g. 9: Inicio d:l ;iT\'orc d.l oose inlci", de 17 ..
Fit.
10: T:lX;I de
crro
dl
aT\'Qrc do5
dos npro\'ados
Fi&- 12: T:tX:I de crro
:hTOrc97_consiSlcntc.[xl. ..
13:
Inicio
ell
FiJ;.. I~: T:l:\.:t de- CITO dl ~n:orc96.txl
ex.llas,
Fig. I~: l'"lJlri/. de
Fig. 19:
Inicio
20: Tax::t
lIlas
scm
6.
.
'":\gil ...
65
.
. .....7~
..
.
% ...
7~
.....................................................................
75
da ;1"or~9.5.IXI
cOllfus;lo
..
.
79
de 95 ...
.
79
..so
d:1 :Ir\"orc9.'i.txl..
de crro
at :'in·orcW.IXI
Inicio
.
da :\r\'orc9~.txt..
Fig. 23: Th.xa de crro
do::
..
.
93 ...
.
Fig. 25: In..iciod'1 :in·ore93.lxl...
Fig. 26: T:J.'Q de
Fig. 27: M:ltriz
.
erro d.:t :in·orc92.1.,'
de ool1ru~o
..
.
de 92 ...
.
ftTof/
%~
.SUO.HCf\
,..••
"~,
••
a~._
~
:\~
......... ~5
dl :in"Orc93.lxl
Fig.. H: M:uriz de conru~io
~~
.
..
Fig. 21: M.J.lriz de confllS:1o de 9~ ...
Fj~. 22:
69
................ 69
16: Inicio dt ;1I"VOrc%txt...
Fig. 17: Tu ..•.•
l d: crro
Fig.
em
ar\"ore97 _OOI1SiSlcnte.txl...
d.l
Fig. 15: M:nri.r. de oonfusJo de
Fig.
.
de C.x:lt<lUXl...
a!ullos
Fig. II: Inicio d1 ar\'ore
Fig.
. .... 59
c?o1f\!;\\}\
90
91
91
%
96
..96
Flt-_1S:
lnicio.dJ.nnore91.t.'I;I...
Fir,. 29:
TaXJ de erro cb:in"Ore92.t.xt.
Fig. 3.fI: M;lIriz
Fit;. 3 [: lnido
de confus;io
...........
92 scm..cOdiy).(le-O(¥1o .....
dn :'In'ore dl b:.ISCde 92, scm 0 c6dito
de olJ(;:;io..
.
97
97
.
'J~
~DICE
Tllb.
I: Frcq. do :uributo
prcs:tou
H:slibulur
Tab. 1: Alribulo
tuniO onde
Tub. 3: Alribulo
lipo de curw
Tlb. -t: Alribulo
c-s..."Ola na Qwl
Tab. 5: Alribulo
5C 0 :Iluno tmbJl1m
TOIb. 6:
Auibulo
pclo
1Il01i\'O
Tab. 7: Freq. do atributo
Tab.
8:
Alribulo
'llial
Tllb. 9: AlribuLo
0 tumo
qlt:ll
Tab.
10: Atributo
e.•.•.
"oI:'1
no qUJJ foi
Tab.
I J:
Frcq.
:ltribtllO
T;lb.
12:
Alributo
Tab.
J:i: Alribulo
lipo de curse
iU&:lr de residenci;1
no
Tab.
l..l: Atributo
Tab.
13: Frcq.
do :uribulo
Tab.
16: Frcq
do ;l\ribtltO
l'Jb. 17: Atribulo
a;luOO\1
qu:11 foi
feila m':lior
c6dig.o
Iumo
T.lb.
20:
Freq.
T;lb.
21:
Atributo
[[lI&U':1
Tab.
22:
ALribtllo
c6digo
Atributo
ling.u:1 CSIr.lIlll.cir..l ..
T'lb. 26: Frcq.
JXlrlC do 2".brau,
IXlTledo
,.. 7!
72
73
V.Ill
7(,
,
.........................
77
j:\ prcSlou
lUI
...so
un.IO ..
...................................................................
81
.. .. 82
.,It.')
cstr.lltgeir.l
.
de op~.lo
.
~IOU
n;1 UH. ..1G ..
~
.
87
..9J
.. ... 93
ank'Tionncnte
nl
do :lluno
9..l
UfMO
...
qu;mlOS \·estibul:lrcij:i.~lou
idKIc
.. ... 7(1
..
pr~LOU \'Cstibui(lr
T:lb. 27: Freq. do atrihuiO
.
IXlrtc do 2~Vom
qU:1Il10S\"Cslibul:lrc,sj:i
lill.&11:.1cstran£,Cir.I
... 69
2~ gau
do 2" gr.1lI ...
do :ltributo
.
;lIliCriOTI1lCIIIC 1l:J UFf-...tO,.
c6di£,o de op;;.;10..
do :Ilributo
67
It:l UFt.,<IG
gr.'IIL.
de 01'.;-.:.10
\'csti~I[Jr
!~: Atribulo
:!..l: AlribulO jj
65
de curro
77
\'Cstibularcs
19: Alribu\o
Tab. 25: Alribtllo
. .. 62
.
no qUill foi reil!! IImior JXHtC: do Z" W.lu ..
Tob.
T:Jb.
m:lior
do 2"
feila nuior
T:lb.
Tab. 23:
r gr:m
110qunl foi feil;} maior IXlrtc do 2-
quantos
prcstou
parte do
:mlcrionnenlC
do::concluslo
Ilimo
60
.... 61
COlli rcmullcro,,:1o
\'CSlibul:u
110
.
" ..
&r:1U...
jXlrte do 2"
qual 0 ahUio opiOllJ>c1:! opr;;::\o
presion
cscola
Iluior
nn
11.1UFMG.
do :!" _llflH1...
roi feiw. Iluior
Lipo de eursu
do
;lnlcrionnelltc
[oi [ciiO maioqxmc
fdlo
DE TABELAS
.
n.:t UFMG..
9S
. 99
100
10
Tab.
2K:.Dculluu\C1uo.dos
atributos
dJ.twe.d;:
97.£b-UFMG ....
Tab. 29: DetalhameTlto
dos Ollribut06 d:t basc de 96 £1t UFMG ..
T!'Ih.. ;0: gelalh:.nnenIO
dos '3lribuieS
cb-b:tsc de-95 (b-lJFMG
Tab. 31: Dctalh;\Jllcnto
do5 alribulOS
dJ b.1SC de 9-l- ell UF~'IG.
dos alributos
105
.
115
...
I.lb. 31: .Dct.:illunlCtllo..dos..lWbulw..d!tJxtsc..dc..93..dI.lJI"·i\lG_
Tab. 33: Dclalhamclllo
.
dl rosc de 92 dl UFMG ..
.
--115
133
.... _ .. ~. __
._..
._.
.
... .1-' I
l-'7
11
iN DICE DE GRAFICOS
Grole I: Fn.:~q.do ;uributo
GrM. 2: Freq. do
Gr.lr. 3:
Frcq.
prcS\ou
:1lritxl\O (limo
do atribulO
lipo
\"Cstibtl!:tr
onde foi
de Ctlrso kito
4: FTcq.
do
;llribl.1[O cs...."OI:\ na qual
Gr.lf. 5: Fr ••
'q.
do
mributo
Gr:H. (,: Frcq.
do :lIribulo
Odr,
so:
maior
pclo
JXlrtc 00
2" W"IU
do
62
2~ grall
63
com rellluner~o
0 :t11l110
qll,J]
60
. .... "".(,\
2~ gr:w ...
nl<.ior pane do
I\:I
foi feila mOlior p",rtc
0 :'Iluno Imoolha
mOli\'o
1);1UFMG
:t1l\CriOnnenle
fdlo
optou
66
pcb op;:;io
do CUrIO ..
.......
67
GrM. 7: Frcq. do :l1ribu!o prCSlou \~~libuIJr ::ullcrionnentc n~ UFl\'lG
70
GrM.
71
IS: Freq.
GrM. 9:
Fn..'q.
do :ltributo tUnlO 110Qu.d foi f..::itom:lior parte do 2" grau
do :llributo tipo de cursa de conclus;.10 do 2 gF.lu
GrM. 10: Fn..'CJ. do
:\tribulo
cs.."OI:\
no
qU:II
foi feit;"!m:liorIXlrlc
Gmr.
II: Freq.
do
GrM.
12: Frc..l.
do atributo escola no
Gr:lr.
13: FI\.'CJ.do alribulo tipo de cuno no
GnH.
I~: Fn..."'q.do
;I!ribu!o
IlI!;.1!" de
GrM.
15: FTC<].do
;uribulO
'lIUItlI05 \TIlibu];ITClj;i
Grjr.
16: Frcq. do alribulo
cOdigo de ap;;no
Gr.lr.
17: Ff\.~. do ;!tribula
sc
Gr.'Ir.
IS:
Gr.lr.
atribulo IUnlO no qual roi fcila maior p;me
19: FTl"q.
qU.lI
.
do 211 grau ...
do
2" &raLi.
qUJ.1 roi (dill
...
76
.
77
..............................
30
.
pn:stO\lIUl
78
UFMG
82
:UlIcriormCI\{C
1\!1
:n
UH.IG
Frcq. do atri\)u1Oc6digo de op.,.~ ...
do
:lIribulo
luntO
Frcq.
do
:llrilMo
qUnIllOS
do
Gr.1f. 21:
Frcq.
do :llribulo
2° grau
87
ling.u.1. cSlr;lIIt.l~ir.l.
Iing.uJ
. ... 86
\'C$tibul:lrcs
Gmr. 2:1: Freq. do ;!IribulO cCxfigo de o~o
23: Freq. do 11lrib\no
(eilos
..
.
Gnir. 25:
alrib\llo
lingu':l
C51F.lII£.Cir.l
do alributo
Omf.
27: Freq. do alrib\Jlo
Yl
93
p!"C1\OU \"CSlibular
26: Freq.
39
Cllr.lIlgeir.1
sc J:l
Omr.
88
..
utribulO
do
11.:1UFMG
..
Gdr. 2~: Fn.."'q.do
Frt'C).
75
.
maior parte do 2" 17.1u
ruick."lc1;L ..
73
.
foi (dIU m:lior P;1O;:-do ~" gr:lU ..
prcstou ,"estibular
GrM. 20:
Or.ir.
72
0
qUllllOS
:\nlcriormcnIC.
{('Ill
dc-.f.cmbro
9-;
..........
H:sljbubrc-s Ceilos na UFMG
id.1.OC do ••lullo
.
de 1991)
_
93
99
100
12
RESUMO
Ao longo dos anes e dia ap6s dia, a volume das bases de dados tern
crescido significativamente,
mas como
0
volume de dados
e muito
dificil para as analistas de neg6cio reconhecer as relac;Oes
grande tomou-se
e as tendencias nos
dados. Para auxiliar a solucionar esse problema foi criado 0 Data Mining. Atraves
Data Mining procura-se
identificar
nos dados
pad rOes homogeneos
do
que reflrtam
relac;Oes impHcitas de interesse.
o
sobre
0
conteudo
dessa monografia
perfil s6cio-econOmico
processos de KDD (Knowledge
e
direcionado
a descoberta
de conhecimento
do candidato ao vestibular, utilizando para tanto as
Discovery in Databases).
13
INTRODUCAo
"A informac;Ao
uma
das
empresas
jornalistica
rnais
do Brasil.
inforrna~o
e urn dos
nassos maiores tesouros ...", afirma
importantes
Resumindo,
0
no
ramo
que nAo
e
presidente
0
de comunica<;tlo
mais novidade
de
e cobertura
para ninguem,
a
~ urn dos bens rnais preciosos de qualquer organiza,ao. Eo
imprescindivel
para qualquer administrador
informayOes
confiaveis
ter em maos
para tamar suas decis6es
0
maior numero passivel de
da forma
mais sabia passive!.
(SILVA,2000).
Praticamente,
a quanti dade de informa¢es
que surgem
a cada dia
e
extensa, sendo quase impassivel ter acesso a todas elas. Muitas pessoas levari am a
vida inteira para ler
0
equivalente
a uma semana de informa90es
geradas par uma
grande empresa.
Para que seja passivel trabalhar com grandes quantidades
para que estas possarn
sintese
(dad07
conhecimento.
se tomar
informayao-7
uteis, e preciso
conhecimento),
realizar
ou
Data Mining e uma tecnologia
transfonna-Ias
0
das etapas do processo de descoberta
e
em
a partir de
Data Mining.
usada para descobrir conhecimento,
subsidiar a tomada de decisao, que esteja escondido
e uma
seja,
Urn dos caminhos possiveis para chegar ao conhecimento,
urn grande conjunto de dados e lou informayOes, e
Esta
de informa90es
rnais de urn nivel de
que pode
em grandes massas de dados.
de conhecimento
em banco de
dados (KDD - Knowledge Discovery in Databases) (ADRIAANS, 1996).
o
principal problema do nosso cliente e Baixa procura por cursos de gradua9~o nas
universidades
particulares,
dos cursos de graduayao.
utilizando-se
bern como
0
alto indice de evas~o por parte dos alunos
Este a 0 foco principal para este projeto de gradua9aO,
deste fim a tecnologia de Data Mining.
SupOe-se que
0
melhor local para a divulgayao
de cursos de graduac;ao seja
na ascola de 20 grau e de tumo diu mo. Atraves de experimentos
sera averiguado
se
o suposto realmente acontece.
Foi escolhida a tecnologia
de Data Mining por ser uma tecnologia
que alam
,
em fase de constante
para
0
desenvolvimento
de pesquisas
e com grandes
tendencias
futuro.
Como subprodutos
deste projeto, podem ser ressaltados
alguns itens, como
par exemplo:
a) uma revisao bibliojJrafica das tarefas e das tecnologias
b)
a construc;ao de uma aplicaya.o, passo-a-passo,
constru9~o de
pertinentes
como
forma
a Data Mining;
de orientar
futuras aplicay6es, ressaltando as pontes mais problematicos
a
e de
que forma estes problemas pod em ser resolvldos; e
c} quais sao as dificuldades
em se trabalhar
com uma base de dados do mundo
real. IS50 porque, em geral, as pesquisas relacionadas
a Data Mining sao
processadas sobre bases de dados disponfveis em reposit6rios de dados, bases
estas que ja foram preparadas com esta finalidade.
Os Coordenadores
Especialistas
explorados.
Humanos,
da Universidade
contribuindo
para
Tuiuti do Parana (UTP) atuaram
identificar
os
potenciais
a
como
serem
15
2 KNOWLEDGE
2.1.
DISCOVERY
IN DATABASES
Conceito
Existe uma confusao
sabre
0
"KDD" com varios autores tratando-os
Historicamente,
em
(KDD)
urn
conjunto
conhecimento
descoberta
a nDyao de encontrar
de
em
dados
base de
de informayao,
processamento
exato significado
tern
recebido
dadas,
Data
"pepitas - nuggetsdiversos
Mining,
de conhecimento
names:
extra9aO
·colheita~ de informac;ao,
descoberta
de
de conhecimento,
arqueologia
de dados
e
Knowledge
Discovery
in
de padrOes de dad as.
Em 1989, foi convencionado
0 termo
KOD -
Databases como uma refertmcia geral a processos
em bases de dados (FAYYAD,
o
dos termos "Data Mining~ e
como sinOnimos (CRUZ, 20(0).
processo
de
de descoberta
de conhecimento
1996).
KOO
e
interdisciplinar
aprendizado
de maquina, reconhecimento
matematica,
aquisic;.ao de conhecimento
e
envolve
areas
relativas
a
de padrOes, bases de dad os, estatistica
para sistemas especialistas.
e
Este processo
utiliza metodos, algoritmos e tecnicas oriundos destas diyersas areas, com oobjetiYo
principal de extrair conhecimento
a partir de grandes bases de dados. (CARVALHO,
1999).
FIG. 1: PrOCoelll.O de KDD X OATA MINING (AORIAANS,
Considera-se
algum significado
fato).
uma hierarquia
de complexidade:
basicamente,
especial a urn dado, este se transforma
Se os especialistas
elaboram
uma norma
1996).
(ou regra),
confronto entre 0 fato e a regra constitui urn conhecimento.
se atribuimos
em uma informa~o
a interpreta~o
(ou
do
\
16
o processo
de KDD depende
de uma nova geray.ao de ferramentas
tecnicas de analise de dados, envolvendo
nucleo
do processo,
e que muitas vezes se confunde
Mining (DUGIMENES,
e de
diversas etapas. A principal, que forma a
Data
com ele, chama-se
2001).
2.2. As etapas do processo de KDD
o
processo
compartilham
de
e
KDD
a conhecimento
urn
descoberto
conjunto
de
atividades
continuas
e composto de etapas, qlJe sao: seleC(Ao de dados; pre-processamento
transformayllo,
FIG.
2: OS
PASSOS
Data Mining, interpretac;ao (DUGIMENES,
DO
PROCESSO
DE
KDD
aplicayao
KOD com~a,
e dos objetivos
agrupamento
organizado
obviamente,
finais
a serem
adequa-Ios
heterogeneos,
problemas
I • TupI!I
pock!
aos algoritmos.
elimina~o
de tipagem,
ser
dl<lmado
de conhecimento.
com 0 entendimento
atingidos.
do dominic
Em seguida,
e
de uma massa de dados, alvo da prospea;~o.
limpeza dos dados vern a seguir, atravl!s
visando
e !impeza,
2001).
1m).
(FA'fYAD,
Na FIG.2, pode-se ver 0 processo descoberta
o processo
de
que
a partir de bases de dados. Esse conjunto
atraves
dos
dados,
dos dad os,
da integrac;ao
repetic;ao
da
um
A etapa da
de um pre-processamento
Isso ocorre
incompletude
feito
de dados
de
tuplas',
etc. Essa etapa pode tomar ate 80% do tempo necessario
cH: atrlbuto
base.
E este
tipo
de IWibuto
que
ire represenl:ar
• tupla
p:K'a
0 usuario.
17
para todo
processo,
0
devido
bases de dad os heterog~neas
as bem conhecidas
(DUGIMENES,
Os dados pre-processados
as armazena
adequadamente,
Prosseguindo
no processo,
devem ainda passar par urna
vrsando facilitar
a
chega-se
comeya com a escolha dos algoritmos
fundamentalmente
regras
do objetivo
associativas,
especializadas
dificuldades
de integra~o
0
transforma9ilo que
usa das tecnicas de Data Mining.
fase de Data Mining especificamente,
a serem apJicados. Essa escolha
do prcx::esso de KOD: classificayao,
etc. De modo geral,
na fase
pelo sistema au interativamente
gerayao de hip6teses.
c/usteriza9aO,
de Data Mining, ferramentas
Oivers.as ferramentas
com um analista, responsavel
quanta
0 processo
combinadas,
de busca
podem ser ent~o aplicadas
e interativo,
pela
distintas, como redes neurais, indu9~0
de a.rvores de decis~o, sistemas baseados em regras e programas estatisticos,
geral,
que
depende
procuram pad rOes nos dadas. Essa busea pade ser efetuada
automaticamente
isoladamente
de
2001).
de forma
tanto
ao problema.
que os analistas
Em
revaem
0
resultado, formam um novo conjunto de questOes para refinar a busca em urn dado
aspecto das descobertas,
do processo,
e realimentam
a sistema
passa entao a ser interpretado
Uma diferenca
analise
ferramentas
verifica~o,
como
entre
exploram
de analise
ferramentas
as inter-rela<;Oes entre
hip6teses
utilizam
que
2001).
Data Mining e outras
disponiveis
isto e, 0 usuario constr6i
Ao final
das descobertas,
pel os usuarios (DUGIMENES,
significante
esta na maneira
diversas
a sistema com novas parametros.
de Data Mining gera urn relat6rio
um
metoda
sabre inter-rela90es
de
as dados.
As
baseado
na
especificas
e
ent~o verifica ou refuta, atraves do sistema. Esse modelo torna-se
de pendente
intui9ao e habilidade
em manipular a
complexidade
consultas
Mining
do analista em propor hip6teses interessantes,
do espac;:o de atributos,
e em refinar
ao banco de dad os potencialmente
fica
responsavel
acuracia e completude
a analise
(DUGIMENES,
de
Ja a processo de Data
complexos.
pel a gera<;ao de hip6teses,
aos r.stilledos
dos resultados
da
garantindo
mais
rapidez,
2001).
Passos que devem ser levacios em considera<;:ao para iniciar 0 processo de
KDD:
1. Elaborar
uma lista de requerimentos.
deveria ser realizado?
medido?
Para qual prop6sito
Qual 0 criterio para 0 sucesso?
um ambiente
KOD
Como este sucesso sera
18
2. Ter uma vis~o geral do hardware e software existentes:
redes, banco de dadas,
aplicayOes, servidores e assim par diante.
3. Avaliar a qualidade dos dados disponiveis.
Com que prop6sito
esses dados
fcram coletados?
4. Fazer urn inventario
des bases
de dados disponiveis,
tanto
interna
como
extemamente.
5. Existe urn Data Warehouse?
empresa
necessita
E
Que tipo de dados esta disponivel?
entrarmos nos detalhes dos dados operacionais?
Formular
tanto agora como no futuro
0
passivel
conhecimento
que a
para que possa funcionar
de
forma otimizada.
6. Identificar grupos de gestores da informa~ao ou de tamada de decis6es que
aplicart\o as resultados.
7. Analisar
S8
a conhecimento
descoberto
pade ser utilizado
atualmente
pel a
organjza9~0.
8. Ustar as processes
e transforma90es
pelos quais as bases de dados terno que
passar antes de pederem ser utilizadas.
Ap6s a inventario dos sssuntos relacionados
aCima ter sido feito, 0 processo
de KDD propria mente dito pode ser iniciado (CRUZ, 2000).
2.2.1.
SelegSo de dados
Uma vez formulados
logieo e eoletar e selecionar
estarao armazenados
as requerimentos
das informayOes,
os dados necessarios.
nas bases de dados operacionais
ernpresa.
Juntar
essas
0 prOximo passo
Na maioria dos casos, esses
informs90es
usadas pelos sistemas
informayao
da
ern urna
centralizada
nem sempre e uma tarefa faerl, ja que pode envolver
nivel de tabelas relacionais au de sistemas hierarquicos
importante
notar
que urn dado
empresa, varia em qualidade:
alta
qualidade
contendo
operacional
usado
alguns departamentos
informa90es
base
de
dados de baixo
para sistemas relaeionais.
por diferentes
unidades
sendo preciosos
Algumas bases de dados sao atualizadas
E
da
irao manter base de dados de
consideradas
vitais
as
suas
operayOes,
enquanto que outros poderao ter somente sUbcon;untos de dados construfdos
bases de dados, que continuam
de
dados
da perspectiva
diariamente,
enquanto
sobre
do Data Mining.
que outras cont~m
,.
informayaes
datadas de vanos anos. Diferentes bases de dados usadas em diversas
un ida des da empresa
podem
usar diferentes
tecnicas
para
identificar
clientes:
podem usar strings ou numeros. Estes exemples mostram que juntar informayOes de
base de dados operacionais
tnvial (ADRIAANS,
2.2.2.
nao e
urn exercicio
Limpeza dos dados
E a atividade
tratados
pel a qual as ruidos, dad as estranhos
sao estabelecidas
e cnde
ausencia
as estrategias
eu inconsistentes
para resolver
nao disponibHidade
de renda
inexistencia
do dado au a inexistencia
ocorre
quando
da pessoa
do dado ocorre,
determinados
municipios,
de organizayao
do mesmo.
ffsica
em fun~o
Uma situ8c;aO
incluldos
de sigilo.
s~o necessarios
no domlnio do processo
da base original,
ainda n~o haviam
de nao
par exemplo,
da obrigatoriedade
quando
de
de dados s:io a
da nao divulga<;:.io do dado, como,
p~r exemplo,
sao
as problemas
de dados. As causas que levam a situayao de ausencia
disponibilidade
dados
para iniciar uma atividade de KDD
1996).
A
dados sobre
KOD, que, no momento
sido criados
(DUGIMENES,
2001).
Urns vez coletados
estranhos ou inconsistentes
os dados, 0 proximo e5tagio e tratar os ruidos - dados
- e estabelecer
as estrategias
para resolver
problema
0
de ausencia de dados (CRUZ, 2000).
Quando
a base
algumas amostras
esperado.
de dados
randomicamente,
e muito
grande,
e recomendado
Quase todas as bases de dados em gran des empresas
quando comel(am a ser olhadas atraves da perspectiva
quanta a consistencia
Na maioria
empresa
dos clientes em uma companhia
e
vitais para urna determinada
de forma c~rreta, como por exemplo,
de seguros.
na maneira como a consist~ncia
a idade
0 foco do neg6cio de urna empresa
dos dados e gerenciada.
processo
de Data Mining ser iniciado, deve-se
possivel.
Na maioria dos casos, isto deve ser reito automaticamente.
esperar ser possivel
sao poluldas
do Data Mining, as ideias
dos dados mudam (CRUZ, 2000).
dos casas, dados considerados
devem estar armazenados
esta refletido
selecionar
a fim de se obter uma ideia do que pode ser
lim par a base de dados
Antes do
0
maximo
Nao se deve
retirar toda a poluil(:io de uma base de dados, urna vez que
20
cartas anomalias
s6 ser~o descobertas
durante
mesmo. Isto ilustra, mais urna vez, que
0
0
processo de Data Mining, par ele
KDD e processo
interativo
(ADRIAANS,
1996).
2.2.2.1.
Codfficao;llo
o
processo
de codificac;ao
estao apresentados
S9
taz necessario
Par exemplo, se forem processadas
faixas eta.rias, urn algoritmo
um nivel de especializa~o
0
idades individuais,
ocorrem demandas
2.2.3.
dos dados
Enriquedmenlo
0
dado
necessita de codificayao
paises,
deve-se
acesso
0
em bases comerciais
fazer
uma
analise
em desenvolvimento.
a outras
bases
sabre
a
eventual
a base.
de dades
adicionais
esta
e pode prover informa9ao de urna grande variedade
inc1uindo dados
e assim
da
1999).
e transforma9~o
tratado,
demograficos,
p~r diante.
trocam dados para coordenar
1996).
Na grande maioria das
de idade dependendo
de dados adicionais, que poderiam enriquecer
Em varies
possuem,
em
gera
para as datas de nascimento
em idade ou mesmo em intervalos
(CARVALHO,
de assuntos,
(observayao)
que, normalmente,
0
Oesta forma, a data de nascimento
natureza da aplica,ao
disponivel
(dia/m6sJano)
dados que
processamento.
ao inves de idades OU
ira. tratar as pessoas
muito maior do que 0 necessario.
mas raramente
para ser transformada
Com
0
nivel de exiQ~ncia e 0 de grupos etarios, podendo chegar ao maximo a
no formato dia/m~sfano.
necessidade
existem
para
as datas de nascimento
provavelmente
grupos de urna mesma data de nascimento
aplicac;Oes,
quando
em urn nivel de detalhe nao adequado
0 estudo
tipos
de seguros
de uma situayao
suas operayOes de marketing
Privacidade
que as pessoas
onde as companhias
tem side um segrnento
e urn ponto muito importante
aqui (AORlAANS,
21
2.2.4.
Data Mining
ende
sao
A atividade
de descoberta
processados
reconhecimento
as
de
clusteriza\,ao,
e uma das mais fascinantes,
aprendizado
de padr6es. A maiaria dos metodos
em conceitos de aprendizagem
classifica\,ao,
do conhecimento
algoritmos
de
maquina
e
de
de Data Mining sao baseados
de maquina, reconhecimento
model os graficos (DUGIMENES,
de padr6es, estatistica,
2001).
n'lFoFMA<;Ao
DADOS
FIG. 3: INFORMAC;Ao (FREITAS, 2000)
Na FIG. 3, pode·se perceber par exemplo, que e necessaria
volume de dados para transforma-los
informay6es
passivel
tamar uma decisao
mais para
2.2.5.
para que se tarnem
conhecimento.
inteligente.
8aseado
Tambem
e
ter urn grande
E uma quantidade
passivel
razoavel de
nesse conhecimento
perceber
Data Warehouse
Data Warehouse
construido,
e um reposit6rio de informa<;:6es para suportar decis6es.
e nao um produto.
que prove aos usuarios informa<;:oes atuais e hist6ricas,
a tomada
de decisao
e que sao de dificil acesso
focadas na integra<;:ao efetiva de bases de dados operacionais
que habilita
dados
0
uso estrategico
relacionais
e uma
mistura
de
de dados
componentes
de
WareflOusing
que servem de
em bancos
tradicionais.
ambiente
Data
E
E um sistema de informa<;:ao arquitetonicamente
operacionais
bancos
e
que quanta
topa da piramide, maior a impor1ancia do dado.
0
um ambiente
apoio
em informa9ao.
tecnologias
destes dad os. Estas tecnologias
e multidirnensionais,
administra<;:ao
e
em urn
incluem
de sistemas,
22
arquitetura
cliente/.servidor,
meta datas que modelam as dados, interfaces
para 0 usuario, e muito mais. (BERSON,
Um
Data
necessidades
consultas
WareIJouse
grMicas
t997).
armazena
dados
analiticos,
as
destinados
da ger~ncia no processo de tamada de decisOes. Isto pode envolver
complexas
isso e importante
informa((Oes
que necessitam
a exisUmcia
da maneira
informaQ3es hist6ricas
de processamento
mais
acessar
de
urn grande numero de registros.
muitos
rapida
indices
passivel.
criados
Urn Data
de muitos anos e por isso deve tar
e armazenamento
maneiras, detalhados e r.sumidos.
dos dados
(DUGIMENES,
para
Par
acessar
Ware/JOuse
as
armazena
grande capacidade
lima
que se encontram
de dlJaS
2001).
No Data Warehouse as dados pod em ser retirados de mlJltiplos sistemas de
computayaa
normalmente
coma tambem
construidos
utilizados ha varios anos e que cantinuam
podem ser de fontes extemas
para que
da empresa.
lais dados possam ser armazenadas
que nao sejam limitados por tabelas e linhas estritarnente
um Data warehouse
padem ser compostos
sempre estarao separados
existir
um
local
(DUGIMENES,
Ha
fisico
de qualquer
ande
e acessados
relacionais.
desses
sistemas
serao
sao
de forma
Os dados de
par um au mais sistemas
outro sistema transacional,
as dados
em opera~a,
Data Warehouses
distintas
e
ou seja. deve
armazenados.
2001).
geralmente
quatro caracteristicas
que descrevem
a estrutura basica de
um Data Warehouse:
Organizado
aplica~o.
por assunto: Os dados s~o organizados
N~o sao todas as informay6es
que sao Llteis para 0 Data Warehouse,
especificamente
operacionais
para
dar
suporte
operacionais
par ass unto e nao par
constantes
na base de dados
uma vez que 0 Data Warehouse
a decisOes,
enquanto
as
bases
e projetado
de
dados
cont~m informa~oes do uso diario.
Integra do: Em urn ambiente
de dados operacionais,
e possivel
encontrar
varios tipos de informa1t6es usadas por diversas aplicacOes. Cada aplica~o
nome diferente para mesmas entidades.
da urn
Alem disto, a codifica<;ao sexo poderia ser
como "m~ e ''1'' e em outra como a e 1. Quando os dados sao movidos do ambiente
operacional
para 0 Data Warehouse,
consistente
e somente uma denominactio
eles assumem
uma conven9a.o de codifica~o
para cada entidade.
23
Variante
WareflOuse
de tempo: Este
para aplicayOes
recuperada de acorda com
Nao·volatil:
atualizados
0
e
urn des rna is importantes
Oata Mining,
porque
aspectos de um Data
a informa9ao
pade depois
Urna vez inseridos em urn Data Warehouse,
au mudados de forma alguma. Somente
as dados n~o sao
s~o carregados
Isto significa que urn Data Warehouse sempre cantera dados hist6ricos
1900).
s.er
perfodo em que foi inserida.
e acessados.
(ADRIAANS,
2.
3. DATA MINING
3.1. Conceito
UMinera~ao de Oados e urn passo no processo
aplic~o
de analise de dados e algoritmos
de KDD que consiste
de descobrimento
que produzem
na
urna
enumerac;ao de padrOes (au modelos) particular sabre as dados" (Fayyad. 1997).
ftOata Mining e a procura par relayOes e padriSes globais que existem
grandes bancos de dados, mas estao escondidos
urna relac;a.o entre as dados
relay6es representam
pertencentes
de um paciente
valioso conhecimento
em
na vasta quantia de dados, como
e seu diagn6stico
sabre
0
medico.
Estas
banco de dados e as objetos
a este" (CRUZ. 2000).
"Usanda urna variedade
de tecnicas para identificar
au fazendo decisao do conhecimento
pory6es de informa9a.o
nos corpos dos dados, e extra indo destes de
tal modo que eles pod em ser postas para serem usados
apaio de decisao, prediyc30 e estimayao.
nas verias areas como
Os dados sao freqOentemente
volumosos,
mas como sao de baixo valor, nenhum uso direto pode ser feito; e a informa~~o
escondida nos dad as que sao uteis" (CRUZ, 2000).
A analise
dos dados
sujeita a erros, mal-entendidos
e demorada,
de analise de dados, com a utilizay~o
de software
informayOes, tomau....se uma necessidade,
ja existentes,
transfarmando-as
hist6ria do desenvolvimento
dispendiosa,
pouco
automatizada,
e falta de acuracia. A automatizayao
ligado diretamente
j3 que a aproveitamento
em conhecimento,
e
dos processos
a massa de
das infarma~es
permite avanyOS sem paralelo na
dos bancos de dad as (DUGIMENES,
2001).
3.2. Tarefas
Para que seja passivel trabalhar
suas tarefas,
a utilizayao
cam Data Mining
de cada tarefa e selecionar
e necessaria
conhecer
a que mais se adequar
objetivo. A seguir serna descritas algumas das tarefas de Data Mining.
ao
/
25
3.2.1. Classmeagao
A dassifica~o
define agrupamentos
modele de comportamento
da dasse,
baseando-se
em exemplos
detecyao de fraudes e aplicay6es
Por exemple,
de itens ern classes determinando
urn
para cada cJasse de registros, a partir das caracteristicas
pre-determinados.
(ICH,1999)
eita que a
de risco sao aeeites nesse tipo de analise.
no casa de cartOes de erectito, atravas desta tarefa e passive]
abter a classifica<tao do grau de risco do usuario (cnde as clientes sao classificados
em: born, media e ruim, segundo padrOes estabelecidos
de atraso de pagamento),
como rend a familiar, idade, etc. Baseados nesses registros, modelos de referencias
sao construidos.
Depois dos modelos definidos,
para verificar a sua aderencia a uma determinada
Na Classifica9ao
um atributo
urn determinado
cliente e analisado
classe (BAGATINI,
2000).
cada registro pertence a uma classe, indicada pelo valor de
meta. Cada registro consiste
de um atributo
meta e urn conjunto
de
atributos previsores.
A tarefa de classifica9aa
descobre
um relacionamenta
entre os atributas
previsares e a atributa meta, usanda registras cllja classe e conhecida.
o
abjetiva e usar a relacionamento
descoberto
para prever a classe (0 valor
de atribute meta) de um registro com elasse desconheeida
Par esses fatares
e outros que serna explicadas
escolhida para 0 desenvolvimento
3.2.2 Regras de
(FREITAS, 2000).
marS a
frente
a tarefa
do projeto fai a classifica9~o.
associaglJo
As regras de associa9Bo procuram par tend~ncias
em um grande numero de
dados. Essas especificac;Oes padern famecer pad roes de comportamento
como, par
exemplo,
buscanda
analise
de mercado:
Auxiliam
nas estrategias
de marketing,
26
abter
as produlas
associa~Q
mais procurados,
resume-se
uma certa natureza
entendimento
Oefinindo
para introduzir
atividades
relacionamentos,
afinidades
0
conjunto
0
de tratamento
conjunto
de
a empresas
de assistencia
0
em um conjunto (BAGATINI,
poderia ser
pelos
pacientes.
de todos as procedimentos
poderiam ser encontrados,
de associac;:io, relayao entre procedimentos
medica
medicos solicitados
procedimentos
de ltens como sendo a cole~o
a cada pedido de tratamento
as registros vinculados
par meio de uma opera~o
medicos que sc1acomumente
aplicados
2000).
Clustering
o
clustering
(agnlpamento
au generalizayao),
(com base em algumas caracteristicas)
relatando
ponto de partida para explorar futuras afinidades
1997)
A
a partir de um grande nLlmero de transayOes, que permitem
medicos possfveis em relayao a um paciente, determinando
3.2.3.
promocionais.
entre as dados de
de alguns pad rOes (BAGATINI, 2000).
Em pedidos
catalogado
em encontrar
0
clustering
algoritmos
busca par descritores
de clustering.
comparayao
dos htlbitos
identifica
grupos de registros
que podem ser usados como um
(ICH,1999).
com
Segundo (GAMEIRO,
a mesma prop6sito,
Par exemplo, modelo de segmenta9aO
de uma populayao
para determinar
utilizando
da popula~o,
0 alvQ que pretende
acertar na proxima campanha de vendas.
Os resultados de uma opera<;Ao de clusteriza9~o
diferentes
maneiras.
caracteristicas
urn sumario
podem ser usados de duas
da base de dados
par meio das
de cada cluster criado, sem ter que tazer a usa de cada registro da
base de dadas,
classificayao.
Para produzir
ora como
Urn cluster
dados
de entrada
e urn grupo
para outras
tarefas,
rnenor e de tacil rnanuseio
par exemplo,
por parte de
algoritmos de classifica<;~o (BAGATINI, 2000).
3.3. Tecnicas
Muitas das tecnicas usadas em ferramentas
na pesquisa em inteliglmcia
de Data Mining se originaram
artificial da decada de 80 e principio da decada de 90.
27
Entretanto samente agora eS5aS tecnicas passaram a ser utilizadas em sistemas de
a
bancos de dados de grande e5cala, devido
aumentaram
conflu~ncia
de diversos fatores
a valor Hquido da informay:Jo, dentre as quais S8 destacam
que
(EGJOIO,
2000):
A expansao
au
e difusao de sistemas transacionais
20 anos, compLJtadores
informa¢es
detalhadas
telecomunicac;:Oes,
gerenciadores
estao
sendo
de processos
bancos
de banco
volumosos:
para
transacianais
e opera96es
de dados
usados
com
(SGBDs)
nos ultimos
capturar
15
e armazenar
intensives,
como vendas,
cartOes
de eredito.
Os sistemas
saltaram
de algumas
centenas
de
tranS3!fOeS por minuto para mais de 10.000 por minuto, com excecyOes que chegam
a 30.000
por
acompanhado
minuto.
Esse
crescimento
a disseminar
a tecnologia
Informa\Ao
como
operacionais
para
Data
suporte
competitiva:
Warehouses
a decisBo,
externas, como registros demograticos
A
difusao
de
muitas
de
integram
vezes
ferramentas
Por outro
Warehouses
lado,
decisao" muito extenso
(DUGIMENES,
de
necessarios
busca
da
escalaveis,
e troca de informac;:Oes via servic;:os de
de dados
esta crescendo
e complexo
brutos
rapidamente,
armazenados
tornando
para os atuais sistemas
KOD
por causa desta grande
atual
ainda
requer
pre
quantidade
em
Data
0 "espac;:o de
de suporte a decisao
dos resultados.
Atividades
de pre-processamento
de dad os, por
transformac;aes
representacional",
de
dados
separa~o
razOes
que
da aplica~o
os
brutos, todo 0
de
dados
dos
ponte
e
seu
assim
para
dados,
e a consistencia
incluem a sel~ao
de desempenho,
servem
entre
de dados
I p6s-processamentos
para assegurar 0 melhor aproveitamento
subconjuntos
a
de infarmayaa
2001).
Justamente
processo
sistemas
de fontes
2001).
a quantidade
corporativos
informa~o
dados
escalavel:
incluindo
analitiCils
da
2001).
informayao
levau a recente adoc;::io dos sistemas
SGBOs,
ainda
2001).
multiplos
incluindo
interaperabilidade
Internet I Intranet (DUGIMENES,
e
que ajuda
(DUGIMENES,
a necessidade
que
(DUGIMENES,
tecnoiogia
processamento
gerando uma proliferayao
geradores de informa,ao
vantagem
na proliferac;::io de
de
do custo por processamento,
e integra-Ia ao mercado,
maior de sistemas de transa,Oes
resulta
da capacidade
de urna reduc;.ao equivalente
apropriada
como
0
chamado
significado
de
oomplexas
real.
"gap
P6s-
2.
processamento
envolve
a sub~sele<;~o de resultados
volumosos
para auxiliar a entendimento.
Essas atividades
tecnicas de visualiza~o
para contornar alguns problemas de implementa<;llo,
Alta suscetibilidade
urna estrutura
Torna-se
tamar precau¢es
necessaria
detads
cleaning), certamente
Inabilidade
aplicac;:Oes utilizando
Entretanto,
beneficia
0
de semantica,
de Data Mining via de
orientada
a aplicayllo.
para assegurar que as dados analisados
sejam "Iimpos·, a que pode significar
alimentam as algoritmos.
de
sao criticas
tais como (EGIDIO, 2000)'
a dad as "sujos": as ferramentas
regra nAo possuem
e a aplicayao
urna exaustiva
analise
dos atributos que
urn born processo de "Iimpeza de dados" (data
processo de Data Mining.
para "explicar"
resultados
em termos
humanos:
me sma em
arvores de decisao e regras de indu9ao, que sao capazes
gerar informac;ao sobre os atributos
utilizados,
volume
0
encontrada podem ser imHeis sem urn processamento
"Gap" representacional:
e formato
de
da informa9ao
adicional.
a maior parte das fontes de dados das aplicac;.Oes de
Data Mining atuais esta armazenada
estao em geral normalizados,
em grandes sistemas relacionais,
com os atributos
Ah§m disso, a maioria das ferramentas
os quais podem operar, tomando-se
espalhados
e seus dados
em multiples
tabelas.
e restrita em termos dos tipos de dados com
necessario
categorizar
variaveis
ou remapea-
las.
Cada cJasse de aplicayao
algoritmos
que serao usados
em Data Mining tern como base urn conjunto
na extra~o
de rela90es
massa de dados: analise de seqGencias, clusteriza98o,
regras
de
associac;a.o. Outras
tecnicas
Incluem
relevantes
dentro
classifica9ao,
16gica nebulosa
de
de urna
estimativas
(fuzzy
e
logic),
algoritmos geneticos e transformac;Ao por fractais. Cada urna destas propostas difere
quanto a classe de problemas que 0 algoritrno sera capaz de resolver.
A pro posta da clusterizayao
e basicamente
endereyada
a problemas
segmentac;ao, na qual se faz urn "corte" de urn grande numero de atributos
relativamente
pequeno
conjunto
realizada automaticamente
e particionam
0
de grupos ou segmentos.
por algoritmos que identificam
espB90 n-dimensional
Muitas vezes a clusteriza9ao
de
em urn
Essa segmentayao
caracteristicas
e
em comum
definido pelos atributos.
e urna das primeiras
eta pas dentro
processo de Data Minino, ja que identifica grupos de registres correlates,
usados como ponto de partida para futuras explora90es.
de urn
que serao
0 exemplo dassico e
0
de
\
29
segmentayao
demografica,
caracteristicas
que
de um grupo
serve
social,
de
inieio
visando
para
desde
uma
determinayao
habitos
de compras
das
ate a
utiHzac;;~ode meies de transporte.
Classifica~ao
exemplos
e uma tecnica que consiste
pre-classificados
populayao
maior
exemplos
para desenvolver
de registros.
Oetecyao
na aplicaytio
de urn conjunto
urn modela capaz de classificar
de fraudes
e aplica~6es
de casas em que estes tipos de analise sao bastante
gerat, algoritmos
de classjfic~ao
incluem arvores de decisao
comeyam
urn treinamento
a partir
com
classificador
usa estes
codificados
exemplos
de risco
sao
apropriados.
Em
au redes neurais,
trans8yOes-exemplo.
de
para determinar
urn conjunto
em urn modele, que sera mais tarde utilizado
de
uma
0
e
algoritmo
de parametros,
para a discriminayao
do
restante dos dad os.
Uma vez que a al.goritmo classificador
foj desenvolvido
ele sera usado de forma preditiva para classificar
classes pre-definidas.
Por exemplo,
emprestimos
arriscados,
interessados,
e usado
emprestimo
a partir
como
informac;.Oes cadastrais
a decisao
de
no momenta
milhares
de
de conceder
um
do problema de cJassificayaa envolve a gerayao de valares ao
longo das dimensoes
dos dados: sao os chamados
inves de um classificador
gera
(DUGIMENES,
Dada
variedade
das
mesmas
pode ser treinado a identificar
a alguem.
Urna varia~o
tecnica
um classificador
suporte
de forma eficiente,
novos registros naquelas
valores
bin aria determinar
de
"escore",
algontmos
de estimayao.
urn risco ·positivo"
dentro
de
urna
Ao
ou ~negativo",
detenninada
a
margem
2001).
a natureza
interdiscfplinar
de tecnicas e ferramentas
da area
disponiveis
de Data Mining,
existe
uma
para explorar e minerar bases de
dados.
o
para
0
ponto fundamental
problema considerado.
determinada
conclusao
a questao da usabilidade
de cada tecnica
Ou seja, analisar a rela~ao que pode existir entre uma
tecnica e urn tipo de aplica~ao. Ap6s muito estudo, a mais importante
foi a de que nenhuma
desernpenho
eslrategica
e solucionar
tecnica
sozinha
em todos as tipos de aplica90es
para lidar com problemas complexos
e capaz
e que
e
de prover
preciso
a melhor
urna abordagem
do mundo real (CRUZ, 2000).
30
selec;ao
Na
preocuP'll'0es:
da
melhor
ferramenta
de
Data
Mining
existem
duas
os objelivos de neg6cio e a estrutura dos dados (CRUZ, 2000),
3.3.1. Redes neurais ariificiais
As redes neurais constr6em representa~6es
intemas de modelos au pad rOes
achados nos dadas, mas essas representa~es
naa sao apresentadas para 0
usuario (REVISTA CPU-PC N' 9/10 E REVISTA MICRO SISTEMAS
N', 134),
As redes neurais fazem parte das tecnicas da tarefa de classifica<;ao.
e a que
Essa tecnologia
oferece a mais profunda poder de minerac;.ao, mas e
tambem a mais difial de entender. As redes neurais tentam construir representa<;Oes
internas de modelos au pad rOes achados nos dadas, mas essas representay5es
sao apresentadas
para a usuario. Com elas,
tratado pelos programas
preta~ As ferramentas
ficarem
visiveis
decisoos
verdadeire
processo de descoberta
de Data Mining dentro de urn processo
deveriam,
contudo,
para os usuarios.
sao feitas
0
ser construfda5
0 problema
na caixa-preta,
que
0
que as redes neurais apresentem
chamado
"caixa-
para tazer as decisOes
com e5sa abordagem
taz inexplicaveis.
as
nac
de pad rOes e
e que as
Embora
seja
urn avanr;.ado poder de minera~o,
muitos analistas de neg6cio nao podem tazer uso delas porque os resultados
finais
nao podem ser explicados.
Estruturalmente,
interconectados
pela modifica9aO
constr6em
hora
neurOnios)
da conexao
superficies
ajustando
repetiy6es,
urna rede neural consiste
(chamados
os
firmemente
equaclonais
parametres
uma superficie
complexas
que
em urn nurnero
de elementos
em carnadas
que aprendern
organizados
conectando
as camadas.
Geralmente
atraves de interac;.Oes repetidas, cada
definem
a
superficie.
que pode ser intemamente
dos pontos dentro do grupo de dados (DUGIMENES,
definida
2001),
Depois
de
aproxima-se
muitas
muito
31
FIG. 4: REDE NEURAL ARTifiCIAL
DE 2 CAMADAS (REVISTA CPU-PC - W. Ql10)
A FIG. 4 mostra urna rede neural artificial de 2 camadas, tendo 2 entradas e
1 sajda.
Urna forte caracteristica
variayOes dos estimulos
estimuto
X qualquer,
treinamento,
das redes neurais e a capacidade
treinados.
semelhante
de reconnecer
Isto signifiea, par exemplo, que apresentando
urn
a um estimulo
de
existe urna grande probabilidade
Y que fez parte do conjunto
de que a estimulo X seja reconhecido
como a estimulo Y treinado, revelando assim a capacidade de generaliza9~o da
rede neural artificial (TAFNER,
interpretsc;ao
atraves da iris
1998). As redes neurais s~o basicamente
visual e reconhecimento
QU
de voz. Como
par exemplo,
usadas na
identifica9ao
impressCes dig ita is ([COM, 1998).
3.3.2. A/goritmos gene/ieos
Algoritmos
geneticos
tambem
nao seguem a indu<;:ao de protocolos
geram regras dos conjuntos
de dados,
de regras de explosao orientada.
mas
Ao contra rio,
eles contam com a ideia de "muta9aO" para fazer tracas nos padrOes ate que LIma
forma apropriada
(POLITO, 1997).
de modele surja via educayao
seietiva, como mostrado
na FIG.
32
segundo
P3dr~o
1·.I ••••
IIIIIKal
FIG. 5: ALGORITMOS GENETICOS (BOOKER, 2000)
A FIG. 5 urna utilizayao
de tecnicas OLAP.(On-line
ana/yUcal processing)
0
utilizador explora a base de dados e a mesma retoma urn resultado ao utilizador.
A operayao
dos criadores
genetico
regras,
genetica cruzada e de fato muito semelhante
quando
eles cruzam
par cromossomos
e,
as plantas
tambem,
e/ou animais.
baseada
a pratica de ayao
A trOGa de material
no mesma metoda.
No caso de
material trocado e urna parte do modele que a regra descreve.
0
Vamos perceber que isla
principal
em algoritmos
tinham sido descobertas
atividade e
0
genelicos
e diferente da induyao de re9m desde
e a combina<;:io de model as das
ate entao, enquanto na induyao de regra
0
que
0
regras
foeo
que
foco principal da
conjunto de dados. Algoritrnos geneticos nao sao apenas para gera~ao
de regra e podern ser aplicados
processamento
para urna varia~o
de outras tarefas,
ate rnesrno
de textos, etc. (POLITO, 1997).
3.3.3. ANores de decisao
Arvores de decisao fazern parte da tarefa de Classificat;:ao.
3.3.3.1.
Hist6rico
As arvores de decisao (AD) sao urna evolu~o
durante
0
Learning).
Detea;ao
desenvolvimento
Elas cresceram
das disciplinas
a partir
de Intera<;ao Automatica
das tecnicas que aparecern
de Aprendizado
da aproximayao
(DIA), desenvolvida
de Maquina
de uma
analise
na Universidade
(Machine
chamada
de Michigan.
33
Essa analise
identificar
trabalha
aqlJeles
selecionados
testando
automaticarnente
sao forte mente
que
chamados
as valores
para exame (atributo meta).
sao as progn6sticos
associa~o
de
desenvolvido
regras
sabre
e5tendendo
chaves
dado.
0
com
consideram
do dado para
itens
de
saida
com forte
explicativQs, usualmente
a\goritmo
do DIA, sendo
chamado
CHAID
um pouco
atraves da
a tecnologia
que permitiu
das arvores de decisao. Muitas pessoas na industria de Data Mining
Ross Quinlan, da universidade
de Sydney, Australia,
como 0 "pai das
arvores de decisao~ A contribui<;:Ao de Quinlan foi um novo algoritmo chamado
desenvolvido
bern
em 1983.
adaptados,
importtlncia.
na
°
103 e suas evolllyOes
medicta
em
que
eles
produzem
dos fatos que afetam
decis~o
como a Gini, um indice computacional
os itens de saida.
tambem muito bem adaptadas
de
regras
ordenadas
Novas f6rmulas
inventado
pela
de arvores
por Ron Bryman,
para arvores de decisi1o, e oferecem
processamento,
numeros jllntamente
assim
como
ample
habilidade
de
s~o
uma crescente
para
processar
com textos (CIELO, 2000).
Nesta tecnica escolhe-se
as mais correlacionadas
a variavel que se quer avaliar e 0 sotfware procura
e monta a arvore com varies ramifica~es.
decisi10 silo meios de representar
resultados
que lembram urn grc'l:fico organizacional
numerosas
103,
(104, 106, C4.5, C5.0) sao muito
Essas regras sao, ent~o, usadas para produzir urn modelo de arvore de
decis~o
velocidade
fol
CII;squared (CII;-quadrado).
Mas fOl urn professor na Australia qlle desenvolveu
o aparecimento
as
que s~o encontrados
au fatores
Outro
as capacidades
adiyao da fOrmula estatistica
todos as valores
associados
horizontal.
colunas e linhas, uma ferramenta
As arvores de
de Data Mining na forma de arvore, e
Dado urn grupo de dad os com
de arvore de decisao pede ao LJsuario
para escolher uma des colunas como objeto de saida, e ai mostra 0 unieo e mais
importante
fator correlacionado
com aquele objeto de saida como
0
primeiro ramo
(n6) da aNOre de decisao. 1550 significa que 0 usuario pode rapidamente
ver qual 0
fator que mais direeiona 0 seu objeto de saida, e 0 usuario pode entender
fator foi escolhido.
Urna boa ferramenta
de arvore de decisao vai, tambem,
porque 0
permitir
que 0 usuario explore a aNore de aeordo eom a sua vontade, do mesma modo que
ele podera encontrar
exato associado
grllpos
alvos que Ihe interessem
mais, e ai ampliar a dado
ao seu grupo alvo. Os llSUariOS podem,
dadas fundamentais
em qualquer
n6 da arvore,
tambem,
movendo-o
selecionar
para dentro
os
de uma
planilha ou outra ferramenta
para analise posterior. Nesta tecnica consegue-se
os itens que mais influenciam
uma determinada
saber
variavel. Por exemplo, consegue·se
saber que tipo de cliente estl insatisteito (DUGIMENES,2001).
3.3.3.2.
Conceito I Garacteristicas
As aNores de decisao s~o meios de representar
resultados
na forma de arvores, e que lembram um grafico organizacional
grupo de dados com numerosas
decisao
pede ao usuario
(atributo
meta), e ai mostra
para escolher
aquele objeto de said a como
que 0 usuario
ferramenta
podem
como
de
objeto de saida
unieo e mais importante
primeiro ramo (n6) da aNore de decisao. Os outros
elassificados
pode entender
fator correlacionado
com
como nos do(s) no(s) anterior (es). Isso
a porqu~
do fator
escolhido.
Uma
boa
permitir que a usuario explore a arvore de acordo
do mesmo modo que ele poden~ encontrar
tambem
arvore, movendo-os
uma das colunas
Dado urn
de arvore
0
de AD vai, tambem,
com a sua vontade,
usuarios
e linhas, urna ferramenta
0
fatores sao subseqOentemente
significa
colunas
de Data Mining
horizontal.
selecionar
os dados fundamentais
grupos alvos. Os
em qualquer
para dentro de uma planilha ou outra ferramenta
n6 da
para analise
posterior.
As arvores de decisao sao usadas na tecnologia de Induc;ao de Regras, mas
sao unicas no sentido
formato
como
0
primeiro
subsequentes
3.3.3.3.
os resultados
da Indu9aO de Regras
Entao, a regra mais importante
n6, e as regras
menDs
relevantes
e apresentada
sao
mostradas
nurn
na arvore
nos
nos
(CIELO, 2000).
Vantagens
A principal
tevando
vanta gem das arvores de decisao e que elas fazem decisOes
em considera~o
compreensiveis
ordem
de apresentar
com priorizayao,
as regras
que sao mais relevantes,
alem
para a maioria das pessoas. Ao escolher e apresentar
de importflnc;a,
as arvores
de decisao
permitem
imediato, quais fatores mais influenciam os seus trabalhos.
aos
de serem
as regras em
usuarios
ver, de
35
Alem disso,
arvores
podem
ser construidas
me-lodos
mais rapida do que alguns
de fom18 consideravelmente
alternativQs
de classifica~o,
produzindo
resultados com precisao similar (SOUSA, 1998).
3.3.3.4.
Desvantagens
a
principal
consideravel
As
problema
quantidade
desvantagens
necessidade
relativo
associadas
de possuir a disposi9a.O
em
a
estas
pode ser utilizada.
n blocos
de
igllal
uma tecnica chamada
tamanho,
blocos e test.ada com 0 bloco reservado.
de uma
a
relacionadas
valida~o
cruzada
as dad os de treinamento
preferencialmente
utilizando
com
a
sao
mesma
casos em todos as outros
Esta te-cnica aferece a desvantagem
que n arvores sejam construldas,
con50me lim tempo considernvei
3.3.3.5.
precisam
estao
tecnicas
Neste casc,
distriblliQao de classes. A a.rvore e construfda
necessitar
elas
um grande volume de dadas, de tat forma que
pacta-Ia. Quando as dados sao escassos,
divididos
que
porc;:ao para construir a arvore e uma outra significativa para
possamos separar urna
(cross-validation)
e
a arvores
de dados para desvendar estruturas complex as.
0 que obviamente
de
e uma tarefa que
(SOUSA, t 998).
Metoda
Metados
aprendizado
classificar
de arvares
de maquina
casas
usanda
de decis:ia
representa~o
baseada
lJtilizam um algaritma
que recursivamente
alcan~r
que represente
uma parti~a
representam
que utiliza uma abardacem
urn tipo
em arvares.
subdivide
de algaritma
dividir-para-canquistar
a conjunta
Eles usualmente
de treinamento
casas tot.al au dominantemente
a mesma classe, ou ate que urn criteria de parada seja alcan9ado
decidir
qual atribllto
sera lJtilizado
ern cada
subdivisao,
de
para
ate
pertencentes
(pre-pada).
um teste
Ao
estatistico
e
adotado como cdterio de quebra.
Ap6s a fase de crescimento
estrutura
especializada
que esia
estrutura
que 0 necessario.
da arvore,
super
podemos
ajustada
aos
nos deparar
dados,
A poda passa a desempenhar
com uma
oferecendo
mais
um papel importante,
36
produzindo
arvores
menores
com potencial mente
melhor
preci~o
quando
novas
casas sao considerados.
Mesma ap6s a fase de poda, urna arvore pode ainda representar urna
estrutura
complexa
e de diffcif compreensao.
A extraQ~o de
utilizada para extrair regras menores e menes complexas
e
algontmo
normalmente
utilizado para selecionar
que cobrem 05 exemplo5 (SOUSA
3.3.4.
a fase final
a subconjunto
minima de regras
199B).
Raciocfnio baseado em caSDS
Segundo
AAMODT,1994
base ado em conhecimento,
assunto
e
regras
com precisao similar. Urn
e em experiencias
das experi~ncias,
uma experi~ncia
Sendo
processo?
0
em geral, quando algllm
scja ele
passadas.
as chamados
A tecnica de RBC enfatiza
casas. Aprender,
e resolvido,
neste contexto
0
sabre
e
0
conhecimento
significa
lembrar
para que possa ser usada no futuro.
raciocinio
urn processo, pergunta-se:
Quais s~o suas eta pas? Os elementos
armazenados
problema
generico au te6rico, armazenado
quais sao os elementos
580 0 problema
deste
atual e os casos
na base de casas. As etapas s~a:
Identificar 0 problema atua!.
Encontrar na base de casas urn caso similar ao problema atua!.
Usar 0 casa encontrado
na et.apa anterior para sugerir a resoluc;Ao do
problema atua!.
Avaliar a solur;Ao proposta.
Atualizar
a base de casos de modo que incorpore
a experi~ncia
que
acabou de ocerrer.
3.3.4.1. A representayao
dos caS05
Em urn problema e precise saber quais sol:ioas
como elas devem ser estruturadas
problemas
como
e como a problema
da base de casas. A representayao
os casas
sen~.o usados
no futuro.
SUBS
informayoes
relevantes,
se relaciona com as demais
deve, naturalmente,
Cabe
ao especialista
profunda mente cada casal definir quais infarmay6es
sao relevantes.
levar em conta
(que
conllece
37
Basicamente,
problema;
e formado
urn caso
Estes pares descrevem
por urn conjunto
dais tipos de informayao:
e as caracterfsticas
de pares atributo-valor.
as caracteristicas
que definem qual foi
a
que deflnem
0
soluc;ao adotada. Indices sao
associ ados aos casas de modo a permitir que se possa fazer uma recupera~o
eficiente (ver item seguinte). Do ponto de vista da
representam
a conhecimento
representat;ao,
atributos do casa au outro tipo de informayao (normalmente
for.! do caso) (AAMODT,
3.3.4.2.
A recuperayao
Recuperayao
Raciocinio
as indices
que personaliz,a urn casc. Urn indice pode ser um dos
colocado numa estrutura
1994).
de casas
de casas e um dos processos
mais importantes
Baseado em Casas (RBC). Ela tern como prop6sito
do paradigma
recuperar,
de urna
memoria de casos, 0 casa mais adequado a lima nova sitLJa~o e sugerir a soluyao
desse caso au uma adaptac;ao dela como soluyao
do novo casa
(CARVALHO,
1996).
A etapa de recuperayaa
consiste em identificar
quais os casas da base de
casas que sao similares ao problema que se deseja resolver, all seja, a case atua!.
o processo
de pesquisa pode ser simples mente
LIma
pesquisa seqOencial (caso a
casal au entao lima pesquisa muito mais sofisticada e eficiente sabre uma estrutura
mais complexa que pade ser a de a.rvore au grafo. Em geral, cada sistema possui a
sua estrutura
recupera,ao
de representa<;<1o particular
igllalmente
3.3.4.3. A adapta"ao
particulares
e, conseqOentemente,
(AAMODT,
algoritmos
de
1994).
da solu"ao
Uma vez que tenha sido recuperado 0 caso mais similar ao problema atual e
natural pensar que a solu<;ao proposta no casa rea.lperado
problema
atua!. Como similar e diferente
Normalmente,
0 caso con tern informa<;Oes de como isto deve
pode ser automatica,
(CRUZ, 2000).
seja similar a solu<;ao do
de igual, e preciso
adaptar
a solU9aO.
ser feito. A adapta<;ao
feita pelo proprio sistema ou manual, com auxilio do usuario
38
3.3.4.4.
A aprendizagem
Aprender, no contexto dos sistemas de RBe signifiea reter na base de casas
toda informa~o
felevante
novo problema.
Mesma que ests processo
que foi gerada durante
0
processo
de resoluc;:io de um
falhe, naQ achando
a solu~o
do
problema, deve-s8 aprender alga, como par examplo, 0 que naD S8 deve fazer.
Quando urna experiencia
que ja se sabe,
experiencia
precisa ser memorizada
porque acrescenta
entao a base de casos deve ser atualizada
como novo casa, alterayao dos casas ja armazenados
algo ao
via inclusao da
e reindexayao
da
a descoberta
de
base de casos (AAMOOT, 1994).
3.3.5.
Regras de associaqilo
Segundo RODRIGUES(1999)
regras de associaya.o foi introduzida
entre dados recolhidos
e constituldo
de atributos
para gerar relacionamentos
(ticket data), onde urn registro
binarios cham ados itens. Cada registro
a urna transac;.a.o do cliente, ande cada item tern valor verdadeira
falso, dependendo
Segundo
classificay:io
associando
nas caixas de supermercados
de urn conjunto
corresponde
descrito por CRUZ(2000),
par R. Agrawal
se
0
JORGE(1999),
apresent.do
por CRUZ(2000),
as
regras
de
servem para discriminar objetos de acordo com as suas caracteristicas,
a cada objeto uma crasse. Podem servir, par exemplo,
comportamentos
potencial mente
credito, ou para decidir sa vale
laboratoriais
fraudulentos
a
de utilizadores
pena investir em onerosos
para a avaliac;:a:odos efeitos cancerigenos
0
Companhias
extremamente
de dados, informac;:Oes criticas,
relacionamento
e
industrias
de
varios
aplicando
e demorados
testes
aplicaC;:Oesque venham
com
0
da empresa com os consumidores
sua competitividade
para identificar
de um carU:io de
de urna draga.
Com 0 auxilio de Data Mining, pode-se desenvolver
a extrair dos bancos
ainda mais
ou
cliente cornprau ou nao aquele item naquela transa~o.
segmentos
tecnicas
objetivo
de estreitar
finais.
podem
de Data Mining
aumentar
em seus
39
crescentes
bancos
detalhadas.
Exemplos:
de dadas, que contem
informay6es
transacionais
preciosas
e
Varejo: atrav9S do usa de cart6es de erectito e sistemas de saida (checkout)
computadorfzados,
varejistas
podem manter registros detalhados
de compra. Estes dados permitem que eles entendam
de seus clientes. Algumas aplica90es
Performing
basket
analysis:
sao:
tambem
chamada
Revela quais itens tendem a ser comprados juntos.
incrementar
estrategias
de toda transa980
melhor as varios segmentos
de analise
de afinidade.
Este conhecimento
pode
de venda, como maneiras de expor as produtos no ponto de
venda e promo90es.
Previsao
provBvel
gse urn cliente compra uma filmadora hoje, quando e
de vendas:
que ele com pre uma bateria
extra e fitas adicionais?"
-
Examinando
padr6es baseados em tempo, a varejista encontra suporte para este tipo de analise.
Base de dados
para marketing:
varejistas
podem
desenvolver
perfis
de
clientes com certos comportamentos.
Planas de merchandise
e distribui~o:
quando
loja, e passive I planejar esta 10ja examinando
demograficas
0
varejista adquire uma nova
padr6es de lojas com caracteristicas
0 varejista pode usar as recursos de Data Mining para,
sernelhantes.
par exemplo, determinar a layout ideal para urna loja em particular (TANDEM,
1997).
Bancos:
8ancos
podem tirar proveito da descoberta
de conhecimento
para multiplas
aplica~6es, incluindo as seguintes:
Cartao de marketing:
aumento
de rentabilidade,
customizados.
identificando
poderao
as segmentos
ser desenvolvidos
de clientes
produtos
Par exemplo, poderao ser criados cart6es de afinidades
de clientes que viajarn freqi.ienternente
e visando
rna is focados
para
0
ao
e
grupo
e outro para 0 grupo de clientes que pagam
suas contas de cartao de credito em dia.
Oescoberta
sao enormemente
fraudulentas,
determinar
consumidor
de fraudes:
caras.
bancos
No neg6cio de cartao de credito do banco, fraudes
Analisando
podem
transa~6es
identificar
padr6es.
passadas
Par
ser urn sinal de alerta nurnerosas transay6es
em um periodo
curto de tempo.
que foram
julgadas
exemplo,
eles
poderiam
eletronicas
de urn mesmo
0 banco pode entao aplicar este
40
conhecimento
em seus sistemas,
n~o aprovando
transaC;:Oes que se ajustaram
aos
padrOes de fraude sem primeiro falar com 0 cliente.
Telecomunicac;:6es
Companhias
de telecomunicac;:Oes sa encontram
nurn nivel de competi9~o
mundial e
sao fon;adas a agirem de forma agressiva no que tange ao marketing e
programas
de estimativas,
para a descoberta
Analise
para reterem atuais clientes e atrairem outros. Aplica90es
de conhecimento
de
telecomunic8c;:Oes
registros
coletam
em telecomunicac;Oes incluem 0 seguinte:
detalhados
registros
de
detalhados
chamadas:
segmentos dos clientes com padrOes de usc semelhante,
pacotes especificos
companhias
das chamadas.
para atenderem as necessidades
Identificando
de
as
poderao ser desenvolvidos
destes clientes.
Fidelidade do cliente: Alguns clientes mud am repetidas vezes de companhia
visando tirar proveito das vantagens
telecomunica90es
caracteristicas
podem
e incentivos de cada urna.
usar a tecnologia
de Data
Mining
As companhias
de
para
as
identificar
de clientes que preferem manter-se leais em troca de reconhecimento
e conseqtlentemente
maio res ganhos.
Seguradoras
Companhias
de seguros
t~m grandes
volumes
de dados
durante muito anos que s~o levados em conta para urn planejamento
colecionados
mais efetivo.
Por exemplo:
Analise de reivindica90es
fraudulentas:
criar urn perfil de casos fraudulentos.
introduzir
detalhes
especificos
(TANDEM,
3.5. Desvantagens
de Data Mining permite
permite
as seguradoras
em um sistema de banco de dados relacional
sinalizar situa90es suspeitas como ajustadores
processadas
a tecnologia
Exata informa9ao
para
das reivindicac;Oes que estao sendo
1997).
do Om Mining
AI1DS CUS1DS:
o
alto custo do processo faz com que fique dificil a dissemina9~o
de Data
Mining. Isso se deve ao fato de se necessitar urna pessoa altamente qualificada
trabalhar
com a descoberta
de conhecimento,
0
usuiuio
precisa
ter
dominio
para
do
41
neg6cio
em questao
e gasto um tempo consideravel
desejados, com isso a custo do especialista
As dificuldades
de se realizar a analise custo I beneficia
Mining. Estimar a taxa de retorno do investimento
complicado
ate se abter as resultados
se torna muito alto tambem.
de vido ao fato que, como a objetivo da tecnologia
(em dados)
impassivel
e
e descobrir tend~ncias
nao seriam visiveis de outra maneira, toma-se virtual mente
que
estirnar
normalmente
do projeto de Data
de urn projeto de Data Mining
tal taxa
a partir
de alga
urn projeto de Data Mining
e
e
que
desconhecido.
razoavelmente
Vista
que
earo, pode ser um tanto
arriscado se decidir par urn projeto desse tipo.
Necessidade
o
maior
armazenar
de gran des volumes de dados:
obstaculo
e administrar
maioria dos fomecedores
ao Data Mining no passado
montanhas
foi
a necessidade
de dad os e I ou servidores.
dessa tecnologia
de
No ent.anto, a
continua insistindo no discurso de que 0
Data Mining requer terabytes de dados e poderosos
servidores,
mas solU90es mais
acessiveis ja t~m aparecido no mercado e criado condiyOes para ele deslanchar.
Complexidade
das Ferramentas:
Mesma com essa nova
em moderados
gera((clo de ferramentas que permitem a minera9aO
grupos de dados. De fato, muitas ferramentas
ainda fazem os seus
trabalhos em uma ~caix.a-preta· , como por exemplo as redes neurais. nae permitindo
que se seiba como alcanyaram
os seus resultados.
Isso signffica que 0 Data Mining
ainda tem que ser feito no contexto de area de sistemas,
que sub meter as sues solicita90es,
especialista
sumarizada.
processa
os dados,
Se as resultados
esperar
a quem os usuaries
t~m
par dies ou seman as enquanto
um
para entao
nao
receberem
satisfazem.
todo
e examinarem
0 processo
e seida
tern que
ser
recomet;ado.
Desa1io da preparavao dos dados para a minerar;ao:
A prepara980
trabalhosas
trabalho.
dos dados
para se realizar a minerayao
envolve
taretas num projeto de Data Mining, sendo considerada
as
dados
devem
ser relevantes
para as necessidades
··limpos" (Iivres de err'Os 16gicos eu de entrada de dados), consistentes.
haja um projeto
de Data Warehouse
Hmpos e centralizados
anterior,
muitas
e
como 80% do
dos usuaries,
Mesmo que
OI1de os dad os slio normalmente
em um unico local, continua
havenda
a necessidade
de
'2
pre para-los para a minera~o.
assirn como a escolha dos dados certes para rninerar
continua sendo critica.
Viabilidade
Finalmente,
preocupayao
dos fornecedores
a viabilidade
das empresas
para a futuro.
0 mercado
empresas que comercializam
sua ferramenta
qualquer
de ferramentas
de mercado
que procuram
esla
de Data Mining:
da maiaria
das ferramentas
uma ferramenta
abarrotado
canfiavel,
de fomecedores,
e lima
para hoje e
desde
apenas este produto ate grandes companhias
pequenas
em que
de Data Mining e apenas mais uma das que prod liZ. Assim como
nova tecnologia,
escolha da ferramenta
a escolha
(CIELO, 2000).
do fornecedor
e
tao importante
quanta
a
43
4. METODOLOGIA
Para
0
desenvolvimento
deste projeto foi adotada a seguinte metodologia:
A- Identificar qual e a base de dados a ser utilizada.
8- Adequar a base de dados para a realiza~o
dos experimentos.
8.1- Oefinir as atribulos previsores.
B.II- Delinir o(s) atributo(s) meta.
B.IlI- Verificar qual
0
nivel de inconsist~ncia
da base.
S.IV- Eliminar as exemples inconsistentes.
C- Selecionar
qual a tarefa de Data Mining que rnais se adequa ao
problema propos to.
0- Selecionar qual a tecnica
de Data Mining que rnais se adequa ao
problema proposta.
E- Analisar as resultados obtidos. Caso
reiniciar
0
0
objetivo nao tenha sido atingido,
processo B.
A tarefa
classifica~o,
escolhida
para a realizayao
dos experimentos
foi a tarefa
par ser a tarefa que mais se adequa ao objetivo de caracterizar
0
de
perfil
do candidato.
A tecnica selecionada
foi a de indut;:ao de arvore de decisao.
0 algoritmo
usado para esse foi 0 C4.S.
o
C4.5
e
um algoritmo
de aprendizado
de indu<;llo e que se enquadra
no paradigma
baseado no 103 e tambem foi desenvolvido
Foi utilizado
freeware,
comprovam
baseado
Eo
par Ross Quinlan.
par ser de facil acesso,
utilizay:io,
na estrategia
baseado
em varios
ser urn prograrna
anos de estudo
que
a sua utilizayao.
4.1. Algoritmo
o
este programa
de facil e simples
de maquina
de indu<;llo de arvores de decisao.
de inconsist~ncia
programa
implementado
dos dados
da base de dados precisou
ser
por haver uma taxa de erro muito alta nas arvores de decisao.
para separar a inconsist~ncia
Era
necessario saber se as bases estavam consistentes
ou nao.
44
Este
consultas
programa
(qryConsiste,
consiste
de 2 tabelas
qrylnconsiste.
(ObConsiste
qryMaximos),
e Dblnconsiste).
urna macro
(SOILJcaO)
3
e um
m6dulo.
A tabels
Dblnconsiste
DbConsiste
eo
onde ficaram
as dados inconsistente,s.
as dados
consistentes
A consulta qryConsiste
e na tabela
consiste
em agrupar
as dad os e identificar se haviam registros iguais na base, enquanto na qrylnconsiste
os dados
tambem
possuiam
repli~Oes,
foram
agrupados
e foram
identificados
en quanta na qryMaximos
os registros
s~o retirados
que n~o
registros que mais
05
fOfem duplicados da qryConsiste.
Ex .. Se possllimos
caracteristicas,
qryConsiste
sendo
que
quatro candidatos,
destes
atraves de sua consulta
como iguais. A qryMaximos
achara
a
caracteristicas
qryconsiste
os t~s
vai
registrar
possuem
diferentes dos demais, independendo
que, com auxilio das tres consultas
dos consistentes.
registros
e urn
mesmas
reprovado.
A
e ira con sid era-los
mais aprovados
somente
A macro e simples mente uma chamada
programac;ao
aprovados
vai pegar soment:e os dois alunos que foram aprovados,
po is com estas mesmas carac1eristicas
Enquanto
sendo que tr~s possuem
dois foram
um
que reprovados.
candidato
que
POSSlli
se s~o aprovados ou nao.
para 0 m6dulo.
Este possui tode
separa, as dados inconsistentes
45
4.1.1. Pseudoc6digo
Nregistros = 45.691 " registros de candidatos ao vestibular - base dados da
Universidade de Minas Gerais de 97
Natributos = 67 " Numero de atributos previsorss.
INICIO
Agrupar as registros que possuem
0
mesma valor para as atributos
previsores.
Para cada grupo
INICIO
Identificar a freqOlincia em rela~ao ao atributo meta.
Os registros (grupo) com maior freqU6ncia sao transferidos
arquivo
de consistentes.
Os registros dos demais grupos sao eliminados
FIM
Os registros
FIM
unicos
sao lransferidos
para consistentes.
para
0
Dados Consistentes
FIG. 6: MATRIZ
A FIG. 6 ilustra
0
DE CONFUsAo
DA BASE
DE 97
raciocinio adotado para construir a 16gica do programa
utilizado para consistir as bases de dados.
Os procedimentos
sao listados a seguir:
1. Na tabela chamada Base de Dados estao contidos todos os registros do
ana
selecionado.
A consulta
"Identifica
unicos"
identifica
combina~o dos valores dos atributos previsores
repetem nas bases.
sao
os registros
unicos,
au seja,
onde
a
nao
se
Estes registros "unicos' sao gravados na tabela Dados
Consistentes.
2. Os registros que nao sao unicos, serao tratados pela consulta "Identifica
semelhantes', onde os registros ap6s serem agrupados (os semelhantes), sao
contabilizados
de acordo com
0
valor do atributo meta. Se dois ou mais registros
tiverem atributos previsores iguais e atributo meta diferente,
e feita
uma
compara~o
entre a contagem de ocorrencia dos registros. 0 grupo de semelhantes que possuir
a maior freqOencia em relac;i'io ao atributo meta
e
gravado na tabela Dados
Consistentes e os demais sao gravados na tabela Dados inconsistentes.
3. Casa sejam identificados grupos de registros semelhantes, que possuam
freqUencias iguais em rela9Ao ao valor do atributo meta, todos as registros, de todos
as grupas sao gravados na tabela Dados Inconsistentes.
4.1.2. OI}'Consisle
SELECT (names de todos as campos com atributos da tabela) BD97.SEXO,
BD97.ESTCIVIL,
BD97.SITOP1_1,
COllnt(') AS Conta
FROM BD97 (nome da tabela)
GROUP
BD97.SEXO,
BY
(names
de todos as
BD97.ESTCIVIL,
campos
com
atributos
da
tabela)
com
atributos
da
tabela)
, BD97.SITOP1_1
HAVING «{CounW»>1»
ORDER
BD97.SEXO,
BY
(names
de todos as campos
BD97.ESTCIVIL,
, BD97.SITOP1_1;
4.1.3. Ol}'lnconsisle
SELECT
BD97.ESTCIVIL,
(nomes de todos as campos com abiblltos
BD97.IDADE
da tabela) BD97.SEXO,
, BD97.SITOP1_1
FROM 8D97
GROUP
8D97.SEXO,
BY
(names
8D97.ESTCIVIL,
de todos as campos
.
..
com
atributos
da
tabela)
, 8D97.SITOP1_1;
4.1.-1. QryMaximos
SELECT
qryConsiste)
(nomes
de
todos
qryConsiste.SEXO,
................ , qryConsiste.SITOP1_2,
os
campos
com
qryConsiste.ESTCIVIL,
Max{qryConsiste.Conta)
atributos
da
consulta
qryConsiste.IDADE
AS Conta
FROM qryConsiste
GROUP
qryConsiste)
BY (names
de todos os campos
qryConsiste.SEXO,
............... , qryConsiste.SITOP1_2;
com atributos
qryConsiste.ESTCIVIL,
da consulta
qryConsiste.IDADE,
4.1.5. M6dulo
Option Compare
Database
Option Explicit
Private Const MetaValor
As String
Public Function SelUniccs()
= "Sitop1_1"
As Boolean
Dim db As Database
Dim regOrg As Recordset
Dim regDestC
As Recordset
Dim regOesti As Recordset
Dim regFiltro As Recordset
' Query de
Origem( lnconsist~ncias e unicos)
. TabeJa de Consist{!ncia
'Tabela de Inconsjst~ncias
'Query
de repeti<;6es
Dim strOrg As String
Dim strDestC As String
Dim strDestl As String
Dim strFiltro As String
Dim Criterio As String
Dim i As Integer
strOrg
=
"Select
*
from Qrylnconsiste"
s!rDestC = "Select·
from DBConsiste"
strDesli = "Select'
from DBlnccnsiste"
strFiltro
=
"Select
*
from qryConsiste"
On Error GoTe trata
Set db = CurrentDb
Set re90r9 = db.OpenReccrdset(str0rg,
dbOpenSnapshot,
Set regFiltro = db.OpenRecordset(strFiltro,
Set regDestC = db.OpenReccrdset(strDestC,
Set regDestl = db.OpenReccrdset(strDesll,
dbReadOnly)
dbOpenSnapshot,
dbOpenOynaset)
dbOpenDynaset)
dbReadOnly)
49
, Circula pelos registros da query de registro sem repeti~oes( Inconsistendas
e unicos)
Do While Not regOrg.EOF
, cria
0
criteria de busca na extrac;ao de consistencias
com repeti¢es
(Query
de repeti<;oes)
= ""
Criteria
For i = 0 To regOrg.Fields.Count
- 2
'0
ultimo campo da qrylnconsiste
nao faz parte do filtro (MetaValor)
If IsNull(regOrg.Fields(i)Value)
Then
Criteria;:: Criteria & regOrg.Fields(i).Name
&. "is nUll" & " and"
Else
Criterio
Criterio
CSlr(regOrg.Fields(i)Value)
&
regOrg.Fields(i).Name
&
&
& "and"
End If
Next
Criterio
= Left$(Criterio, Len(Criterio) - 5) 'Retira
regFiltro.FindFirst
se
nao
repetiyOes(QryConsiste)
0
Criteria
encontar
registro
da
qrylnconsiste
entao incluir na tabela de Consistencia
, se nao incluir na tabela de inconsistencias
If regFiltro.NoMatch
Then
regDestC.AddNew
For i = 0 To regOrg.Fields.Count
regDestC.Fields(i)Value
- 1
= regOrg.Fields(i).Value
Next
regDestC.Updale
Else
regDesll.AddNew
For i
(,Itimo" and"
= 0 To regOrg.Fields.Count
regDestl.Fields(i)Value
Next
regDestl.Updale
- 1
= regOrg.Fields(i)Value
na
query
de
50
End If
regOrg.MoveNext
Loop
regOrg.Close
regDestl. Close
regDestC.Close
regFiitro.Close
SelUnicos
=
True
Exit Function
trata:
MsgBox Err. Description
, vbCritical, "Limpeza das Tabelas"
End Function
Public Function SelMaxRepetidosXO
As 800lean
Dim db As Database
Dim regOrg As Recordset
Dim regDestC
' Query de Origem (Registros com repeti<;Oes)
As Recordset
Dim regOestl As Recordset
Dim regFiltro As RecOfdset
Dim regFiltro2 As Recordset
I
I
Tabela de Consist~ncias
Tabela de Inconsjst~ncias
'Query
como as
'Query
Consistencias
Dim strOl1l As String
Dim strDestC As String
Dim strOesti As String
Dim strFiltro As String
Dim strFiltro2 As String
Dim Criteria As String
Dim i As Integer, j As Integer
strOrg
=
"Select
*
from QryConsiste"
strDestC ; "Select·
from DBConsiste"
strDestl
=
"Select
strFiltro
=
"Select" from qryMaximos"
*
from DBlnconsiste"
maximos das repeti90es
que busca as existentes
na tabela de
51
On Error GoTo trata
Set db ; CurrentDb
Set regOr9 ; db.OpenRecordset(strOry,
Set regFiltro;
dbOpenSnapshot,
db.OpenRecordset(strFiltro,
dbReadOnly)
dbOpenSnapshot,
Set regDestC ; db.OpenRecordset(strDestC,
Set regDestl ; db.OpenRecordset(strDestl,
dbReadOnly)
dbOpenDynaset)
dbOpenDynaset)
, Circula pelos registros da query de registro com repetic;.Oes
Do While Not re90rg. EOF
. verifica se
ja
existe
0
registro com as campos chaves(menos
0
metavalor)
na tabela de consistendas
, Se nao existir verifica
S8
e
0
maximo
. Se ja existir na tabela de consistencias,
strFiltr02 ; "Select·
from DBConsiste
caleca na tabela de inconsistencias
" & vbCr &
"VVhere"
For i ;;; 0 To regDestC.Fields.Count
destino (DBConsiste)
strFiltro2;
e 0 meta
- 2
'0
ultimo valor da tabela de
valor
strFiltro2 & regOrg.Fields(i).Name
If IsNull(regOrg.Fields(i)Value)
Then
strFiltro2 ; strFiltro2 & " is null" & vbCr & " and"
Else
strFiltr02;strFiltro2
&";"
& CStr(regOrg.Fields(i).Value)
& vbCr &" and"
End If
Next
strFiltr02 ; LeftS(strFiltr02,
Set
regFiltro2
Len(strFiltro2)
- 5)
'Retira
db.OpenRecordset(strFiltr02,
0
ultimo"
dbOpenSnapshot,
dbReadOnly)
If regFiltro2.EOF Then 'se naa existe
, cria
0
criteria de busca na query de maximos com repeti90es
Criteria=""
and"
52
For i ; 0 To regOrg.Fields.Count
fazem parte do criterio menes
0
- 1 ' Todos os campos
If regOrg.Fields(i).Name
<> "SITOP1_l"
If IsNull(regOrg.Fields(i)Value)
Criteria
=
Criteria
da qryconsite
metavalor
&
Then
Then
regOrg.Fields(i).Name
is null" &" and"
&"
Else
Criterio
;
CSlr(regOrg.Fields(i).Value)
Crilerio
&
regOrg.Fields(i).Name
&
"
;
"
&
& "and"
End If
End If
Next
eriterio
=
LeftS(Criterio,
regFiltro.FindFirst
Len(Criterio)
- 5}
'Retira
0
ultimo" and"
Criteria
, se encontar registro na qryMaximos
enUie incluir "conta" vezes na tabela
de Consistencia
, senae, incluir "conta" vezes na tabela de Inconsistencias
If Not regFiltro.NoMalch
Then
For j; 1 To regOrg.Fields("Conta")Value
regOeslC.AddNew
For i = 0 To regOrg.Fields,Count
de repetic;6es
- 2
• 0 ultimo campo e
0
Contador
0
Contador
"Conta"
regDestC.Fields(i)Value;
regOrg.Fields(i)Vallie
Next
regOestC. Update
Nexl
Else
For j ; 1 To regOrg.Fields("Conta")Value
regOestl.AddNew
For i
=
a To regOrg.Fields.Count
- 2
'0
ultimo campo e
de repetic;Oes "Conta"
regDestl.Flelds(i)Value;
Next
regOestl.Update
regOrg.Fields(i).Value
53
Next
End If
Else
For j ; 1 To regOrg.Fields("Conta"j.value
regDestLAddNew
For i
repeti¢es
=
a To regOrg.Fields.Count
- 2
'0
ultimo campo e
0
Contador
"Conta"
regDestLFields(ij.value
; regOrg.Fields(i). Value
Next
regDeslLUpdate
Next
End If
regFiltro2.Close
regOrg. MoveNext
Loop
regO'll.Close
regDestLClose
reoDestC.Close
regFiltro.Close
SelMaxRepetidosX
=
True
Exit Function
trata:
MsgBox Err.Description,
vbCritical, "Limpeza das Tabelas"
End Function
Public Function SelMaxRepetidosO
As Boolean
Dim db As Database
Dim regOrg As Recordset
Dim regDestC
As Recordset
Dim regOesti As Recordset
Dim regFiltro As Recordset
Dim strO'll As String
Dim strDeslC As String
' Query de Origem (Registros
com repeti90es)
. Tabela de Consistencias
'Tabela de Inconsistencias
' Query como as maximos
das repetiy6es
de
54
Dim strDestl As String
Dim strFiltro As String
Dim Criterio As String
Dim i As Integer, j As Integer
strOrg
= "Select·
from QryConsiste"
strDestC = "Select·
= "Select'
strDesti
from DBConsiste"
from DBlnconsiste"
strFiltro := "Select •.from qryMaximos"
On Error GoT
0
trata
Set db = CurrentDb
= db.OpenRecordset(strOrg,
Set regOrg
dbReadOnly)
dbOpenSnapshot,
= db.OpenRecordset(strDestC,
Set regDestC
Set regDesti
dbOpenSnapshot,
= db.OpenRecordset(strFiltro,
Set regFiltro
= db.OpenRecordset(strDestl,
dbReadOnly)
dbOpenDynaset)
dbOpenDynaset)
. Circula pelos registros da query de registro com repetic;:oes
Do While Not regOrg.EOF
, cria a criteria de busca na query de maximos com repetiyOes
Criterio
For i
=
,ft,
= a
To regOrg.Fields.Count
fazem parte do criteria menes
0
- 1
I
Todos
os campos
da qryconsite
Then
'Observar
na declara<;ao
MetaValor
If regOrg.Fields(i).Name
<> MetaValor
de variaveis deste m6dulo (MetaValor)
If IsNull(regOrg.Fields(i)Value)
Criteria
= Criteria
&
Then
regOrg.Fields(i).Name
& "is nUll" & "and"
Else
Criteria
CStr(regOrg.Fields(i)Value)
End If
End If
=
Criteria
.I." and"
&
regOrg.Fields(i).Name
&
"
&
55
Next
= LeftS(Criterio,
Criterio
regFiltro.FindFirst
Len(Criterio) - 5)
'Retira
0
ultimo"
and"
Criteria
, se encontar registro na qryMaximos
entao incluir "conta" vezes na tabela
de Consistencia
I
senaa, incluir "centa" vezes na tabela de Inconsistencias
If Not reoFiltro.NoMatch
Then
For j = 1 To regOrg.Fields("Conta")'value
regDestC.AddNew
For i
=
0 To regOrg.Fields.Count
- 2
'0 ultimo campo e 0 Contador
de
repetiyOes "Conta"
regDestC.Fields(i),Value
= regOrg.Fields(i)'value
Next
regDestC.Update
Next
Else
For j
= 1 To regOrg.Fields("Conta'').Value
regDestl.AddNew
For i
repeti¢es
=
0 To regOrg.Fields.Count
- 2
'0
ultimo campo e
"Conta"
regDestl.Fields(i),Value
Next
regDestl.Update
Next
End If
regOrg. MoveNext
Loop
negOrg.Close
negDestl.Close
regDestC.Close
regFiltro.Close
SelMaxRepetidos;;;;
Exit Function
True
= regOrg.Fields(i).Value
0
Contador
de
56
trata:
MsgBox Err. Description, vbCritical, "Limpeza das Tabelas"
End Function
Public Function LimpaTabelasO
As Boolean
Dim db As Database
Dim qry As QueryDef
Dim strC As String
Dim strl As String
strC
strl
=
= "Delete'
from DBConsiste"
"Delete·
from DBlnconsiste"
On Error GoT
Set db
Set qry
0
trata
= CurrentDb
= db.CreateQueryDefC''',
strC)
qry.Execute
qry.SQL = strl
qry.Execute
qry.Close
LimpaTabelas
=
True
Exit Function
trata:
MsgBox Err.Description,
vbCritical, "Limpeza das Tabelas"
End Function
Public Function Separalnconsistencias()
, chama em sequencia a rotinas de limpeza e seleyOes de dados
Application.Screen.MousePointer
If LimpaTabelasO
Application.Screen.MousePointer
End Function
= 11
Then If SelUnicos Then SeIMaxRepetidos
=a
57
5. EXPERIMENTOS
Foram
COM AS BASES DE DADOS
utilizadas
as bases de dados
da Universidade
Federal
Gerais (UFMG) dos anos de 92 a 97, junto com um breve descritivo
com as quais,
o(s) local(is)
0
e:
objetivo
aonde
de Minas
das mesmas,
ftCaracterizar a perfil do candidato ao vestibular
as LUliversidades
partiGulares
pod em divulgar
e definir
as cursos
de
gradua<;ao. ".
Sup5e ...
,se que
0
melhor local para a divulga~o
de cursos de gradua~o
nas escolas de 2° grau e de tume diumo. Atraves de experimentos
se
0
seja
sera averiguado
suposto realmente acontece.
Como subproduto
deste projeto, podem ser ressaltados
alguns itens, como
par exemplo:
A
constrll<;~o de uma aplica9~o, passe a passo, como forma de orientar a
constru9~o de futuras aplicaryOes, ressaltando
as pontcs de maior problema e de que
forma estes problemas podem ser resolvidos; e
Quais sao as dificuldades
ern se trabalhar
mundo real. IS50 porque em geral as pesquisas
processadas
sobre bases de dados disponiveis
com urna base de dados
relacionadas
do
a Data Mining sao
em repositories
de dados,
bases
estas que jil foram preparadas com esta finalidade.
5.1. Base de dados de 97
Este base contem
questionario
os dados
s6cio-econOmico
provas da 1!! etapa des candidates
A base
variaveis.
Original
possui
Oesta base foram
beneficio ao experimento.
cadastrais,
cultural,
as respostas
as perguntas
as notas e as respostas
as questoes
do
das
do vestibular da UFMG no ane 1997.
45.691
selecionados
candidatos
e excluidos
as atributos excluidos
cadastrados,
atributos
contendo
264
que nao trariam
nesta base de 97 sao: as notas, as
respostas as questOes das provas da 1! etapa, 0 ana em que prestaram
as c6digos dos estados em que residem e a lugar de nascimento,
vestibular,
reduzindo
para 68
o numera de atributos.
Ap6s a !impeza dos dados, a base foi separada em duas, a partir do atributo
primeira op<;ao do candldalo
(OPCA01).
sendo que a base de lesle leria 30%
58
(13.707)
dos registros
dos candidatos
e a base de treinamento
os 70% (31.984)
restantes
Fai gerada en tao uma arvore de decisao com
bases
de teste,
(names),
treinamento,
tendo como
e urn arquivo
atributo
algoritmo
0
C4.5, usanda as
com a discrimina~o
meta a situac;Ao
do candidato
dos atributos
na primeira
etapa
(SITOP1_1 )(ver anexo 2).
o
resultado
nao foi
obtido
variac;oes nas porcentagens
ultrapassava
5,5% em alguns atributos.
levando entao em considerayao
eliminado
esperado,
0
pois foram
das bases de treinamento
Foi necessaria
do is atributos:
dividir novamente
SITOP1_1
impossibilitando
a base
nos quais as candidatos
pois ramiflCava muito a arvore dificultando
a correta classifica~o
grandes
e SEXO, Alem dissa foi
a atributo que contem a c6digo dos municipios
residem (Cod_Cid),
constatadas
e na de teste. A diferen98
a sua compreens~o
e
do perfil do candidato.
A diferen9Ci entre as atributos n~o pode existir na divis~o das bases pelo fato
de que isso pode fazer com que a base de teste fique inconsistente
validar corretamente
Para se utilizar a arvore de decisao ~ necessario
em base de treinamento
feit05 os experimentos.
verificado
impedindo-a
de
a base de treinamento.
separar a base de dados
de base de teste. A base treinamento
A base de teste e importante
a consist~ncia
(veracidade)
dos
e a base ande ser:io
porque e atraves dela que sera
resultados
trazidos
pel a base
de
treinamento.
5.1.1. Experimento
8aseado
utl1izando
na nova
a base inieira
divisao
da base,
atributos situa9:to do candidato(SITOP1_1)
contem
0
c6digo dos municfpios
nos quais os candidatos
entao gerada uma arvore chamada
uma alta taxa de erro como
candidatos cadastrados,
levando-se
de arvore1.txt
mostra
em considera9~0
dois
e SEXO, e na eliminac;ao do atributo que
a FIG. 7. A base
contendo 67 atributos.
residem
(Cod_Cid),
(anexo Arvore1.txt).
agora
foi
Esia contem
contem
45.691
59
Evaluation
on training d3t. (31984
Before Pruning
Size
Errors
16912
2863 (9.0%)
Evaluation
6148 (44.9%)
FIG. 7. TAAA DE ERRO ARVORE
(a)
Size
6772
on test dat.1 (13707 itens):
Before Pruning
Size
Errors
16912
1138
203
70
1141
ilens):
(b)
1Eo
110
Jo4
312
($:)
(d)
••
<I •• ihch:
40
31
:3!S
210
1633
9(}4
5fj(l
t!J58
(a) c•••2
tb) CQ.1
(c):d.~J
(d,)cb:04
FIG, 8: MATRIZ
DE CONFUsAo
After Pruning
Errors
5503 (17.2%)
Aner Prunif\!]
Errors
Size
6772
5573 (40.7%)
Ealimatlve
(30.2%)
Eltimative
(30.2%)
OA BASE DE 97
DA BASE DE 97
A FIG.7 mostra a taxa de erro, que
e de
40,7% na base de teste. Esta alta taxa de erro
17,2% na base de treinamento
e de
esta relacionada aa grande ntlmero
de atributos, residentes ainda na base.
As outras taxas sao correspondentes
arvore de treinamento
Os atributos
caracterizam
prestou
e antes da
que fazem
os candidatos.
vestibular
antes
segundo grau (TURN02G),
as taxas de erro antes da pad a na
pacta arvore de teste.
parte do n6 raiz da arvore
Os quatro primeiros
(PVEST),
sao os que melhor
n6s sao os atributos:
PVESTin{1,2,J)·
1URN02G
I
I
TlR:l2Gin{1.2~
I
I
[
=
0
aluno
tipo de curso de 2 grau no qual ele estudou (T(P02G)
em qual escola ele fez maior parte do segundo grau (ESCOLA2G).
1
Se
qual 0 turno no qual ele fez maior parte do
1:
ESCOLA2Gin{1,"}·
FIG. 9: INIC10 DA ARVORE DA BASE INTEIRA DE gr.
e
60
TAB
l' FREQ
J' prnlou
DO ATRIBUTO
PRESTOU VESTIBULAR
ANTERIORMENTE
,_
Aprov~lo
vnltbul.r7
"
"'"
.....
Candidolos
Tot.l
"
5,03
1-14&0.
NA UFMG
Slmcl'18lficl~ao
Total
27,ffi
"
Total
<0."
12.QE6
1153
6,71
21047
11,47
•.20
20Zl
n,el
7234
""'"
4- Sim. Iprovado, rn.: n!kl
m!ltricuJado.
l.Oi
2,!H
910
5 - Slm, e m:llriculedo. m» pretend"
mudar d. curtOl irmitu~o
=
1.40
...,
35,18
1.78
570
2.20
734
'.00
15<13
•
Sim, lorm»do, mn prettnd. obt..outr.agr.dU8~.
0."
210
0.83
265
2,07
062
7 _ Sim, Dulra situe~ao
OflO
430
000
"'"
1.J'?
Nul~
0.25
2 - Sim, WIn eoncluir 2" !1I'IU.
3-
Sim, mn
nl0 aprov.ado
A TAB.1
nenhuma
descoberta
concentrada
indice
embora
pode
nos mostrar
em escolas
surpreendente.
na primeira
de aprova9iio
de 2° grau,
um lugar
terceiroes
0 maior
oP9aO de curso
(34,27%)
onde
seria
31.Q8.4
14
apesar
fazer
de
os candidatos
(OPCA01).
Mas
uma
nao
de perfil do candidatos
do candidato
esta entre
"'"
100
interessante
e cursinhos,
numero
0.04
'.115
Sam.
divulgac;ao
11.21Q
0
ser
esta
maior
das op<;6es 4, 5, 6 e 7,
sejam em manor numero.
ernluy_V.fStiI!ll.Alltcrj!w!llmle.7_
3. Slm, mltl nllo [ul
,,- Sim,fui IPfOVldo, mil
nlo m.r.rlculel
S· Sim, i' sou mlltricul.do,
mas prctcndo mudar de
c:ur$OclDu de
".
, - Slm, sou form.do em
turso 8upcrior, rna.
prctcndo obler outra
gT1ldu.~io
"..
2·Sim,st:mtontlulr
o2"orau
"'.
41~
GRAF. 1: FREQ. 00 ATRIBUTO
PRESTQU VESTIBULAR
ANTERIORMENTE
NA UFMG.
61
Continuando
TURN02G,
a
analise
acima,
dos 31.984 candidatos
agora
analisando
ao vestibular,
65,53%
0
segundo
(20.960)
atributo
dos candidatos
estudaram a maior parte do 2° grau durante a condiy:io 1 (diurna) e prestaram
vestibular anteriormente nas condic;Oes1, 2 e 3.
TAB
2- ATRIBUTO
TURNOONDE
FOI
FEITO
2: FREQ.
Dos 45.691
durante
0
ONOE
?-GRAU
".em
classifica<;ao
.,."
Tota
3.83
26.04
A90
.13
8
28753
DOATRIBUTO
TURNO
ao vestibular,
dia e 10.978 (24.03%)
embora,
DO
candidatos
graLI. Sendo que 0 [ndice de
(25.9%),
PARTE
otal
8."00
1.1
20
100W-
%
~~.~u
11.
.20
1 Diurno.
12 Notumo.
Nulos
l:soma
GRAF
MAIOR
Aprovac;ao
umo 0"'.18 VO~_ ez
maior parte do 2° graLl?
FOI
FEITO
PARTE
(75.80%)
otal
""
75.~u
24.
.1~
100
34.
;jL
10.978
81
45.691
DO 2" GRAU
deles
estudaram
estudaram principal mente durante a noite no 2°
aprova9~o foi superior para quem estudou durante 0 dia
0 indice dentre as que tiveram
aprovados fOi maior no periodo notumo (68.2%),
(61.3%)
MAlOR
34.632
c;anaida os
classificac;ao e nao foram
pouco maior que os diumos
62
Continuando
a analise aeima, agora analisando
0 terceiro atributo TIP02G,
dos 41.691 candidatos ao vestibular, 62,79% (28.689) destes concluiram
com
0
tipo 1,2 e
estudaram
durante
0
2° grau
prestaram vestibular anteriormente nas condic;6es 1, 2
4,
0
e 3 e
dia.
TAB 3- ATRIBUTO TIPO DE CURSO FEITO NA MAtOR PARTE DO :2-GRAU
Tipo do CUI'SO de conclusao
do
A
2"grlJu?
1 Nlo DrofiMlonaliz.mle.
2 -Profitsionallza~
3 - Supietlvo.
Ouiro ~!llvil[enle
Nulos
Soma
•
"
80.74
~
2.43
rOlla coW
Total
8.152
1.613
~
0.66
0.20
.
67
20
CandidalO$
Sem ciassifioacoo
Total
19.-485
67.74
'"
I~6.04
Total
31A94
'"
68.93
-ffif- --.J.;6¥-r---T5~
0.94
0.27
270
77
0.98
446
0.28
100
45.691
130
l· Suplctivo
5,"%
,,-
Outro
Equivall:n1e
0,"",
GRAF. 3: FREQ, DO ATRIBUTO TlPO DE CURSO FEITO NA MAIOR PARTE DO Z' GRAU
Dos 45.691 candidatos ao vestibular, 31.494 (68.93%) deles estudaram em
cursos nao profissionalizantes.
op~o
(25.9%),
Sendo
0
indica de aprovac;ao tambem superior
ness a
embora, 0 indice dentre os que tiveram classtficayao e nao foram
aprovados foi maior em tipo de cursos supletivos (66.9%).
Continuando
ESCOlA2G,
dos
a
analise
41.691
acima,
candidatos
agora
ao
analisando
vestibular,
0
40.16%
quarto
atributo
(18.349)
destes
63
conclufram
condic;6es
0 2° grau com a tipo 1,2 e 4, prestaram
1, 2 e 3 e estudaram
durante
vestibular
anteriormente
dia e, alem de tudo fizeram
0
nas
maior parte do
2° grau em escolas federais e particulares.
TAB 4" ATRIBUTO ESCOLA NA QUAL FOI FEtTA MAlOR PARTE DO 2- GRAU
Escola onde fez maior parte
do z- grau?
1 - Publica Federal.
2 Publica Estaduat.
3 - Pubfica Munidpal.
4 - Particular.
5 - Curso Livre
Nulos
Soma
%
Sem dassificayao
%
Total
3.55
1.021
34.38
g.888
14.15
4.070
47.20
13.577
0.58
167
0.14
40
Aprova"-,,
Total
836
1.761
951
6.502
36
11
8.28
17.44
9.42
64.40
0.36
0.11
Es.colnnil de VOGUe?
maior porte do
%
Candidatos
Total
2.158
14.136
5.819
23.252
264
62
45.691
4.72
30.94
12.74
50.89
0.58
0.14
100
2· !!r,u?
5 - Curso
LiIf[C
Publica Ea1adulll
10,9-1%
GRM". 4: FREQ. 00 ATRIBUTO ESCOlA
Dos 45.691
candidatos
escolas particulares.
nessa op<;ao (38.7%),
foram aprovados,
ao vestibular,
0 indice de aprova~o
embora,
tenha
(ambas com 69.9%).
NAQUAL
0
indice,
FOt FEITA MAIOR PARTE DO ?-GRAU
23.252
(50.89%)
deles estudaram
em
de escolas publicas federais foi superior
dentre
os que tiveram
sido maior em escolas
publicas
classificac;ao
estaduais
e nao
e municipais
6'
Com relayao ao turno do 2° grau
quem estudou
classifica~o
durante
e nao foram aprovados,
universidades
particulares.
(68,2%), embora
particulares
a partir
e federais,
[ndice de aprovayao
deste
experimento
fazerem
Com
0
supletivos,
experimento
Exp. com alunos classificados,
8aseado
exclufdos
em programas
cliente
independente
mas
nao
de televisAo
tambem,
somente
par
estarem
quais
as
grau
em
cursos
e se possuem
as candidatos
indiretamente
as se¢es
nao
com
r"
I:r::::.rl'<
-:'!1L4\!
~l::.:s(!a.?\;
FIG. 10. TAXA DE ERRO DAARVORE
,. j'["\:n~n:;J
. I ~e
u(.o
(som, video
Para trazer resultados
atributos
a
em
SITOP1_1
ao
com
iguais a 4,5,11,12,14,15,23,24,27,28,29,
i.(~n~l:
fnmir,",
ligados
preferenciais
eletrodomesticos
micro ondas, entre outros).
excluimos
d:>.~" (~}t,:
111"1
n·.;i,,;;,)
J.l;:~
2°
dizer que 0 melhor
somente
e sem vag a que optaram pelo curso da area de exatas.
"';t
para
de
do tumo, levando
descartando
30, 31, 32, 33, 37, 38, 39, 40, 41, 42 e 43. Permanecendo
C.,alu,ti~tl
interessante
sem vaga sem alguns atributos.
por exemplo,
op<;oes 1,2 e 3 e com CODOPCAO
classificados
em
notumo
particulClres estudCl nestes lugares.
atributos,
como
cassete, tv a cabo, freezer,
nosso
para
tiveram
na alta taxa de erro, foi reformuladCl a divisao das bases de teste e
foram
LEITURA, TV e RENDA,
jornais,
que seria
conseguiu-se
perfil do candidato para as universidades
treinamento,
que
foi no periodo
divuloa<;ao em escolas
uma
terceirOes e cursinhos,
principalmente
profissionalizantes.
5.1.1.1.
foi superior
as alunos
au seja, as alunos que fariam vestibular
0 maior
particulares
considerayao
em conta
indice do diurno (61,3%) fosse pouco menor.
0
Concluiu-se
universidades
[ndice de aprovayao
0
dia. Levando-se
0
!."n r:<
10100::;>.:11)
tl'~ .•~...
.',.a)
~~tin:.l"
(4:'1'_')
P.llltl,..~t""
(n.:"'\i
005 ALUNOS DE EXATAS.TXT
os alunos
65
A taxa de desta
arvore mostra-se ainda bem grande, apresentando
de erro sabre a base de treinamento
urna taxa
de 23.1% e sabre a base de teste de 55.3%,
embora possua bastantes atributos meta.
Os atributos que a
candidatos
classificados
quatro primeiros
arvore traz primeiro s~o as que melhor caracterizam
e sem vaga da
n6s as atributos:
fez optar pel a op<;ao de cu",o
(PARTREN)
sa ele trabalha (TRABALHA),
(MOTIVO),
(1,2,3,6\:
FIG. 11: INlelO DAARVORE DOS APROVADOS EM EXATAS, MAS SEM VAGA
TAB S" ATRIBUrO SE 0 AlUNO TRASAlHA COM REMUNERAGAO
Trabalha
atU<llmente
com remune-r~Jo?
1 - Nao lrabalho
2 - Sm, mu e trabaiho evenhJal.
3 Sim, ate 20 horz umanais.
Sim, de 21 • 3() honK seman,,,
5 - Sim, de 31 a -40 homs oom.,ai5
a - Sim mais de 40 heras seman,is.
Nulo
Tot~
•
Aprovados
Total
HI19
19,JIN
.09
1,!51"
O,7"N
195
o,aS'WI
267
1,13%
1.11'Mo
201
0,07'.4
a.274
24,7~
"
'"
,.
qual 0 motivo que
se possui participac;.'lo na renda familiar
e se ja prestou vestibular antes na UFMG (PVEST).
TRAS':"LHA in {1,2,3,4j:
I
I-I)TIVO - 1:
I
I
PAATRElIin{1,2j:
I
J
t
E'RBVEST in
as
area de exatas. A arvore trouxe como as
66
Trabalha atu3.lmente com remuneracao?
2 - Sim, rna.
l _Sim,
e tnb.tho
~o 20 hor ••
3,11"
1 - liliotnb.lho
11;-I0'Il.
4 - Sim, de 21 • lO hor.s
2.Il'll.
5 - Sim, de l1 • 4Qhor••
Ii _ Sim, millis de 4l) h.ons
aCrnilnlls.
GRAF. 5: FREQ. DO ATRIBUTO SE 0 AlUNO TRABALHA COM REMUNERAc;;Ao.
o
exatas
maior volume
s~o
candidatos
alunos
que
de candidatos
(4.919,
sem classifica<;:ao na area de
ou seja,
19,36%
de todos
e de 78,40% dos alunos de exatas) e estes mesmos possuem
indice de aprova<;:ao, que e de 29,30.
passu! menos chance de aprovay:io
o
aprovados
n~o trabalham
maior volume
Foi canstatado
que, quem
mais trabalha
na area de exatas.
de candidatos
sem classificay.ao
na area de exatas
alunos que nao trabalham (9.976, ou seja, 39,26%), embora estes possuam
indice de sem classifica~o
os
a maior
(59,50 %), ainda assim sao
0
sao
menor
0
maior grupo de sem vaga
embors 0 pior dos indlces de nao classificados.
Pars reforyar a hip6tese que a maioria dos alunos aprovados
como todos ja previam
caracterizador
apresentado
hip6tese,
e como resuttado
de candidatos
acima,
em bora
juntamente
nao
tenha
apresentado
e justa mente
com
trazido
se ele trabalha
a tabela,
nenhum
tende
sao estudantes
pela aIVore como
au nao.
somente
resultado
melhor
0 grafico
a reforyar
inesperado
ate
essa
este
momento.
Peg amos 0 segundo n6 raiz, que pode nos caracterizar
a escolher a flrea de exatas
melhor 0 que 0 levou
67
TA8 !5:ATRI8UTO
MOTIVO PElO QUAL 0 ALUNO QPTOU PELA of>\:Ao
Moti'lO principal dOlescolha
do CUf'O
1 Cootribuil;.io para 8
Aprovatk»
DE CURSO
Sem Clas'5ificaylo
GBndidBl:os
Tot"
..
5.714
3e,53%
Total
Q.454
5.SQ7
37,59%
9.155
..
2,575
••
1.825
20,08%
3 - Pre~ljgio Profissional
128
2,04~
02t1
4,01%
031
4 - Inf!. Familia e terceiros
83
1,00\6
242
1,55%
350
1,38%
27
0,431ft
7.
O.4~
126
0,_
1046
26,2n6;
1Q,SIJM.
5.340
21,O~
Nulo
10
O,1fNo
3.051
36
Tot"
6.274
l00.0~
15.044
O,2~
1OO,Oar..
51
25.407
0,20%
100,~
Total
41,04"
37,21"
Sociedade
2 - MercOOo de trabailoo.
5
Baixa relaQAo
~,O3"
3.56~
candidatolva a
/5 - Outros
Motjyo
1 -
princinal
para e.s.colha cia Cllrs0.2
.,.,
Conlribui4jJo p.u.
~.
,.,.
2 - tolstc.dodetr~hB .
3 •PreJligio Profinion3l.
".
4-lnfl.
~
,,<
Familil'
eloYceirOI
5 - s.ixa re~1XQOditbtOI
Va!lD
"'"
GRAF. 0: FREQ. DO ATRIBUTO
MOTIVO PElOQUAL
0 ALUNO OPTOU PELA DPeAD
DO CUR SO.
o maior volume de candidatos aprovados na area de exatas sao alunos que
tern como motiv~, contribuir para a sociedade (2.575, ou seja, 41,04% dos
candidatos aprovados), estes mesmos passuem a segundo maior indice de
aprovac;ao (27,2%). Os que tern como motivo mercado de trabalho (1.825, 29,08%
dos aprovados), possuem tambem um dos maiores indices de aprovaryao, que e de
29,9%.
68
o
maior volume
de candidatos
alunos que t~m como motivQ
sem classificat;ao)
sem classificayao
area de exatas sao
na
mercado de trabalho (5.897, 37,69% dos candidatos
0
embora sejam candidatos
sem classificac;:a.o que possuem
dos menores indices (64,4 %). SeQuido de perto de candidatos
a contribui<;ao para a sociedade
urn
que tern como motive
(5.714, 36,53% dos candidatos
sem classific3<;ao),
embora esses possuam a segundo pior indice (64,4 %).
Constatou-se
proprios candidatos,
atraves
dos
dados
dos
questionarios
respondidos
pelos
que 0 nosso cliente deve possuir como motivQ para ~nfase na
propaganda como contribuir para a sociedade e 0 mercado de trabalho.
o
trabalha,
perfil onde teve urn indice maior de aprovac;:~o foi quando 0 mesma nao
quanta mais tempo ele trabalha,
men ores sao as chances
deste
ser
aprovado na area de exatas.
5.1.2. Experimento
sem os dados inconsistentes
Devida a grande taxa de erro gerada pela base de 97, foi desenvolvido
macro,
que roda juntamente
qryConsiste,
qrylncansiste
com um modulo,
e a qryMaximos,
bases, a DbCansiste au a Dblnconsiste,
consistentes
dos inconsistentes.
explicado anteriormente
Depois
inconsistentes.
que separam
uma
de 3 querys,
a base de 97 em duas
ou seja, este algoritmo separara os registros
0 funcionamento
da separayaa
dos dados
esta
no item 4.1.
de rodada
a macro,
somente
Isto se explica facilmente
grande diversifica~ae
que, com a auxilia
dois registros
foram
considerados
devido ao grande numero de atributos e
a
dos caracteres dos candidates
Fei gerada uma ~IVere chamada
de 8IVore97_Consistente.txt,
ainda urna taxa alta de erro, como mostra a FIG.12.
enos
gerou
69
Evaluation
on tminin\;l data (319~
Before Pruning
Size
Errors
16900
2855 (8.•••)
itens):
Size
6753
Aft.er Pruning
Errors
5506 (17.2"')
Size
6753
Errors
5568 (.40.6%)
Evaluation on test data (13707 itens):
Before Pruning
Size
16900
Estimative
(30.2%)
After Pruning
ErrOl'$
6148 (44.9%)
Estimlltive
(30.~)
FIG. 12. TAXA DE ERRO DA ARVORE97_CONSISTENTE.TXT
A TAB.12 nos mostra
treinamento
urna taxa de eITO grande, de 17,2% na base de
e de 40,6% na base de teste.
Os atributos que a arvore traz primeiro sao as que melhor caracterizam as
candidatos. A arvore trouxe como as quatro primeiros
TURN02G,
PRE,sTOUVE.5T
TIP02G
n6s as atributos:
PVEST,
e ESCOlA2G.
in {I,l.'}:
I
I
TUR,I02GRAU
I
TIP02GRAU
I
I
I
=
l'
in
(1.2.oC):
E3COlA2:GRAU
in {1 ..4}:
FIG. 13: INICIO DA ARVORE97_CONSISTENTE.TXT.
TAB T FREQ DO ATRIBUTO PRESTOU VESTIBULAR ANTERIOR MENTE NA UFMG
$",,"d~ni1~¢..
~
T,,,,,
2.""
27.>3
12.575
5.71
l.ns
12.75
Tot')l
l-tUo.
2-lim,scmoc:nduir
",
rgr\1U
1.2(;
.•- Sim.
:.prov.o.. m;lI n,jo
matrirul.xlo.
(I - Sim, ~~.,
m~; prctanck
obtCI
Mfllgrlldu,~a
7-
S'm.
cutrll ,itur,.b.
'004
5.2A2
10.»2
35.>5
lCS.l~3
1..••
2.'7
2."
5.03
2.197
0.00
203
91.1
0.17
001
C.ndid~os
~
".25
11,"7
0.02
."
2 ••
0."
A tab.7 pode nos mostrar urn lugar onde seria interessante
divulgayao em escolas de 2
0
nenhuma
descoberta
concentrada
grau, terceirOes e cursinhos,
surpreendente.
na OPCA01.
Mas
0
A maior quantidade
17
"0
fazer urna
apesar de n~o ser
de candidatos
esta
maior indice de aprovac;ao esta entre os
70
candidatos
indice
das op<;oos 4, 5, 6 e 7, embora
de aprova,ao
de 35,87%
na op,ao
sejam em menor nemero,
aprovado
Prest"'! Vrstjlar
sendo
0
maior
mas nao matriculado.
Anlerjormentcl.
,..
7 - Sim, outr. SitU','O
, •Sim, IOU (ormada em
cur.osuperiar,m.s
prll'tcndoobter ou1n ----~~~~~~~
2-Sim,scmconeluir
o2"orlu
I)r.du~.u
'"
:5•Sim, jil
.01,1
""
m••ritulldo,
I1IIS P' ctC!lIl1o IIlUdir
de
tur.oe!Qutlt:
c.1~ledllwnto
"
GRAF. 7: FREQ. OOATRI8UTO
Continuando
TURN02GRAU,
estudaram
vestibular
a maior
and.
grlu?
voc6
{liZ mJior
analise
45.689
parte
anteriormente
TAB 8" ATRJBUTO QUAl
Turno
a
dos
PRESTOU VESTIBULAR
aeirna,
candidatos
do 2° grau
nas condi¢es
0 TURNO NO QUAl
pul. do ~
"
ao
durante
anaiisando
vestibular,
NA UFMG.
segundo
0
75,80%
a condi,ao
atributo
(34.631)
1 (diurno)
deles
e prestaram
1, 2 e 3.
ESTUDOU MAJOR PARTE 00 2" GRAU
"'''''''-Tolo1l
l-Diurno
•• eo
e_
2-tlolurno.
11.00
1.111
Nulol.
U20
2U
Som.
agora
ANTERIORMENTE
"Xl"
!emd~~jo
"
73.03
"'04
0.13
Candid.atOi
Tot.l
,...,
21,2')5
36
211i"63
TotA'
75.eo
"
3-4.eJl
2403
10'0177
UIB
100
.,
'""'"
71
GRAF.
e:
FREa. DO ATRIBUTO TURNO NO QUAL F01 FEIlO "WOR PARTE DO 'Z' GRAU
Dos 45.689
durante
0
candidatos
ao vestibular,
dia e 10,977 (24.03%)
estudaram
34.631
(75.80%)
principalmente
deles
durante
estudaram
a noite no 2°
graLL Sendo que a [ndice de aprova9:1o foi superior para quem estudou durante 0 dia
(25.89%),
embora,
aprovados
foi maior no periodo
0
indice
dentre
as que tiveram
noturno
(68.23%),
classificayao
pouco
maior
e n~o foram
que as diurnos
(61.32%)
Continuando
a analise acima, agora analisando
dos 41.689 candidatos
com 0 tipo 1,2 e 4, prestaram
estudaram durante
TAB 101"
ATRlBUTO
Tipo do curso
0
vestibular
terceiro atributo TIP02G,
anteriormente
nas condiC(6es
0 2° grau
1, 2 e 3 e
dia.
TIPO DE CURSO DECONCLUsAo
eM concluslo
0
ao vestibular, 62,789% (28.688) destes concluiram
do 2°
"'proya~io
DO 'Z' GRAU
S.rn
Candidllios
clusmc~io
1 - Nio prvfinion.al;::<lnle-.
2..~J
-4_0utrooquiVllllnte.
Nulos
0.20
'"
"
>l
10.007
o.t>!
0.27
170
0.91
-4.•G
77
021
130
28.763
100
72
l-Supletivo
5,"';'
4 _ Outro
""""'---
GRAF.!jI: FREQ. DOATRIBUTO
Dos 45.689 candidatos
cursos nao profissionalizantes.
opyao (25.89%), embora,
0
Equivalente
O,III'N.
TIPO DE CURSO DE CONCLUSAO 00 2"'GRAU
ao vestibular,
Sendo
0
31.493 (68.93%)
deles estudaram
em
indice de aprovac;Ao tambem superior nessa
indice dentre as que tiveram classifica<;.ao e nao fcram
apfevados fai maior em tipo de cursos supletivos (57.94%).
Continuando
a
analise
candidatos
agora
concluiram
2° grau com a tipo 1,2 e 4, prestaram
condiyOes 1, 2 e 3 e estudaram
ao
analisando
dos
0
41.689
aeima,
ESCOLA2G,
vestibular,
a
quarto
40.156%
vestibular
atributo
(18.347)
deles
anteriormente
nas
durante a dia e, alem de tudo fizeram a maior parte
do 211 grau em escolas federais e particulares.
TAB 10· ATRIBUTO ESCOLA NOaUAL
Es.cohl
onde
fR:' m"ior
grllu1
1 -Publica
,
2
Fedtr;lL
PUblic:.:. EatadWiI.
PtJbliaMunic~l.
~PJlrticulilr.
5-Cur:r.oUvrot
~rtR
do 1'"
F01 FEITA MAIOR PARTE DO ?" GRAU
SemcliluificiliJo
"'pI'oy~io
,.,.
."
Toal
""
"
"'5
lo1el
05'
'.502
,.
....•
1,021
".070
47.:20
051
13,577
CiIfldidil101l
"
.•.
n
Tobl
2.'151
30.•.•
12.74
so.,
0."
~,.ela
2~:~
0.1.01
10,QG1
100
45.540
73
5.CursoUvre
. Public. E.ttdual
lO,'<W.
GRAF. 10· FREQ. DOATRIBUTO
ESCOLA NO QUAL FOI FEITA MAIOR PARTE DO -Z-GRAU.
Dos 45.689 candidatos ao vestibular, 23.252 (50.89%) deles estudaram em
escolas particulares. Sendo que
foi superior
0
indice de aprovayao de escolas publicas federais
nessa op<;:~o (38.76%),
embora,
a indice
dentre
as que tiveram
classifica<;ao e nao foram aprovados foi maior em escolas publicas estaduais
e
munidpais (am bas com 69.9%).
Concluiu-se
a partir deste experimento
.. ~:~~~::;;:;
;:;::rticulares
faz.erem
que seria interessante
urna divulga«ao
em
particulares e federais, terceiroes e cursinhos, independente
-
.~<
I.., :..:·;e:0
p!incipalmente
profissionalizantes.
supletivos,
mas
nao
escolas
de
para as
2° grau
do tumo, levando em
descartando
cursos
Com a experimento conseguiu ':e ~cr-:-::~:h
, :. ~~ ~:; ,-;nivc~iuades particulares estuda nestes lugares.
nao
74
5.2. Base de dados de 96
Este banco de dados
contem as dados cadastrais,
as respostas
as perguntas do
questionario s6cio-econ6mico cultural, as notas e as respostas as quest6es das
provas da l' etapa dos candidatos ao vestibutar da UFMG no ano 1996.
A base original possui 40.291 candidatos cadastrados. Contendo 271 variaveis.
Desta base foram selecionados
e exclusos atributo$
que n~o trariam beneficia
ao
experimento. Seguindo os passos utilizados no experimento 5.1.1
5.2. 1 Experimento
a base inteire.
utilizando
Foi gerada uma arvore chamada de arvore96.txt, com 40290 registros,
sendo 28201 na base de treinamento (70%) e 12089 na base de teste (30%), e esta
nos gerou ainda uma taxa alta de erro como mostra a fi9.14.
E\elUlltion
on training dala (28201
Bebre
Size
15272
ilens):
Pn.ming
After Pruning
Errors
Size
2217 (7.9")
E...elualion on lest data (12089
8035
Estimll:ti...e
(30.7"')
ilens):
SiZ~eforePru;~~rs
15272
Errors
3981 (14.1")
5698 (47.1~)
----,s"'iz"'e,---
__
8035
5372 (44.4%)
A'i:;;;;.,;:r:::~C'nl"'n"'in"-9--cE":s"tir::::n::>.t"'i",::-l
(30.7%)
FIG. 14: TAXA DE ERRO DA ARVOREQ6.TXT
(a)
---3499
405
50
1709
(b)
---274
110
21
252
(d)
(c)
---- ---37
1612
14
470
19
358
113 3146
<-dassified as
(a):
(b):
(c):
(d):
FIG 15: MATRIZ DE CONFUsAo
dass
dass
dass
dass
2
1
3
4
DE 96
A fig.14 nos mostra ainda uma taxa de erro grande,
treinamento
e de 44,4%
na base de teste.
de 14,1%
na base de
75
Os atributos que a arvore traz primeiro sao as que melhor caracterizam
candidatos.
ESCOLA2G,
TAB
11' FREQ
as
A arvore trouxe como as quatro primeiros n6s os atributos: TURN02G,
TIP02G
e RESIDEN,
OOATRIBUTO
TURNO tlIOQU!-\l FOI FEITAMAIOR
Em .:juallurno YOI;.t utudou mlio
do 2"QrilU 1
•.
1-0iurno
31,:J)
A.prlW~
p1rte
,-
2-Nort •..
',51
0,10
."""
.•
PARTE DO?GRAU
&t:"'~n","~o
Totil.l
,-
,""'"
,.len
ZO,'"
14,&4
0,11
C,mdioJloa
, Total
Total
"is,eo
,"""
=
D,94
..,.,
""'"
'00
40.30
0,,.
'"
'''''''''
'02
2-lf~!Jlno.
~J•
.g.f'
GRAF. 11: FREO. 00 ATRIBUTOTURNO
Dos 40.290
candidatos
dia e 9,647
(23,94%)
ao vestibular,
estudaram
que a indiee de aprovaylio
Indice dentre
periodo
noturno
(61,16%),
20,541
(75,80%)
principal mente
foi superior
as que tiveram
NO QUAL FOI FEITA MAlOR PARTE DO'rGRAU.
durante
para quem estudou
deles
estudaram
durante
a noite no 2' grau,
durante
a dia (73,16%),
classifica~o e nao foram aprovados
poueo maior do que do diurno (58,73%),
a
Sendo
foi maior
0
no
76
Continuando
ESCOLA2G,
a
dos 40.290
TAB 12- ATRIBUTQ ESCOlA
EtcCl:1
ood41
voc~ fez
maier
parte
analise
Aprovao;,iio
Publica
3.14
6.47
munic:~pll.
4-.P,rtieuIJr
5-Cufto
analisando
Livre
atributo
HuIoo
3.414
17.!D
7.ICC
71>1
2.&54
12.38
4078
7.375
51.1e
2(1014
1.514
10.e5"
0.02
101111
"
1.34
370
Som.
CIJOdid3loo
101.111
"
1._
2<l."
0.11
5<0
18.:30
45
029
10
0.<»
!i07
2.041
12.4141
3:1.61
".
0.52
10000
100
1.
16000
2 - pUWio!l
segundo
0
~em c:f.~;rIl;.!llfSo
Total
"
federal
2-PUblic,IMoIltdwl
3-
agora
ao vestibular.
NO QUAL FOI FEITA MAlOR PARTE DO 2*GRAU
do
2"grllu?
1 -Publa
aeima,
candidatos
:>OIl
000
36
..,2IlO
"',.,,,
e:bdulil.
4·PartiCl.lllt
$1,1f..y.
5 - CUrto IMe
O,52f4
GRAF. 12: FREQ. DOATRIBUTO
Dos 40.290
candidatos
ao vestibular,
escolas particulares.
Sendo que
fai
op~~o (61.97%),
superior
classificayao
municipais
nessa
0
DO?GRAU.
(51.16%)
deles estudaram
em
indice de aprovac;ao de escolas publicas federais
e nao foram aprovados
(ambas com 57.25%).
ESCOlA
20.612
embora,
0
indice
dentre
foi maior em escolas
as
publicas
que
tiveram
estaduais
e
77
TAB 13' ATRIBUTO
Tipo
do curso
rlPo
concludo
de
DE CURro
NO DUAL Fel FEITA MAIOR PARTE DO 2" GRAU
do 2-
grolu?
Tolal
27.47Q
"
1 - Nlo proOuionl.llz.anltl.
2 -ProfinionaUunle.
24.61
1- Suphttlvo.
,,- Oulro equlv.Jlenle.
5,03
1,04
41'
129 "
Nulos
100
SomA
1.2'"'Nlogreu
68,~
GRAF. 13: FREQ
Analisando
(68.20%)
deles
aprova~o
tiveram
0 terceiro
estudaram
tambem
00 ATRIBUTO
superior
classjfica~o
e
atributo,
TIPO DE CURSO DO 2- GRAU.
dos 40.290
em cursos
candidatos
ao vestibular,
m;o profissionalizantes.
nessa Op,80
(49.91%),
nao foram aprovados
embora,
Sendo
0 indice
20,614
0 indice
dentre
foi maior em tipo de cursos
de
os que
supletivos
(57.36%),
Continuando
dos 40.290 candidatos
TAB 14' ATRIBUTO
a analise
aeirna, agora analisando
ao vestibular.
LUGAR DE RESIDENCIA
lugilrde Residenciil
,
1 - Belo
Horlzontll!
Grande
BH
3 - Interior de MG
,,- Outro E~lado
CAndidatos
"','" "
12.1'3
Totil'
",...7
_7
18,57
7~
5,'"
21~7
5 - Oulro Pais
0,10
41
Nulos
O,H5
80m.
100
'"
<0,200
0
quarto
atributo
RESIDEN,
78
LU!lM
de
resifl~ncia
1 -Be!oHorizonie.
S'3,S6'Yt
GRAF. 14: FREQ. 00 ATRIBUTO
Analisando
(63.66%)
nessa
residem
quarto
0
op<;iio (44.79%),
foram aprovados
particulares
embora,
e
aprova~o
ou
candidatos.
Com
pel a
0
area
candidatos
uma
os que tiveram
do
que
central,
candidato para as universidades
optando
conseguiu-se
turno,
por
25.647
superior
classifica<;iio
seria
em
e nao
interessante
para
escolas
2°
levando
onde existe
abranger
de
em
n~o profissionalizantes.
em areas metropolitanas,
experimento
tambem
(55.65%).
divulga<;ao
cursos
ao vestibular,
indice de aprova~o
experimento
independente
e tambem
optar par fazer a divulga<;~o
0
Belo Horizonte
fazerem
estaduais,
supletivos
dos 40.290
Sendo
indice dentre
a partir deste
particulares
principalmente
0
foi maior na grande
Concluiu-se
universidades
atributo,
em Belo Horizonte.
LUGAR DE RESiD~NCIA.
maior
considerayao
Pode-se
0
as
grau
ainda
maior indica de
quanti dade
de
somente dizer que a melhor perfil do
particulares estuda nestes lugares.
5.2.2 Experimento de inconsist~ncia dos dados de 96
Devido
Inconsistencia.
inconsistente.
a
grande taxa de erro gerada
Nesta
base
nao
foi
pela base de 96, foi rod ada a macro de
encontrado
nenhum
registro
considerado
79
Islo tambem S8 explica facilmente
devido ao grande numero de atributos e a
grande diversificayAo dos caracteres dos candidatos.
5.3. Base de dados de 95
Esle arquivo Gontem
questionario
as dados cadastrais,
s6cio-economico
as respostas
cultural, as notas e as res pastas
as perguntas
as quest6es
do
das
provas da l' etapa dos candidatos ao vestibular da UFMG no ana 1995
A base original possui 39.485 candidatos cadastrados. Contendo 225 variaveis.
Oesta base foram selecionados
e exclusos atributos que
nao trariam beneficia ao
experimento. Seguindo as passos utilizados no experirnento 5.1.1.
5.3.1 Experimento
utilizando
a
base inteira
Foi gerada urna arvore chamada de arvore95.txt, com 39485 registros,
sendo 27781 na base de treinamento (70,4%) e 11704 na base de teste (29,6%).
Esla nos gerou ainda urna taxa alta de erro como mostra a fig.17.
eV3lu3tion
on trllining dWI
Before
(277151 it_)"
Prunirl,9
Al'lerPruniP,Q
Sin
9-6iI
EvalvJliotl
on
W7(3.3¥.)
tnt dIU
Pruning
(b)
8854 733
1689 429
(e.SlI)
E.tirmtive
(15.4~)
AI\efPrunin
Errors
Sin
2!5M(2A.M.)
3411
FIG. 17. TAXA DE ERRO DA ARVORE95.TXT
(8)
Errors
2324
(11i'04I!ens):
Before
Size
Q45Q
30411
<-classified as
(a): class 0
(b): class 1
FIG. 18: MATRIZ DE CONFUsAo
DE Q.5
E~
24))(20.9'-')
Estimal(o.<e
(IS.,",,)
80
A fig.17 nos mostra ainda uma grande
treinamento
Os atributos
candidatos.
CODOPCAO,
taxa de erro, de 8,5% na base de
e de 20,5% na base de teste.
que a arvore
traz prirneiro sao os que melhor
A arvore trouxe como as quatro primeiros
PRESTOUVEST
caracterizam
nos as atributos:
QUANTVE,
e ESCPAI.
~NTVEin1:
I
c.oc:xJFCA.O=:!9: 1 (12.0)
I
COOOPCAOin {l,l,J,I5,7,8,9,10,11,12, 13,14.1~,17.1e,22,23,~.27.2a.,2i.31
I
I
PRESTOWESTin{1.3,4.!5,6.7}:
I
I
I
ca::oFCAO
in{4.5.16.1!),2Q,21.24,JO,53.34,3SI,44,45}:
I
I
I
~ltn{1.2.3.4,5.6}:
FIG. HI: INlelO
TAB
,32.;!5.~,37.3e."0.41."2."J."0}:
0 (0.0)
DAARVOREQ5.TXT.
15' FREQ OOATRIBUTO
QUIntO. ~"HIibulllr•.•jj prellou nil
UFMG7
QUANTQS VESTI8ULARES
AFro,,,,~jo
JA
PRESTOU NA UFMG
c.ndi::l.atos
RepfOV~
2.•••
"
Totll
07
47.21
H5.640
53QI
21.31
e,."14
".06
11.cel
3-DoiJ.
3.31
2.'"
1.DIl
7."
3.143
11.27
4440
.of-TrK.
1.""
505
3,17
125<1
445
1.757
003
""
1.••
"'"
2."
00!l
4
0.02
121(lj1
'00
"
.'"
l-Nenhum
2-UM
5
Ouatrnoumais
Nulos
0.01
Soma
Tot.1
7.37e
om
"
Tot;JIl
2'1.260
""405
l-Nen~m.
53,91%
GRAF. 15: FREQ, DOATRIBUTO
QUANTOS VESTIBULARES
JA PRESTOU NA UFMG
as
-
81
Dos 39.485
vestibular
candidatos
anteriormente.
prestou
vestibular
ao vestibular,
21.286
(53.91%)
deles
nunca
Sendo que 0 indica de aprov8C;8o foi superior
anteriormente,
mais
especificamente,
quem
ja
prestaram
para quem ja
prestou
vestibula res (29.35%).
TAB 16- FREQ
COdigoda o~ao
DO ATRIBUTO
curso?
de
COOIGO DE
OPCAo
Aprov<W;'ao
Reprovados
Candidatos
%
Total
%
Tolal
";.
Administra!faoDiurno
0.25
100
1.77
699
2.02
799
Administra((aoNoturno.
0.25
0.44
100
2.04
806
2.29
006
175
3.08
1.218
3.53
1.393
0.30
119
0.24
94
0.54
213
Arquitetura.
BelasAnes
Total
0.35
140
0.55
218
0.91
358
Ciencia da Computayao.
0.52
207
3.23
1.275
Cif!ncias
BiolOgicas
Oiumo
0.40
159
1.06
427
3.75
1.48
586
Ciimcias
Biol6gicas
Noturno
81
0.79
311
0.99
392
CienciasContabeisNoturno
0.21
0.42
164
2.27
896
CienciasEconomicas
0.41
162
1.34
529
2.68
1.75
691
CienciasSociais
0.33
130
0.69
273
1.02
403
Comunica~aoSocial
0.30
1.52
1234
Biblioteconomia.
Direito
Educa~30
0.50
Fisica
1.482
1.060
119
3.13
3.43
1.353
''''
13.27
5240
14.79
5.841
198
1.57
618
2.07
816
S43
DAD
158
0.98
3B5
1.38
Engenharia
Civil
1.02
'(ll
2.09
627
3.11
Engenharia
Ehi!trica
0.39
155
1.43
565
1.82
720
156
1.41
f/57
1.61
713
EngenhariaMetalurgica
0.40
0.25
0.51
201
Engenhariade
Enrermagem
EngenhariaMecanica
97
0.26
0.21
82
0.30
120
0.51
202
EngenhariaQuimica
0.25
97
0.56
220
0.60
0.46
317
Minas
104
1.228
Eslatistica
0.15
58
0.31
123
Farmacia
0.61
240
3.32
1.311
Filosofia
0.19
0.34
136
0.53
210
0.13
53
112
181
1.551
FisicaDiurna
0.15
FisicaNotuma
0.15
58
0.27
106
0.26
0.42
Fisioterapia
0.21
84
2.41
951
2.62
1.035
0.37
147
0.58
228
0.21
81
GeografiaNo!urna
0.16
63
Geologia
Geografia
Diurna
164
0.33
130
0.49
0.15
60
0.15
58
0.30
118
His16ria
Diurna
0.20
78
0.46
183
0.68
261
Historia
193
Noturna
0.20
1.19
60
0.91
361
lelras
'71
1.26
498
2'5
969
MatematicaDiurna(licenciatura)
0.15
60
0.23
91
0.38
Matematica
0.10
0.31
124
0.42
165
0.47
187
0.62
243
Diurna
(Bacharelado)
56
0.71
281
151
MatematicaNoturna
0.14
Medicina
2.44
6.587
MedlcinaVeterinaria
0.59
1.205
0.09
dais
82
Odontologil
0.71
PIld~iaDiurn.a
032
Pldiilgogi.ll NoIurn.ll
'."
~1.
0.03
125
110
5 ••
2.=
1.14
451
3W
1.21
3.1Q
I.""
3Bl
4'"
1.500
0.13
5>
0.33
0.91
,.
O>:J
2.030
"'"
243
PslcolO!lia
OJ~2
OuimicaDiurrt:l
O.H~
0.14
50
022
0.21
02
0,",
Qufmicll
t~oturnD
T.rapjaOcupacional
5~,
7:376
••
0.3<5
""
301
1.20
413
32.100
100
30,_
144
~iidi'IO di) !2lts;:io de cur.o?
ATRIBUTOS 0.11.RAlZ:
,",-
QUTROS ATRIBUTOS
11,11'"
GRAF. 10".FREO. 00 ATRIBUTO
Dos 39.485
candidatos
apresenlados
ao vestibular,
no terceiro
ANTERIORMENTE
AproVllr;.iio
velltibul.r?
"
,
3,.
1-Nio.
C001GO
(88.89%)
Tolal
1.540
Reprov ••do
"'44
3Al
1_
Q.\8
7.21
2_
,,- Sim. fui .provldo,
0.'"
'"07
2.24
mas nlo Tnt!
sou malrlcull1do,
mn
Sim,jii sou formado em curso
superior, miill prelendo
radu.l~lo.
7 - Sim, ou\(a o~lo.
Nulol
Som.
as alunos
'50
0.53
obler
1<»
0.01
Total
13»1
3613
1Oe61
C;mdidalos
"
37.34
!l.se
:)4.24
Tota'
14.744
4060
13.520
"'.
303
l.IQl1\
'.n
1.663
640
2.S2'W
"'"
2.22
.,.
2."
1.087
4>:J
2,54
0.01
314
.,.
prelendo muda( de curso e/ou de
eSlabeleclmenlo.
,-
deles representam
NA UFMG
..
Slm, antes de concluir l' Grau.
3 - Sim, mas nio ful aprovldo.
tnltriculel.
5 _ Slm, j,i
DE op<;Ao.
n6 raiz.
TAB 17' ATR1BUTO PRESTOU VESTIBULAR
Vocej,i prestou
35.098
7.3i6
1003
~03
0.01
32.I~
100
1433
5
3ij4B5
83
Voce
@
urMtOI! vestillylar?
5 - Sim, iii IOU
mftlrl~ulado,tna.
mudor de
cur!(l eklude
e-:tebelecirnffito.
8,4M!.
3 - Sim, m•• nio 1\'li
flp'o"aoo
34,2.'"
B-Si'Il,jhou
7 - Sim, outn op'?io.
,..'"
GRAF. 17: FREQ. 00 ATRIBUTO SE PRESTOU VESTIBULAR ANTERIOR MENTE NA UFMG
Analisando
(37.34%)
quarto
0
nunca prestaram
vestibular anteriormente
aprovac;.ao superior
anteriormente
candidatos
56 que
dos 40.290
candidatos
anteriormente
e 13.520
de 25.01%)
e
0
candidato para
0
a partir deste
fazerem
que
14.744
ill prestaram
anteriormente
experimento
urna divulga9Ao
ja fcram prestaram
indice dentre as reprovados
que nunca presta ram vestibular
universidades
ao vestibular,
(34.24%)
nao foram aprovados na UFMG. Sendo a indica de
para lodos os candidatos
(media
Concluiu-se
e ap6s
atributo,
vestibular
que
em cursinhos
vestibular
foi maior para
(89.56%).
seria
interessante
para
e que a melhor
as
perfil do
aprovac;ao sao as alunos que ja presta ram vestibular anteriormente,
segundo
vestibular
na mesma
institui<;:to diminuem
as
chances
de
aprovayao.
5.3.2 Experimento de inconsist~ncia dos dados de 95
Devido
Inconsistencia.
a grande
Nesta
taxa de arro gerada
base
nao
foi
pel a base de 95, foi rodada
encontrado
nenhum
registro
a macro de
considerado
inconsistente.
Isto tambem se explica facilmente devido ao grande ntimero de atributos e
grande diversifica~o
das caracteristicas
dos candidatos.
a
84
5.4. Base de dados de 94
Este arquivo
questionario
contem as dados cadastrais,
s6cio-econ6mico
cultural,
as respostas
as notas e as respostas
as perguntas
as quest6es
do
das
provas da l' etapa dos candidatos ao vestibular da UFMG no ana 1994.
A base original possui 40.954
candidatos cadastrados. Contendo 225 variaveis.
Oesta base fcram selecionados
e exclusos atributos que
nao trariam beneficio ao
experimento. Seguindo os passos utilizados no experimento 5.1.1.
5.4.1 Experimento
utilizando
Foi gerada
uma
a base inteira
arvore chamada
arvore94.txt, com 40.954
de
sendo 28.674 na base de treinamento (70,02%)
registros,
e 12.280 na base de teste (29,98%).
Esta nos gerou ainda uma taxa alta de erro como mostra a fig.20.
Evaluation
on training data (28674
Before Pruning
Size
9895
ilens):
After Pruninq
Errors
Size
951 (3.3%)
3766
Evaluation on lest data (12280 ilens):
Before Pruning
Size
Errors
9695
3084 (25.1%)
Errors
2416 (8.4")
After
Size
3766
Estimative
(15.7%)
Pruning
Errors
2595 (21.1'i'o)
Estimative
(15.7%)
FIG. 20: TAXA DE ERRO DA ARVOREIM.TXT
(a)
(b)
8998 849
1866
567
<-classified as
(a)' class 0
(b) dass 1
FIG. 21: MATRIZ DE CONFUsAo
DE Ii4
A fig.20 nos mostra ainda uma grande
treinamento e de 21,1 % na base de teste.
taxa de erro, de 8,4%
na base de
85
Os atributos que a arvore traz primeiro
s~o os que melhor caracterizam
os
candidatos. A arvore trouxe como as quatro primeiros nos as atributos: CODOPCAO,
TURN02G,
CO()()PCAQ
QUANTVE
in (1.2.3,4,7,O,lO.I'.'2.13,
I
TURt.fQ2G '"1:
I
I
I
QlJATV£;l'
I
I
e PRESTOUVEST
1•.'7.'U3,27.31,3.2.36,37,3&.3i.~'" A2,-43.~:
UNCue~T-I:
FIG. 22: INICIO DAARVORE04.TXT.
TAB 18' ATRIBUTO CODlGO DE
C6digo ds op;jo de CUr50r
Admini"drayjoDiurno.
Nolumo.
Adrninistr~
Arqu~tluril
B~uAr1n"
Bibliottconomi.l.
Cienci;, da
Cornputll~io.
opc;:Ao
Reprovado
Apll.1V~o
"
Tol.l
0.'"
107
"
0.2~
100
3.03
0.40
leo
2.40
1.~'
""
1.242
"
Tot.1
3.~
1.342
2.17
1.141
0.23
••
0.21
67
002
0.42
174
0.34
136
076
0."
3.29
Biol6gic.,
Diurno
O.~
""
Ci4ncin
Biol~ic.aa
tlolurno
0.21
eo
OA"
Holurno
040
160
1.37
"'"
2.81
"""
Ciinciu
Citnciaa Conli~i,
Clndidat01l
Tol.l
312
1.346
3.03
"'lOll
"
1.81
742
0.70
205
1.1511
1.1~
3.21
1.313
Econ6mic»
043
"3
175
2.81
Ciincin
0.1>6
J05
1.30
570
Cifncin
Soc~ia
033
137
0.75
1.00
443
031
125
3.17
"'"
1.""
3.47
1.'"
OA~
!DO
5657
1570
Educac;;io Fisici
302
571
1."
Enf~rn
0.65
,..
14'"
1.30
1.20
400
1.65
--
En".nh:lriaCivil
W5
4:D
1.7e
71\l
2.81
1.149:
Engenhlri;l Elttric.l
0.30
100
1.30
1.7e
719
1."
036
1.~7
"""1<2
see
0.00
SociJI
Comun~io
Dir.i1o
Ef\{)enhlirNIt.'oCi'din;CIl
E~nh!lril
Metali.Mgica
E~.nhllri3deMinllS
E~eflhariJ
Quimica
E.tilli.tic.;a
FlIfrn6cia
"'"
lA23
m
".,
0,",
100
0."
106
0.24
"7
0.22
g)
045
107
<124
'"
0.52
213
<170
312
0.17
71
0.30
142
0.17
71
Z47
059
243
2."
Filosofiil
0.20
ao
0.27
"'66
111
0.47
101
Fi'icaDiurnl
0.17
70
017
71
0.34
141
3.25
1331
FiloicliNoturn3
0.15
03
0.24
101
O.lg
1.1>4
2.14
e75
0.22
'"
'".,..
0.30
Flaioler'pil
Gtoogr.fiaDiurmr
g)
0.23
\l5
0.45
105
Gt-ogr.rI3Noturna
0.15
OJ
0.31
129
,..
0."17
102
71
0.35
142
0 ••
300
442
1.20
Sl7
1.100
GooIog~
0.17
71
<117
Hist6ri.Diurru
0.22
01
Hi5l:6ri.:!
Noturna
021
116
0."
1.00
Letr••
1.17
470
1.74
712
2~1
M.J.tematicllDiuma (Licenciatuflll
0.17
71
0.20
100
0.10
43
007
,.
0."
Matern.tieil Diurna (Blichar.la:lo)
o.Ie
72
110
B8
.,
I •••
MltfmiticJNotufrnll
015
Medicirnl
341
1300
\\,32
4636
0152
254
1.005
0."
0.79
32
2.45
0.00
3:15
•.00
'"
0150
'"
MedicJ~Vol!t'rinari
.•
MUlte,
Odontologil
Pedll90gia
DKJrnl
0.31
Pedagogil
Noturna
0'"
PUoIogi~
0"
2_
"'434"
1 De
1.00
,.n
.,.
~07
0.'"
1.21
1."
<CO
60:"
1.""
-
:n
2.781
5155
0.'"
020
242
3,10
1.2eO
3."
11.511
Quimit.eDiurn;t
eo
O.,g
76
0.30
150
Qu1mica
0.14
51!
0.22
102
075
TerapiJ
'~oturn .•
025
OcupKioral
150
1.00
'OJ
32._
100
""-
""
0200
Som:!
0.37
""
COdin~ 113ondio de curso?
15,315'"
ATRlEiUTOSDA ~.lZ
64,64'4
GRAF. 18: FREQ. DO ATRI8UTO
Dos 40.675
apresentados
candidatos
Continuando
TURN02G,
TAB
ao vestibular,
no primeiro
dos 40.954
1\,- ATRIBUTO
a
34.427
analise
candidatos
acima,
"
TotOliI
17.27
7.075
2.'"
001
1.212
SO~
os alunos
agora
analisando
0
segundo
atributo
TURNO DO ~ GRAU
A""",ado
Nula.
deles representam
ao vestibular.
gf.u7
l-Diurno.
(84.64%)
no raiz.
Tumo ondi! vd fe:::malar parte do 'Z'
2-Nolurno
COOIGO DE OPCAO.
ReptovaOO
3
10200
"
Candidatos
Totll
••
57.16
23.410
22."
003
9,247
25.54
"
0.03
1
1",-
7",,43
1
Tot.l
"'10.~
1.
140.054
87
GRAF. HI: FREQ. 00 ATRIBUTO TURNO DO 2- GRAU.
Dos 40.954
candidatos
dia e 10.459 (25.53%)
que
0
indice de aprovac;iio
o indice
dentre
que os diurnos
TAB 20- FREQ
OoantOil vestibular"
UFMG7
3-Dois..
4_
Tres.
QU31ro
N,Ioo
,=.
ou mJis.
30.485
(74.43%)
principalmente
foi superior
os reprovados
deles
durante
para quem estudou
foi maior no periodo
estudaram
durante
a noite no 2° grau
durante
noturno
0
(88,41%),
pouco
OOATRIBUTO
iJi pMlou
nJ
QUANTQS VESTIBULARES
.•
AprovWilo
Total
NA UFMG
JA PRESIOU
R~prov~dos
Caoodllios
"
Tot",
"
TolO1I
,,"'"
3.383
47.44
10_
56.03
~71J
2.8<6
Hi~.2Q
7=
";00
3.25
1=
7.87
3.=
1.42
562
3.X)
1.351
4.72
1.033
0""
000
247
LSD
.,.
11.13
2.11
1163
1
0.00
11
0.00
12
6.210
32.600
10.&-;5
4.557
40=
0
Sendo
dia (23,21%)
(76,79%).
S.'"
l-Ncnhum
2-UM.
5-
ao vestibular,
estudaram
e
maior
GRAF. 20: FREQ. DO ATRIBUTOQUANTOS
VEST1BULARES FEITOS NA UFMG
Dos 40.954 candidatos ao vestibular, 22.948 (56.03%) deles nunca prestaram
vestibular na UFMG. Sendo que a indice de aprova<;:iiofoi superior para quem
prestou tres vestibulares na UFMG (30.11%) e foi maior nos reprovados que n~o
prestaram vestibular anteriormente (85.26%).
TAB 21· ATRIBUTO LINGUA ESTRANGEIRA
Em rell~jo 10 dominlo dl lingua
eslrangeira. em que lilua!;.1ovoc~
melhor se enquAdra?
Nio dominio de lingua
estrangeirl.
2 - In lis.
1-
I-Frances.
"-Oulr •...
5 - Dominio dUll lingua.
Aprov..:tos
Rtprov •..
dol
Total
"
Total
"
Total
'10
~""
43,Z3
17.7Oe
51.OS
:2(H111
4.1e3
"''''
"...
11.e2e
30.56
'.00
15.791
2.312
306
1.15
1O.!!5
1.30
0.17
072
•••
71
0'"
200
""
ellr~ngeirn..
Nulol
Soma
Candidllos
••
000
0.05
8.200
1.
32 •••
2.20
005
2.•••
"'"
"'"
I.
OJ.""
89
Em rcl"ciSp a Unmm
Cs1flJlIIICim
em flue shuftclto vocO se enguadm?
GRAF. 21: FREQ. DO ATRtBUTO LINGUA ESTRANGE IRA.
Analisando 0 quarto atributo, dos 40.954
candidatos ao vestibular, 20.911
n;io dominam nenhuma lingua estrangeira. Sendo 0 indice de aprova9~0
(51.05%)
foi superior nos que dominam duas linguas estrangeiras (32.78%)
e dentre os
reprovados
ou qualquer
0 maior
foi quem nae domina
nenhuma
lingua
estrangeira
outra al8m de ingles e frances (ambos com 84%).
Concluiu-se
universidades
fazerem
maior
de
indica
diminuem
a partir deste
aprovayao
as chances
alunos que estao
experimento
uma divulgac;c3o no
e apas
de aprovar;ao,
prestando
0
terceiro
que
a terceiro
sendo
0
junta mente
vestibular
vestibular.
Embera
estes
com os que domina qualquer
nao seja ingles nem frances.
na
mesma
a maioria
para
as
passu em
instituic;030
para as
dos candidatos
0
major indice de
outra lingua estrange ira que
0 maior Indice de aprovac;ao
daminam duas au mais linguas estrangeiras.
interessante
maior indice de aprov8980
nao tenha dominic de nenhuma lingua estrangeira,
reprovayao,
seria
tumo diurna, de cursinhos, onde existe 0
e
para os alunos que
90
5.4.2 Experimento
a
Devida
de inconsisMncia
grande
dos dados de 94
taxa de erro gerada
pela base de 94, foi rodada
a
macro de
Inconsistemcia, Nesta base nao foi encontrado nenhum registro considerado
inconsistente.
Isto tambem
grande
S8
diversificar;ao
5.5. Base de dados
explica
facilmente
dos caracteres
dos
devido
ao grande
numero
de atributos
e a
candidatos.
de 93
Este arquivo contam
as dados cadastrais, as respostas as perguntas do
questionario s6cio-econ6mico cultural, as notas e as respostas as quest6es das
provas da l' etapa dos candidatos
A base
original
possui
34.126
ao vestibular
candidatos
da UFMG no ano 1993.
cadastrados.
Contendo
245
variaveis.
Oesta base foram selecionados e exclusos atributos que nao trariam beneficia ao
experimento.
Seguinda
5.5.1 Experimento
os passos
utilizando
utilizados no experimento 5.1.1.
a base inteira
Fai gerada uma arvore chamada de arvore93.txt, com 34.126 registros,
sendo 23.874
na base de treinamento
(69,96%)
e 10.252 na base de teste (30,04%).
Esta nos gerou ainda uma taxa alta de erro como mostra a fig.23
Evaluationon training data (23874 itens):
Before Pruning
Size
Errors
Size
8076
743 (3.1%)
3203
After Pruning
Errors
1952 (8.21»
Estimative
(15.7%)
Evaluationon test data (10252 itens):
Before Pruning
Size
Errors
Size
8076
2611 (25.5%)
3203
After Pruninc
Errors
2249 (21.9%)
Estimative
(15.7%)
FIG. 23: TAXA DE ERRO DAARvORE93.TXT
91
(a)
(b)
<-classified as
(a) class 0
(b) class 1
7366 801
1627
458
FIG. 24: MATRIZ DE CONFUsAO
DE 93
A fig.23 nos mostra
treinamento
Os atributos
candidatos.
que a arvore
COOOPCAO
sao as que melhor
primeiros
caracterizam
nos as atributos:
14,15,16,17.20,21.22.25,25,27,29,30,32,33,34,36,37,38,39,41):
in {4,S,18.19,23.24,28.31.35.40}:
CODOPCAO
in II ,2,3,6,1,8,9,11,12,
LlNGUESTin
FIG. 25: INlelD
14,16,17.22.25,30,33,34,36,38,39,41}'
{1,3,4,S.7}:
PRESTOUVEST
I
_,"
DAARVORE93.TXT.
TAB 22- ATRIBUTO
COOl GO DE Op<;Ao
Aprovado
da o~30
Administra¥Ao
Reprovado
Candidatos
de curso?
Diurno.
Administra¥ioNoturno.
%
Tolal
%
Total
%
0.30
101
1.77
004
2.07
705
0.30
104
2.32
793
2.63
""7
924
Total
0.47
162
2.23
762
2.71
0.34
115
0.17
59
0.51
174
Biblioteconomia.
0.41
140
048
165
0.89
305
CiimciadaComputaf,:ao.
0.42
144
2.87
961
3.30
1.125
CienciasBiologicas
0.47
160
1.57
537
2.04
007
CienciasContabeisNoturno
0.50
171
2.33
794
2.83
965
CienciasEconomicas
0.48
164
1.22
418
1.71
582
CienciasSociais
0.39
132
0.74
252
1.13
384
0.36
124
3.46
1.181
3.82
1.3C5
1.8
614
12.87
4.391
14.67
5.=
207
1.37
468
1.98
675
635
Arquitetura.
BelasArtes
Comunica¥Ao
Social
Direilo
Educaf,:AoFisica
0.61
Enfermagem
0.47
161
1.39
474
1.86
EngenhariaCivil
1.17
399
2.02
689
3.19
1.068
Engenharia
Elelrica
0.47
162
1.63
555
2.10
717
Engenharia
Mecimica
0.47
161
1.31
448
1.78
609
Engenharia
Metahirgica
0.30
104
0.24
63
0.55
187
0.23
80
0.23
77
0.48
157
EngenhariadeMinas
as
CODOPCAO,
1 (11.0)
in (1,2,3,6,7,8,9,10.11,12,13,
CODOPCAO
Cooigo
taxa de erro, de 8,2% na base de
e PVEST.
CODOPCAO-35:
I
I
traz primeiro
A arvore trouxe como os quatro
lINGEST
I
I
I
I
ainda uma grande
e de 21,9% na base de teste.
92
EngEnharia
Qulmioa
.,
100
0.29
E.$otlltiw.ici
O.1!~
Farm.ici.
<171
Fllowfi,
025
?44
•..
042
145
0.40
135
2.00
0.24
0.25
••
025
Fisioterapil
eo
2.00
GeografilOiurnill
0.24
OJ
0.31
D.HI
eo
0.17
SO
0.'"
0.13
0.24
8J
0.20
Fisic3
t~oturn.
Geografia
Geologia
0'"
,.7
107
050
100
163
0.7d
260
1.43
405
,.9
2,.
1.00
••2
le_~
..
5037
'77
l.tO
122
1~7
.,.
0.73
14_~
4.•••
0.73
2••
2.42
025
Mmica
004
15
0.00
0
Odontologia
0.76
"'127
"
e.15
2.100
070
?O7
,..
Pe<i:lQOgil Diurna
037
P~{li.t~oturnl
036
PskoIOQII
0.73
240
3.07
Quimici
030
104
O_2~
,.
<120
00
0.87
2QO
Ocup,lcionl'
"',,"
"'0
1M
407
0311
TCfillpil
"'3
707
1.19
0,17
".
2.25
0.54
M21emoitica
V.'.rinjri.
Os.
0,54
l~r ••
Mediciml
100__
1.l~
&3
030
.,
Mi!dicilll
2<5
12.
0.18
Diurn.
0.57
44
Hi~6ri.lNoturnii
HbtOriB
•••
••
,."
072
3.31
1.04
6293
1.040
27.233
3.1.
004
,
1.15
1.,.
"""
050
11.14
100
"'"
371
1.073
-,..
15
2'-
472
1.201\
102
J4.12e
~!6l1im~~'a Ol!~50 fie I;;WIUl?
OUTROS ATfilBUTOS
99.95"
GRAF. 'Zl.:FREQ. OOATRIBUTOCOOIGO
Dos 34.126
apresentados
candidatos
aD vestibular,
no primeiro
no
raiz.
1.365 (0.04%)
DEOP~O.
deles representam
os alunos
Continuando
a analise
acima,
agora
analisando
0
quinto
atributo
LING EST,
dos 34.126 candidatos ao vestibular.
TAB 23' ATRIBUTO
liNGUA
ESTRANGEIRA.
Em rel.~io It lingu" eslrangelras,
em que silu .•~io vect melhor Sf!
Clnquadr,,?
"
Dominio parcial em [ngllb.
IUJ5
1-
~
Dominio parel .•1 em Frllnch.
-4 - Dominio filmFrancis..
205
0.13
5 _
Dominic P.•rci.1 eu
oulralinguilutr
lot.11
de
•.
~('"
1.162
100
36.-1'
1s':cg
13.12:2
47.a:>
704
2.<02
10.a:>
3_
7.76
0.•••
2.&47
ge,
3.347
""OJ
084
09'
310
, 45
430
1..;Q7
,.
23.0'
O.le
Candld<1llos
Tot .•1
Total
,..
,.7
210
0.62
1.02
34B
405
2.36
..,.
e."",
260'
O.H~
.•nllelril.
,- Dominic Parelal ou lotal de mOils
de uml lingua estrin Ilrl.
7 -
Tot .•!
..
2.- Dominio em Inalls.
,
.•
Reprov .•dos
AprovAdol
Nlnhum lingu .••• tr<1lngeira.
Nulo.
004
<10
0.14
."'"
S~.
Em relado
B Ullflua utrnnneirns,
27.m
em !lUI! sHul!do
voce
.,
gsro
34.128
IIlRlhor se erumadflll?
6 - Dc,miilio Porchl ou
totAl de mftis de umlt
lingua e,trq<;ifa
2.36"
7 - Nenhurn lingt.r.l
e-,trlll"'lgeirli.
28.01~
5 _lMrt,fni.J F'.rciul ou
tat~:~=I~Ul
-----""'i:'..
'P2"
••-Domlnlo
em
Fr.nce~
0;62'4
FranclU.
9,81%
l-Domiricrl*dltlem
~:.
".501'
2-DolT">lniQem~.
10,SK
GRAF. 23: FREO. 00 ATRIBUTO
liNGUA
ESTRANGEIRA
Dos 34.126 candidatos ao vestibular, 16.208 (47.50%) destes posslJem dominio
parcial
em ingles.
Sendo
que
0
indice
de aprovac;ao
foi superior
para quem
possui
dominio parcial au total de mais de uma lingua estrangeira (38.51%) e dentre as que
94
tiveram maior reprovayao
est~o as que n~o passu em nenhuma
lingua estrangeira
(84.34%).
TAB 24" ATRIBUTOJA
Voce
Jj prestou
PRESTOU VESTIBULAR
1-Nio.
2
Sim.
l-
Sim, milS
antes
de conclulr
n~
2- GUlU.
fui a rovildo.
4 - Sim, lui Iprovldo, mas niliome
matriculli.
mas
5 Slm, ja sou m;lltr1culado,
pr.tendo mud;u de cun:o eJou de
utabeleclmento.
•
Slm,J" sou forrNIdo em curso
superior.
mas
prtlendo
ANTERIOR MENTE NA UFMG
"
Total
~ro
1.571
::l1.O1
3.57
1.218
.57
.57
1.27
2.242
25.HS
"
<34
,..
2.24
.•
Rt revldc
Aerova'YJo
vetlibul.u?
0.64
2'.
".
"'"
Candldatos
Total
2.ee
.'"
2.56
34.&1
13.14
4 .•••
.""
31.75
"4
",.
1D.lD5
2.213
6.72
2'W77
.70
:llg
""'"
obler
r~ua'Yio.
7 - Sim. oulra o~io.
002
Nulos
."'"
S~.
30S
V~cA i~I\[@~IQII ~sibull1r?
4.34
1.041
0,",
'"
0'"'
>7.233
1-
Uag
""""
0))9"'\
4.34"~
2-Sim .•nte~de
coocluir
7-Sim.ouIr~0P'i!o.
3,19"1t
~
Grau.
J;4$1~
\
6-Stm,jat'!Ju
fOlm~etnCU'lo
~~::.::/
'upetior, rm.-: pretendo
m.l:ticu~ackl, mitt:
pretendo mudor de
e.bJ
de
e:t~o.
4,1611.
GRAF. 24: FREQ. DO ATR1BUTO SE JA PRESTOU VESTIBULAR
una
'40'
32
34.12\'5
~~ulCos
cur.!o
Tolal
lUll}
102.40
3._
ANTERIORMENTE
95
Analisando
(34.61
quinto atributo, dos 34.126 candidatos ao vestibular, 11.811
0
%) nunca presta ram vestibular anteriormente. Sando
superior
para as alunos
que
ja prestaram
vestibular
0
indica de aprov89Bo foi
anteriormente
embora
nao
tenham sido aprovados (30.61%) e dentre os que foram reprovados foram os que
nunca prestaram vestibular anteriormente (86.70%).
Concluiu-se
universidades
a partir deste
fazerem
urna
experimento
divulgay:.o
em
que
seria
cursinhos.
interessante
Embora
para
maioria
as
dos
candidatos tenha dominio parcial de ingles, os alunos que nao possuem dominio de
nenhuma
lingua estrangeira
e para
aprova~o
tern
0
maior indice de reprovayao.
0 maior fndice de
os alunos que tern dominic parcial ou total de mais de urna lingua
estrangeira.
5.5.2 Experimento
de inconsisMncia
dos dados de 93
Devido a grande taxa de erro gerada pela base de 93, foi rodada a macro de
Inconsish3ncia.
Nesta
base
nao
foi
encontrado
nenhum
registro
considerado
inconsistente
Islo tambem sa explica facilmente devido ao grande numero de atributos e a
grande diversificayao
5,6, Base de dados
dos caracteres dos candidatos.
de 92
Este arquivo contem os dados cadastrais,
questionario
s6cio-econOmico
as respostas
cultural, as notas e as respostas
as perguntas
as quest6es
do
das
provas da l' etapa dos candidatos ao vestibular da UFMG no ano 1992.
A base original possui 32.505 candidatos cadastrados. Contendo 245
variaveis.
Oesta
base foram selecionados
beneficio ao experimento.
5.6.1
Experimento
e exciusos
atributos
que na.o trariam
Seguindo os passos utilizados no experimento
utilizando
5.1.1.
a base inteira
Foi gerada uma arvore chamada de arvore92.txt, com 32.505 registros,
sendo 22.763 na base de treinamento (70,02%) e 9.742 na base de teste (29,98%).
Esta nos gerou ainda uma taxa alta de erro como mostra a fig.26.
96
Evaluation
on training
data (227(13 ltens):
Before Pruning
Size
7968
Evaluation
After Pnmina
Errors
662 (2.9%)
on test data (9742
Size
3012
Errors
1797(7.9%)
Size
3012
Errors
2155(15.4,!\)
itens):
After
Before Pruning
Size
7968
Estimtltive
(15.4~')
Errors
2640 (25.3'1\)
Pruning
Estimative
(15.4'1\)
FIG. 26: TAXA DE ERRO DA ARVORE92.TXT
(a)
(b)
<-classified as
(a): class 0
(b) class 1
6883 587
1568
704
FIG. 27: MATRIZ DE CONFUsAo
A lig.26
treinamento
nos mostra
ainda
uma grande
taxa de erro, de 7,9%
na base
de
e de 22,1% na base de teste.
Os atributos
candidatos.
que a arvore traz primeiro
A aNore trouxe como as quatro
sao as que melhor caracterizam
primeiros
n6s as atributos:
as
CODOPCAO,
e TURN02G.
LlNGEST
c.:cx:x::lPCAO
DE Q2
in (I,2.3.5.S.
7 .8,9,10,11,12.13,14,
15, 11S,17, lS.IQ.20,21
>22.D.2~,25.2e.27.2!!.:zg,x).Jl.32.33..34,.315.37.3!I.~,4:),41
J
I
COCIClf'CAQin{·I..:J:5I:0(O.0)
I
CODOPCAO in II ,2.3.4.7,6,9, 11,12.13..14,1S, 16,17,lg,2:l,21 ,22.25,27.2!ij.3J.::l2.3J.,3.4,315,37.38~/41J:
I
OOOO?(;AO in (4,5,1 e,2J.2.t~2!!.:)I.36 ..q: 010.0)
\ OOOO?CAOin (1.2.s.S,r.8.11.12.1e..17.Xl.22.25.N.30.33.304,3e..3IiI .• l)
FIG. 28: INICIO DAARVORE92.TXT.
Nao conseguiu-se
ramificayao
conduir
nada a partir desta base pois ela trouxe
muito grande com relac;ao ao atributo c6digo de op~o.
este problema
foi gerado
Inconsistencia
Dos Dados De 92, Sem a Atributo
urn novo experimento,
descrito
C6digo
no item 5.6.2
De OP9iio.
uma
Para solucionar
Exper.
De
97
5.6.2 Experimento de inconsistencia, sem 0 atributo c6digo de op9~o
Devido a grande taxa de erro gerada pela base de 92, foi rodada a macro de
Inconsistencia.
Nesta
base
nao foi encontrado
nenhum
registro
considerado
inconsistente.
Isto tambem
S8
explica facilmente devido ao grande numero de atributos e a
grande diversifica~o dos caracteres dos candidatos.
Este arquivo contem os dados cadastrais, as respostas as perguntas do
questionario s6cio-econ6mico
cultural,
as notas e as respostas
as quest6es
das
provas da l' etapa dos candidatos ao vestibular da UFMG no ano 1992. Foi excluido
somente a atributo c6digo de op~o per ramificar demais a arvore.
A base original possui 32.505 candidatos cadastrados. Contendo 24 variaveis. Desta
base loram selecionados e exclusos atributos que nae trariam benelicio ao
experimento. Seguindo os passos utilizados no experimento 5.1.1.
Foi gerada uma arvore chamada de arvore92_semcodopcao.txt, sendo
22.763 na base de treinamento (70,03%) e 9.742 na base de teste (29,97%). Esta
nos gerou ainda uma taxa alta de erro como mostra a fig.29.
Evaluation on training data (22763 itens):
Before Pruning
Size
Errors
Size
9610
977 (4.3%)
2574
Evafualion
After Pruning
Errors
2665 (11.7%)
Estimative
(16.3%)
After Pruning
Errors
2430 (24.9%)
Estimative
(16.3%)
on lest dala (1025Zilens):
Before Pruning
Size
Errors
9610
2906 (29.6%)
Size
2574
FIG. 29: TAXA DE ERRO DA ARVORE92.TXT
(al
(b)
6843 627
1803 469
<-classifiedas
(a): class 0
(bl: class 1
FIG. 30: MATRIZ DE CONFUsAo
92 SEM cODIGO
DE
o~Ao
A lig.29 nos mostra ainda uma grande taxa de erro, de 11,7% na base de
treinamento e de 24,9% na base de teste.
9!
Os atributos que a arvore
traz primeiro s~o os que melhor caracterizam
as
candidatos. A arvore trouxe como as quatro primeiros nos as atributos: LlNGEST,
QUANTVE. !DADE e MOTIVO.
UNGE!iiTi'!{I.3.".5.7)
I
QUAtHVE= 1:
I
I
IDADE: 1:
I
I
I
MOTIVOin {1.2,'.<1.5.,6.7.!III:
FIG. 31: INielD
DAARVORE
DA BASE DE g2, SEM 0 COOIGO
DE oP<;Ao
TAB 25- ATR1BUTO LiNGUA ESTRANGEIRA
•.
Em rellc;ao i lingua estr,lngciru,
em quIP!s;itua~io voce m.lhor Ie
Totll
•.
952
380
~005
37.Q<
""
4B3
Candld.los
Reprov.ados
Aprov~dos
Tolal
"
Tot.]
12.332
I.OWn
1._
47.46
15.427
•••
3.230
"',
0.57
tnquldra?
1 - Dominio ~rcjll em inalh.
Z - Domlnio em Inglh.
l -
Dominio p.Jrcial em Fr;mc4s.
4 - Dominic em Frlmch.
0,15
5 - Dominio Pard.1 au total de
0.'"
outralinguilutran
I.'"
'"
65
007
000
QAt
O.l5I
2.452
7.54
210
'''''
0~7
"'"
tlril.
Ii - Dominio Piuelal ou total de mais
de urna lingua estr.~lul.
O~
311
1.31
'27
2.27
7 - ~nhum
5.13
1.701
2593
31.1~
010
33
7.004
000
5.""21
Ii~ua
eslrangelrl.
Nulos
S~.
Em rell'lciJg
1;'
I'noun estranoeirlls
""
10.129
0.17
54
,,"'"
25""
em nile SitIUIC(\O
wee
melhor
5e ennunttra?
7-lW'1h!Jmll~.f.IfI
e:tr~irfl
31,16"'-
6-Di::·mi'nlopflTci:alou
total de tn:l.il de um~
lin:rJU!i~tr~ira.
2,2nI.
5 - Domhi() ~rcilll ou
tat'llde ouIra lingu~
e.:.t~rfl.
4_~~em
Frll'.ch.
17"
--c
0,57%
3-DoIT"Ihiopllrei!ll@m
fr-anw
7,54"-'
2 - Dori1io
em
1 _ Oominio parei.! em
".,.,.
'.-
47,46'%
GRAF. 25: FREQ. DO ATRIBUTO
LINGUA ESTRANGEIRA.
99
Dos 32.505
parcial
candidatos
em ingles.
ao vestibular,
Sando
que
0
15.427
(47.46%)
fndice de aprovayao
destes
dominic
parcial au total de rnais de uma lingua estrangeira
tiveram
maior
reprova~o
estao
possuem
fol superior
as que nao possuem
dominio
para quem
(42.14°~)
nenhuma
possui
e dentre
lingua
as que
estrangeira
(83.21%).
TAB 26' FREO
Qu3ntQl
''e'it;bullllft
00 ATRIBUTO QUANTOS
na
iii pratou
VESTIBULARES
UFMG?
r fA
JA PRESTOU
UFMG
ReplOVsdoa
IIpIO'l~
CelldIdJto.
,..
T()toll
"
Totilll
2.&78
..•.'"
14.041
"
Total
8.24
51.44
2
UM.
8.12
ldS
21.n
1.051
:<9.04
9mJ
3
Doi>.
320
1,,,",
11.85
3.&51
Trl's.
1."
Quatfooum,;,
0.'"
0'0
'"'"
.""
2.7IiKJ
l-Nfnhum.
tJulOil
1";0
0.10
~
Scma
QU3ntos wstihll!lUes
J.15
,.,
'03
1003
437
""
0.21
le.71&
1A22
'''''
23)
'33
fS1
15.501
jd nresto"
__
32.=
IU! UEMG7
l·D<>is
4. Tr;b
4,31'
S - OmIrQ 00 mai:r.
2,30'4
1-N~,hum.
5'1,4""
GAAF.25:
Dos
32.505
vestibular
prestou
prestaram
FREO. DOATRIBUTOOUANTOS
candidatos
na UFMG.
ao vestibular,
Sendo
tres vestibulares
vestibular
que
na UFMG
anteriormente
0
VESTt8U~RES
16.719
indiee
(28.06%)
(83.98%).
(51.44%)
de aprova9Ao
e loi maior
FEITOS NA UFIv1G
deles
nunca
foi superior
1105
reprovados
prestaram
para
quem
que nao
100
TAB Tr FREQ 00 ATRIBUTO
IDADE DO ALUNQ
aUilla.U8ida~
Aproy~o
(Em Dezemtxo de 'WI)?
"
1-Ale
2-
17 In<»
3-1gAnm.
3M
4-20.
5-2512'OlAnOoi.
.23
1.02
~ - JO AOOGou ml~.
1.12
t~ulQlS
0.'"
24AnM
,1.1eQ
13.215
4.317
H'.~
2.024
27.61
6.Q76
3384
""
"""
'i.cx:>4
"
7.52
2._
044
3010
474
1.54\
0.14
45
0.22
73
,=
400
4.45
HSAnos.
Somiil
Candidatos
R~ovaoo,
Tol.ll
"
Tol ••,
14.7.3
4.705e
""'"
10.42
"
Totill
''''.51
4717
19.1S
0.334
5505
1'.CXXJ
•...
1ru;
"''''''
25""
Q!lglSlSyll jliilde tel" dp.lemll[g de 1~91)
GRAF. 27: FREQ. DO ATRIBUTO
Dos 32.505
vinte
candidatos
e quatro
superior
anos
ao vestibular,
em dezembro
para quem passui
nos candidatos
universidades
aprova98o
a partir
fazerem
e ap6s
0
11.000 (33.84%)
de 1991.
ate dezessete
que possuem
Concluiu-se
IDADE 00 ALUNO (EM DEZEMBRO
deles possuiam
que a indice
anos (28.17%)
entre vinte e
de aprovayao
foi
e foi maior nos reprovados
trinta anos ou mais (80.89%).
deste
experimento
uma divulga980
terceiro
Sendo
DE 1991).
vestibular
que seria
em cursinhos,
na mesma
interessante
onde existe
institui<;iio
0
maior
diminuem
para
as
indice de
as chances
101
de aprovac;ao,
prestando
sendo
a terceiro
de nenhuma
8strangeiras.
0
maior
aprovac;~o
A maiaria
e
indice de aprovaryao
Embora
lingua 8strangeira,
maior fndice de
que
0
vestibular.
a maioria
estes possuem
para
dos candidatos
possuem
idade
que
nao tenha
0 maior indiee de
para as alunos que dominam
maior indice de aprova<;llo
os alunos
dos candidates
estao
dominic
reprov8c;ao. 0
duas au mais lfnguas
entre 20 e 24 anos,
esta nos que tern ate 17 anos.
sendo
102
6. CONCLUSAO
Ao longo
dificuldades,
projetos
do desenvolvimento
que
del/em
ser
.,.
dificuldades
Trabalhar
jil sao preparadas
;...
algumas
0 case
de
dos
real. Geralmente
para a utiliz89aO
As bases de dados do mundo
noves
dados.
Totalizando
mais
de 80%
de 5e189ao, pre-processamento
Preparagao
de atributos
aumenta
numero
de atributos,
preciso
saber
que
conhecimento
;...
atributos
e quais atributos
Sele~o
tantos
de
uteis
para
previsores
0
processo
e
projeto.
dos dados
sao
quantidade
Quanto
a separag.ao
a analise
e meta.
quais sao os atributos
do
resultados;
POLlCOS
da tarefa.
se torna
podem dificultar
de atributos
atributos,
tempo
e de teste. A grande
a complexidade
e trabalhosa
serao
das
diferentes
pre-processamento
de todo
e de transformayao
das bases de treinamento
significativamente
mais diffeil
real, na maiaria
sao as registros em branco;
pracesso
0
as bases
de Data Mining
sexo com valores
as fases onde se gasta a maior parte do tempo e se obtem
dentre
identilicadas
para
ga5to com as fases de sele~o,
Muito tempo
fases
do mundo
muitos «ruidos~, como par exemplo,
e 2. Outro casa que dificulta
Nestas
loram
foram:
de dados
para testes, au mesmo
para este fim.
possuem
translormagao
encontradas
com bases
de dados que sa.o utilizadas
1
trabalho
em considerayao,
neste mesma escapo.
As principais
'lazes.
deste
levadas
de
maior
a
das bases.
E
descoberta
de
dos resultados;
Nao e uma tarefa
facil saber,
que iraQ contribuir
para se chegar
ao
com a ferramenta
que sera utilizada,
objetivo;
.,.
Adequar
cada ferramenta
;...
a(s) base{s)
de acordo
exige um determinado
Interpretac;:ao
e avaliayao
layout;
dos resultados.
resultados
obtidos
satisfazem
ao objetivo
de grande
atengao
por parte dos alunos envolvidos,
como um todo. No caso especifico
Curso de Ciencia
da Computagao
Disponibilizar
e uma tarefa trivial.
0
inicialmente
deste trabalho,
Avaliar
ate que
traryado acarreta
bem como do usuario
este usuario foi
0
ponto
outro
os
ponto
do projeto
Coordenador
do
da UTP; e
conhecimento
descoberto
de forma compreensivel
nao
103
Agora
serao
relatados
alguns
resultados
obtidos
a
partir
dos
experimentos
desenvolvidos.
Atraves
dos
experimentos
realizados,
universidades particulares
particulares
e federais,
se aptar por fazer
concluiu-se
cursinhos
e supletivos,
divulgac;ao
uma quantidade
e
metropolitanas
para
as
de 2° grau
do turno.
(e)(cluindo
Pocte-
as regioes
maior, au na regiao central,
para assim,
maior de candidatos.
o maior indice de aprovacao
esta entre os alunos que estao fazendo
2a au 33 vez. 0 indice de aprovayao
o numero
interessante
independentemente
em regi6es
centrais), onde a indice de aprovayao
abranger
e
que
fazerem uma divulgay80 em escolas
de vestibulares
do candidato
prestados,
embora
aumenta
vestibular
gradativamente
esse indice diminua
pela
conforme
consideravelmente
apes a 3° vestibular.
a
Com relagao
lingua
estrangeira,
ingles ou nao tem dominio
de aprovac;ao
esta entre
nenhum
a malaria
dos alunos
passui
de lingua
estrangeira,
sendo que,
os candidatos
que tem dominic
dominio
de mais
0
parcial
maior
de
Indice
de uma lingua
estrangeira.
Com rela<;l!o
a
sendo
indice
que
0
idade, a maioria
de maior
dos candidatos
aprova9ao
possuem
idade entre 20 e 24 anos,
esta nos candidatos
que possuem
ate 17
anos.
Considerando-se
muito entre
as diferentes
um ana e outro.
anos,
verificou-se
varia multo de um ana para outro, podendo
Tentando
caracterizar
universidades
trabalhando,
Conclui-se
melhor
particulares,
menor
e a chance
exatas pode contribuir
Para futuros
atributos.
Trabalhar
1550
pode funcionar
perfil
candidatos
que quanta
para previs6es
da
area
mais tempo
de
0
nao
futuras.
exatas
candidato
para
passa
do mesmo passar no vestibular.
enfocar
experimentos
poderia
n~o variaram
que a perfil dos candidatos
este ser utilizado
dos
a propaganda
com a sociedade
com um numero
Diversificayao
0
foi verificado
ainda que deve-se
que os resultados
Com isso conclui-se
diminuir
diferente
seria
a taxa
interessante
de
de registros
erro
fazer
e trazer
poderia
dos anos e das bases. Se nao houver
como base para a futuro.
para mostrar
e como esta a mercado
como
a area de
de trabalho.
uma seleyao
resultados
de novas
diferentes.
ser interessante.
muita variayao
entre as bases
104
Devida a grande quanti dade de dados e atributos,
de novas
experimentos
e poderia
mesmas
bases, e baseado
Mining.
Algumas
5urpreendentes
se chegar
nesses experimentos
conclus6es
poderiam
do que as lTlostrados
nesta.
poderiam
a novas
canter
explorar
ser iniciados
conclus6es
mais
0
conhecimentos
milhares
em eima das
potencial
ate
do Data
bem
mais
105
ANEXOS
AnexQ
1
o AnexQ 1 e a primeira
arvore
que foi gerada
e se encontra
em urn disquete
em anexo.
AnexQ
2
A TAB.28
detalha
os atributos
e os valores
dos atributos
da base de dados
da UFMG de 97.
TAB. 28: DETALHAMENTO
DOS ATRIBUTOS
DA BASE DE g7 DA UFMG.
1'lIrN'~n
IJ.A..-ril";"
C:His~
Ibd, ••('ad:asluii
AII"d,o,
f:
•••.ihuiar
In •••.;<;
1n•.•
,-i~<krlf,it,,';1
I~
C"'lIrok
CQd..,prnt.
C''lI1Nkpr.w;,;.,iriu
n
C;KliSll'<b"l/'Ndaprim,;r~''P'.·l(>
I~
AIO
:-.:on,,,,,
Ncnwc.lIl<liJ.tt"
DJilanA...:imtHl,'
1)A~nllt.,;
J).ru,
s..~
C«tcid
l;f
10.
II.
Id
F!
""Uc.".
l.(ur
Il
ElIl~;\il
""n
d;: id.:ntid..J.:
1'-1
Wrnlid.Jd,:
nmr
1\I.lmi
11.
r••
'Jld~...,
••
ctltti~
d;,)I. nn.ll.idpioo;
l"andi:ilIOlOl
C.>dipm.
•...••..•••••
.,.., •.•
"crailkocC\1l\Jid.Jl
..uJ..
~crni_
C.J.Ii~ J•.•
C1ni~.w
o;;.&rlcin
l),;''''lJIId''Qu'''t;';'n~'ioSkIO-«o)l1ilmi.·,,("ull''''''1
FI
l.bd~
FAt;odad'il
lda:k!\:JuCllcli<.l:n"
I ~,
N'l<-i,TI\J.
LII~IkIl;oJl(.inl<.'lt;:)
I.
R••••
iOO1
l..J.I,.....J~ r..'fi<UlIci3
ii.
Ano:!;
An •••.•
"~ .•.••
><:l"•.~Q
Il.
Tipe2t
Tipo do
19
:tl.
LuSJl'ZS
LII!Il'~tie L'Ulldui.~::-
IAo:lJd2S
u.."]mmd"r"1.~C\~jorpart.:·t:r:'"
I'lIn~ ~ ••
1.:r":l a tlui;!f' ]»11.":
"
".•.
TUfnt.':t
11.
J.I.',,"""-:i:;
Z"c.r-II
~"no dot \,'t ••••;:1u.~0
r!p1I
pI
1'1
PI
FI
FI
111
F!
2" ~u
FI
F1
n
Liny«
r~"',<)I.:rr.'\"~iJc)Chl:>~1
[).::tnilli..l d<llin!jo\l~ \fI.tr-.•ng;:ir~
hJi'"1WO
\'o~
!'!v"M
rn'lt
F""'I"l!nci~
~'11 L,\Ni,Il"pr"'·n,lIilihlll"r
l'r....ncu ,-.;:stibubr
FI
FI
QU:1IIUTlO
Qu~nt"'.,_to:lII:1
1'1
11.
Qilllll\'
Q:llIlt",wttibul~rt"'!l21!f.'":lg
2.l
H.
fr"'l\lm~1L
~\l"inl,,:.1Io::
1'1
Wi,""",!
inV_nowpcrior
"'.
~Iuti,",)
~lotiN
JO
ll.
InftX"rn:l
I'riw,ip~1 footJ; tk itlfllr"'~~'l(l
Lcitur:i
J:
s.."j
s.."C:
1""'\Ur.lJ~j"m~i~,,r;:\'ir\ll'
~[,
rrdc,.~~I~'i~1 no. ji'l1l~i.
..."
S;.-.;.I
s..,,:to pr..:(~n"Li~1 n()ll jom3;'
).1.
H.
"
".".
.17.
s,,'
princip~1
J;a
~"":""'3 .19 co.!!.
s.'Ol~ pfd"'r.md~II\'''''
j<lm~i~
ikVlo prcl"'n'IL;~1
no. jonui,
~"'oprd"~Tmcialll
•• jumlli~
s..'\.'6
s...r.iuf"\'r~T;;nci31I1oaj"nuil
s,."i
s....••
,s0f""rc.n~,dftlnOjl.j('lll~i.
S••
,4
~;;loprefL'n:nci~1
~!t•••.
:\1IIli<t~tlIQ"H"
To!:llNl
,\.iu"
n(ll.j~""I~iJ
••
'!I.'I"
1000001N OtL dlLL~
••
" ••
rt
••
F!
FI
FI
1'1
1'1
FI
FI
1'1
1'1
FI
VI
1'1
1'1
FI
n
dd.1tIm.r~·
106
c~
FliNt
T,·
,\tai,...;:td
l'r,,(l.v\
I'r'·'U"!lY.I(1f.::rer~"tt"ill
n
r"'9'3nupr...r.'ntI'-~1I1
Fl
11f'~>f.:n·m
.i•~l
~m~
pr-.-f,.,.",,,,:ul
1"r,·tn"n.11'rd .•.
...-.TI""iJl
n
1'ru""mapr.:f"'"~,,.ijOl
F1
1'..-"0\'_'
'';"uanla
rr.1,r.'Il,:bl
/'rovamlpr;;f;:r
•..,ci.1
1'1
r":,,bo
T ..',-nT\'a""ho
d"t,'!:r.,o
~ br.m ••
'O
;"'1.\,n•.
.,." d.;t" L",lorid..
'I
'I
1'1
'I
f"mGtv:
l'roo"
1
-..
I'rntPv4
''rot1v ~
f'nIg"-'
~
"n:.
"
•..••
·iIolQ
!'r\otpma
FI
1'1
n
F;lm~".T
Fl
Cin"lIl1
\'ai.,,,rinc!1U
"""""'r
t;iO\oonlpUt~
"fln.....r.,
T,I' b
,.,";1«
Gcbtkir
Fl
s..~
)\"mcm!ku:bdcira
n
Nlont..,oik..m
1'1
~').
\'id,:gcu
l\iII'''T'',J~rid'''~_1''
F1
60
Fm;.~;:r
).[! hro.Hln
NillTll.T() do: Ik":&T
Fl
"
61.
R..Ji~
FI
Mkrn
/>:(un•.'NdlOr1dio
:\"inn.."NJ.:mkT;.>..
TckfL'''C
Td •.•••
lul
i'\lI"lo.""T"J.:t,-k-l"'\1;:
:-'·,~m_
..•.
" do: tdd'.e1I~
F1
•••
"'fllpnta.:\Qr
FI
FI
'I
l;;[ubr
Jbbrt
70.
71.
72.
"
I·t
••••
,,,
1'1
FI
TntuU,a
rN ••••
n~ o;mllU1lU1t:.'n~"ie
(.)•••lc~mI.'>\Mld"t.llJ(amili.;.
n
r~rlr..n
Pxtk'ip3\·lun)
I'1
F1
1'1
•..••.••..••
10l1lUrJnli!i:l(
q..,"~
Qu:nn",,~.
";"0:111.1;. r~"fhll
[...-pI;
Ni\~.:I;ketOOl:uicbJ.:dop3i
1:"'11"';:
o.."'I'f>3i
Ni\'d
~m:l;:
Ck"tII»o~,).O
\L~'nk
'I
J~ C$.X,I~rio.lo.J.: JR rn~ot
Fl
o..."t~l:";JUoi<.>l')i
1'1
F1
r~h_
Fr"'.~,"'"
1'11.2
FI.I
N1
Fl.:
Fl.:
10.
I'
Ill~
lli..& ••gj_
b1tlft
•..•. 2
Fina.
a;.11~"
nlkol
Fl.:
12
OI'imk""
(Jninr;""
Fit::
I'ort 3
Q"in~_:
10;),11'1)..: •• 1\
FI.2
I."
Quimicall
FJ._~
Mi
Hi~1~::
!Ibl~;'~
'7
1)lQIl
n,j';J:
9K>I~a
""
('''',,&-1
C""""tPli3
FI'.lIll..:o.
ponu.£l.1~
77
71.
7'9.
~
"""'~n..
OWl
1I~",il
U
1'1":11"':
9·\.
l\"tU&l'~'"
;"ht;;m:<tiea
O'.•>••••~f;~
Iliot6ria
"
n.::
Fl.:
Fii:kl
Fl.:!
Fl.:::
blda_=
,,\t1~
"'I~~'tll :
f\.Irt_h -
M.oIlTn.ftic~
Apt ~n
l\r(itLW Iklln
95.
1\pt=mWl
9-7.
T.:hl
Op~l
Fl.:
Fl.:
n.:
l'oItIl9l~B
FI.l
At1~
Apli&<k);I"'~l'"
F •. :
R •..••
utt;III •• t>·hmu
NotJnad.,I!ttap.>.
I
i'Jirm:trA
r•.::
"
d"<!MIlJid..\lo
91.
SiI<:f'1
99.
T,~"11-1
:\"<"(~n.;t:!d<lp:l(JW"'ll!W")
T'!hll-
~ulil fin~I-I!.::~d;rp;l (p.;or~1!,~~)
F'.I
~~j~/
!!oi1."l9l01l~l:I.1;'p.1(p:!nI~1!~)
IJ••••.
-riflfp
F1
Op;;:(W!:
S'"PII"ll~doc"ndid:uo
F:
1'1:
Fl.:
10:.
I
''I',lu
SIlI':IflOIl~
I! .:lap;!
Fl
10). Toul~::
I<H T,~"!2-
l\«n
IO~.
Snll:..;loIl~:)~"Uj>.:I(""UI;!~')
S1l"1'2_=
Ita
:~
fit.::
<:tap" \p:M"~:' ''f''il'"
••.•.
:lp;:o {r;onl!u~lu)
:->..(oIr
••
ul_!l,,::
n..,.~ta<'"Qu""'li"'l:itl!
1·("·III)!II''II-.\h,t
•.I.f1"
•.m~11",
'I
l'ur1u!:,,"
106.
1-1.\1'1
FJ
107
,.7
R:
!O•.
lU_pl
1\4_rl
R~poU~ .1
Jl~""l>.Jtrt~ .••
I'l
''''
lUl'l
R6Jll
."""""
Fl
1'\
III
pi
R~a2
I'l
lIZ
1l7Jll
1t.~~7
Ill.
Rlyl
R.:tIIO«:t1
114
R'yl
1110-,,'
il~~9
Itl1JlI
R~~11
IUlyl
R~~12
"'
""
117.
".
"
Rc:.po!ol~ Ii
"
""
n
"
1'1
R"~)QI!t~
10
JllJr\
RQST""'~
II!.!.
111-1..1']
J.\c~?'''u 14
110
R"J,I
IU6 pi
Rc~p""u
1!••..
~,1If1
I::
In
R17J'1
itc;:pco;l~ \7
lnlpl
la
RIIIJ'I
n:0..ri
I!~.l'
Ih,!pwla
Rel1'<11Jt~ :!l
Ilf.
R::lyl
Rc-",,-,:t21
In
R::Jd
IW:fl"'IIt~
:1
FI
'"
RllJll
R:~ pi
Ih~~B
R.:-pcM~ :4
\-1
1:9
lJO
It:~JlI
'31
F1
1Jl.
R'6_pl
R:17pl
It~~n:~
RC.;p<llEI~:6
R~~Z7
F1
lJJ
R:II:I"
J.l.~(I:'
R«:~~:,)
FI
121
13
FJ
\,
Fl
1'1
1'\
FI
III
I'l
FI
l\bl •.m:itk~
1'1
Fl
Fl
n
IJ·I
R:9J,t
Il'.
1)6
RJO-"i
1t)1 pi
II.~~:IJO
FJ
R~~JI
lJ7
IU2J1\
1t~"J:
n
n
IJ<
R31JI\
IU4yl
I!o:q" •••
t;t)}
Kr.p".;b)-I
10'
R •.•.•
-fl"'U
139.
I.JO
'"
pi
FI
n
••)~
Fl
ItJ61'\
1l~~la](,
FI
R)7_p\
KC!1_uJ7
FI
!tn_pi
R"'lPlJlll~1:11
RJ9 rl
11:40-,,1
R~~,'J'
F1
r..~~.10
F1
Itl rl
R~
•••
1
1t1,,:
R~~t
••:
10
It-lp:
Re f1"'~la)
F1
1l""f'04'1I-1
FI
It'r2
1lt';I':
R""JN'IR;I ~
FI
It'OlllJpqot~ 6
n
1t7~
1t1J!'l
RCf")U~7
F1
G""';mn,, -
lli.t(,ri"
_ Quirnir.l
U'·"iI~:r"n"
I-I?
".
'"
IS:.
IS).
IH
r=
FI
Fl
f1'1
___
FI
It~~l
c~"
R9 .,:
/}o""~-.l ••
R~.9
R"""lfloa~ 10
Fl
1I~"lr
R;:-I'•.•
·l.ll:
FI
111:-1':
11.])-11:
1t.:qM&l~ 13
IH.
ItIOJ!:
'"
'"
II.IIJ':
IH.
RI-IJ'~
lI."'*PoaI~
'60.
RI~..r~
161.
ll1('Jl=
1t11 p:
H~""t:~al:<
Ita.{>'''.<I.llb
"I
1'1
R~:l11
Fl
1~7.
16:.
'6).
'64.
'"
,,<167.
'''.
,.,
FI
r,
1-1
1'1
I']
J"lllr:
109...1':
r.;{)pJ
Rr:If,,"talai
1'1
RC""•.••
»>I~ III
FI
Ih~,.,.":ro
1'1
1t21J;1
R.::t,,*a:1
Rl~JI:
Rc:I'OIou::
R2.1Jl:
1t:~
11:
K~""";l2J
II:qlQl.l~H
1'1
FI
1'1
I7Q
171.
R2'.-r1
lkl'flOr.b:S
R26Jl2
R~.I6
1'1
F1
I7l
It27J12
1l..:;,IoMt~ 21
1'1
I7l
R:a:.JI:
Ik"SJlOl'l~:a:
FI
•
108
'"
1t2')p2
17~.
RJO_p2
176,
IUl_pl
R~'Sposta30
){csposlaJl
R~'Sposla
ikspos\:l29
FI
FI
'"
IU2-.1'2
17ft
RJ3j>2
RcspoSlrolJ
179.
RJ'(j12
180
181.
RJ5_pl
R""poSl:l34
RC'Sp081aJ5
R3GJl2
R~"!<[K)~ta
36
'"
R37J>2
R38-.J12
RL"'P()~I;' )7
FI
R""'I",·laJ8
FI
18·t
R)9-'p2
Respo>;(,,39
18~.
R40 p2
RcspoSla40
32
FI
1'1
Qui,tlk"
186.
'"'
R41j>2
R42-.J>2
RC$po~tn 41
FI
FI
R4J-.Jl1
RC'Sp<'Ma42
Rcsposl~ 41
189.
R44yl
R~-spoSlll.j4
190.
191.
R4S
RL"SpoSlro45
R-I6pl
Rcspostro46
192.
I9J
19-1,
R47J12
R48-.J>2
Respo~la
R49y2
RL"'I",sla48
RL'Sprn;t,49
'"
R50 pl
RcspoSla50
R~ly2
R52j,2
rtL'Spos\a51
R5JJl2
RS ••y2
R~'SJlQ!;tan
1'1
R""poSl~
FI
R55_p2
RcspO'<I~ 55
RC'!.po~tro ~6
196.
197.
198.
199.
100.
201.
pl
I06p!
1'1
1'1
47
Rc~posla
FI
FI
52
54
Blulol(Ja-
1'1
Fl
Fisic,,-l,i,,~u:,
F.str:1I12f'lm
lJiulol!i;.
202.
Rlyl
1l2-'pJ
RcspoSl31
203.
204.
RJ pJ
Rcspo~ta
R4jJ3
205.
R""posta2
3
RS pJ
RL'Sf'O,ta4
R.:sporu5
207.
R6y3
R<-~"\a(,
20~.
R7..J13
209
R8"'p3
210.
21l.
R~"SpOst.1 JO
212.
R9JlJ
RIO..JI3
RII..JIJ
213.
R12_p3
RCSp051a
214.
R13p3
RI4..J1J
Resposl:1
106.
21~.
216.
R15_p3
217.
Rl6
21~.
RI7 pJ
IU8..J13
219
220.
pJ
R""p."I~
7
R~"'p()slil 8
Rcsp0S1311
11
Rcspmlal3
FI
1'1
14
Fl
Rcsposla
I~
R<-'SpOS1a 16
FI
R<.-'Sp0S1317
VI
RI?
pJ
R""p,,,,la
18
R<.-'SpIlsl.119
'"
R20
pJ
Rcspllst.120
222.
R21..J1J
R.:sposl:,ll
223.
Rn
p3
R13..J13
214.
"
FI
R;:'pO~l.1 9
FI
FI
Rcspos1.:.22
VI
Respo!iI.113
FI
'"
R24_p3
R25..J1J
R~'Sposla
FI
227.
R16_p3
R17 pJ
R.:sposta16
R<.-'Sposla27
FI
FI
R28_pJ
1119..J13
RCSpOS1~ 211
FI
RJO_p3
R31..J13
Resposta30
226.
228.
no
231.
232.
14
R~la25
R~""po,la
I'l
29
RCSp<>'ila31
2JJ
R32..J11
234.
1UJ..JIJ
ResPOS1.133
[n4..J13
Rcsposl:1J4
Fl
236.
R3~..JIJ
m
RCSPO~l:1 35
Fl
RJ6
pJ
R.:sposta36
Resposla37
239.
RJ7 pJ
R38"'p)
240.
24l.
RJ9J')
R40..JIJ
2J8.
Ih:"posla)2
FI
"
Rcsposla38
R<.-""pO'1.139
iii
R~'Spost.1 40
FI
109
ro.lr:IIIl:~ir.,
Lill~lIa
lU
R41-'p)
R,"~{" ••." ..•t
:IJ
r.~Z-.p)
K~~"'::
n
:~4
2.1}
R4J.J')
Rcorp\.'lfY-lJ
R«I..,.;t~ ..•..•
Fl
:-16.
::n
2-11.
;0
2~
2~1.
H2.
2n
IlHyl
R-I~ ,13
:51.
1'1
F1
1'1
1'1
I!~
b""
R~~~·I(.
R·16yJ
R-H-'p1
It",,-po*d-li
M ••.
""SpOOII:O
R4I-'p3
r."'?...P}
R~~"9
It~O.J»
J(;;.-f"JII'''
Rj\.J>3
R~:_p)
Kapo~hjl
••••
Fl
~()
1'1
FI
'I'I
R~-"""""j':
~,.~
U6.
:~7.
FI
R..'U..J'3
Jl""f"'d"."3
R~-I.J>l
R.~~.J>J
Rcq>Od.
1:1
1'1
,-I
IB6yJ
R<.'lJl<MlI~
'I
1'1
<.'ad.."Ki
CMi,J)1
1'1
Coo1inS
U><),rP d:, Lin§J~ li~r.IIl,~:ira
SiI""'i:}orul'rim.:irJD.l!,a
R"'4'"'lO:t:oH
do U1(km~
!'I
260
:61
"'p,yl
Apn':opl
SitU:l"i'\o n~ Sq)'I,do.
F.131'" p.v~ ~ \'rim.:·m
~l"
!t;:
:\fn'!"fI:
S:it~o
00<k00>I
Sit',",,;;lo
Etap.t Ji'M'1 a s..!;IlrHb
Op,;lo
S~u~otloi:M.kli;bt;)no'·~ibIlIM
C,)di.'!')w
EIIoCIIlIkI.:.nJco ~ilalo
:6J.
"".
,,"
"!:it:
t.:w':=-IIi,_QI.II:
m,,_Fl~_I..•.••
:
..•.COIlOI'e.\O
c,)di!}!)<lc
I•• !'i~..L
1'1
FI
1'1
'I
F7
~"UIWU\) : •. &roM!
C:Id."Tllod.ll
plVI':l5do1l'wllt.r£III).{rrfii:llltMi~
C.ld....,TU)u.n
1l'N"-;>~dc
c...t.....••
,,, tb5
[11"'''-;>.<k B,~ill.
,Oft.,r,tjll4.lIl11orn."("IJi/"'
FlI<lXI
••U"{,,,,
~.•.•r1.<l
1
AJmiui"j''',::J.,I}iml'lv
2
.\J",illi.r~~"\"ot"nh)
-l
-I
'\'y"il~tur.1
~b •• Art.:s
Cil"~;Jd:oCOl'opuIa~
Ci~'tI~-iu 1}iol4tiQa51)i1l11'l<)
•
(,i~lI~;".lliulOt;i..::a,
9
10
Cj~",;~~ C •.••
,hihciJ
(;io.,,,~~~FonnOmica~
!\otlHnO
II
Ck"I,;;U
N\."'tnlO
5.Ki~;,
! 2 (:''" ••.•
';~"3~'1'. S,,.;;,,I
1)!)i"-'1!,,
1·1 E<!11 ••;'\.:o" Fi.i,'~
1~ E"I"'flnd!).'"
Hi [ng;.1>tmi~ (;,il
[lr.'Iri~";I
17 .Enl).mllriJ
II [n(p,h",.•.•
M='n;~.i
19 Utv:nh~ri.
Iro'..t"I.>rP""
:0 r.n~,h.wi.o.:Min,.
:11 Enft-,.loariJQl.lion;;,:a
n
E•..t&ti••.i""
211"mtua.l
:~ ril __ fi~
:~ l'iri.-"l)iumoluL-h:m:I;".kt
~(j
Fi'~i:-~
~um'll
:n
l'hi"""~ria
O~'Ii1~lj:l Diumo (! k~,'l~iltur:l.flhdu!'d.t&,}
:1
19 GOO(1~li"
U~..••
".;:Jt"OII
NCltllnlo
JQ
(,,-""-"'rP
-ll
H;'u,:,n.l
Uillmo
3: Hin;)!"i.
J31.,.,1r.l\
:w.umo
Li<..•.1'd;lt •.•
r~
(Ucmci~ulrJ
(Li~~".;iI4m~)
3,1 M:lI~."dt;,";II)j"mv(Uo.::nd."r.II)
J'
M"'."UI~k::.
.J"
"'bl~,n:iIic:t:-;''''"mo(l.io.."Li:lllr.1)
Dillnlo(l»'4Ilrd;ld~·)
.l7 lokdi..:in~
JII
)"I;;dkilll
\"1~T;":ifb
JII M<I.;o;a
-10
();L.:>nt".,I",ia
.11 1\"11,:;;>9:']);111110
Ili,omMd.ldo)
••.••
£~·Ir"••
'ro
110
4: ~t;9Si.lNotum~
·UI"irel~
.1~ Qui,ni~;;o Dillmo(U~'-'II:u"ur";l
l.bdl:.r;:l..•
do)
45 Ollimi_·~~<llu"""(Lic.:nci:.l"rn)
7.SEXO
1 ~w...",lin<>
:
Il,OOI)J:m
r..:minino
COdi=--~ l11\u,kirit",,<10:
Coru:ull~~(.I~d.:~liw.J~
"'"
~"Jid.ol"" M,id;:111
~'1n ..•••
e.'i<)
Caditp5 dol. <:!lllUM an
C.:.n~1I1w
3 ,d,.\~ .I;: •.-.;tau....~m''''.:.,<>
que ~d:m
6rr.lc.:milliN
I
SSP - s.,,,Tdiri.l
$~1;.ur ••\~
l'dblic.:l
"'linilh.Ti~'\hlibr
J
l·",,!OCr. ••
-4
f'I~h,-;:l ~W;llIr
G
l'nI'~'QI1c
C'TI'S - CMlcin
.\>llI;' .•F•.·.kr.l1
,k Tnrwlhu, l'r~\ld.."n<.;:1
S;Jcia1
• Oo.nr.
(';(,dip
00.. cst:ada
Clnt •• oor~"Sd3 "Jru:ir:\
Ccm •.•
II~:l Hb<;l,.dc~·":l(ba
13.I::STCIVIL
1:'I:odoci,·i.
I S..••
, •.
~ ••
C,""'"
,·ili.....,
J
•.•. IIHIlE
de iJ"",titl.ldc
~", '''CliO
-l
Sq>ar:odojtldici.<olm~'I1~"",dh·(!n.;3do
~
Out, ••
1d.kL:!-d'>",,"dilblu~TlIJI<k~1brod::I'>96
I
:Me17 ~n•••
)
]'/.I!'"
-4 :O~:·hIlO\l
.~ :::.~,,2Y
.••_
(,
15.
.10 JiIl.IIO
:"/ASCI:'IIF.N
l.1>~r d" n~Ik:;'I\t:1ll
1 lUI
"II
nlJi~
•.•
Or..,.ueRH
16.ItES!I)[i\"
17. .-\"'OW
]
Ink"fioctl.:.Hu
-4
~
OutroFM~:kI
O•.•
I,,,j'.,il
LlIlPrtio-"";OC'l<:'id
1
flH
Ur~IId;.·UII
J
-4
Inl.nllO"d,,"'Kl
0 ••1,,,1:.,,,,00
.'i
OUIf\lP
.•is
A,w, d •••
~m.:I ••,.io (~'" q"" ~duir.,i)
] ..\,"...•
d.:l?r.:
1
Fnl.el'J'fl.:I'79:::
3
l~.J
..\
19\1..\
~
1995
6
Ill. TII'02<:
''''''
Til)O 00 ~"UnQ,I~ l"'<ll1..:hlJ.'l
••.•
ZO I:r~u
I
=*lP",,:iopr»lixit>n:rliun":
:::" ilia" 1"~"h&iOl~liun\~
)
·1
Slll'jd;\~
O"\[ .•.•
~"Illinl,11l.~
r 11'111
t-. c:>IlJid;&lOll
111
19. LI'G,\Rl(;
!u,..rJ.:'"I.
...•.•
.;IuIJl,.::O-'i!l~1
11111
:: Or",;"lenl!
} In"~iO<"d,:ItIt;
20. EM"":t.H,.U(:
E~1.u
""~
.\
\fotItrv-t:n:rJo
~
OutNl
t·~i.
f,'iI ~ m~i"r['Itt.::~y .•
\!
1 J\il.li<;dl",kr.t
;
I"Ni,,,.<i;loJLI~1
l'iibli •••munirirul
J
-Il".l1i..:"lar
!>
I'llmr,••.•
,kr..
":lI.nui6£jVl1~:"rr
I Dium"
-:: X"'"llf"
11. TlmN"01U
12. UFrnOY"2(;
CII~li~'K:
T~"", I~r"''''yli\! '''':-'
.•11
E""u
I ~cnl\\1I1U
.~ ~·m,.
1 l),••
-I
T, ••.• Inn ••
Domini" d; li,lQ"I .mr.lne--1r;i
I
N"~-,;hu,;,~ 1in
\
•••
;;)&
F,~,,,-..h
Out •••
Du41111~''''
M.•i"l,kJII!tJolin~
~-1.mIOl\I.\S
\·~f~l1t11;0.I,dprn~;j"ioJi
••
mu·.'
ISirn
~N
'·.o.;Itlr"'I" ••
nti'U'
I
•.•••
t1""-naJu}""""'inh"p'..:·''''lihlll .••.
:\l~
..•
im.fI«~_d'l\ni~r;:
~illl.p-orllm..."l<;:';tf'"
~''''.r''''·'''':o!\·'
'i""!,!,,," In.,t.U1111Tl M••j
~im. itl\qt;lo"";Iot'!~ <pu
.l""J"O'lI(~'II,~jlwl.tf
I
:J
Xl",
Sim.101l""'OIIdllir"_ UA\I
.o.i'l\.lfulnl",I';'l"
lOO
Siu'" iI,' -.t)1I'Ol"oMb.
nn' nlo lmlri~lki
!l ~;m.ji..-w.. nuiri':>ll~
11"1"",4",.1",
nlmbr tio ,~.ftIOJ
eiGU.k c-:-.u.lJdotirncnl"
6 ~i!tl. '.)11 rt•.•
mdo"", ""'tD ~,i
••..
, "'~, ["itt••.
" .·t~u out,,, 9.o;1r,,~9S"
J
4
7l!iint""dlll-.il.<I~'"
17. IJI1.\XI".\NO
Hi
qlJ~Ii(_,tn
t
;
:W.QI'ANT\
.•• lc'tl\ll:
iI19_'~"lI[K1"ii.<f
F.w""i.·~['lil1lcir.j)"lnD
t·r" ••
,!»
1
I),.;~", •..••
-I
T!~r.n_I.ll,,,
•••
i~
Qlllt·,t""\'fttil"la"""I·llIU~",l"FMG
[
N~l,hlJlII
"m
.!
.\
!)(ois
~
Qoo.l,.~!n;,,..
f,~
l:Iloti'"'Crrin~;f\l1
I
do o.lIoOt;):\':I dOl o."!lr\fe
('«!lril""i~p~"'it_-i..:d.uk
~kr~.I(b.:lt""tnlt'iith"
Pr,"Ii~l'~Ii ••v...rI
.•1
illll.fmlllill ~
'~i.
'.
,,"'f~
R<oiu rd~~
()utF"J
~·.•Ji.:l.l0 t{~9
112
JO.li'TOlti\L\
1'lill,'ip..llr.::41t.:,k:inr\'frn~"
I
.lc!rn~!
•.
''rito
; T~J"••.
i••
l',
.1 I\~(h
.\ 11,,";1n
L~itUI'iI;t,.·j>"lThOi"';I~i!Uo.
.H. LElTliR.\
I
Uini.lmmt."
:
:!
'k"m~n"lm':lllo:
4
Nl ••
o..:,a..,,,,ulnlrnl¢
·!In''J~nli.
l!.SECl
~OrrZr(.,-(,
•u.sEf'...2
3·1. ",.:U
J~~EC"
:'Ij.,~.I?C5
J7.SP.C-'
~<I"\f'O'rc-r-.;n..;~lnc.jcnui
W@l""'r'rmciiln.,.jOOl:li~
!lie<; ~f-••.rrw.."fI.i.ln",j...xnJlj,
SO\1j)l'h!ir
,
J5.:>-I'C7
•...
tK'~[nll'lij~J;oiJO
pr.:r.!l\."11ti
••
ln •. j;:m.i~
!k¥i'(iPh_1:~\(:i..oln",jctlUli~
.llJ.;,EC8
I
f\,lni"".
li·roOfl
•••••
,. '"rn,''';
S, •••
,j~,",1;ro.,.
•
.to. snows
('Ia_il1C100.
.,-ist,:9;II,''''''MLWIIl.,..1H
1 :!iio......,.,.,~lm".·.tc
M•.
.."•••
lnKlil~
J
t.~Ol:lllmrnl;:
.f
~o
A!>r'ot-.:lmtr,."",<1m\'Ji
1
I"',l1/.;<
s.,nun .•
~j"TI'.IIIn$l"'1iI
,
o..-:l.o.i\1l\~1rr"-'II..;\
.\
1\"1 •••
~.;"'''I~leooi-.J.i
1
!
4J.PItOG"fY
.'-I.PI(OGTY-1
1
M.•
j.~Jh~'lNfdi"
1)(0 1 \li,ll" •••••
pl:'fdiA
..j
,\I.(·llt"""fK""di"
~
- .-j ~,alnk'11t"
~
Nlg.
1\""9"I1'U'I
..•d'~·",!.ci~1
""'U.lINI'I\Of.r.-:nc,·nl
45.I'KO(;'I"\'=J
~m:.or<;;-r~troci'!
rKUGn'_",
·H.I'ROOT\"
~
J'NoyM"~I•-•ara(nri.1
4"
l'tu9 ••
m.•I'••..
((1'~1I•••
JI
.•~. PIlOGn'='
l'rc!1;r"rrb
"'.I'ROC;n" 7
l~;20V.l!lU"'o,:r(K'l\<"i,,1
~.I·Ho(;I'·=.
rn"8"'m~ r.~I"(TI.u1
I
::
j
4
1..-t{;:I".•.••
o;i~l
S'fI(~i;r;"
r,I{I\?\';;:b
Film •••
~m~tI
••nli.;do;l3
u.~~
Iintt..--";\oI:o¥
Hum~"C
OutrOto
!'1.nT"\IIQ
!'!.IIIL\IE\Ut
•
~1)11I"fCr~ll.i!l[n90jgln"i •.
r"-~lIh ~aol ••.•
I
Sirn
:
Nk·
.\.iol ••JilflK'll>:ln\'id».»I\IIo.t"
I
Sim
113
V;1oi••••
,inCIiU
1
MJ;"Jolntn'~"UJk!rI6."flI;l""
l'm:,o\'Ur<-,,"oocnun
IN I ~J
,
0....•" •.•
~lnJ,,;n!..:
-I
l ••••I:OfI1lUI
u..11.~RlT
••.kI'
I
::
~d.
liim.J):Inlj
J
SinL
••.
Inhllh., •..
'•...
"'15": ••C«I rr"fi.i
llAi>iI .•..:m
1
.•
'u.:tr« •....
Trun .•
_,
r...q..n .•
.It!ijd&u:i~
(:<l
..tl~i.
do r~mili .•
:: R..:fid<n~i~
"h.g.o<b
".Tlt,\JJ.\UI.\
rruballn
A\ulm•.
m~·
•..••
m
"-n"H\.:t~\""
1
Nl."""I-i.o\h.,
l
Slm. flU'':' Wl",lh.,
~~""Ilhml
Silillllt-:ilIl0l".""T11.mli.
$;,'\. J<::' t ~ Ju h('f"n ••.null~i"
, ~m .•h:.ll ~.4fIh.~u ••.
",an~i"
" ..•
im.nlli.d.-¥.ilr<:uiUTTlanli,
"
Qwl ~ r;n.;b
1
fnrn .•••
1~
IoU..O
.~,nili~
.\1.' I ""]Jr;On,u,in,,,.
Ikl
••: •.•.•
I"ri ••.mimflhllo
1~~"'~.llori·>tmimm(OO
1·~ ••ln ••U,i.nlinim"'"
I'
J).h)"
I''''''~m;ni""""
ll.:I,,,::·,.liri<>-t.millirw.
1k::u",-I·'NI!"",,"ini.n.1OIII
1)(;-I{!",w •••
l~no.lnlnim
1.hi.d.-ouul·
.•••.
lUini~
l';Mti;iI~1,·nJQ,).....,..ni~'.•nlll;~r
1 ;-."l.l"'ool1t.C•••..
J.ol ••.mt.JlJr'b
Tn.hlll
m.n.cU' •.•
'~rclll.mili.
3 R~' •••
\ •.Ir.bm,;ulu<t;:nC
-I
Rcapr. ••"\.h"rl (Kl.> nt~U ••ul;«n.o
pd •• Il Dmlli .•
•••.•
UClpO"'it"'] ""'1','f,,,a,,"1 rclll'w.t",lo"," f~tnili)
''''',
••'';hliio¢lc;
1 lin'"
3
•.nl."lJ.
,,,II'"
!)..."' •.•.
ikl.l".rI.r.,ao
-I
o...•.•;,~ ••.
1,"
!o
l'ciI<'I"'l\~
II
Imcullui)
••
.;lII
~i.·.-Id<.'_l1rill1""oopai
I
N.,Ih>.nl
Ie tpu ionmtropldO
I"U.>Uil1.»TnrlcW3r'-"'''
ill..-4"••..
'Ii.:
Ii..:"
-I !·U ••
"o..""fI'.t··
;~f1lillinilomrld"
t·
j
,
1l.1:"\C·M.\!':
~f'.\rd~bnaltc
,
.;
QlIl,l(.,rt.f'"CM"1III,\;,.-n,d,r
11.1''(·''AI
hmilil
-:OV~""'lIpl •.•
C'
~.,.
inonnr'...t.,
~,.i ...•.
~nr'~"
NI\-dd,,~I
1
.••kbd.·do,lI.It
;\"..:rlhum
'·!'f,uin."III:IIIl!!kt".f4'.a-;c
'·u-....
i",;Jfjmpl~tu\;f.'"
,.•.
V••
"'••••
"'pld •.
:->CJlWiaOlOtnpl...to
:',plI,orlf1r1d\!
7 S'>r«i,.in."nll'ktq
I
S." .••.
ri.,.Wl1lf·[,;t
.••
""i';)
114
o.."p"\-l<,dap3i
iJ,OCliI'l'AI
1
Agup~mQ1to
I
2
Agup'tmc:nt.-::
J
1\&TUI'~m~'lh)]
A!1"p:o"".,.!t.~·1
AfJl'J""m.~'I'"
~
"".,
i.t.OCUi'.\IAf.
o..""fXI'¢AolbmJot
1
A!1Ul);1tna1l(1
AY"pa,n."I"
2
J
.\t1l~lnonl,,3
•• "&flIp" ••••.•
lIu.;
Aguf"l"";!IIto
••
'" £nCncia
2.000
•.,n tr.n\Jm
1K'Ua1Vl.
~
A!fUf"1" ••.•••••
~
6
I>,~I","
I • 1l3'1o(I\I~if<!"d"fHJt.td~
~lIiu.,xl1S.
""I,.", ••..ul.~
\!:"J1'l""lnml
d.di~
""
•• -:: • lwli"u""al
lih •..•.••
1 do.. niwl
atl.';li.u
Ik inJUlly:io"
malic,
!'"'l'I(lri."drio
·1)Qncin..,
de ~;'yjo
alto
1''*<.1 milltlr
~'OIIIO t;...,,:;ral.
1I1,b/i..'<.). 81;'I1J" indust •.•••
l, SJ"'nd.:
.,..'!"
pref •
.\f1ll1U1II.::J1\i)",
OUlru
• rMiI6",~r<l.
•..•<t, ••.•.•
i""n
l'ort~iT'" ..t,,:I".iIi:
lurllld.
~"u"
wIn.
'-"lnO
alto .::IT&> ~
OQIp~
I'fl!r~
il •.,,,,,dJrio,
m~"""'\iv~r<J..
t~n
bldu;
""'"'I'I.;t;),
••C ajll"·~I
d., "f<'!ndilUdq
j)hI"il. "-rr.I~,,,i,,).
~'lUn\C
o)""'IfIICf
•.itnlo).
~d.1:
•••
\I~:
~""'''lk...-.:i:o.I. Juxiliu
ftln..~';ri"
pcqu...-no
rubli:x.
indu:.tri_l.
c.:>nt
c-=
"""ncrei:mtc
kllld!ul1t~"L
'·";]111.11111')
.•.••
".llCi<'!tIi::&3, ",al~'f"iUI
tim minim"
"cnti ••.", .1".;
do;: ni\",:1 utpmor:
nl'Oj<K. carunel:
Ih,:tIldhantCIJ.
dw.p:K:h:lIllil.
(&ina"",l)
Mlbtm~'''
;o.:h·,,&>do,
..,1' O4Ilrn ~I!»y;;";'
tk tem."t1tc. ;:upitllc.
~'OIn c)f:t<.1~~illi~,.n
pt"inririo
puu ••OIilil1ll" de .".,..,,~
me<tro: ,I;,: p,"i)da,uo
jel11~h):.l"
,,,,,'diet; pUC<) milit:..r
~i.iot'31.
ltl:ir.:,n~i",,;
(~'t">f~ ..••d,,). C<J..til1h~"N ~ ~r~';Jt1l
OiItt\U U\~-;;J.ni"".
.~m~r.:;~rio,
l\"'10
g;ifi",,,,
m~hJ{lrtu."1(,l.
t);jI~"'1lith •. mlpr~pdo
de OIt"bdc..:..;lIIl"1O <lCftIcn."id J.: r;ulIlk pont ('-"loll de Nllpa. l':Ir-at~ria. joolhcira. f"nl1,'lci~.dr~ri~,
It>ja d~
mooili~fi"); run~iOl\~fio pilbliQoJ.tlo C'\i.:r-;til1 J.., ldi\·idadcllkl1ldh;ll
•.•.•
..:; pl):lAo milit.\/"dc..cllbdu
. ..::.11>0Il equin1<.lllca;
~itllnt..:.. r~"I\!..'TIO
rrorrict~rio rnra1 (~~. 11) hoo:,uflJ 1I'lIrtrJS 0I:\,,~v.., ,"'<)InI",r:a ••
h..-illtiou. ••.."I.;lh~lIl:t.
fm/ll. •.
'I.I
,1t.••••cS.i;:oo&.
d,dja
I'l"QJ>I"ict.irio run\1 <»III II);I;} d.:
0"",-"..;0, ~"'E,~nh •••r<,), ''1'111;1 .•,0.
de lUli\';.'niW-d.:.
OC\'1l;O~'" '"On\ >Xinctrn~it;:li
t~"k·f.•
'fli·b.
>l1'cr.\ri\."! qllJliti.;a,h,
d~ !,""rh.'
qll~ 1.',ij" UIflI() d.I: I". ~
ocup.a~
••..
,."-ih~nI('&.
20 ~ :00 h~"dM'"
r~'ratnmt~iro,L
dejll.'1i~.
"Iidll
••••.
, "utr~
" ..••
.,...,...•.•
uj,) 2ti"id)d<;s
ruD11k
d.: r.:.;t~ur"nk,
.i: ~rti~
. .:lIp1Iali1u.
Imin~",il:iri",
indm.trul,
utI illdmlri~1
rtlml de 100 s : 000 ho,:ulW.
Ap-up.1rn.::.II(»)
ni\'d
'Iuimi.x.
!)...-~~,cil Cl"1I<:TllJlO$l ",,"rn.n;;~1
Q;lf)KTci~n\c'. Jm<o> Jc prcvriL\hde
:ldmmi"nl.i,·",.
dipkmll~
110 ~a\"i""
..• ~"Q;I\ ~.:n:...t •...-i~li~~ 1.:1IKIhMll.'5.
CM!P 1~:"'"ll;~" ,-jCII1ilk ••
" ,'\}I)I<) p'-'f.\juiw(n.
w. •• de
"":WOI".
:lltt. 1'0>10 ildm;ni>U"at;,,,
oJ" lo>iio
~~rdhOf.
ri'ql'.:!U>
"17"11':1111.:111.
•• j . (lpcclri<>
(olo
(IUl1ifi.:alk>).
"'''''''''''',
..::.IrTCSIld;.v; mlpr.:.pio
IionlCitioo.
00l0I\W oovnhdra.
p;&!iIi.1dcirn. I~\·~.
:trTUm~kirn:
li~.ir<l, bi ••..
"'cir"o,l. ('1I'inciro. b'';lIb, ;nr.lfti,.,. pcdrciro,
J)a'\"OIn de hc:t~,<¥li,n,
1~,"r.Id..••.•.
011 ~arkultor
(3_llTuib)
ITIc:'.-iro,
c:lilll.iro
"out"'
ck ImuUn\
au tk oulro
p\.'(juatO l:SI:tbdccimetu()
•••••••••..
wi'l
\"rqi.,
(qui\3ncb
•••••.
'.-rin.
••••.
"f"1,.-.).:soont.::tno.Tiuie.nIlC,,"'lharrtca.
•.
SITOI'I
IOI.SITOI'I-l
S,lu:oylo
1
~itu~
1I15.SITOI'2)
Japrinlcirn op.,;ll)n~l'ri",,,irJ
Ja prim~"";, <.f,~1) M ~"<:iIIlw..
CUp.a
<;"lap"
~/!.u~!L
""1i""J.''''P'.>llI(qucelt6\·jridJ.J>3'"~
I .\1 "iE:''TF,
;
3
CLA~SrFll'Al)U
§EM).IlNIMO
-I
SF.MVA1J.\
nHAI,_1
Toul<I.!
Rceull\toor.n,1cb-::!d'pa~!";111.."..\lo
lINt
TOTALI
1
TO'rAI.'-
1OJ.
TOTA!.l
10-1.
TOT •.\U-
1
d>top:i:)
I~<;"l.~
Raubdofin31
da 1~1I::\..u,»van 1"0('",10
Ro;au1t300 lin:ol.1;,::~ Cl:lIM p:tr:l ::~ <>p".1o
II.CIII..1tadofHl9ItL
l!cV;:u~p;tr.Il~up¢io
Cooi~oc,C~..",o}
I: 1'"r"v<~\.I!·li;;":llda!l\lIUnhl
:: I''''''J
tb ).IANH.\
:'Pb •••
oltn~ll1mo,LT.\ItDE
258.COIlLl;'l;"(:
C4di_datin9'~ElIr~ut'-i!";1
I: Fran,,,,
2: l"sI~'1I
260. APltn
26I.AI'RV10I"
:Siu~,,,PrinlO~raEtl!p.o
261 .. \I'ItV20I'2
Situ~IM~lIntl
••U"11<11 pM:Il I'rimcin Op'-:~IO
SIIUIf";,l n:I S<'"KIlIlil.l ,.jul.
p;.N a s..""gJIlW Qpo;:lo
O:R'l'(1;)l;\oo
I: .\rrll'>'~""
Snlu\'!l!J&j;;.>noJid.Jlo11(>
0: l\"l;'("':"!lr<J\·~datlo
1:F<)i.lpf\W.ll.\nnol-,'«ib'.ll:ir
\.:5Iibul
\,.:••
til:ubr
•••.
p';;:ariJ.l.andienct""
Il!jn
Ik (,Tf'lJ:';::Ju)
115
J:k-Kr••h"for~I"s·
Anexo
FI
"''tInk1-ioo~vmlwU1p<)
""
Nurn..-<ri"'(l(!fI'l~mJlOt'
:-:un ••
TiCt.l~n..\l:jn
.•'c»
1'5
..,
Num•.
"'riwCOln~Q,1nlJ)Q'
~unl(Ti;.oQCm6o:\1nip05
'"
:'\um.."ril»oenl'''''n1p~"l~nl(H»''''''inuis
tlc:lnlp<*
AJr~nnmliTK.v''Ul1I
Al(.mumCri~
.•) 00..., ••
0 l':lUIflO'
3
As TAB.29
detalha
as atributos
e as valores
dos atributos
da base de dad as
da UFMG de 96.
TAB. 29: DETALHAMENTO
DOS ATRIBUTOS
DA BASE DE
ge DA UFMG.
F:
A.1I(Jw,Olrtibubr
,.
-.,..
nenll:
).'omccaooid
6.
d!t,rIlU.;
I>.ILlIn-=imCI1\o
inlla'i.,
F5
..010
Il.!tJ
cOOl;"
9.
U(-
10.
Iii l\rttr
hkn,itbd:
IJ.:.n;
Oq)i.omti_
C«Iip
JM _..u.-
CQdi~
Ihd,
;:J(~i"il
14
id;ado;
OJ.
00.. mllnicipia.
••••
10. QUhl.i{)l1~riO
cmi....- ••
<.l:&~'i:ln"in ..L.:~ ••
~id.ul~
~OftoKol1oftlin,
(.),llu •...•
l
F.""tl.o ~"\"il
IJ..J.·d:JoNfltiid.Jt"
Lt'.;.yJenl
1'1
••.
-1tncr>..l.·
FI
tll&-r
17.
:UII,':S
11
111'0:,
.\nt.d"~dual!:'
""'''
Tipo ok> ~1JI.' .k ~..-;o-I.:k,slo
d.: ,~dt~.~i~
Z' V311
FI
111&;0'-:"
LlItJ)r d..' c.:c).CIUIo~o::~
_b:g
r~bL,<>Jc(~IJnl.li(,..J'IiII1":~l:f'1u
-
tuml'lg
I'i.,l""-:&
T"mi.tonJ"
trJ\t
(.:;I~ n1ii~Yp3n;::·
..
Dt.."I\liniod..'IiI1!7'~.:<lu",..:iu
11\'$
Pr~ •••.•
,·~ it.,IMr
:6.
qUItIl{a<lo;)
Fr~~;.C!nwrftnhopn.
F1
FI
•..•
l."OI.il!ubr
:7.
(1UM'lt"
QUIIII"~lmlA
i",,"_rna
Qu:n.0I '·;:-..I.ibulu;:s nA u(rn,
n.
in(~mj
\""in)prin
••
'it»I<.l:&~h~dol"l'lIt)
l>rin~;p"1 (•.••••.••
<1.: inf<-'fln .."lo
)0.
31.
~J
L""urad"jom3i~
••rn·iJt,..
Sc.,--lopr~-f,:n:n,:1:1i1l •..••
jcrnli'
J:.
100;.'1
5<.?'
pr...r~T.,..~i"l
)3.
J".
sccl
...."
~,,~
pr~"-'T<'n~"lillol& j<lmllis
H.
:Jr..
tritun
y;lU
T•.••
·.,,..-pro'""i1onoZ'u-'u
linl> .••.
l~
,~
r~'lioJ.:m
•••
r.'S.i,L,:n
19.
1)11wooidaloJ
1IIKk-
C.xlipdoo •.
'OillI<bo~,"qu~r...ud.:"cllldid.
h(ur
D.
:1.
dd.mm.~·y
!k~
I.
:0.•.
'"
COdiyooo;;'l."",d..prink.--in"f"'tl<>
7.
16.
"
1""'T;"..;}"ddinilin
CmI.-"lo:prmilillrio
oolltrill~
IlUPlTior
I'l
F1
1'1
FI
FI
1101j~n,'il
n
••.
'd
!k<;;l,)l"'d<.T~-nci,ll1C!lCjcOl:.i-,
kv.\Op •.••
·r,T.'IIcillllQl!jonuiJ
fiio.'\l6
S•.~klp<"->(<'I"'<-illna&jcm3il
F.
Ji
1•.
,<;7
S~·l., pr.-{,Tm.-ill
n •• jomai~
FI
S.-.;;'kl J'f.f,r~"~"JI
n:» jonuiJ
F.
l?
',:0,:1
~how
••
n.
'"~
.-\toeht" ~h_'1"
•.••.•
'''~,\;' ••
.'wtri• .:kJtro,,,,u..,,\,,,
4:.
"
L,' Hlmc
,\,.&ot~·I",I~'i
1'~Jm3pr..t
"
.•..••••
~i,,1
.0.
I\'_""ric
Pr'itiP!Il~rrt(,nl1<.:i.1
1\'_~lu)l"
I'r(,'g~m~
[W"[~"-.:n~i.;l
FI
""
"rt
FI
116
"
".
".
".
"'.
<t.
Pr~!m prcf~-=I':ul
l'ri.-~p<",f.:r~
Pr~n},.prd'~~i~1
,,'_humor
1V000Cro
hx;.oo
mn~'''T
.••~i~1
FI
FI
T •..•
nT\',,''oIbu
.'\Iori!t..:f"illl· ••''' •.••
'' "i<ko<::oo_'1':
cinan.l
\'"illOcin.."'tI1J
51.
~''Ulllp
1.~.:.vnIf'Ul:klor
11:
I\"p_h
:\iilmTo
tWlV rr.:ltl 01hi3non
,..
I\"«'!b
:\'1111.."1'0
do: 1\' coIorii.b
~bdcir
l\ilmaCl Ik ~i.ld~u
\i~s
"'l:am~d,:\·ioJ.'U~
:\!Im.-rvdc:r"'olI.IA'"
n
,..
"-".
~j
~\I.
'"
01.
"
<1.1.
M.
6~.
66
67.
(,1.
"
iO.
71.
l\\Jincr-"
1'1
••4Ctn
NilllhT\tu
f~;ea
mi'MIu...,
ll~iQ
~Iicr"
FI
0;.'
••.•."
d~ ,"iJn"",<1a~
foJllltl
FI
FI
:\11ItII.'r"ckridio
N"ln<.'NJ~lnkr"",'On'l""'''"'''''
FI
T..I.:t ••
"Il.:
"["..:1.:.:1111
Nun.•••
". & tdd ...•
u~
FI
JI~bit
Trab.11h.l
IhN~nn
N",,"CT<'
.i.:ltdd~"I'"
FI
'"'h,lw-
Fl
TrAOO.nu •••vmn:n'olIl1I:r.1'i'}..'
Qu,1 ~ f'(;Ild.i m~'1u;.:o1lk >.lUIr;l1tliiia
H,•mla
.
1'~I1r-"'1
Qu.aUlp •.'i
r~'f).li
I';orl;";p.tglCln.l..x:.ltIU1lli<lfami1i:lr
l\I;lIIU~II_5
\·i'·~~n.L
Nh'.:IJ..1a.»lTilhdcdop:li
u.cn1.lC
Kh·dd.·
()'-'\ll'l'~i
O;, ..upm~"
O" .•.•
I"';:lod.Jp3.;
('k~ ••
'lio..bml.:
FI
n:Ild.1
•..•.:'ClJt.ridalkdarnl"
FI
FI
I! {I"JI:t
n
7J
l"«tu~"
f\'I'\lIt)Io."
).1:1\1:111:01
~12I"..mti""
o..-..."!J""li1
HiN.VrUl
•..•
i·t
7l.
hi!l«ia
76
inslcs
77.
"."...
II.
•..
"-"-
.•.
a~.
..~
Fl.::
1~~1I
FI..:
l;iHO
'1u;m;.::!
Quim;,""
""'-'
qllim_l
rooll.fJl~.\
Q\rinli,-,
!'t.::
hil;\u:
hiul -:
Hdllf'i~
Riol.~ •
1'1.2
Ft.::
~.::
Ft.::
1'1::
2~ tlllp;l
f'I.2
fiJj~';l_~
fio<i"
""OL'
o.."'Y.-.d;l
l'r:iuc-.:2
Fr~nm
)'I-:<Im~i-.;"
alII. ~r1
(;JIal
1M,
9~,
(;:tall
hlFJ.8
1"11.1.
F~::
1.•.:
J\>rtup.i'f;R
1'•.2
,\P(idJ,alkb.'\r1~
IIf'IIuJlado1I'h
,
l'rimrir<a
fl.:
I:::
~'PVlI.' 00 c;andkL1lo
Situ.-"i1<Jd.opcimooq>9l"
IChl1
Rcwltack>
Ut~",I_::
91~·lo
J3 prinK-ir.o "P,l<l
s..,&,n!b.or>;::loJI>~"dtd:IIO
qx"lWll
11lC,1:::
•.••.
hp.l
••aprimd,
R_llu.dulilllllob:::~p:ar.ll~<lfI\·lu
fin~1 da I!e::~d~pap"
".
100.
lOull
R"""ltaoo
H~uludo
101.
"Iopll
Sii:UJflood.l
Fl.:!
•..•l!~
nil .-plll\ll
cu,,",
••
"'V'nw"P'.·lu('1\11:6-.Jdli;.bp~r.'d.1fN2)
CP':laJ
T~.•."";n<lpllodocandid;l\n
k~1tM<o
fin31 d"
I""
1t.:"ubJo
final ILl I! ~ 2~ dapa
10~.
UtcopJl
Sit,,~ •.'in dJ 1>..•'1:<.""" ~(tJU':~.o
Fl
I"::
li,,",1 d.o :~d~,,",I»D
:~"I".'lo
1;11,,1d~ I!.:::~ <.l.lp3!Ufl' ::! op<;lo
Wla1J
101••1)
102.
10).
••11
T~hlJ.iI·.:t~
-I
"I"~I
$it.;,pl_l
"-"-".
"-1
h.","
Fmn<~
filial
mal<~n ::
PllIt_:-
9::.
Fl.:
Fl.:!
hiclog,i_
"" ."~-'
"'.
".
OJ.
Fa.:
Fl.::
Fl.2
FI
F2
::! ~1"[»
pam)~
~lo
Fa,:
1>;Ir"J)~ OJ),10
,-;ilitll {lC'f;1..i~p..11)
R"" •••
"'t,,~
"L~Qu •.••l6ft
r"'1uJ:ui<r.
11:1l!tl~JIIII
•.••,Mf'IIlMlrn
1,;,rt,,::tI~~
10<
107.
'00.
"".
1!0.
III
"I
r::J'1
R~~:lt
Rt'CfKJ'Iit:t::
FI
rlJ'1
r~ pI
Rfl!P~ .•J
FI
r5r1
rlU'1
R~u~
FI
~.I..~f.
FI
"
FI
~rt~4
117
.7 pI
,\3
"..I"
'"
1t9_pl
11'
116.
117
III.
119.
1:0.
In.
1:3
••••••••
1
R~!I1
R~
F1
.•.,
rl0J'i
rll_I'1
r1ZJlI
R~,,10
CO
k~11
CO
rUJI1
rl-lrl
R~"ipo.w", JJ
rlSp!
rl6J11
R"'P'*.lIS
d7rl
rilly I
R""f>O'IiIB
Rt.'t!~"'1Z
ro
H..:qx'Ilta14
R~...,......."16
\7
r19J)1
Jl'''P'IM.ll'
R~,.p<bI. 19
r:O_1'1
R~~,,:O
":1 pI
R~~:l
CO
121
111.1'1
~.:l:l
1t~1I:.l
I:'J.
•..•
3J' 1
":-Ip\
FI
1:1.
H.rt)oiJllt~ :-1
no
Fl
':'Jd
R;.-p"U3U
FI
,'llIIlrlll~IJn
Ill.
Ill.
rZ6_pl
":7-,,'
~al7
\33
111.1'1
IJS
'"
rJOJll
R~JJO
1.16.
rllrt
H<!<pOOI:lJI
IJ1
r11yl
RQ;I'Od:.t32
rllpl
R""'P"'I")]
k~~)-I
,.•.
'"
r::'>.1'1
.34.1'1
,3'_pl
,34J'1
rJ7rl
"
H.:,,>.xu:::6
1I.~:ln
F1
k"""",,,~
Fl
n
"
FI
F'
ill
R-''lf>'''''UJS
Ih""""",,)6
1I.~ .•J7
fUy!
R"'t""'t.l)1
flY_pi
R•
...-IJ9
r40pl
K,-..poult4(j
rl_r:
":_r:
R0re:tlll
FI
F1
Fl
"
FI
Gt'I1l:r..fi,,-1-16.
'}.1'2
R-IJll
I~.
lSI.
r5p2
r6.Jll
1~:.
"-,,:
I~J.
15-1.
rt_l':
1~5.
H6.
U7.
I~I.
riO 1'2
rllp2
'"
''''.
161.
162
,OJ.
'''''.
167.
I••.
liO.
'"
Ii;
li·t
liS
176.
177.
'''.
179.
rlIJ,:
Quimk
••
_ ..
FI
FI
FI
FI
Fl
FI
R~111
1'1
II.cqI<'
..:bJ
R£III>Od:.t-l
R~'-a'
R~16
K"'I_t;l7
R''li!_tllll
R.xpolu
10
rlZJ':
rllr:
rI-IJ'Z
p.~'f"I"l" 1=
TISI':
~qpWla
TI6-,,:
rl7Jl:
rl'p2
rl9rl
Hld,ui" Gt'Ol!1"'li"
R~~];)I!u:
FI
FI
FI
R~~\)
R~t31-1
I~
"
R~31'
1t""f"'d,,17
R~JI'
R~1I19
'-:01':
Jl~.,;p<Mt" :0
!"ZI_p2
r"Z2r2
<":1_,,2
rl~ rl
r:~JI:
'-:GJl:
r27_,,=
w..••'!J)OO~::::1
R..:~3::::l.
FI
fI
""'t{,,;~
fI
n
R""f'O"I"U
:4
F1
RC!:f"!M~ Zi
'-:Iy:
p.~...,...a:.
F1
'-:-;)1'2
d0J'l
dlJ'2
Tnr2
rlJJ':
rltJl2
R~lI:'J
n
R~"JO
R''''f'OlI,,31
R.:.potu3:
n~aJ.l
R.o:IpOtUH
F1
FI
FI
Kctpala
J.t~1I1~
fI
Rq)'3lta~
"
fI
FI
115
'10.
rl~
v.:
R~"i"'b.l~
Ill.
r.l(oJ>:
It~ft]l'
FI
1':
In
TJ1y:
r.llJ'2
R"'~p'Jlu37
~IJl
FI
rJ9
R~ln
FI
..
,
,,,.
,
'"
In
JI~
r~JI:
',.-.'"
•..•...."
'17.
Nl pl
r-l2_p:
"L
T'0-1>:
R.:..T''1!H~
J.I~"P•••
u4-1
I!XI.
rHS2
r..
ljy:
R •.~·IS
r;l4p:
1-!""f'OCU-M
r-I7_r:
MCJo(,o.u-l7
..
Ir..
19).
roIl_pl
r4'-,,:
~4')
r$O_p2
R~~(\!\o
r'I_I':
r~2 p::
It"'f"'OlR
'"
1\17,
19<
'''.
:()1.
F1
F1
.1:\
R~'SJ"O"'~
FI
"
F1
FI
FI
.a
F1
fl
~l
FI
FI
r~.(J':
il.~~~~:
1t.~J.B
J.t.~ ••5·1
r"J'2
ReIif>OM~ .'1$
r~6j';
kcr:pollA~
Tn_p:
r"-,,:
~.
d9 p::
R~."
R"'f"J'l't~n
rt-OJ':
>:,~~OO
rSl"p2
It.»podl"
1'1
Fl
Rloolut-1a - Fi~ka
rlJl)
FI
1'1
:02.
::03.
:06.
Qu;mku
R~~"·C
I"'.
I%.
F\
FI
- Un;IJI
~"'II·'UI)':
1Ji<)ko~,..
•.h';l
_I
:07.
~
WI
"yJ
"yJ
K~~3
Ik."...t4
"pJ
R~~S
R•.'t>pQIIl~6
FI
r61'3
r7_1'3
1:<~~7
PI
Fl
""
:lO.
:11.
:n.
pJ
R~~
••:
fl
1'1
F1
:1l.
:14
"J>'
Jt~"JI
"yJ
Rce...p:.ot(ao)
:1'
flOp}
Kc:q,.u 10
216.
:17.
rlljlJ
rl:J'l
RllIf""'lftll
R~;.p«lA I~
llL
rllJ'l
rl-lfl
R•.•
poai
210.
rl.'lJ'l
::l.
rI6J'_1
R~~l'
R~)M.t16
:2:
F1
F1
Il
R•.':"poM~ 14
FE
::),
2:-1.
rl1J'.l
flip}
R~17
It~lll.
rltJ.J
:25.
r:Qyl
K~l'
R.~3:0
~1G.
r:1JoJ
Rq)Od."
:27.
2:21.
r:l_pJ
rl.lJl
R~'q,,*~
:~
Fl
R"'P"'"...t~
Fl
::~. r:4J'J
:10. itz.'-.r:1
:ll.
"
FI
Fl
:1
FI
~J
~:I
Fl
R~~,,:'
r:6J'J
r:7pJ
Ih.~~:6
Jla:op<lOll3'!.7
B-1.
R2IJ'J
r:HJll
K~~:.
Kcspoxu:9
:}~
dOp]
R.:&f"""~ 10
2J6.
r)IJ'1
r.l:J>-.1
R"f'OO&]
ReoJ'*.lJ:
:n
Z))
:J;.
~Jt.
:19.
HO
1-11
:.-0.
:-I~.
Fl
I
r.lJJ'l
rH]1l
R~""'-~3J
J.! .•••••!"'l''' J~
FI
r15J'1
d6pJ
rJ7_pJ
r'JJy3
K~3.l5
J(~3.Y;
1'1
r.l9J'J
R•.-q-.lt.l9
r.IOS·\
Rctp<'JR.l40
Fl
1'1
R~~337
}!~3.JI
"
Linl:ulll':ft.·,ms:cir:t
:-16.
r41J)J
n.~~~1
FI
11~
Ik';fIl,..l!t4:
R~"¢f>'~,,4J
1'1
R~~4-1
FI
:H7.
r-l:J,j
l·Ut.
:-19
N3JI3
1-I-IJ'3
:~O
r-l~ p)
~~1.
r4(;-pJ
R~-15
y.~~-\6
H2.
tH-pJ
lt~~-I7
r"lfl
K~"-II
R~~,,4',l
1'1
IInp.:oullW
FI
FI
:.n
=~J
..•,'"
:,~. r}OI'3
=~(j. dl _rl
fl~u~1
:H. r'~J'J
:~I. rH pJ
:~9. r~-IJlJ
R.:tf"Mb':
Ik:f'OUlI~J
:.~
:60.
U;1.
FI
FI
RctII:"'~
rHJlJ
R~.H
Fl
~-1
"
rS4Jlll
RCIlp' •••.,,~
rHJ'l
rnr)
R~'ftW"I~H
:/\J
:r.·t
r'9J~)
R~"'4"••.t~ '')
:~~.
,.•.
1'1
R~'II{'QIt.\
FI
FI
~.
.t...
""-",
.,J..-iaI'iO
~·~,k.;xl_ 1
:67.
wdlinr,
:6•.
:<t?
apn'l
:.pn-:'opl
270.
:tpr\':op2
Cixli!;p
C.Jdigp
Sd~U
Sil.luSlu
~rn:""rJ
n~ S;:vmw
n~ S~TUlI.u
I'riU1':ir, I:."l;rpa
Eup.;> I"'r.I"
l..I.3'~ ""r~
•....••...•
0Jt);lo
S::gJmL.
1>r''''''I$,j.,;
p.
.n~_•.
l'Olrt_.\bt:
(.',J..""11I"'d.t.
CaJ ...
'1lIO~i
rcO'\";\.~
d~
11111_ FI,_LA:
C~."mo
pro'",,,
d~ 1FivI",Io3.
dn
••.•,." •...
.i, •.~ 1"i''''I""I'nl"" '"" ....,••po&l:l1
(~if"'.
d~1.M" •••
lfnlOli(
lIC'J!ujuh.•••
·;•••
il!jM;:
4.conOI'Ct\o
I
2
QuolMlo.\
(. ••••.
""lI.lQU
J
-I
Q•.••
"'i{)(·
f",.\I\;sI,),,1)
C,wiKt'tU
1
1·~d.:"""\Jf1III
Adrnilli"flI~·lo.IDium.
Adlllini"~~?toNoJl.l,"IO
-'
Arquil,"1urn
fk\n,\'Ut
Ci~'h,i~
d~ C •••.
I1Plltll~·1,)
l'irnd~~Bi;J\(.gj~.I);"rno
('i~•••..
;u nilllo&io;al NAU", ••
C;':,.~;"'C<lI1tjbo.;sNo>lum
••
10 ("""'d"II;.:<'1"'n';",,.
II Ci.."'nci:d~'ai.
I: (',"nun;""~'lo
11 Di,..~-it@
14
I~
So,.-;"I
Edllo.."\l\lo.l J.i~io;l
Fl\t~ .•.•
, •••
,g.;1TI
16 U'l.'-,lImri~Ci>·il
17 EIIC .•.
.'nh.ui~
IJ
Ek!\r;co
EII!>.,.,hMil'lM~clni""
19 EI\I>-'lhml'l~Id:l\{II"!i"".t
:0
FJ1b='.h~r;;II~Minu
~ 1 [I\I?-~liur;.'
Quimi;;.)
::
Ed:rti"ll(;l:~
:J •..•
nll;i~ia
:·1 Fil._liJ
:~
Fi.i.·;. DiunHIl.lCld"
:r.
Fi ..;'"'"'N.:tlln'QU
••ddJ.)
••.••.
"';i;Aur~
27 HU<l •••
T"{>i.
ll<.;;.,'fIlIiiaUiumo(u...
..••••
ci!ltura.ll}.l<:i!M"..:I.)
:'} (J;:O''!:7'"tial'-'otumoLi... ...•
,.,;'''-"1"l1
)0 O~~'Va
) 1
HiR;Jria
J: Hi.bria
.H u.1r,_
()illrn:)
~Ulllm!)
(Li.,"TId"'
('
•••..
d
l!.a<;h:!f~lldo)
i..x.~.;:;"'u""
Vp<,;lo
~ Tcr •••.
;ra Or<:lt.>
(; •.,,_His_Qul:
TQdu
FI
FI
do l·~d:."lU
d:I LiuOIa EWalC,;;n
Sittla\-\iun~
Silu;o;;lon~s.:.[)lIId:1D31"'1"'1'lI;lt'rim
)
\l.~(i"'"
Hidtif"ill.
Q/l.im~
F'Ik."1 ~ LJ",IW
1'.n_MNI.
E"'otII('i":m
(;N_II~_Qui•.n;,,_HJ_Ln)
lim.-;
120
J~
]~
J(,
;"h1Cm.'itiwDium0( Li••
,..,~-i3t •.••••
)
:\I.>h.•••
l:>ciw Dium~( Ilild'M'.:'I.w.:,)
\tJl.;:m~tiw Nt.>lun~( Ucn"";:rtUF~)
.\7
"k,Jidll~
Ja "'k>lti<:iru
\·d.cfin~ri~
39 \hhi~.,
~
()d""'"I.-'!;iA
41
.1::
1·••.•
,Ao'l9"]);um~
foldll).-""t;in N'~UlTh)
H
1'1i~'OI~~
·14
4~
Qu;Il\i~~'
Quimiw
I)ium" ( UOC",,;:llI.l11I Ilbd'~fd~oo)
K'Jl.um ••( U......,...~;21u~)
46 T...,."";lo...,,,,,,,,:;,,•••1
7.sn.:o
s~
I
\1-.1II;uII
2
Funi"inu
C;.')dj.CIfol-.u.Jo;nllHlidl)i"'-.l<I..l;:.,'~did'il"I\.'IIi.1c'"
('<CUR.JtC l ,•.Ju,1l" J;: IO~:llid;HU:s
!II.
UF
('.}dip
d8IO <.·,1300& em 11"<: r,-r-;wm;.
C"''''LII;:.r.:I,*~dc.,..'''(1.Jt.
II.IIlJ:>.lI
~~'ni_
I SSI'-
~'ttI.n.:w
S~ .•~1"riJ S':J:IM1IfI~'a ."'hI;.,,,
"Iohur
).Iinil".'ri"
3
(Ulldid:ll()lli
('onl':lho
I'oIki~"'li1lt~r
'",licidF,'Ilkr-dl
I'•••.
'l"(lrl~
CT1'S- C~rt\;ir' d.: '1'r.Ib;!\Im<' t'r",·id"n(.i.~ S~i,,1
"
12.11)_1l1:
OUtT<1I<
GIdi\,)ll'loOOs.:a,••
,ilAcm;..,..",.b
C"mullc
13. ESTCI\·I!.
I rel~~-Jo"
..:art~-ind.:iu"mi..bd.:
o.I~~••
ud,lO!I em :In.:».)
J:a3d;)ci\iL
I
lkH,,,ilu
: CI~
3 Viii,,,
.$
s.~~ooj\lJkiJlm'"t"llUdi.....~
!
•.
;alMo
Outr.;)
IJ.JJ.:
00 ~·:rndid.Jtu"rn 31
J,;
Ik.:.:mbru,ic
199'
:lh'!1"""Io.
I.an""
l'Jan"",
::1) ~:,oL :Ul0J.5
:~~:9;01\(',
4
15. K\."'lT\1I71'
.10
~n""
m~iJ
01.1
Lu~~n"
••.
';n ••..••
t"
1 ml
Or~ntk Ill!
OUir1)ut:..n,
OUIr.)I":liK
Lu
r de
1 lJII
r~"iu.:"T1"i"
Gran&l3I!
J
Iml'fiilro.kMG
"'
~
Oult"Ed:iOO
OIlI."I':.il
Ano & CQndmJu
1
An •••
lIdc
2
Enl.-.; l?ll
]
19'Jl
!?'H
'9?-'
/\
lWS
(\Ill
1911
el9'Jl
qu...
~'WI"""ini)~ va"
~••n
:me"",,
121
III. TII'02(;
Tipnu,-'l'UBO d~ •••.•....
'Udul>lo
1
2°g;>lln:loJrro1i.i<maliun\c
:
1'U'.Mll'",n
j
S"IJ'I.1i\01
l'!'!"u
••iotu.lil'JOllh'
_1 ()"(rn~"q\li";1k.,lt"
19. LUGAR2(;
20. F.'ICOLA1G
LuVU"d~
oon~kls30
I
B11
1
O ••
~ndc Illl
hll.:.i",..k~1G
EKcIl
r' ~u
f.:;-: I mai •••.
"' •••.
" ~ &noll
Glide
I
"i.blio.l r~'d<.T.>1
J
l'Ohlktl
.\
1'~rtk"l~r
rnuni~ip;11
.~ ('urm!il'!"':
T"n>0~l~f.:~fttn"i(!fl"',t"::"p-",,
I
l);ul1l<l
::1: Nulu'nl,)
1l.IUiI'1I0'·2G
T•..••
'l:r.'pro\'J~no:"Ul'"
]
:-:~'IIInlln.'
"""
]
·1 Tr.:."\lm;oi~
J)","mini<lik
1
lin9'~
.:ur~"l'Jiir3
(I.-itun)
Xi.11h.un.o1inglll
In!;!"'3
I'r:uw.'"
0""
I)U;tSUnw.a.n
l'o.bi, d.zdll~~ linp'''''
14.I'IUWII.Ii;T
F~u,~il
1
rn1 wntnhQrr"·,_ibutw
1\S"
~knlM
d~ 11m M·rn.".' .•..
l\.vLlm"'~l1C!;tr\:
/\.•••
Ultl:mo
~
r.bi~ d~ um ann
/j
im'1!f:kiJ*'::'J!1lIIi
Jiipr,-..t.iI\IH-niblll~r
I
NSo
Si,",at\t~ ..•d.z •.
,.-'n.:hLiro~
]
Shn.nujn50fni ~r"J\:td(t
Sin •. fui ;'pn,,';I<ko. ,"". n:io m~ n>:Url,.•.,lci
Sim. ji _, rn:II.ricul:o:lQ, m.n pracutW
n;udM
Sim_j~
7
26. QUA.I'iT.-\i'\O
IiClUr.:lnll.;uwcm ClllW MlfI~i<!r_
Sirll.OUIr;,UtuJ~
rb 1jI1:LIltlltl
~nlJltalla
1
y:ru
in~n<l
wfI"'fior
F.l'ttlvoI'rirnci!'<)ano
\-m:m"
2i.QUA.YI'\'
QII;tlllilll
I
J
'1IoIihul~r~~pr,*,J,""'n"
;\~ ••hll'lI
1.1",
I»•
.;
Tn:.•
~
Quacl'\)!,)I,LIn".
~loti\"{)~ill~;1'=I1 d.l~lI\ldeCllnll
t
C."l\dl.ui>rk'I"'r~
a ••",i'lllL.1k
:2 :-'1~ldodcl!1lrolho
~II'Ir.IO
de
ClIf'IIO
m;o,~pr.tcnJo
",,,,,.J,, ca~"ck(_;m.:nl;)
ubtcrOOIno
U"rn,,..,::lo
122
h,*iSj"
J
.,
l'I\!'(j.;(<lI~1
Inl1 (••
""lid (lICl••
~;'"
~lIbt~'ntp
lNi"",r,'b"
o."tl"'l
f'ril) ••~",1 1•••.
11•••
.lc illf~o£llu
1 J,;mwl""..,-Il
19. IM'OK.'I.\
1',1"..•·j.•..
1,'
n.di'"
1",;"'2.
(lll\r~'
r."I\."
:"hrm.'IlI.I1II ••\h~in[c;n!l
\)
1...ori\i'r~d<·ji\nUi
10. LEITl'Il.\
1
•• · •.•
:~iu
•••.
[}i;.ri~"".II."
~"m\l\:\11N:1l1':
.'
~,Vn.lm,.'J)1C'
-l
:-':J••
"""J()fndi~
.~1.~n·l
s...)"I"r.
J2.SU;1
~k"""~p'Sa~n,hlll_jom)j.
"n'J
•.fcrrn~;pl
~"pr.;("""lci4l1nQlfj"'fIUiJ
s..."-,'lvPI .••.
1.1"',j~1!l.>'j"",ui.
lJ ..
3.•.~EC4
S<\'.1I·lm~r..n ••
-;:>ll •.•••
j fII~i~
.IS,'OFC!'
s...~ ~=r",.,,~';~ll''''lIlj
•••.
n»i,
:lit~lia;
~oJK,f.:r.:'II.i~lllot>J""""i
•.
~wpr-~«~mcid
liQot jQllni,
.H.~EC1
n.sE('JI
11\<1;1;
••
"
I
('u!t".~ ~.I~N:J
"
~
1\
Ef".,t •••
\'d<u~
!Ii i,::u!Jl..o<;.lti~
1
,
s..:kJ.'Mic
('b''''''tiod.,.
.\.i""'d •.••••
~"10
Jt.SIlOW~
1
~,,~Ml .•lfit,'IIC'
:I
,J,,~«.••
'~lnll:llt"
-l
:\:1"
11.'\.'-'11._
:u.i>l •.
·1c.ll~ (IU J,)II;)I
40. Tr.:Xi'I(O"
I
s....,n,uulm•.
'l\.::
~
3
l'1.:Tlltlll1lcllt.:
o,..ari~uhnmt<'
·1 N),'
.u.i.<'I1.:ll:'"i"l&'
1 M ••
i.d.tJh«".(IIi'I"di~
1
1J.i1 •••
.IhI!fOI'«Jil
"
·1
ill ••1 h'''''~flI..vdil
.,.,.. .•.•••"lm~111",
:I ~.~"
"\tOUT\"
I'RO(:TY-2
l'nOGT\'-3
I'IWGT\'-4
1
~""'0I't1
••
~~I~nncill
~'tfllm.•
J'I'.r~~i'I";)'
~:"n~["d~l'eIIeill
l'nOl;T\'-~
l'r~
•••
a[',\;"r""':n~-Ul
l""UJm)
p~r<:f\.~ .•
i~l
l'1I0(;T\'-,
i'm(Tliffi;ll""rffi:n('i1l1
!'IW(;T\'-'!
''r~ni~ [Of,·r~n~";i~1
1'r'"9"~t"'"p.•~·r,. n.ilL
rltOG"I\'):
I
Ncti~i~w.
T••I..ncn·,-b
I
·1
ri1m •...••
1"m9';lnuJ.:.'Qri>.:tbd,E~
En(j~\"iJlIII
Ilunv-r
'M_
__
123
""T\'C\1I0
T"'''I\';II~-JllO
I
It-im
.'-i..
£;ihn."...,n,itI.
~.CJi'\t:"I.\
1
~ill1
~
Nt ••
\"li .•••
rinmu
L
:
'"u,.....
H .•
'''.k \II'U
tatL'U"
l'm~\~J>C'r
•••
nun;l
Ikl.el ••
-_p<"
-I n",.';.'lhll<o!l".
!t Nlc;
1
~I.
U".\(,O.\II'
1'•••
I.>Hnput .•.••r
I
;
~1"
Sint.pJ
1
"i"'.ll'"lih .•
6.1.1I'\1IIT
•..•jp
n_..-I~..:oo"_IH.:!(i"'91ui.
Ild.rt:&""
1 fl","h"lIl:'I,ryrilCJIuruilmilil
~
f.-I.TR.\IJ.\LJI.\
Io1did~lh;i~
••lu~
Trarulh~..Itu~b""Jt<;'Q!ln r•..
"TIiom..,.~»
1
lIa l1:;lI.lho
J
..\i~::'II••
~ ••
nunli,
"
1}.:I::1 ••.!')hllf'l,
••..
-·fl1:rt,~••
~ lkJI.4·'h·"'-H"'~Ji.
to hI.•i.o.,4(Oh~ •••
\)••.•
rir.,.wm,cn
Id.t
Jf.lmili~
I
.\til ••
I.ol'"i""""im"
Ik I ,.: ..,Un.,.minin_
J
'>':a!-
••
d;Ui.,.mminlOllt
1k~ .•1Q I.ri_mini"
•.••
l'lel·la 1~""l.Ori.,.m.nim'.
O"l~ .•;IiIl;,lHr~mmirt»t
1.)..·:r; ••4"""IAf~n.i"i/t
J).,¥I.tioJ
•• Ur •..•nu:,im
\I
"' ".\ltTIlI(,'i
;\bi.\io:l"l
J>.• !lkit~"n.
••
,I~fi.""n1i1lin_
");'-1101I1i
.•
fm.iIi.r
I
N,h,>lrJb:.II •••" •••
", MIIit..n""'dor~l .• r~mili~
TfIOb••II~. rm_ •• ~C!1l~.10.0 ,tria b,niliA
J
RC'll'1;."ll,;h,,"~[><.'I6""'U$U".:tl\.Q
~ Ij,~'n
~
"
.drd.rn(uJUl!lrnl"'~l'JoI\.'iJIn'rnI,J:I",I(>
daumili,
l'fi";:;palt ••~~~d
""-1,,.,,,11<'111,,
tb f","ilil
"'lIntwu~""i"
'i\;"u.,
f7.()11.\:ro.~II'r::~
Q\,n_1
I
:
Yi\,'t".b~
1'''1>
D.:J ••
3dU'"
I
q";olr;•• ,;:in~
IN
"' •."''''
1>':0«0.11..>\'"
(>
QLli~CI'AI
I," "'nui.
X,,~i d•.•.,..,..·I.ori.iJ..k,J/I""i
1,'0\1111111
I t1~"
i,,~
.r•
;pl.t.Ul~
I u-,.\I ior",~n",I<tD
~ I p'ol'mr1d."
4~':ti\}
"· ••.
'ri.·
=--u .•••
in;unrl..to
• iJ"'''
ml'l.to
Sureri..,-it"\. •••
,l'ld.
~I •••.•.
ir""mpl{(.,
Ninrl,lc
•....,l:.r,i.bd",<bm)c:
I
NOlh",,,
!
1Gsr'.•uin
.1
l·tffiuill.'\';mrl,t"~Ia..I·toEri.I
fI\I\,1
~t~' 4"~i"
124
,0 p-;lUt:umr1ct;,
r U~"ill~.••••
tll'lcto
7
:·g~"""1!'I,t.,
S\lI',.•.
iorin~~ll1pluo
•
Sltp;;ricr
~'1~np"t.,
o..'Ii1,~."soJnl'ni
I
t\gull'3mCIlIO
1
AUIII>;l!1l,:nhl:
3
.~l1'lfI:Im<tlld]
'\gu!~m(nt.o "
'\9'lI'~mall'"
Dubr
o..."IIp.";;l<>d.!m3c
I
1\gI" •••
'nH:::I1I~
I
]
'\!1I.ll'~nK'llh':J
.\
'\cnW<U1l<.11\u4
1\gI1I'~lTIc,"lll :
,\V\', •.••
'OO1\O,
lx)l~r
Ar;rnp~mcn\<)
1 - Il.:in'lllciro.
J;:p.l1m
tal"I"
• l'r~li.i~1
Asrupa'llO'do::!
OfIP
hi<,;nit.'l1 cianifiro.
•.~
d..: dtd"1:l
COIn.) pc:!i<{lIillJd.:'f, "ui",i....,
CU 9o'T~ci,
nihl
modi
•••••.
a"";li5rJCcto.Til;0"iI)0\1C111
propri;:t~ri:)
nnl
Agupam
J.::::O
•.lll~
rm~
OOnt6Ai~'O&.
liti.ml':.
~rnom:"kjr;l;
"i,lh:if"
ru"dtllliri
li.•.•
,:iro,
J.: anll~.~'m
••ptlblioo
.••.
it) ( ,,~o
hi',at"ir;).
~11
( qu<:" lem
de produ;;:lo
,w
~;m;jrio
I~~inciro.
IR".w."I".
~r~r~;
IlII d~ "",If;;> plXflKlI-l ~~l..,.i"}""I111)
Sitna,lo
r;\.••.••da primcil"3
tb pr;mo:ira
kTc.:iJ'd ~W"('lll("
'If''I·1o(1fU,,
~ra
,\l·SJ.:N·n:
CL.\SSIF1Ct\])O
SI;MMINI;"KJ
.• !in.1 VAGA
kl."MJl\.Id;:) finll
n.TOTALI
95. TOT,\I.1_1
99.T01''\1..2
1
IOU. TOTALl
103. TOTALJ
104, TO"I'ALJ-
1
<b I'..,:!
R~1t:u,~
rlll;!1 d,., Z! dsf'o'
Rc~ulud;);
rrnal d:.
:! dap"
~1:>pi1 p:tr.:o ]!tJPvJ.o
ru •.••I! <If>;;lo
••••
1"11 !~
O]I;;J,o
RC'I"llado'in ..,ltlll!I::::!"'JI~Il'M"':!or'.l"
1l..-u,II:\d;) fin:>] dI Z!L'''fU
Jl3U)!4WO
Romh.,d;)
tin~1
u..
11 c:::! a.11M p;lr.1
C'ldiIilOJ~CndL''''~'
I, l'n!nil'!lli-'l,Lltl<"Um\Hl,
J! Cf'
~1\NI1.;l,.
2: ITonsplicJdlootllm1'ldJTAII.]}E
•••
"i1',i'-dl~"IC'/o:
oom..--rcijrio,
~C.;
wr><cTior .
g:md.!
l"CJf'iJ<,d;
l,o;JUClKI intimtri"l,
rlrm;ili3,
milA:t.- de ••..
-I<bolu,
o;.'UlIo;\~I:' "' ..••
u ~U'~<.T~ic.u
(,1:1p.t2)
L1l1J1'1~)
•••.••
n' .•.:i~rII~
JI...•utofttiQO,
I"i""
~-.w.inhci,.~
t"mJ(lf'
bjll
de Ip:lrdh(lf
I: ~"Iu;.,.lo;nI";
•••.
'fl' •..no
~lI~Ml~III.:. .
~·"",o ~"'linh4-ir':1.
m:;"(";>IUri3.
F".~1Il
mrt~liKV~'(\.
Clnpr.-vdo
d", I."':i~
drupf'ill.
~I);)
t'
yifiC'<:!.
~'UITIIIh<Ik'Ol,i.u.
~r ••~ri1.jc;!lhcin,
~""I'r.vd..l
<:'I:>:p.'
••1I6 ,-Alitb I),''''
~ t6 ,"i]ich
d; lIi",1
major.
tcmdhMIt~'-
maro.:nciro.;
f.",]»,
d.!ip.:l
t,..
'P'"w
SitlW,'lotb
3
l>'If!i!"1lto. eubtmcnt",
.o1ndid;u;)
~"n:lprilllc;"J
Situ~;)da
o..'U~lo
m3;I;I:
oo. d...-miru.
c;w •••.
1.~,.blic
••
, s..1IlCn'$fIt~"S.
•.•.•.,>tdn.•••.
.,., .g:Ir,'QI1l d~ lX't
Situ3~o<brni,"ci",opvl,'n~w:plllru
101. SIT0r2_1
IO~. SITOPJ_l
~n
"""" ••..
ci~t ,~lh ..jiSia \'llIillInJ.o.
~lod"
CltI oulr.l
~\ .•
pCollto mi!!\.:Ir tl" 1.,....,,11:, .,;"rpdo.
<k ehclh
1U1'31cum
~""'IIIin"o••••.•..•••
""';.,.,il(".
In«Orhla (,'l'lJW.:pdu).
d..- ~If'O,di:>ido profi_;""'~1. ~'(Imo mcoclnioo.
~4"'U:n, .••lIa;
CM~do
I'''-'f'rid.:irio
arquilct,,-,
jcnulilU
lllo .""y>
,'CIIW tplCr.ll.
!'Pno..
prim.~li"<:~Ci;,,,,,J.!ri.\ ,~h:'.nl<:.
rqlf~"""'I"n"<: ~"·n ••.•.
~i~l.suxili.u
Onat;.•I)~,'lm!'lct •.••lllc!ui (imcl.",;iri"p'bli.x'OXIOIlCUOl
~ outr.~
cafY"'»'OOr;
('oX\;1iP do ~~" ••••
.;b KV'mb
op;.;.Io drp c.MIdid.llo
C.>di~d;:)~'1
•.•.•••
ibl~ .•.•..•.
;r"~d.><lMIdidat,,
J
ok .mil-.Tridldc.
dol ati,·it.l;u.lt.~ ••:mdhJl:.t~]N«o
9J. OPC\Ol
1
cn~~-iro.
l:af,1 d.:
9!l OPCAOl
IlIl.OPCA03
<J7.SITOPI
nmJi~.
um minimo
r~bril. ~n,otiro.
"n'~'fl!'"
"'\I~llfi.:.1d,).
"oul ••••,Jo,;tIf'.1~'!.ks;X"'1l c.'J''''<l~tli;:~
,.... SlTOP1_l
••.UmlO
•.••
r •••.
'a-il!iCJII
111.""1111"(,,,\
•.•.
Mio rn •.~1 (:«<£':::0 hro~r~"")
1l«~,aKll""Pri
} - ~~'r'
.niJl4:9Td~
o.,~"""""
(""ltr •••
Idd·""i.la.
C<.>nll."f
•.
;~1 <k !r""d:p<'f1«
00 do: ;;-rubdccimt'TlCo
tnobiliiriu):
run(.:.
Wfn~.•.
•·\gl1ra1lla,IO
Jlf"(~ __ 'f
1I
••
:m •....
lb~'II".I"):;tU
~ :::00 hlXilri!ll,
4 ·l»tiI6gr:of",
de TftUI.1fmI.,. <:OitUrcifo,
OJ"-••..
.irMI lIuJlifi""do
f.Tr.lmallcim),.
pcncir(l,
chef.: de I«On:., .m...tr.:
d.: art;p
;n..tuolrial,
pru'''''MOf
•.~"""'f'3,-:or..I''',.'ft;)lel.lrtOdt'I·.UJUI
~ "·~r.T",~,Jo
;'l\;"iJ~dA
de inqm:,:l<!
rnl'dkl.
tpndc
~n~Tcial cu indulll.ri,l d~ p«IC m6dw:
J.: ZOO;l:.000 hm~r~.,. (JUtr~~
OO;UI"~~
• 1J.;1n..-.lrW.
Ilfici~1 d~ jm.(i\·~.
\yul'"""en1.t,3
:kitni"i<tr31.;
indu::crill.
militar
p(obI.i."I:!.
em cmpn:t.A
d;;IIr.'f'I'"iiltbd.:
<JOlnaci.tl,t.:, J:;tIO
«r'I'i~
tk: nil"d IU,i\~jl~ri
libcnl
OlIpbli1tl. lh~. JKId"
•.. dipi<lmJta.
011 ~,'nciJ
mI ;r:on.d03 <KV'nir"~ ••.
)tt. alto pOll.,.Jminitl.ntiw Il()
H)OOI\c..lxu;.
OUID~OC~\loo.'$
cun wr:"lJilC.i~
.."Nlha •••
~..•
p;1~;r.t.
Ctl :;Isriro!t~"f
,":'''lUri~.Inn,h~~lctl:.
fa •••••
brildo)
,~\."tkir.I.
m~..,if"~
loj •• d~ f'l'lr.l[.""J}
125
W'J".t""i,,,
167. LODLI>"G
C:";di~,b
Un{/.>-!
l:J.r·~rtM
::lnr,l ••.•
!(.'t..\I'R\'1
:iit\lol("l"n~rrin",-ir\li.:tJf.\.t
211\).. \]'R'"!(II'1
"i\u•.••
!fn.j.>:!IIId.llil~t»r..
27Q..\j'U\"!Oj·2
SIt~"'I,,~mdJFt'1
271.
~itu~;hIH~lnd~r:ljr«p..."J:rTa''::;''O!~
},U'·ZOI'J
••l'ri!fI."iI'1~
•.•~nt3
~"'P~~
(j.Rq-nW"M
LAI"'~4,h
DF""''''N''''''W~''6:
;..-ulllo(ri".••.•
:j)ml~lllpO
Nllnllfril»
ltn
1~~
'\uln<'ri<lloro.;l-l,:::\lilJ!'oW
Nlln...:';;:u.
tn~.::tlnp ••••
NUlncriwo)OU'I
•.•
mq.,.
Nlln...:,.i~~n'
111).._;."
': ."nll* J.;..-ill"OJj,
.\Jrl"urn~i""~"1n]~ "'m~
'\1(;1tI1I"
••.;-i~a>I'l¥t~mlpt,!
••
Anexo 4
A TAB.30
detalha
as atributos
e as valores
dos atributos
da base de dados
da UFMG de 95.
TAB. 30: DETALHAMErno
DOS ATRJ8UTQS
DA BASE DE S5 DAUFMG.
C&/i,p
.\n;)uo,,,,,,ituul
In....,.;,· J~ii"it" •
hlllo.""ri~
••••.
'IJl.rotc
(' •.•••
,.Ic;f"'I,."''lrio
NI,IImo:•. >nl/!!.u de
I,;)"'",
7.
"
11.
~"""'.
"'"
,..
I~.
Ii.
".
I".
:,..,.
"
",<
"
::.,
;n
JV.
H.
~~nUl'.r.i
(:~i-O)dl~d.t''''N
(,M~
~~d
J.allttQ)i.ipiOl
1W••.~di.ht_
1"
(;oJi ••• JoI..:!lI~"IIl<jIl"I".ilkm"<il:,md;d;';l
'"
X",~d,I,k-r>tid;ltl~
IJu(
"'-:-...,
Co'"l •••
w. "",.•do;,t •.1,oi.,h
•••
F:
1'-1
1'-1
,\]:
.• d.l \o\fIhlf:O J~"kllliJ.ilk
"".
•.
~i.dc",
F·'
("6.li9'd.:>.~.-mi_dl.iJ"'l!.ill><l~
Id~ (.Ill
lbd(lol
J).
.>tndi~
Lllt,.J.:n_;m~lI(j
01:>\11'1''''
"
dll Vu«ti(H,Jin...~>ri~nGmjro
l"'\tJ,luml
Lu..:ilril
1::..t~IH·,i~il
I,L",II.N.qcjmcn
W-.:kdo~·.1I\dicl.1I.
<-'Codi
••• \6 \up" ,k tUJo:in~I'-"
H.«iJen
T<n1J
F!
1'4
1'1
.1•. IWden.::i~
tipl1:,
ripoJ.,,~'UrtOd":>lCfh.lu:l!(I"r"
.\lW::t;
Lll~'
·\"".ko:(.",",*,JoIIt~U~"
Lu~:",J<; _d ••
,"'1~~:o<J
~ft-;:,
1'~hl·..,d~(~lE"lluior~n::..
1'IIm.:;
Lillr,..'ll
T~·c"J
l'r~\~
1,"-,"1(
t'1i,'IfIer.(M
rr..~\""~i!.lu!.
QuIll\I.
QII.lII~
l.kooti\'O
"-l"i~"Od,,_lhl.bOM1o.I
Ft
U~II
•.(.all nuir,f (Ult~:"O~u
J);",Hot; ••dQlfn!}'~
,..;tr:~,,~i,..~
.1ft .;uninll!;:! prC-\"".$ibubr
\·.':aibulir",
IU
l,F&I(;
FI
LQI,1fj)
!orit"ndC!..••
n••
i."'r~".b~
]"r•.••
"u
1'r'1t6V"ll;'I1I;:"~iJlr(!l"!JlA~
fr"I>.lJltNor<!>It""(l"\\d."">
1'1
/';Jrti-.:i~.b","IIJi.w.,,"an::ll..u
n
Ir~hktll
•..
~rtr«l
""
1k"tllhIlI<'I'uld1i:uniliA
126
Jl
<)..unl{"'"'!;
Qlunli;l.Id~(!...,~·'I\I~";,
u..""V-,i
•.
~nw.r..tHJ.l(J,,lili.••.
""i
H,
U;..'1'Iu:
X/,-d ;k ~'ellriJ.uk
Ki\'d d;: c.;..\)I,rj,(bd~
J>,
F~rna;.,
.:....~,~.
(k~~'1-u ,I" r':-!p<.,(lti'·~l
J&
n
"
FI
(~m;r;;t
FI
dl r;"nili~
IklftL~
l'\lrIu!Jlo."
"'..•
~LMCtn.,li(d
G..>.W1I(u
hiMl1ri:I
1!)u.6cia
InSI41'
I",",
Fl.:
F"'"~.•.
:."
Ft.:
Ft.:
("""'
.•••
"!<
hiolt'£ia
fili")l
-1$,
(1I,;nllC:O
..
hiRt) :::
Ilicl2
,'0.
rl:~Z
," ~;t;
47
~:;~:
"
'L
(f7rnoc
2
m.1l~"I1l Z
r·'r1_:
l.:.Ial
1~ .•1
1'1.2
n:.:Z
lliook'S-ia
Fiu.:.)
QuilniCl
l~f'up3
t\xt1~ln"nn""'nl3l
Quin.iC>.
"".2
n.2
lIi~«~
11i~losll
"I.:
-
rh~-;,
~.:
FI.l
G,:oy· .•li~
n.:
Fl.:
I'mn~~
)'bl«n:iti~
Ft,::!
Fa.:::
l\mu9l'-"
.l,fCidltl<''J{!ll;;UiC>.(
:tpt;tbli
>7,
"
d••
dJ ml~
P~k) MIII.CHl.:t J.l
J!"I~IM
-13.
"-""
"
R';;;I"'~II:.S\'d
,
"i<k~'dit~1)
~ulla,Io",FIII:lb
T.,ulwl'CU!>lI
t'1.2
T'''.I1dl:r~·Up.>
n.2
To'(~!!> •.:ul (I·d~.:
GO
>1alil
OL
.t~!1t-2
I
:'ct"l)l)
Sil:U<l;,·b.:bI'.'t"P3
1"1.2
F1
.l>itll..,·lu.u:'ctllJ'"
Ih·.JWII'III~:u QunotOH tl~ "fUp;I
1',••1u::uill·.\IIIIt'millk"
l·o"ul:l1••.••
6~.
,I
pi
(lpl
ilnvo«a
it..apolt11
(M,
rJt']
r-l_pl
ik;pa.u3
r~JlI
myl
r7y'
111'1
R••
'SpiJ&I~ ~
""
••
r<i,
'7.
1'1
]
1l••
~)uGu.j
71
"'-,,'
rlOJl1
12
,II -p'
RapOlu(i
R::IfXIII.J7
R<r~s.
It"'f""'l.'
R~"'l'IIo1I!il~
1'1
10
F1
Rt:"""p.:oellltJ
FI
R.:::~p,).u I:
FI
R •••,,"tUIl
FI
R~I-I
1'1
rl::r.l
rllpl
rl-l-"I
rl~yl
rlGJlI
flipl
R.;;,l\!olld
fllyl
N~ ..
".uIJl
rl9_pl
":0_1'.
R~19
rllyl
r::J>l
~3yl
":'_1'1
":Spl
r:6-,,1
r::l7yl
r:ICJ,1
1":">_1'1
R•..•.
r••
"h21
FI
R..""JI><J>'".ta;;:
11~ ••.•.
F'
R'""'t>'*3:-l
FI
R~~.-.u29
,JOy!
1I<:q,,·,.ulO
9:.
"I
it.."'1fl'*:l11
9:1
d~-"I
r3J...r1
rJ-I....r1
7'
",",
77
"'
.."
"
'I
.,
.,
16,
U,
""
""
"'"
»7.
n
1t~11I1~
ItqlOtt~l(.
FI
17
RCI".(>Of'l~
:0
:\latrm6.li.·'!
r.n
rJ6pJ
p'
['I
~n
FI
R~'IIpUlI-' 1~
1l~~:6
RCIJ'OIIa17
R~~.l:
I(cq>mt~
•
:n
Rapoatlll)
1(•..
~a14
Fl
Fl
n
F1
1'1
n
Ilo..·JT·o'IMJ~
FI
R~,.portd
fl
36
127
,.
r.l7J11
R~';pm;t"
37
FI
".
dly!
R"'lP""',,)k
100
rJ9_pl
Rnpna".\?
FI
FI
101.
""'-"I
Rc~~"O
FI
iJ:1Jl:
R':--I~"l
FI
rZJl2
rJr:
r-l-,,2
1:c:pNt1l :
FI
1:1
r;""~I'ann-IIi~t6ri~
- Quilll;'"
GN>lran~
10:
103.
I ••
'"'
R~:aJ
K~-'-::l4
KcoIJoQll:l ~
1<1<'
r~J':
107.
roJll
ll"'*1l<'i1tJti
r71'2
R~'!1;4lOda7
I.,.
,.-,,2
III
dOy:
IU
r11Jl:
113
rl:_Jl=
R"'fl<lI'~
R ••••
r-1a
Rcq-o.!li1.:a
10
11
Il
!t,;<potb
13
110
lIS.
116
"'
119.
"-,,'
113_1'=
rl4rl
RIS_r=
r16y=
r17J>:
K~~'
~,,9
FI
1'1
FI
1l~~J.]"
R.wpoMJI
IS
}I..-a~ 16
rllJ1:
1I:~~1"17
k<.-::VC-I~ II
r19J':
Re:;p\>~I" 19
,lOy:
l!"!"pno;t:.tlO
FI
II
FI
1'1
FI
illAtiOn.
r21
_1'2
r::J1:
r:JJl:
1l~.
r:-I_rl
1:6
,;5y=
r'!"_r=
r:7_1':
no
1)\.
nz
r:'y:
R~po,u21
r..•"1"""'.ln
.
Rcq>udalJ
n
1'1
R<'~":·I
l~"'flU.IJI :H
Ra~ta:6
1"1
R~-q>oJd"H
RC<.pQIII,,:1
FI
rZ9y2
R~,,:9
r'JO_r:
FI
1'1
&..~"JO
FI
r:llJ':
RC'f""ta}l
rJ:Z_p2
K.:syoouJ.J:
1'1
n
134.
ilS.
r:llJ':
RC'",;.flOituJ.l
r34_p=
H':--.poMaJ4
r351'2
1tcq>XlJ.
JJ7.
rJ6J1:
~,,)I)
FI
FI
lJl
139.
FI
1'1
3S
THy:
1{<:$JIf'I'la.\7
131-1':
r)'Jp:
a..>()Od~J?
140 1'2
R~."O
n
ft.,'~tG"")'
QUlnl101l
).n.
I'IIJl2
1I.~~a41
14)
r4:_rl
r04l_p:
I"
146
,4·1 I~:
(45 p~
R~""a"3
ll«pOUlI·14
R..lipt.Ial4~
r46p:
~.I'1Ij
141.
T"'I7p:
1l.~~47
1'1
149
r4'_p:
1'4')_p2
~1I4'
R~'"!pOII." 4Y
1'1
1'1
I}~
"OJ':
,1I
ll.C'lllo;lI:IbSO
r~2 p:
RC!1>OS1.a ~[
1l.~.In
R.,....pco;ta.H
FI
lB.
I"'.
III
-"
rBy:
,S4p2
I,.
"7
1~1.
1~1I.
""
d'yl
r~6_Jll
rS7p:
r.5Jp:
lI.Cl'pou~":
J'i
FI
RCf.POM.154
R<.'<f'<ld~ "
R"'IK!OIuSG
It'\lll-'~H
R••
-polt~ ,.
FI
FI
"'.1':
R.<:q><rU,,'9
FI
r60pl
ki."tf'OIlll(,o
FI
Dlo~""-
H,i~-I.i"I""
E»trallpoint
iJ~lul!:ja
!G:
"
pJ
Jt~bl
fI
128
163.
167.
1M;
1(.9.
1m.
rZ_p.l
R.,.-, 1
"-'"
"-'"
R<:lpotOla
Rc---f""'l""
"",
"
~
1'1
Rq"*016
rllJll
173.
rl:rJ
Fl
Fl
-..'
''''
R~~I
"'J"
rl0y)
171
Fl
l«..•
pwla7
n7J)J
rI_IIJ
171
.10
H.~ll
17'
rl.,_p)
R~~!Z
1t~J)
J.I~-::I>o:IIIU
Jili.
177.
17•.
179.
rl'y}
R.:;p.»U l~
r!lJ'l
110
n
n
K<:t()OO~1
rlJll
rl6rJ
d7fi
n
Fl
Fl
1·1
RapclO1uI6
R'Af-'a 17
1:1
rll rj
11."""",1
rl9pJ
rW r)
R~.,f".t~19
FI
!WT....
·u20
Fl
lit
Fl
..,bk1ll
It:
":lyJ
R"",,"hll
It~'!'rx*l :n
R""f'O"I~lJ
rZ:..P}
rUyJ
1'~. r:4 pJ
I"
It<;
r~'_rl
117.
r:(ll'l
",,
1'1
RClillOOlaH
::ii
1'1
!l,;.;,,,,",~
rl7p3
119.
r:'1'3
I ••
r::9J'J
1'J1.
,JOy)
In. r)l_pJ
r3:.1'3
1.4
fUJI)
1"'~. rJ4yJ
1"197.
n
Ih:s~~:--1
R~~17
11cxp.xt.l:¥
Fl
Fl
Kctp(XU :,
R~'«u)()
R3~~31
R~"f"!Iiilan
1l'_pJ
Re<IJGlblJ
1t~.Aa}.j
Fl
R""'--fK'd:olj
H
r16_r.J
R~lIJ6
Fl
117 pJ
it ••••••••.
,,)7
n
I"'.
rllr)
RQtf!(lit~ JII
:00
:Ol.
rJ9 pJ
R<=lIr-t~ JI/
il.:-podl.jJ)
lOJ
roily
:0-1.
r-lJpJ
rHy..l
,-lOy}
LlnfUaFAI'';1''ttin.
.-11..1'3
R~"'f>"'Ila -II
RnpoIIta.J2
I'l
1'1
R~p«.IJ4J
Fl
1'15,,)
RtIJI ••.ua-l-l
~!,:.-~ta-U
FI
1'1
r-MJll
){•.
~poua-lt;
1'1
:01
209.
r-l7-".1
ro"_pl
R'''i''"lIIIa-l7
R;!"fXJd:l41
:10
••1?_rJ
RIoSJKMI~
r~OJl3
R""f"""''')()
:1:.
:U.
:14
,51
ft~IOU~'1
!I'
:M
""'.
:07.
:I?
:21.
n:
UJ
::-1.
2a.
1')
1'1
1'1
4?
"
FI
FI
]']
r~:J'l
rBJ'l
rHJ'l
R"'I"Ji!b':
cO,,,,
ltC'"..flIld.aS-I
,~6Jl
r~7 I'l
r"rl
r!'?lIl
160pl
",•k•'<ld I
R •••
p<W.••.56
FI
RCJpoola,7
Horpooa ~I
Fl
RtlCf>OtIa
~J
1'1
1'1
R~,,'~
ik!p<XI~ ~1i
lW"..p<JUA60
C.kIiIJ' do C~d..""I"
COdiY' <h I.iIlDu EWMl.tJ-...•••.
A
rodlilltl-
FI
"fn'l
!'t,ln:·f:o.,n3!'riUIo;if':lEU!>;I
FI
FI
;1flT\1
Sitll51()n~Swrlm<llEIp:t
II
1'011 J\I~I:
Gw,=-lIk_Qui:
llio_H!'_I,ctr.:
"("(ul",
•.•.
·I.uilllno,""Iij!.05:
~j
\'~r;ini»
(;lId.:rn~.:b~
I"')·,."s<lc
t.'ad.."11lod.u
pr\ln~dc
C:id.."T1I(l
d.u. ['f"O\"'~<I.,
n ..rnelll" ioll'ftlpoilH.lS d •• trh
J>ot·to/.J.:""~,\f"",,,;il'ro
~r'¥f;t.lfjnx;;..QNilMK'U
~':J.
J.jfkgcU~Ejf"".,.~'''''
cad~n, ••••
( l'ul1_i\lat.,
Gt"O_m,_Qui
••m"_H
__ ''''"1I) .;. ••••••
129
I
QucstauA
Que-111oB
J
QUL'$I~OC
Qu~'SI~O I)
Ou~.,,(~() E
6. COI)OI'CAO
C&ligo ,Ie 01'0,:;10d~ ~,'I"SO
I
l\dmini!o1r.lIi,loDiumo
2
l\dmini~m",lo:\O\UIllO
3
Ar'luilctUr.,
"
5
l.lcbsAnC!<
UibII(K~'t."UllOnl1a
Cicndad:tCornpuIJ¢io
Cicndas
Iliologjcas
Diulllo
( l.icmcialUr:l
~
Ci':l1\.i~s
Biu1ogjC.1S NOlUrno
')
Ci';'ld:ls
Cont:iocis
10
Ck'"c;as
E~'()nolllica'
II
CiUlcill;;Sociais
12
Cot11"uica,,~o
f l.lam:lrdaJo)
( LiCt..~I~";atur:l)
Notulllo
S()~;"I
131);rcito
14
EduC:h;aoi-"isic.1
I~
16
FJ11"TtH:'gcm
Ellgcnh:ori:lCi,·il
17
18
Engcnharia
EMtric:l
ElIgcnh3ri:.~k"C;inic:l
19
Eng,"lharia
20
Eng.:11h'lriadcl>.linas
2]
Engt.tlh:lriaQuimka
1\lc1aliorgic:.
22
2)
E!-I"list;ca
24
F"fmac;a
Fil()sofin
25
Fi~ic'll)iumo(U.1Charcbu(»
26
Fj~ic<l!\<JI.llmo(Li<:
27
28
FisiotcTapia
Gc'Ugafia
Diumo
•..
llci"I"m)
( I ,iCt"ll~";alUr:I f Bachard:!do)
29
Googr.tfia
)0
ClC<llugi:.
) 1
] list0ri3 Diumo ( Li~"'Tlciatur:l/llachafdaoo)
IliIo1OriaNQlum()(Lic~~.cia\\lr;.)
32
33
Nalumo
(Lic,,'ncialUr:I
)
I.dras
34
/l.blcm:ilk"
3.'i
).lnl<:m:;(i~"J Diumo
36
).blC!1\:\(ica
37
38
,\kdi~inn
,,!\.,li~il1n
Diumo
(Lin·"cialur..)
( l3ach:trdauo)
NOlUmo ( LiC~Tlciatllra)
V~1~rin,iria
39
~liL!;k~
40
41
OdOl1lo!n~a
1'<.'(L1gogi~ ])iun\o
42 l';:dasogi~N,~un\o
43
l'~;~·t)losin
44
Quimic:l
45
Q••
ill\k"Notumo(Licen~;:OIUr:l)
46
T~"T:Ipi3 O~"padnn:ol
J)iUIllO ( LiCQlciatur.l/lladlarcbdQ)
Cooigosdosll1unidl'iosond.:05(:mui<htosl\.'Sidcm
Con suite a rda",lo
de loc:didll(ks
CoOSUIt"'1
de l~ado~
~1l1 ~ncx[)
C6digosuosc!'lados\.,nqucrcsiucI1l0Sc.1udidatos
8.IW
r~by.~o
em ancxo
O.idigQsdosc:stados~"'nissOft.'SUa
c."tc~r:ldcidct1lid.1de
Con"lIhcJfcla<;llou"\.~fldQsCIl1311"':O
II.SE
......:O
Sc,:ooo
I
2
•....
.InuidaIQ
~Iasculino
Felllinino
C&lignuo 6rg1locmiS~'lr
]
SSP _ SC\.T~t;\ria S~'SlIr.lI1(.>a Publica
2
MinisterioMili(af
3
Conselho Prolis~ilXlal
130
•••.
lli.i~
I\!i!lt;il"
I\,lil,;;t
f•
.J<:I'~1
1'~1"
C'Tr~.
C ••,,~-ir,\ ikTr~lull",,, J>ro:,·id..-'nru
S;);.;"'I
[;..000 ~;\'iI
1
Solt.'ir"
C"sado
-I
~:HI
~
Oul.-..
••iltldi\'I)f';:i
.•tl<,
Q ••~I';a ••
,ui.bu.,,?
1 al,,]7M1~
1
]11",_
J
]'t., •••••
II 30 ~"<l" ""
I5.X\SCDllL"
lIlai,
~\-o,:;.'n.IKX.""
1 R.. H.
2
Ol":ln«11.II.
1
Inl~-rioJ£ Ik "tli.
-I
OutroEll.lOO
~
OutIU """
Uude
"'''''''
Mu~lm~lllc1
,"";Ii.:
1 Ill!
1 OrMIJ.:.llll.
J IoIt."..icwd.::"'l.li.
17."'1I'02G
-I
OUl['O)F .••.3t1o
~
Oul<o
Sc
\.,~'<.'j:.
I Z~
:
r:.i~
Y:§1I
,"\':fldui\1 o)U ..-.mduim
~
~
IN.A1\02(;
J.:.~n""';'Ik
19')3.
indiquC<J
~"lll"llil
•••
;I"
amitp"'l.:Idurc·c:l)
Outrv,"'!ui.·.lI".I.'
C,}ucluirciapu1ir.l
IfrnGu"
,,:zUau:l'll.!:
iClI1l'f'On~ti(!tullitY\IC
:~ v~u <:OIn
I'rGli~~ionllli~
.1 S"pktil'\'i
••
no'·~oo
•.•I99-t
•••
:luiu(ooooncluiri)<J::g;r.",?
1 .w3tkl~1W
Z
Enln'I'>Wlo)l~Xi
J 19Y]
-I1'.n;
,
(,
199.1
199-1
7 D..-p9iukl9J-I
Ondo.'. n)(X'
oClld";,,
I
:
U, II.
(lrn"d...fI.11.
)
Inl-n••.••.
d•.•
:\I,(j,
(
ntl
<.nldlliri
) 0 Z~!nll!
-IOllfNUUOO
2{LESC'OI
.. \l(;
Ond~ (</1, inl~hl~'tlh~.
(Ill <ml RJI
1 lmc.ouI.:lJl'iihli.:;:lr~v..T.ll
: Lm -.."",I~
J
-I
",....! f~x. illt~VAIJ>I •.•Il".
0\1
~'111MI~ !J);Ij<'r r~rko):!
.:brn~li<) de IInpu •.•••.
rdl~n
N10 dClllinu
l.•••
"",\hum
..•linlJu
~""'r.lln£..:-in
n;••'fVI"i't,u~III"'tI/QCll""'C!"".,
2 In~.'l
J
0 :l'! vau!
tJ3t1
~
DillflM
I:tl, rd"'flu:I
1
parte.
Lm~"";!JlaI'Ubli'''lll1Wlicil)al
F.m< .••..
'<)l!llo,Mticul ••.•.
Em q\l~IIIm<'
\
11~,i(lf"
l'ubli~"";O,*-d.,~l
i'n>!h"'''
~ Ollm
(1C1lur .•~ ~'nl quo: alll~ll)
\'Ul":
IIIdhor
to;.: '-'1"11"'<11"111
131
~
l."'mill.~Iu""liIlSJ_t.lOtr.>n!l'-"r:afl
(.
]).."ni:u') Ir':-,<00 m~;~ ]ill"'J.~~ c:tnnp--ir.l'
\'u..";fi'."lliI,nto)U(ou
]
Nl.>
:
S;m·ror
rr.-qtl..r,la)··cuninh;:,-r--,,·,-.'!tilmbr'!'
•...
·l1Id'"
•••••
" •••dcl
)
Sim, PC( 1 •••.
"t'''-'Ur~
.j
Sim,l"'lflanlJ
,
Si"'.I'~m3i.d..,11OOC)
1
l\:io
24.I'Vl.lS'"r
;
Sim. ~rll~
)
de ....,.,~k,ir
II:~ VAU
Sim .•ln;'~n:\aruial"\l\71.
:r;irn, /'" ~J'f'\I,'~-J;",
n\;o. n~l'
-I
,
Sin)'
j.i ~
1110' .mlrh:uk;
!I1~1pn:tl1'du mndM
do.:: C\IOiO.::'011 de ~':U~bcl,'\. .•i"lUlll)
I00I1 r~,n;l.oocrnl"Uf'MlIII'I"Tioc-. ma.].'£;:t~l)btcrOUltl
G Si",.j~
7
tn.1trkul:od:.>,
~'tlQ
Sim. GUtra .ilU~V.w
Qu_"
\
\';$ihullTuj3
,",•"I,.ml
..
",,'dOlI
na LHdO"
Uo>
.1 D~")
16.l\IOTl'·O
.,
'I'M,.
~
QU:ll.ro' •••m~i'
QU:.'I.I(! nl{'lli •." rnn~"11 ••1 da eJ.,'I)lha <H t\H'SO J»r.l
1
2
J
() qlUlle
in •••.
T.:\·,;-u .,
....,..hiliJ.lJ:.dcr.ali~~~·l;:,p'-O'll
r-.:.ibilid.JdI.1&OOIlIriOOirp.lD:I_"i.-dau.:
l"-ihiliol.lth.'Sn.I)M~alk.(klr.lko1t1O
·1
~
Pl .••
'S{itiO.w..-illuA""'lilllilu
Innu.:n •.l:,<Lli"llilia
••
:Uj,.L"I.,...
6
l\.oinr'I:t'"'t'i"~ndi,bl"\":Il>'
7
furo
.•.••
r•••
2i.LI·:rn;JU
1)i~ri:III1 .•
"T>I,C
1
':
J
S~" •••
n,lh" .•
llte
o.:.niu,lhno.IlIC
QlJ.11 .;:. W~ ]1'-;"'''1)31 f.,••I;;::.t~i"r"'fl"~'''''''IIObf,,'
'w; ~Ui."t,u.
•••
imcrt\<JII ~Iu~i.
!
1 k'I'tU!"*TlIi>
1 Td •.
jllrlul
J
Jortl"lflhr.t"ttlnJi,,)
"
j
RC\'i1aa~
Omr.lJlo.th:.
<.i
Noomc""'ntClth"infoXumao
~I"
1
Si,n.
1
Si,t!., tk:O~JOh"""I'''''~'''3''~
~O hon~
per scnUM
.I li,,,,. .I~JO~·l(jho'fllll!~,.;m:m1l
.j
Sitn.m"i~d.'4()hUl'Mpor"''TII,'n"
, N"'ltrnb.~U,.,
.JO.1'AltTKf.1\"
QII:lI ell MI:IpM1i~;('('~anJ
I
Tr~I'tInl<l"
: ·/hh:ilho)
)
.j
~
. ..,.,
,.;w
0) prin~~1
r~"'V'/f\"'\c;:1
j
;\,iQ tr~IMIlIO"
()\llr~""""'flo
jj;JU~w."1udo
JI.Itf.1\D.\
I
lII~'\!
d:o r••
mili~?
p.."II)I'''.~"llIQ
I""(,..,i,"l
w,I;:.It~
Tml",Uu:>c,,,,,,,,ri:l\:p<>I,.J,-,:,1
"p"'\:o~porn"'''pr.lrri(l,"''''
Tml.o;alilO c WI! ~111'1~'tlladop;or.:i~II",,-T1'" 1)Cf ""nlu
(j
J
"''''I1.;mi~;l
r~""'1'in:1
r~"-
,\lc.t.>i,,.,,Mti"""ninlOfi,
Ik.r~"~
cin~'''' MI~rio&rnitlimQl.
}
Dc"";~
~ dc~ NI.i<i"l mil'li", •.,.
I
DI:(t'r..:~quinr.~r.thi"l¢sminilll()ll
I'or minn3
tla rlm.l;a
<1:riml •• ~"<It1trib\l'"
•.
:nl(l
bnlili~ ilU .,.,[flU
I~mili~ 00 "'"\rU
~A
~J
r"r..·jj!r'MII.c..
J':t1';l IJ
132
d:l~""';' ~,~nC~ .,.1!iri05 minill'lru;
lk
I>': \'i"l~ C IU" ~ q'U.r~"t., ""rririw. "'ini" ..•••
lk '1,,;m.'t)t~ <: 11m ~ ~I~
•••
l3riox lllmin\Ol
'''-''n.:l<k~J1"jfQl.iri
•••",inin_
Quant •• po._
Jl.QIJ.\l'iTI'ES
(ltniri~r
••••
;•••'uti\'\:
, (Nlo
Ulna
nIlM'I'~'-J
.J
()Inl.f\la\~"~
w ••.
,tda
\v.,.--cpr,;\pfi ••. ,;,';.,"
il\~l\lir .:nll ••..•
Vtkl:s
I
::1
nlUllAl .k tal
£1lIp.)
dI.'Cr.6I1i~'QI.)
-I S~;Ia -.".'
~
Jl,
"bi.
do: s.;I~
(,!Imloniwld~
ESCr.\J
•••••.•.
)ll(io.l,J..,"
••o;;t,[':ti1
I ;\rnmuu
2
lfGr.lIl
in~""nrl"o
.1 \1!';nuOl'ltnpk,,·
-I POr.luin"""nrJ,t;>
,
6
Z'!(Jn\l"'''''Pkt,-,
S"po...Tiuri •..:cn'rJ.:to
7
SUpa'korwo1'P"t..,
J-I.t:.\CM,\E
:: r~n,.."" in •.,-".Ij'f,lu
.I
I~(;n.u
""'1>'1'1..,·,
.• ::tGn"'inoompl<to
~ :~Or;nl..mnl·ld\l
6
Sup.:rk-o- in~~mrkt<)
7
SU('CTi«
•.,,,,\!.kt..
H.OCUI'rAI
I
AgtJJ"llnt.'I.OI
Al'1ul",nu.lIlO:
t\fIIlp;lln.l1\UJ
-I
A9"\lJ)am<ulo4
~
36. OCUI'M.\E
Agnl();lm"'"o
~
(.\u,,1,. ~ L"'UP"~~ l..,.illt" •.•
~l ••.
"~,..:.id,, 1_ '""" mll: ~
I
AP:UP~'nalIO
1
.'\flUI);I.!1l<U\()2
]
A"\lr~m.~llQ]
At1Ur,"ncn\u-l
AUl Il;lIll;;I1I.)';
'
,\~n".:U1,J
1 - l);m'lU~
dt:'pUl:a.o.l•..••
K'fI:.Woc, dipkn.:ot:l.
M. ;.,-,"<;:1
<"tTlgmnd<. .••(lfvni13~"',
dlo]'l<lAo
lOd,ninilitUli, •., II~ Kni~)
2.000h •••.
t:'I •••••l)lItr\ll1.k-1.lJ»:;--J.. •• ~"CO'I car:K1cri:Uirul
•••...
"'dh~llt •••..
,\u>'f'o'1ll:t1\"
:: - Pro(iI$i<in~1 lib.;ml <1-.ui\..,1 uni\,,"it.iriu.
cicr.lilloo,
~'OIn., r-I\IiiWld;x.
'lUNni<:t) indu>lrul,
I'l"Of_
I.l:W'KP \;:;,,,iw
~ryI
J~ dldi~
'1" ~-fi'lciJ
""""':'-<:"11110: • .lmo
'\V''l)llll-'I\O
:>drniniltr.ui\'o,
nivd
"'"
d<: I"q-rictb<k
Juxiliar
mral
ntnl
(III
fin.,.
,),;uP:WlG
• J).JtiJ6tsrar".
d,,,,"': d~ lOnna.
co.' de """,b.:I""im.:rllo
!lIM.",
o."'!t'~""''''''''' roobiii:irial\:
OOIlKTci',IIC,
A!Il'fl.OI1nal\d
"rru1ll~cin;
'~;l<.:iM
n,..,.""'n.~I~~lIrntlQ.
",MI'''''
f.•l>ril •••;rr~1I1cil'"\
p«I~~
~ - Op,",,~rio}
lix.:irc.
bi"".dcir
( 111., '1" .•!ilil':Mio),
•.••rnin~ro.
J •.•
;'/11\3,..,<'" on •.•••
<1\rtr••P'~I""~
b\"1dcr.
••..•.
'..-<'I'te.
»JmI(.:iro.
;,~.;tahd~,-i'nall.
11)1""""
C\'lm nuis
ok
"'-"'OOd:
£!"!I.lk
pr;Ji.ioll~l.
(un •.;OIllirio l>liblioJll ,"'In-=
pequeno industrill.
(l·n\rR.~,k>).
''\lnlY
~"lll""T.;;:irie.
""f"'\)riJ,j"",lhcin.
1lUfllUX.-i~rllc
CJIM~,h"im
g:liioo.
m~.\nioo"
oonw
lxtlo."<:>Ili'h,
r~ml~ci3,
.II!'I,~ioo.
,n..'TWni.:l.
oornft
Ntinhcir~,
041
pei&wia,
0:Vr't"Olll
m .•
uUII'&10J0.
Ul"l""~
ok Ioj~
dfi...,,&.IIil. \oj,\ d~ ;l{13r.:lh.-
poMo miln.lf <k .rnd;too. ""bo"
'~lui'·1h.:nt
~""ll .."'r~ .•1cTi.ti:;a~ ....;mclhmt ..••.
d<' botCSjU;III, b, ••..
.ldoc
(quibmb,
roln':''I'~i11,allxiliu
fq'f',~."'>1..:
..'Ompl!.1.a lndui
•.
",
,,,,,,·
••
:p(!ioom.~. nld,yililA
,,=.viN',
CIlm:t:>Ik. •••
; crrl(ll'~oo
p«Ircin',
••••
.bip..~~-h:n.t".
...:mdh~,It
C.U.• de I~.
••.:"<lI'kT"ci;o1 ,';In;jhu
J.., dldi.
;.ho.l ~~
d<.: "-"n<.~':. <-apilJ.e. m.:.jor.
MlblaH.~llC 0:"'Iui\~I~'I'II"":
lim ..;on~ri"
I'llh]i~~ 1\••<,!{~T'•.irio tk: .i,·w\b
""~n..;hant~
§iti;1lllo:. pc;lu<.'1m IIU.-pri,'~rio
n.,.-~I ( •••
<1:0 h.'-i;il\.,.)
~ i)Ulr~1 o>.~""",~
.:l)UtrUOC'llp~I,ll..'Illc.ll'3.:1~,.i.uit;MJi.:!tm:Ulant'"
~'<lIII,J jia",:r.ll.
~"'g.;,dl\:iru.
-.tn/Uit...to" :a.o.I,~do.,
~~lIhu.
a..:.:
jcm~li ••.~ .,." <NI.f';I oc·up .•.•lo <ok nh',;,I lupcri<)r,
ck I·, V.IU (pnKi,])
dOl •...••.
~nt0.
canl ..ar.u;t.,.-j«ic;,~
( qllC h'Tl1U,n nuni ••
)',) ill: ¥""'udil'.1d::\
J~I'roulI;;lol
l'-'Ill,T .•.
;,1 dol
lnilil"r
.-.;ltll ~-:.ra•.t''Ti)ti",J Ik:llIdh;onlA,
c .,...=(ljr
I'ri,n3riu
;:1.1'100
"-titiur
poIl~
indo.•••.
riJol. ET.Illtk: pr'Cpl'ic:tMiC! Nul
;,lI,'IIIU m~lic.:.
11: ulI;,';;nitlad<.-.
o...-'~CII
pr;'(.-.,.
quo: "!iijl
O"'.•IfU~
Id..,r'~lIilb.
•.-i•.••.1Jf'<--ririo q,uliri<:.>do
r.'tnl1l1.:1ltcihl}.11,,"h.im.
& ~nip
"li~'i!l1 d~ jmti'l""
ClI.!tn
•• 1i<.-..1l\~ih3'rto1 ~Q
a~
p<..•te mL\lio; plllll;) milll.\I'
hc.."I..IF~"" own.
do!:W a 200 hJ;;tar~ •••ootr.ll
Ap'U[,;uU::flln·1
do! r~'!;t"uralll;;. '~III"
doc:oo ~ :000
3 • Lb"cJ.rio.
do! ••••.
Til!rio
de ;n'>ln •.,,::I"C " •••.••.•••
"OJd-. :>Ij,·iU.ld.
m~'<I;". pr"fllid,;rio
,J.,;
cmpn,'(';;) ootll<T\.;ll C!u iniILlIlri;t]
~"pit:di!U.
]'I'ftbli;.'O, tpn<k
J»"",dcir~.
~tPt"lt",kmdt<llld.:.
(~""bril~)
lo;n
•• : [I."lu<.","
b\"1lkin.
1IlC<.~r•••
de r~£i'.lll)
133
~itU)"";'n3
'~cup.o
1 ;\i,,.."ftlc:
Clnaificodo
.l S.:mminin»
s.."'Inn&
4
Situ~~Z:!.d~
I~,
cl••~lfi""do
J
!h:mm;ninI<1
4
"'"111\"'~
C6OiF"~"
I: Pr....-:. :lplic-..w
::: I'rc\Ol~l'lic-
1:1',.,.,..,.,,:••
2: !n&i~'"
IH.AI'ln',
lumd
,)<)
ili, MANilA
••dlInt'hlmou.1
CoJi~ Ib u,,"'~
2l1.COULli\"C:
TAR I)!:
ERr...,~....,
SIIU~lonJI'rim~Ir.lt:I~
O:It"l'")'I-"d.)
1:'\l'n •••
~d.1
Silua;;l"na S~'P"'d.o EI"""
O:~"'do
[:Apl\.· •.••
dII
I
r"·•••h~_:
Sum..'ri;,:u~'O'Illl
CJlllpQ
;';urn..'riOt)Q)flllc.lImpc"
l\'I~I""r;""
Sum,.;,,,,,,
SWl14'riW
1'\\"",";;";"
4 1"I'11f1'Of
t,-"IJ!< <J.In1p\ll
IlCIn
,,'1001
6 ""n..oem 1: l"lUnpC!5" 1 ounl~
"ccillUi~
Alr:It>"m,~iQ)wm 12 e:&nlpO'
Alr .•,,,,,n6'i;:.o,u.,,.JO.:anlf>'"
Anexo
5
A TAB.31
a seguir detalham
as atributos
e as valores
dos atributos
da
base de dados da UFMG de 94.
TAB 31: OETALHAMENTO
OOS ATRIBUTOS
OA BASE DE 04 OA UFMG.
,'i/riJrrir
n,.r.?'ifoI"
O;uIOll<":.d.~lr
••l~
,\iwoowssibul:or
2.
Iru..:rK:
In~~d.:linilin
doocandioU.Q
J.
_In>!.:
C;;mU"QIOI pr\)\"i.1i&'i.,
da c;"wi.!M
/'I.'«n.:.JUInpldQ00
lM.a~n:loPcirn<.'I1l'"
4.
"""'-
6.
(,od..~
7.
oodlid
CMg'>'IJ.lII.
","r
C~"""~'''''''_.J.aOlrt~y~d..!iMliJ;ad.l
II.
~'IAl
D.
id ~"li
,*",dQIII ~""1'1I'~ reri.L"f'Il
l\""n<!'l'od.lld..'fI'Iid.,..k
I.buolld.nun·n
NlMk"ITI
011~",,,lid.""',,,
Sao
C~i~.
H
,\40
antliJ."
C6di9'Wt!~d.;\:U1W
C.'>dip 00..mllni..-iri~0011;:
•.•~..,diWll)IO
"jdmnr
"
•.•
'"
"
"
r4
,,\12
fJ
{lJJ>lo ~l!IifO;O""dl id4:nlid;iJ.:
F1
I).Hh ••lloC}&kfilwn;irio,SudOft'(l,u"HIM("u'tulo;,'
I).
I:..ci"il
1.J
15.
\6.
itWo:
nM•.:in>~"
r.lidl.'l1
I'pe:,
EM~d,il
lJ.l.k.l;)wnJidKo
fJ
LuS:n"d.:n:n~;'n.."1W.O
FI
LII&,rwr..:rilU".i3
TipoJo
..."Uf'tI)J.:Q<lI1dul>lo=·~1
F1
134
rulo:!g
19.
20.
22.
2J.
Ano de ("ondus:io
lug:Jr2g
2" £I'll!
n
LUg;Jrdecondusiio2"gr:lu
,,~coIa2g
E~<:(l1a 011<.1"fez a nt.lior
Il1m02£
TumoQudcfczam3iorpanc2"grau
ling~
Uominiodclingtl3l.-,;tT3ugcirn
prcn:st
part~ 2" gr~u
FI
FI
24
P"'C!d
1'n.'<Ju,3ncia ~'1ncursinhorroi-\·<.'>tibtll:lr
Pr.:!,(ouw~ibtIIJr
25.
quantI'
QU311105\'~'Stihu1ar(.""nalW~!(j
FI
26.
moti,"o
1\·loli\'o d"
FI
"~",,Ii1~
do ~~Irso
27
ldturu
l.eitura
"
inform.;!
lr.1brl.'fJl
l'Tincillal f"nl"<.1~ intornl.'<;lo
frab.,lhorl.,nun("r.Idn
29.
partT<;(l
3L
J2.
]J.
d~j<Jl1];1is cfC,"ist:ls
l>articipa'i'iodoc<mdi
ml(b
1'1
1'1
fl
FI
FI
•.
b\on"r~'HIa
R",,,1l11l'~lsald.1fami1ia
'1ua1llp.-s
Quan!idad~
de p<.'Ssoas 'Ill': v;"em
U:' r •.",L
l~mili3r
Fl
csqlai
Ni"ddc~laridadcdof'3i
FI
~i\·ddcC!i(."01arilbd"d.1mk
FI
0<,."PP3;
Ocupa<;:'odo
Ch;\lpa.,,~od.1
36
pai
mac
FI
1'1
\!d"p"
f>Ortllj1,UC
38.
39.
40
gt:og
1'0000uguCs
;\1.-.\<:I11:\li •.••••
FR.2
Ge,w .•1ia
1'8.2
hi.'<I.oria
!-li-'Ioria
F8.2
;"g)"
Ingle'S
Frdn<...!s
FS.2
"
fnmccs
hiologia
Riologia
lisic:l
Fisic:\
"
".
46.
port_illS
<7.
'1ui",_2
h;~o_2
49
hiol_2
50.
'I.
fis;.:a2
g..'()~)
G(:og:dia
52.
ingl~'S_2
rngl~'"s
H.
FR.:!
F8.2
FS.2
1'8.2
C.idif:oS
"<lnTi",;o
Quimica
fmnce
"
55.
56.
Flo:.2
2!.1:OI"l:O
2
Portugu~"ShI5Imm.:ntal
Quimica
FS.2
Hislor;a
FS.2
I:liologia
1'8.2
Fisica
1'8.2
FlU
m~ICln_2
Fmne.:s
/l,l.1lcm~liea
port_2
aplid:lQ
ror1ub'U~'S
Aplid'luC><p~ .•..
;fic:J(
F8.2
F8.2
1'8.2
FS.2
\·idccdital)
FS.2
n..,."II,,"'osHn~is
57.
Tot.1ld:1l!l1al'a
5R.
Iolal I
loIal-2
59.
100a(
60
61.
'-"3S11 - I
Tota! g~"T:lI(l' ~1apa c 2' dap:l)
Siluao;:Jo (L, [! ~1.1pa
.:lasi!
Si!ua<;"3uda
,
1'8.2
rota! da 2!~1apa
FlU
1'8.2
F1
2!~tal'a
R('SpQSt;lSilsQu."'IiK.-s.IIII~('I"pa
I'urt"gu~~
- J'lhnc.tlulk"
l'ur1I1j!lIes
62.
el _pi
r2_pl
Resposla
63.
6<.
65.
rJ.yl
r-lpl
R~"'p<lSla 3
R.:spOSla-l
r~yl
67.
,"pi
R"'pusta
~
Rcsposta(,
6R.
r7JlI
R.::sp-oSla7
69.
r8yl
Rc-spostaS
1') pi
fksposta9
71.
rlOpl
rllJll
rl2...Jll
74.
rl3...Jl1
75.
rI-I.Jl1
76.
77.
79.
KO.
SO.
rl~...Jll
1
R~la2
'I
FI
'I
1'1
R~"Sposla 10
Resp()Sla II
R(:,;poSia
12
R"'posta
Rcsposta
13
14
1'1
RCSpoSl.1 I~
r16"'p1
R~sposla
16
r\7.Jll
R"~p()Sla
17
rlS_pl
rl9...Jll
FI
RcstJoOstalR
r20.JlI
RcspoSia
19
RcspOSla20
r21.Jll
R~posta2\
n
FI
135
10.
r22pl
R~!<ta22
84.
r23yl
r24yl
R~"'po~ta
kG.
r25J11
R"'p()s\:,25
Fl
87.
r26J11
r27J11
Rcsposta26
F1
RCSpoM~ 27
Resposla28
F1
F1
".
89.
r2S_pl
r29pJ
91.
n.
2J
fI
R<,'p",ln29
R~."p"sla J[)
rJOpl
rllJll
R.:spos\all
93.
r32_pl
"
rJJpi
r34pl
Rcsposta32
R<..-spt)Sla))
97.
98.
fI
RCSpOSI:l24
FI
F1
RcspostaJ4
r35yl
r3G-.Jll
Rc~p"sta
3$
1'1
r37J11
R~'SposbJ6
Rdposta]7
'1
F1
99.
100
d8yl
R,:sposl:,J8
r39pl
Rcspost;,)9
F1
F1
101
r-tO_pl
Rcsposla4()
102.
10)
,1 _p2
Ik.,;.ptlsln]
~
104
r3p2
Rcsp()l;!"2
Rcsp(),\a.l
Fl
105.
r4_p2
Rcspo5la4
F1
Gc"g ••.•
llia -1I1~h
.•
rhl- Lingu:l.].:.slrdng";r:,
(;cngr:lIia
106.
p2
rSJl2
F\
R.:sposta5
"'-.l'2
'1
101.
R,:sposla6
1'1
10'
109.
r7yl
Rcsposw7
r8p2
110
<'Jy2
Resl'o'I:IS
Rcspost:l9
111
rlOp2
Rl-,;poslal0
112.
rll-.Jl2
Rcsposl:lll
rl2y2
R.:spOS1:112
114
rlJy2
115.
11(;,
tI'(jl2
Rcsposla
Re>.pO~I:I
13
14
'1
1'1
F1
rl5pl
Rt:sposta
15
Fl
117.
118.
r1G---.p2
R~postal6
r17y2
R~-spt)!;I!l 17
F1
119.
r]8p2
R..",;pmh.18
120
rW.Jl2
r20y2
R~'SpoSla
m
R.:spos1821
122.
m
p2
FI
F!
Ih-spo.<la22
125.
r22J12
r23p2
r24"'p2
126.
r25y2
127.
r26J1~
r27y2
r2l':"'p2
rl9...p2
Rcsposta25
Re;;p0S1326
lH.
1'1
19
R~'Spor;ta 20
Rcsl'osta23
ltcsp~t.1~4
F1
F1
F1
'1
RelipOSt.121
n
Rcsposta21!
R.:sI"'.t:12!)
F1
FI
rlOp2
,)1 p2
1I.~'Sposta 30
lI...sp<>sta31
FI
133.
1.14.
rl2_p2
R~'Spmt3J2
F1
r33_p2
r34_1'2
r3sl)2
r36"'p2
R""posta33
Respost.1].j
FI
135.
R<'-';PO;,t.135
1'1
129.
1l0.
Ill.
132.
LlG.
137.
F1
K.::spoS(3)6
r37"'p2
rJl':"'p2
II.cspoSl331
lJ9.
14(\.
r39"'p2
Rcsp'''la:\9
r40p2
R<'''''1'0,t:l40
ilK.
Rcspost:l.lR
F!
F1
Ung,m&tr"ll;!cir
r41J12
Kcspo~~
.•
41
143.
144
r42p2
r·13"'p2
r~L";l"'st3 42
Rcsposta43
F1
145.
r44p2
r45"'p2
R"spo,t:l44
F1
146.
147
r46_p2
14K
149.
r47J12
r4K"'p2
KCSpoS1346
Respos1a47
Rcsposta4l':
'1
Fl
ISO.
r-'9_p2
Iksposta49
FI
FI
Rcspost~4s
F1
136
'"
1~:.
In.
r~-J'l
Ra;l*h!O
r~I-.l':
~«fI;"ib~J
R~~~:
r~: rl
1~..4. r~jy:
1~~. d-t p~
1'::
I~o\
r~~
\51.
'60.
fUr:!
rH.J':
d'y:
r5'_I'::
161.
~_r.:
1~1C.
,»
1'1
1'1
,.,
RIlqIt»bH
1'1
KnpoMii ~4
Itcq..)_\li ,~
1'1
R~J}6
FI
"
It~nu'"
It~~
.•,.
fJ
1t~~;'I~?
fJ
fJ
F!
R~~60
lli",It'Z\:a - Fblrll - Q ••
itukll
Biolo;!.'11
,•...
rlyJ
Rc:spo,u:
'64.
rJ_p)
1l1lq''',laJ
H.~14
162.
<lyJ
"'-'"
'''.
,.,
16~.
"
'''''al
1'1
f'
FI
fJ
r~ p)
R.:If>I».Ix
16'
~J'l
r7_r1
R~(,
fJ
1t~17
fJ
\(i:).
~_p3
\70.
171.
In.
<9yJ
J7J
TI:_IV
'74
rlJfl
R~+I~a!l
R •."f'OW
J1~.
rl"_I')
~~JMlU31.\
li6.
rl~ ~
In.
".
rl6_r1
It<:;pmI~ 1~
r17-.P3
R~a17
,71>.
rIlly)
~M<ll"
''''.
r19.J13
r:O_r.l
ItC"roNa I~
R••
-S('OOl.J1O
112.
~IJ'J
R~-polu2'
R~J"-.t~::
'U
rlOpJ
,11 ,J
~
R.~.
•..•..•.•
n
FI
~*t.,lO
fJ
R.:tp<IIt.'llJ
FI
fJ
1.l
FI
f'
FI
"""""""
1'1
1-1
"
1'1
fJ
H"lrl
r::::pJ
r:Jfl
1'~. '-:.I-.J,3
1114.
I'!
fJ
R~"n
F1
F1
'16
r:'J'J
Rd'p<--","-3 ::~
R.•..•
.poIt.1l~
'17.
II.
":61'3
i!••
-pUMft:~
F1
fJ
rl7_pJ
R~,,:7
Kart""::'
F1
fJ
'19.
'90.
191.
19:
193.
'94.
195.
,%.
1'7.
19,.
'99.
;:00.
:01.
:rr:
m:p.;
r~p.:l
R~J'lKu30
,.,1'1
rJly]
1{~'!II>OlI~
31
n
rJ:rJ
rJ.1J,l
tH...PJ
R~IJ2
fJ
1l~1",)3
RcqU)l.(d.U
1'1
r.UyJ
tJ6('3
R<.'q)C., ••uJ,
F1
R.:spo&u16
RclpC!OiI.1J7
fJ
rJO,,]
diN
tJl_pJ
rJ9_rl
r-lOI)]
,41
-,"
F1
Quimiu
ItqK't.h·11
II:~.II-I;:
Fl
fJ
FI
:09.
:10.
21'
~J6
fJ
fJ
R.'Sp.lit<l-lO
IUspo< .•b·13
}tL""f'OIU-I-I
1-171')
t-llp3
212
F1
~dJ.
RC!IfII'I<IA]~
t-ll~rJ
,.,.'"
:u.
F1
r~)J,J
r~-I p.l
:0).
:O~
20j.
:06.
:07.
:-0 •.
l/."'poJb::?
r~pJ
R~flOlh-l'
Iko.poroo .1(;
F1
'"
F1
M~"'f'OlI~ .17
1'1
11
r-l?p3
M.~.·I~
I(.~po~u-l')
r'Uy)
Ik·flQ!il.~5Q
F1
dIJ')
r5:_p]
R~JSI
R~-';f".Xt~,;:
fJ
rH_pJ
lI:~l~3
1t.:.po...tJ,-I
1'1
rHy)
Fl
r"yJ
r~(i_rl
P.«J1OO>t1l
217
~A~
1'1
1'1
JII.
r'iyJ
W.:IIpOllb3i
!'I
~~
137
r~'
RCIpOM~ ~,
F\
r~'-"J
R •..•
p"'l.:1 ~9
n
::1
r60rJ
Il~JGo:J
F\
2:2.
.::Id~-W
pJ
no
I
C6di.~ooC.ldl:lno
F\
::J
wdtins
COdi~d,.
:: ••.
apn-I
SIlI~')tUlPrinl<:inll:.ura
2JJ
:If!IVJ
Sit.u1£io""S~(bF..I'p"
1';)11_:'11:11:
(; •.••
_lli._I,."',
_Qnl:
m,,_H •.
T&d;u;;a,; l ..•ni,dl
n
L;"(.u~EJtrnll.sc:f\\
FI
pr\l'\'u de
("1d.."I<" dJ'
H
A:tr~""
~ J.lIt/tfItMiM
Cad;..".o!b~
pr~ClS"" r;~
..•
, HIf;lQr~ ••I.i~~:JE.Ir.I'V!'Oro
C.a4.."I~,dalpro'o·aldo:llSoIt:tJ(I;1.Flu.."'"t<#Qtti~
"' •.•.•
·nl"'
••••.•••
r-'-
d •••''' ••••.
udt"MI ••••
( l'ort_:'Ilat,
C:.:.t_IU,,_I
.•"'f- lli(I_,,'I~_Qlli)
~~"il1l•.
~t"1ldi~
•••
:
I
Q<L~-..t;\o t\
(,lu •.•••.
l.)B
3
Qu~"'I!I"C
Qu.;d.,\,)n
Quc&tlol:
&.l.unOl'Co\O
CQ;;lit;;'d~'-"'P'ilud.!~L"""
1
t\dn,ini~r:>~·.lo I)i"",,,
1
A<lminist",,~
•.•:-'·utLlm;,
3
""ILlitCl"'~
R.:l.n
..\,t<'""li
Hiblid<.'OOIlOIl1i~
Ci.(~n~"~
.1., C"", ••.p\II~~'"
Ci"l •.;:t~1Ji.w'W,::u
J)iullW
,
Cibldn
l.Iiol.;"p~""J"<Jtutno(
9
Ciu,ciu
C •.""fI'Iah<.'h :\",:(umo
1(j
II
('i(flcin E~~"''''''lli\".
Ci.:z.cU"Su...-i.:liJ
12 C,"nuni~·luS,
(
Li",,"'~"'""
I
J.x.dl~'.:l
Li."",,u.i:Jlur.t)
••.
;!\l
13
[);,~it"
1-1
Ldu.:","""iuH,i.·~
IJ "nLm~,!;'-~n
I"
17
I'
19
tinl
r.ntplll"ti~
LnS~.,IJ.:tfi~
r.ldrio;o
Eil~,Il)fill;\
En~,h~ri~
••"";;ui""
M,1~llky~",
:0 F.ni::<lth~rid
,1..:)'Imal
21 Lnl>"hari~ Quimi.;.:!
::
L~il(ie.>
:J
='"
rltfln.l..:i.a
Fil..-lill
~~ n.i•.
-:I Uiumo(
1).och~rd:1d,,)
:ti
F;~,"",
27
::.
Fi.iOlO'.I{li~
C~ri~
Diurno (L ••.
, ..•.•
ciatullI/lbdu,d.tOO)
:<)
)0
G'."<'!P'fi4
G<",J..~;a
J1
Hi.«i:a
Diumo ( l.iOi...•.•
d"'''r~'
3:
ItiJl.6ri~
Ndum"
JJ
1 .•:tru
J4
\llItrndtic;lJ)ium"{Lk
N.~.um<} I r .i~"~I..:i:ll"'''d
:\"alun ••
~t Li".;!I.!iatur;"l)
•.~\.:i:llun.)
\bI.~U;!,ti.::lr>iUfllO(B.lchllfVllod()
.M
37
~1.'lI<:'l\.IIic,\
\\iXIi..:iTla
.lit
hkdicin
.l?
)'I,,~i<"d
·\0
(ll."1I\ol\.or,iR
-II
I.bd" ••.
;:I.t,J",)
(l..i.·~Tlci;1\ur::l)
]j
-I:
I
N.otutl\(I
( I ,i.'-~Id,uur
.• )
.• \'.:tltfin;\riJ
r•.
'!br.P;iaDiunl<)
1'~wRi:l:\".1C.UfllQ
.1,\
''ti.,<,I.'Sia
-14
4~
Quilni..:;\ Diumo(
Qtlimic:o:\ctul1lt.l(
III Tnat';:,
s.:x"da~";>"di<blo
1
M-=>Ilintl
:
F"m;ui!IQ
Li=i:llUl""A
'lbdlar.!\JJ,,)
l..io:."Wilihlr::l)
o...~"P","i'1I1~!
.•do 1
lim
(15
138
7.c.:OIlJ·1I)
(;.,dip
00..munidpio. end.: ~""."nuid:n.II/I~id~1tl
<:;;!t.••••It"~r.:IA,Iou..~lid"'"'''''c'll1&11''
CoJdip<'-ct(.I_
.••••
nn 'fI'",r.;.sidl.. .••, (II: ••••.•
lIilbt ••
(·<,Yowlt"':tr'l:b\
••.•d.: ••
'u"- cm.m...",..,
<:•••••
~;).}~ortni»K'l'
I
!I~p.
S.'<.T
•.dri"
s.:p.1(;mp
NoWi.",
:: ~Iinil(lri.,).rilim
1"li~~l lIIilil:ll
ttl!lki:aF.-d..nl
I'''-r<>"'''
errs·
Cart~;r,.
II.:
TnN.""
~'idbl;:ill
$u<.ul
Q"~
CMp d•••
esI:llk.""aniHCl"eItb Clndr-~dcitkrrtid.>do:
C"',:joI,IItC~ ,dl-;l3 .l~ ,~.tad.l. Ql'I ""cm
13. I~STCJ\"IL
I.AI."~',,,;,·;!
1
!I..--k",,;)
Cuad3
j
\'iuw
.• s..-pr.w!.ooodm •.•iado>
, Out..,.
1".11>.\1)1:;
Qual ~~ All i.b.k: (an
I
;;t":lian."
::
lit:lll'"
, :l:\ .• ::'J.""
6 )O_
15.=",,\SCBI"=",
JI.'RIUhro
J~ 199))1
m.;,.
••••
OlJd~,~I_'"""
I
n.
::
('J.-,n",lolU.Il.
j
1r'k"Tio'!'<k"IU.
H
-IOutr.,8uJu
, Outrot'.ljc
16..
JU:''iI.llE.'(
Orwl..:,~,,*d..,:ltU:llm.."nt"'T
1
u..11.
:l O.-.""",",U,II
J
lnt~,."'"J..'M.(J
.• Out.",F.il&do
S OutlUl'~i_
17. T1P(llC;
So.: '-o......!ji 1,XlIh.'''"iu 00 wnduiri"
~rP\l
I :~ tnU •••
--mJVofi ••ioon
.•li~_·
='!PIlO(ll1lf\<uri-Mion.olinn!c
.1 Surl"-;,,, (.miOl M~tllJn;~ )
at~ •.
h:"'"TIII;on""
199),
'Z
4
,
III.A .•••
02(;
O"''''''''III;,,,lult,,
C(lIl.tI'if~,a~l1ir,"=
11»-1
I::m.,.,,,anu\~,,,,"~iuiu(
••••
,'I)I,dutrj)(,11&r;>u1
1 .\l)t •.•kI9Ul
1 [llt,,·19I()c
J
1990
199]
.• ]'»::
,
I99J
,
199-!
7 Dt.T"'i,d"l9?4
I'.IA"C.\\U(:
(lnd",
(co.!
,.y.....:, Wllduft,
h;h,j.-~
Ii)::~ gall?
] 8..11.
1 CnrnkU II
) b-.«:OOrlk~IG
.
.• OlII.roEIl.Wo
j
]0. ES(1)L.U(:
()utr"P.lU
On.k r,,~in';;sr~l"'CtIlC.U\Jem u.u lIui.Jf r:ntc."
1 l,m~IQrUl!liCJr~..I~1
:::1rPU T
;n<Ji'f"Co
.;uT1lQ.
:2 En. ".:eli
3
piK!liCl b.t!u.I~1
Lm ~",,'<)ln Jli·.nli~·~ Imllli~~1»1
••
d)r
~ lm ;..•••.
"I:tI"'r1.i~
F.m •.•••
<::lunw\..,.xI<:;r.
l2.
LI:\"GF.S'T
I
l)iul1Io
1
i'\<1tUflIO
1i"g~'atr:tnv.
rn, r"l...".~a
1
intl.'P"'lm<.TII':.oo
NloJ u.l<niuo
i"~
..••.•.•
(ldlura). em
nCllhl1nllllnV'~
l)r1Ml.,.
:: Intl~
J Fr ••n,,,-'1I
nn.owl
4
(J\Jlru
,
~
lA>tnirh'''lLUlil1§''''~'rtr''lltJ'ir.u
i)omilll.tl.ww
l1ui~ If"Dlu"",ran.-ir2s
o:IU rr~"lfH.nta 1··~"l1.inh\'l"r.r'>'·e!'I.ihul.H'
!lim.I••.
..-";;.
.•
_,I~\k
~
li;n\.l_l k
"
~
Sim,rmrl,,,1U
Sim.,...-m3;.dcl
quewu~,\.....,.l
II1dhorIiC
altll~J"
Af.r:tnsdr~
"""'''¥'i'''
,'j~1OI;1
H»I.J
\'",~ (r"ilknt<ll.l(
I
:-O:J<l
'!
lIui«»>n"n!!V'"u
~
.••
,.,....('"
I"":~U"
aOO
l".I'Vf.ST
1\1•.•
!'im,;Ollt""J"
J
•..•..
't,,·kjirl·~y;;u
~im.!lUln~li!i"I"'I\~d..
Sinl (ui <1I'I'",,~I~
n)u
1ilIL jii *111 !lutri~"bd;)..
2!1.QUAi\T\·
(,
!l:im.j:i
7
Sim.uutnoUtu",lo
(<)I'ma"',
IIh
Ill.: !Il:&lri,l,ki
m:t) I'rct,'ld,o
mud .••.•.•
~ mr1lO duu
em C\lfYO ''If'.:rior,
y-••••
ill\,lar4ja
QII1!I1IM
I
-.,
]X'~-:S:<'I1
nl
MI:OJpr.h:nw,,"""III\r.o
o::Jub.:lo..imcnHl
V••
dua.,~
lll'l<t.IG"
N,"~lUlI\
Q ••II 0
pr;" ••
;r»I
IlKJIh';J
•.••.•••..•.•
;:Ul~
00
1 l'Wtibililbd~dO/TW;li~qp_1
:::
d<: C<.'!Iltribo.,irp:>N ~
I'.-il,ilidlu.:
:) 1'-i~lidado!<l••.•
l<t.kT~d<.-lmlulh
l'ro!l:ilio SU/o.;ld dlIl',..~ii "
l/ln"l:n.;IId.\j"'tIIili~":"\ld"KT
A;oi•.~ rd,,~il<J ;:'1ndiwt"
~'\I""""''''
...a~
q ••~1 s!.. inS<:r.:\;:U ~
tk
••
••••
ir ••••
ng>l
Omro
Uj.lo1I1;J00
1'C\·;.Ilax"
I
l>ixi:omml.e
:
J
S,"un31"'~~!1~
o..a.i,~,~hlX>lI;;
.1 Nlu
211.1.'II'OltM.\
Qu.:ll';awJprinci~lr''''I"dcill(.:nnl;,,,,WIc''II''''i)l.aoont
1 .k>nlll...nln
••
,,:im, ••II)I,"u,'i.?
'2 Td.jcnlAl
J j,'n>:lI(ilbdo(lt:>.Ii,,)
.1J.1L ••
·ct..s
3 (har'''[.'III.,.
6
:>Il:.Jm~ ''''''I,~d,\)
inr.:nu;wW
\'.oo..."'lr3h'!llh3.t1ll~hnC\ltc.'fYIlli\i,bd~r;;:mI"llT".u
I
:
JII.I'.\ItTltllN
S.im.:II,,:OhoraJp;,rtocnl3nl
S.i,n .•.•,,:0310h(!fIU~
Sim. u., .JO
Sim.nui,!k·IOIi<>rdllrmrlh:lIUlIl
~
:-O::V'ITlIlulh"
3
40 hone
••:man~
J
"
P"f KI,W11
"""-"Wllliea
U:. f!l!uili:t 7
Il(in,:ip~1 Il'tf'<,-'1Iu:wl pdt'l wtttll!O JJ IJmilia
(Ju~1 C ~ '.w. 11.trticil)~V'\'" n~ \ iJ.1
1 TrJh:ilh()
e.elll
u
140
.1 Tr.tblt1to0.:! _1
..j
Tr.thlD~
:tp.","~P<"-
T'iIIp('l\IIOlI,"C1
c aou I.uu.:rrt:ldo
J1.1UiI'W.\
Q<l31,·ar.."J.tm
•.
'luld~,",,,
1 A1•.•
.t"i~..,IIiriO&minimQ5
:2 fktr~","cin~..,
m~" rc;'J'riO
p3frulmmt~·
P""
~ Nk lrAh.olhQ': i<lU."~i."ll~U'l
60utl'~.itu
••'lo
p«
1l';,lh.
u";nlu
••lMClIIO
f~miliJ
r.wni!i.1 .au
OtT0\11(\)1 p<:WU(.
"tll~'
I'CMIIXI$
an<rllrlimilillr?
•••
I:iri"'lt\inimes
J lk.alad;;;;...,I~ril;ltrninin"lli
•• Dc •.•.•
~•.a 'l',illl'Ot •••
I~rit,.. m;nim,)IO
S
l);;do:=-.--';'a\';mell3l:ir;!Mmin;~
•• IN nnt •.ICC um ~ ,~u
Oi:Ilirit» minimOio
7 D,·qu.w,,·nUt~um:o~lta..,.\:;tiur;minin
•••
It
31.QLi..\i'TI'I;:!<t
A~'im;, de ~1I1a
QIl:llIlK
r;;mih.lr!
I~r..
(Nl<)
t;ll"rio.
mill;m •••
i!l~illli\"~ 'm~ ~ri".
,i_oml.b
ineluir CI1'f.Atl.ltw.~ w'rn~i
•.• )
r~ndi
tIlU''''\
(\.: tell 91"'1)
11;n",
~ D"'3~ s If""
} <:)\'.>110 ~ ,'in""
•• S~~J:I. 10.1..:
5
lJ.
M ••• d.:Id.O:
Qwloni\~IJ<,l""'\)!Mid.td.:J.:t.."Up:ili?
~:S("I'.\I
I
:
J
oj
N.;"h\om
l'Ornuin..cmrll~"
1'{;nUo.,.'11lJ11",>
('"..~n in.:omrl;;tj)
:~
~ :~('If:O" .'UI11I'It.tt,
4Supo;.:ri""1I,,~'I<.'I<l
i
~ll,,,,...•.
icorll<''''rkt,,
I
;\",,1••
,",
J..j.F.!>CM.\E
:2
'~Or\i"in.")I1lf',.to
3
<4
1~l.Jnllrompl"d
:~{)r:ll'inoomrl.;:la
~
:·(Jt-AUQ!fnrk1;'
6
~"lIp.;:r"
7
SupcrmrecmJlI<.1~
inoomrl<>1"
J~OCITI'I'.\I
J6.OCUrM,\F.
,
A9o.1f'<!1rnaltl) I
:
Ap-tiJ"llll.;nl.a:
J
.\S11f.'1111<'11t"J
oj
Auut>~m;:r"o"
~
.\l.'f"l"'m""I<I'
Qu~I~:I O<:I'IW,'lo jN"in<.;p;ol c,~.:iJa
I .-I.gup.lrn.lllol
.,....'Ul
mli,,'
Ayup;oma,'o:
3
AJ:I'1~m:::nhtJ
oj
r\t11;p;1lll..1uo4
~
AUI'Il.lm<.nhl
OU !iP~11~-i1 Cln UJllIh.
ortIJInir:;o~
:2.000h.. .•.•.
-urao, ,.•••
1.:•• ,x:up~
...•,~n
Agup;o",cnlO)
Qr&Jl (~'oli""
ciJllifiro.
:
,~no
;\j;ru;~ullm~,"
J•.
lJ'I1~
I - lun'lu<"1n.,
""ladIK.
di")Qlluta.
~\t" 1)011." ',!!I1",i.r.lI;'~'
nn ~••
,.\i'i'"
<:;>r.r.tmai,..
•••
..neUIMl •...•.
_ l'rofiHiOll11
l~uiuOOc.
1iho...,.,.~1
u,.. ,,1\'d unin~nillir;<)..
quilllh.v
in"m;trial,
;:;lllit~\it:ta.
",';'!IIk.'<'.
"Il;:. 1"11"
p,d,'
comO
milil;u'
iNiu.dri~1.
m,\d.i,W>., ,n~:nhcir»,
prot'~_ <k ,lI1i •••
-nid:>d.·.
jllnUli:\la
,\)1110
t.•.
-,lU"l.
~h"
V"',do;: p!"CJtfidirio
1111";ICh'l, ,,<I\~oo.
'\I1UP:"'''-'1\O)
:\d.tlillidr:ot;I-;'.
",Mil'.
~",-'d:iri..l
~u:.;iliar d..' ~iI:'ri
~
- lunclrio.
do::O
otkill
de jw(i"".
••.:Ju oulr.o g.,;:ul»~'lo.l
,...~,J":sch·;dJd.,
"')t"••
mral
K'n..;t,~'1t~."
[>fOr~_
pdm:irw
'~ti~<."UOI()<.k
ilu~ ••
1""""
1t.lit,lr
de
1'. gall
fMl!/II'I''''''
a :00 h<X.t~,•.
"lI. ,,,,,urn 0<.''I\l~~''-'" .X'tl, l·arn..Urilti,;.u
I: w.."\lnlliri.>,
( sin»ill
•••
lol"'~"h·
!kllp..ldmnl':.
) mml'ld\),
~ c'(I'linknl.:.:
t..:1l1:lh .•nt'-'Io.
""'''
d'<lri~
m.lis de
<I,:tll.;ua. .;:I;:.;
n',-.:I IUpence:
ou otlt,.~ O<;!,'p.>~"".k
':-~f1)P d;: ,:hd'u
.,... l)ef;mcil
""1 ;:mpr,*,
WlIl.:rd31
"" indufitri:o' <k pOl1;: m6:lior. pgot" tnilitu
de lak.TIt;:. OIIpir::\o. nuj...-.
OI'fl'I.'f.'i:tlllc. d ••.•••
" d.: l'f"{lTi,,",uk: rur.rl do: 100 ~:1XlO ~1m •..•.OUIrU \X\Ip:\",',.,
oom CJr.ti..1.<,-ist;;:-.11 •••
.,..,~1h:ll.~'-
(11\'",1.k inrtnJQlo
~-'rw;k,
",r,,'
<lIlnlIl;:t
gande
r~'I'f'.*TlI~nll:
<;t'''''''~O:t1. "u:.;ii;ar
11l~llLi fi~lri()II:i,.ic
[,,',I-hOI) COnt ~
f'Cfl""'lO
indu:tri:.tl.
.•••
'n}.,Ti.;:tnte
141
.\gup'''IlQ1I.,",
ok rl:!Il9Ur.u" •.•l'OdurcirC).
f.'frnm.:ntcir'Jo!.
Ik :artip
l"-"'fIri,,,.
• l);,tiLoisr~r •••
I.:!.:fQniJ(;I. m':""QIJ6p~f.),
Qll3liliadi)
opairil)
chef., •.
k UIl1"~.
rlTlO&OU o.I~~'It:ab..~."imrf"u
d;,)rnC;;tk~
~')f,Krei~rll""
mooili:trin);
liti~nl'"
"'r1''P-''II.lIW
,
r ••"cion:iri;)
pcqm~'"
- Oywr. ••io
tnn
~\limK'
'''11 mininl/)
port;:
nNi.1XT'''~.
<.I" """",diaAUo
rom-il. r..."fr.In,rilOl,
;k v~nd.:
P(lblioo no ,,_~ci<>
f'f,)pri~t:lrio
(n3o
('I";:
llIo:9lN <k I'r.w.I\~
COIrKn:i.d
do: lII;,-jd:ul.""
p""'''
ru"~1(:>I.e:O 1!~"1Jif~"jJ)"<"NITa<!'>W\M9k~.xl1ll
«1m"
ormlT.:i:>:rin_
""F""-!lOJ. j.xllhcir
"':"I~'ih:."11'I:
(mll'r~'9do,~
moJtori~~
pr ••fi.in"~1.
IT.M.:..."Tlnru;
(C"~"" de n~lf"l.
m •.
'.;:illi~".
milil.!Ir d.;: wI<bdo.,.
(;tI";lctrnltlcu
.: (;Ir~~n
l,<"inh,,;m
gifi;;o.
"'I~","i"".
l»1li,,.,.,
.•. tlm,:.t.-i".
dr~s;tri~.
ml1~"·u'p..",
Clnpor.~
••<k ki"
I~ .• <k: ap;w.:lh""
e>bo ""'luh'1la.\e;
pc'quc'tlo
Ik:rndh-:lIIt ••••.
. .cn<''flt~ CMT~dor>r~.;rurrL-pdo
oo.n,*;o.,.
il(!•••••
rocinhcira.
f>"~dcir .•.
:glri(Offl ole l>i)l•.••
,uirn. Inm.d--x 0)\' :>g;~"!!CI" f"''''']JrilJ.o)
qultl1k~')
:omlfl.:a<kira: 1i)i'~rq. hi"':dh-1m, r,.xit",iru. bntk. ••..Ol•.•.•
fd!'(\ ~"
~i)l;:im
ck "munm
ou de .>Utr;) l"""Iuo:no ~·:;t3""1~-ima"e
••
..,.,lCI"ci~1
~ oJU\.ra\ Q.,.~,~
00,11 ~r;oa,,,.it<k,,.
fl<..T1I~lha.",;>t.
\·lr.ji.~
(1I,,,.,n.11.
rncr~.".ri~,
r"oo.ril.
bn,jIOlld.:.
lojn
bndcin.
n ••·.nrv,
de (.:-mot0l1li)
Silu'IYl<lIl;lIId"fU
I
'u•.,.;:
.•
Cl:o, ••ili.'.1od"
J
xrnnliniuKI
Scm\'lJi,j
.j
:!..tJII~
!>~",,\-:l""1a
I.o\u:o..,."
Cb..;n"".J.a
3
s.:.,nmini,no
.j
S..:mY~fil
Cu.J.t!.),Io,~d,."I"n
lB.COlll.I:"I:G
•••
I:
1'"tvl";t~rli:.ld;onlllum"Ja),lAN11,\
Z:
~on
lIpli."JId:I
nOlurno
dd TAitOC
Ci)dig>wLin1J1"Dur:l"i:::>"ir;>
I: Fr.u,,,;,,,
~: I"V~'"
lH.AJ'IH'\
~ftu~nnll'ri'"~irlDap;>
0: Rq"!"U'~Jv
1:.\p,""";Id.")
~il.u:o<,:l\) n~ s;"·o.mw
J:U!la
O:R,ll'f'O''loo
I: :\J'fiW1100
L¥¥:r1j:....••••/..,."...,.,s:
"''1m":,..joo,,,,",l~II'I'''
J'I.'u"":-ri.....,.,."n2
<t:Impcoi-
Nun~Tiw
c;,IJlfMl>!;
~"'Il"
Num ..'-riuo ••
'\lOI'''''mp<lO'
Nu" ••.
'ri;)Q ''OIn6
c;.,.rtp<)i5
1\'1'"11.'0';•.•••••.
"\~m'
Alr.ffitHn-"'ri.,..,
Anexo
Ft.:
C-1mpG$ " ~ ~;.tml'Q'l ck>.";m~;.
Alf ..••.•
umi".iooCQlllI-:..:Jnip
,,,",
••
.\1:
..••lu.l(i.';.\ntpn
6
A TAB.32
detalha
as atributos
e os valores
dos atributos
da base de dad as
da UFMG de 93.
TAB. 32: DETALHAMENTO
eM/.'
DOS ATRIBUTOS
DA BASE DE g3 OA UFMG.
"
OMl •••do QuhlI"
13.
IlIotd"il
14.
id.od~
••
irio
!;atsJo";"il
ld.Jdcdo':-llltlidJto
.'i.)OtiOf'C'co"iinun.
Cnllur;ol
FI
1'1
142
I~.
1I1"'-;!~'!
C'·1(I;&:/.t.,lut;:trJ.:n:l!l:inH!!lI.t!
16.
17
r~'!l;dl:"
tip.,:,
Tipv 00 lWloOl u.,."~"(JOdu..;l9 ::!°p-;iU
II.
mnoZS
l\nodll
19.
:0.
k'JPr:S
&.."ll;o:~
LlIl?rdcC<"'CI\l~l"!T",",1
Er..•.•
'IH un<l" k~. m~io"l"nt.::::"
:1.
Ulml!:&
r~,.1pO dl:r~ .••
i<k~,~i..,
••••.
",.:b>aJ,,;ry.tU
sr~u
LinJlo.
.•••
Tumu ood ••f.:;.; I ma;,y part.:> ~ UlI"
1)... .•••••illiodclillJ9-',,;:W";allWi
•....•
[II"",,'~'1t
I'rcq!i.:ncil
pn.':It
Pr~l<.,"\,. •••.
ihubr
:~
Q ••""I.\'
OI1.;1nl,•• w3ti~I~ •.••••
nn l'I'),I(1
:6.
nl<llh';J
I!.klth"U
21.
k-ilun
LciI\lr.ld.:jonlli~",,~iltM
-::.
;nf<)l"m~
Princip;l.lr.~llcd~ iUr-xm3tic
-::9.
tram-ern
JU.
p~r.'"
n.
:H
qu:mtp.s
<.'t>.p;11
:1
~J
:4.
F1
F1
1'1
II;a -....,IlI~
f1
do •.
:unoO
Ib/;.uli",rl1I"l1It1..:!""O'·
1·.w1icil"'~o.b;:;andiJ:.h)nl=.d~
R<:nd.I.n..'ll .•••
I<bflmili;l
="
QuantidW::
do: p"-'~
1'1
F1
FI
qll<l \';\'<.."rTI III raub r.n,llia(
'1
:\"f>"tldo:C'n'IIluiJ~tkd.lp;li
:-;-;\"ddl.""_: ••IariU.td;:J..
•.•
l.k
H.
J'.
FI
~"TllCUrtfnll()rrl.', ••.•ihul,w
Fl
K.::pl,ru~"·d
pclo UI1:h'\1l., d.II (.mil~,
(};:up.1~lodur.spoo,a,",,1
tb f.Mnili.:l
(:lmili.
o..'If""e"-f'
J!t'lap:'l
J7.
...•
"'''''U!SII..'<!
1'1.:
M.JI.:m:It;..:J
l.i..xlfT ..••ill
n.~
hi •.••
,..;1
Ili~Mi.
in:t;l •.••
hlg)':'
42.
fr.m •..••
Fr.AlI':Js
4J.
~"Ii"
filk":l
l)iqll
31.
J9
'"."
1'1.2
1'1.:
Ft.:
FI.~
rilj""
Fl.:
Co.illis-
..
,16.
".,
'0.
Fw","'"
,..,., an
l'<Ir1uVlilIlll~IlIll
~~~-~
Q"inri<::l
Hio,l.,,..in
hj"ll
••.
'1U1
Fl.::!
Fl.:
rl.l
1'1.1n.::!
llioi')pa
Fi'Ql
jil~
" "'''~-'
•."~
".
"". ar
t"""'I!1:'Ilia
17
t.Jtlll
TI1C.
..•1d.11·d~
""
~"
I).~~::!
~:.
n:
"''"'
Fr...,...-..!a
rn."U.~::!
p<lf1:-
1'1."2
Fl.:
FS.2
t\Jnug.> •..•
t;d;103
"Ilt.i.llo
."ipc;;fic~ (viU.:: cdital)
rl.2
F1~
ltnwIJld •• I:lnab
taL,l::!
F1I.:::
Tct"ldI:'ct"f'~
T<1C.~lg;:rol
(I· ••.
~l
Fl.;:
c l'dap<l)
(~
au;!
61
.::lMlit-
lU
~-..J.lOi.1
:13.
:44
wdlill&
O.)..MI)1• ..bI.ln,!';aul':...tran"'"-tn.
I]II"\"I
Silu""lllo'l:I
1'r;, •••
..;I"li I:I-'V~
:!JlO"1
!'iitU3£:ioIl~
Si.
I
FO:
S:itlll,l:ld:II'".If<I
'itu.;a.,:J.l)d:o:,,1:tp3
I
6.(;0001'(..',\0
C;JdijjPooClod.."""1TIo
C.)di~
d;:
IIlJa 1:15'1
''f",;lod,:i."ur.1il
I
A;Jmini"""'~u])illrnu
A<l",ini~r~.''\'''lImu
'<\''lujt~II\'"''
"'
j
IkLt'.\lh'5
Dihli,!I.<S."IOIICI,lia
6
CiC".,i~
7
•
Cj~1."iu
C,,'nci1~
u..
Coml'.II~¢\o.>
!Jt"IOsi.,..
(',~,((;IIo.""
:\"I)t••rn(l
9 Ci~nc13'[~,.,••,)mi.:a'
10 C•.;ocil:ls......";!iJ
II
1:
C",,""'i~Social
I)ir.-1\"
IJ
tdilC",,:W n,kJ
r.nf~m"'~m
l..j
"In
PI
143
l'
Eng..'>!h.lri~
("iI'il
11'.
LnO",h:.ori~
F.I«ric~
17
1·~"~,,,""I"'ri.'M~Tli.;;,
II
L:"l>,",'~ri8 ).\~1~I••.•.
19
r.n,,"hari~I).:Min,,"
,k"
W
F.n~"'IMria
11
F4tsluli~
:.1
J·.mrlcil
Fi~fil
Quillli.;;a
FlO ••="!
:5
Fili.ll.TlI!,<~
16
C••.
'OgJf,~l)'umo)
:7
Q~fi~
:1
0NOVja
:,
lJi-1."i3niul1\o
JO
Jlilil'..-i,:'\OlII\lm"
( Li<.'Ol~;>lI:Ilf;! IlJ;;od\~r;:l~<L~)
".!lumo
(Li .•,:m:ialur3)
JI1Alr:u
12 r.buna.;<.>:j
.1\
M(.li,;u~
.H
\\.1I, .,.-in~ru
J~
JIi
.\h'ml:A
()IJ.),1lC1C'f,i~
)7
l'.:dllt'f!,i~J)iumo
J>.Jd.'\:Ptil:-:uuomt)
}'ri,;ol"'ti~
Q •.•
,mi,-""
41
r.bdon,Q
!.:n:rinQ1'1'·;&I:i.mI~1
7. COD_ell>
~'n~n<;lOU.
Co'xlip
tk!I ~"SUoo.. an <jU1:roid.:m
C"'fIIUlk
(.\W~
~ rd~",lu
tie <lIII.•doc
dolo ~"'~tI. •••
~'n;~~
C",,'ultc
~ \'!;;b,:lt),J,;
.:<!tad.»
nn
Q5 CI:Indi.btOl
~nl:xo
.••d:>,~rt~~r~ tI;.: itl.;lIli(l~<k
~'Il
.n,.·~u
~.,..,d..l..:amIMblo
1.\11Ia::\.lino
:
Fcminin<'
C6dilS9OO
Cq;}oetni
.•••
lI"
S1.".,.~:iri~~".,r:s",?
l'Ublt.:.'l
1
SSP
:2
lIini:d.!Tiu.!ililllr
1·i.lh ••
;~Milil""
r.'IK;~ F~"\i.."'f'lI1
1'3l1Rp01'1c
7
errs
C3ncirJdeTr';lINIIw,,"""-;(I';r":i)~.1
• Ouu •.•
1~M.MIo ~i\'il
I
:..tt..--1rn
s..
C~...:lo,
.1
Yiu\,.
·1 s..,MrAOOOU .1;\~1I"\.1~OO
,
Oulf;)
QU;ll ~a U~ id:l<k:(1;I1I d;;~'l\bro
I
A!.':173na.
J
1'13n,'"
(I" 1992)1
:OJ:·lan,••
:2~ ~:9 '''"Y$
JO:'I\»I;OOUUi1
15. :"'.\S(T\It~:O;
Ond~
,.~
C,,,,wlw
IU ••....•..
'l.I!
I r.:b"lo
de ea, ••).».:
munidpi'll!
II;
'1":>11\"1~1t;)1> v;;s.•••r""id~ em
1
Hfiu\~'I!.M<k:um~11V
:2
D~lIm.tr~~:II11)11.
lk~
d.: "'lin~J
HL"rilfo'11t~?
G.T>li"
"'"
3r1C:<io.
144
ll.i mAi~ ,k Ir~'!IlItw ••
J
~"'IIf"".",idi~'1IlIJ..~"lk...-i"""'"
iooemu...'1"Jlcci_II"
:-<lo' •..•
17."1"11'02(.;
u;t" "uo.': ~,.,.lduiu
Qu.: .:uno;k:t
1
:~ £1'Au "''I11I'f')fi.j'lI\aJjn~~
1
:!!",u
J
:~ &rJU """''' 1'f;)'h~icol3li13~~
~1....JUf;:<.:lI""ISUl)l_,iw
.j
~'C!Ilr
Pf<)r.Mi"n.,liu~
(...,
wnduir;i)
(~bf.ill(,-i{l
1
00 NOIllIII)
Netr""]
=_"''1;)
!I Oul,-r.•.
,.",i,·alcnt:
trn
'I"!):tnu \';)<.>.!
I
1'l')200.1d~~
)
19!K1
<)Melun'
(011~vnch,ir.i ) (I ;, Gf~u?
''''
, ''''
!I
1'"
6 F.nt,.,19IOcI917
7 Ant •.••
d.., 1910
1,. LUGAR2(;
Om!.! \;)",~ ;x'lIdu;"
( Ill' ,vn.·/ui,"!I. ) ••:~ I!!J1IU~
Cu ••wll.", a F.:bSlo,J~~
.••"mwri~ipi
VOU':f.:.;(.int.,-plrnol\"OUL
F.m' .••.
:~bp6blk:lr.;d<;r.l/
:
F.•••Ck'ob
)
Em ~al,,"'li;:;r"lI.mi<.;p.:l1
Em--..b partkubr
.j
11. Tl'R.\'02U
p6l!liw
[.n 'l'wLunrt>
J
Dim]}..)
1:
at'''\'~
r-glu:
o:.l...m31
, •.....,.; (.::t. illl.'U~lm"'l'l;:
<H, em IlMiur»:tfIt'.
i)
Z'! tiPu ~
:,\","''"'0
Em •..•.
-I.1oj)ltl"
1
::l:
llCfilLC'llt;:
"m
••••
J: Bdo
••.•
rWa1l1Ji«p;anc.o
1
linp.iu c!'Cr"nv;i'''.,
<.'111
'i"""
~u"'i'lO
, .••.
...: m,~hL)l""" ~.•.•••
u~dr.I?
Dominio~~Jtki"t.I'"
IA.'minKl,kitt.tl~(ralacl':)
f)4It""ini"f.MciJI.l~
(r;rl1L'<.'"
lJ..1mjnialJ~fnU\L~(MM"I':j
)).""'n;'o
1';rn..;~1 (M' 1000pl ,Ie OUlf"ll !;,,&-'~ ~~~~ir.l
J)",uinio l~l"(.i~1 \MlWttlIIIk l!\;Ii. ~ IInu lirrr;ull ~l"3llt1=ir:1
7
U.I'REYEST
n.;",hr.un~ lin9-'"
N"lu domin.
\' •••..
-..;n~'<Jt1•.•
,10I.'(QUrr.'q(k"ta)
I
Xlg
)
~jm,I""lI"nlC.lh.\101
",:mCllr.'
~i!l'.
I "'.•
'••.•••.
.j
!ii;m.Il\,'I" I ~t1~
~
r· .•.
~-ar.rnt~':;nr
••
<:I.lBinlu,.'J!f;.!\·.;aib"br':'
n•
•••
I:mo
~jnr.~,n);~d
Y •••..
"'jipr ••.W\ .•....••
ibul.u?
I
~lo
Sim.!ICJn\Xlt\l:!u;ru2·j.;r.Iu
!'im.
n>.l.nluflli ~pr,,,~oo
!i.m!. (\Ii ~l'N\·MItI. ",,'" n5u me "lY.ri~\ld
~irn . .it O<'!I.!tnirtri~l\l:ld<\ nU.lor.1"",J"
tnuJ"r
Sim .. j ••..•
1If.'fma'mL"fl'''''rw
Sim.OI.u~rit'ur
•.lu
Qu3r.tOll
I
n'lllilll.lbroo
d., i."UfW ';·01.1~..I~h.:I~,-ill1~"I"
••!llCfi\lf"
j:i rral ••••
rU un.IG'
:'\"~"hLlm
t;m
J
.j
])ci •
Tr~
~
QIl.lI.n:> eu
",~i~
"'~h'l)wr:swlhldo
•." •..•••
1
j>~bilid.td::d.!r""I;~~\itlpa8o»l
Pl.JMibilidJLk d4oontrit>uirp,"""
3
:l.k.Tc.looli::lr.I\lan,,,
,,-.iOibd.,:
l'T\:J5ti&i<..~;~ld~llroli~"
lnnu",,~i~ <1.,{.'nm~
l11fu,.:n<.;~ <k1~""""""'Jfi
lnfQOlu,,'ca
,*.•id~s~r~''':'J.,. mciiK J~ ..-.on"lI1i~w,-lo
145
27.u:nTR ..\
,
Il<oip r~ia,,J()
9
OUI.~
~"t)IltIi:!~t.W\"'!>o'
1.cit1Lr.l d"jolll~i~
01r.I,i>'l.".
!
Di,...i~nl-Qlt;!
2
1
:'k-m:m .•lnlo:.ntc
0;.- -ioJ!.3!rnott,:
.11\"iI>
l'rin-,~ •..•
II •.•••
h! ,Ie il1(~'I'!r,~,l"
l",""Al ••
-..eritil
t
1 J".mlfdl:\do{T\,)
1'. T1tAIHtt:M
.J
J,'m.11fJI~Jo(It;ldiQ)
~
j
()lIlrA~ r<llll~"
t.
;\;kl
Vi~k •..:I~'"
RC\i!llu(Vqa.t"."F..
In" m:.nlcroho
inr~'fnudo
Tr"t •••
lh.~R~'1'l.Il1lcr;ukl
I Sill!. ~t';:{) I~·.u po..
.•.•••
m;u •.•
.: Sim. .:k 20.]()
hnnll' 1"'" ,.(nUII~
}
~1Tn,~JOI·l(}h""'"l}<"''''f1I''''h
.•na
·1 :-.lai_d,,-tOhOl'Alp(Oflan
S NJ.otrnoolhQ
I·Articif"J"."i"Jo"",ndi;,bt;)n3r...~tbn
1 Tr;W..lh" "
lOU
3
C klll
"
S
6
JI. RE~U.\
IoQlI
:: Tr.lbllho..
TrAl:>Jnw
tlJ'fim_ir.;>1
n:!I(>\lI\".hd
,,_
pnlpriu
llI,tl
""","'3'
r-osp;mt;i,'d
M ••.•
,....., 1~-nJO lll''''
Nlolnooolho
••.
~,~1
rc:p<..,".:<1:••~ p~IQ ••.•
>l.CI\IQ W f~mili"
pos
lIi,-;wUc
por
UhI..:nt:tdopor
minha
Outr.lfilu"":;ill)
1 N.I:J,,~;.ioal~riQc<TllinimO\
: f)..:tr;"'A;;:inc.l",l~ri~"'nlin;m .••
J tk •.•.
i~~d~J. >i;l1;iri~~m;niml)li
l);:
S
D..: ~-;I
~""L'I
(luin~.:""I:lf")1;
minim ••
~ ,itl!..:! •••liri •• minim""
6 IX, inlOl 01"'II a <t"K~'U •••
bri ••••
rninirntlll
7 Dc ljWr""I~ 01UJ1l.t •••••
artl! •••liri05 minimoA
II
Acirn:o<k~1\"wl,"OIIminint<!Ol
JJ.Ql'A.YI"I't::S
1 t'tnl
:
1)1""
J
Tr~"
4
Qu .••.
'"
S Cinw
(, :';,:i,
7 Sd<!
I Chh)
II
N6'o'..:,'unu;,
JJ.EM:I'.\J
10
Ni,'':1
J~ t'k'\.>bri.d~dc
1
:\',:noorn
J
J'rim3r;";IIo:IOIIlf'I<;tQ
.1
Pnm.'.rwocmpk1n
411(Jr-.1IIinl).'nllll,-,,,
~
IJOnI"
""tnt,lun
6 ::'Of'.ruim'·1"l'l«,~
7
"C>fMI
•.••
){nl'tct.~
•
!oJ
SI>Il·.'TKlI-;n.~""plct"
SUfl•.-.,-m.-",,"'t,l.to
Ni,·clocolKULwi.1.,dccbllll.:
I
;\,,,Imm
J
J
1'r;mi.-io'nL'CI'l'Ipi.;h)
t'r;tl ..•:i(io,~n~)l.;tQ
~
11(lr.lllitHx'm:l')""
5
1!(~U.~lIl1ktQ
d"p-,li
p.'INO Q
maUIW
"'"1~"l ••dq 1':0",;811"",110::
r~mili3OUootf31
R~'1ldl"kTllIIl""F;Ulliti"
~
"II:I.~"I"" :..ind., Qo;lIliribll.)" 1"'rculrn.:ntc.
In;..•.' IINot'rio
I\."'lolII'cn<.b . .,."
p_~
II«
minha
t:>milia
0'"
146
(,
:~lio"""in.UClmr>lC\c
7 VGr,'Uwtnl)khl
II SUI)o..Tiorilk."lnlf'ltt.l
9
SUf',,.inrO(l"HI'k10
K-:.'!IJ'OIl!4,.,lrd.,tll
••..:ntoo.l:orll,nilia
I ~kul"i
:2 MinlMm:i,:
J
-I
[u-'III'f;nc:illo;Jlr~"!fWI"."i\-cl
5
CTn]);oNII.":
/ltk", •.-':'!jut'}'
(; 011."",...o.;,,'f'~?->
AgnlJl;lmmlO
"" t--"~ll.~a
(m gr.'nd~
de dldia
"'-'llh,Td.lIlu,
Af1I1P'1"k.'II,,-I
~
A[1l11);tntt:tlt'~
C'1'i~i31 00 juttif'l.
r'''f'1i\df~
mr,,1 o.k:O
~ :roo tW.":'1ar;s. nulf'U
d;: ~nip
,"ohili;irb~);
"&nrp..1mUlto
;ol"l'UllMJ.iu:
Cli~iro
funci(!ftirio-
~It;;onlc. P""luctl4.
j - Opa-Ario
JiX;-;r.!, bi.,.:,1Idn).
~"Itl~'I'\.iJI
ptiblioo
••
"m
j(!m~liru
rrq-ri<i"rio
ok: chcli~
rur.ll c.)Il1 ""';,
ok
c;u'adcritti.,.
•••
l~1
dot VMId.t
'lwtifit".Od,,).
Z()
pQf1.
co
c
de
1'iXLp;!.
ikil».;tulIl':.
r~l"'*'":tn1.:
r."QIl1f'~il.h,du; (,nl.;oo!tr'io
('IIU\anw.
CIIo"",ifk.).(!,
s...••'lllin;'oo
4
&mn.p
SIUl.ll"Jon~
:'d"f~
1 ,.1,1
•••••
'('"
Cl:.l_ifi.:.t..l"
J
S. ..mmlnimo
.,
s...'II\';I!:i'
C;Jdi~do"""~Tllo
I: ProY;lapli.:ad:ttIOJUlflIntblIAr'ltIA
1: I',,,..'A
COW;
:orli.:-:lda
11<)1111""
wlinpulidt'1ll'e:ir.I
I: Fr.tnM
2:lnd"'SnU~"tllll'rim';r~rt:lJ)~
O:R.,. •.••••
':ooo
I: .\pr.~·..~do
SitU3,\,l,.,,,.1
0: IkpfO\·~oo
1:,\{II'O'o'lM
""'9"';;1..0
~
~'mp""~w
1.\I>lIo."I.I:
~t:!;p.'
d. TAIl!)L
d..."'I1IiJtll. Cl(,:.;
....""......-~·ill,
~uxili:.r
pllblia) 00"" ~
po.'QUCllO inou.tri3t
joolheir~.
mit":tr
rerncr<.i~tlt"
•...,uilll.
m<t;::in;<XI,
WIno
blnd...'f'
m~iJ.l"'i1Qr;
QWi:inhciru"
p1ifinJ.
ootll:ll h;tk\l'ni":o.
flrm!.i:t,
9fV'.~1l
nM,IUq;j~'\).
ctllpn.l?'Io
dr"!;UiR.
de IIP.hbliQ. ~ho
uwa..ta'i-I;'::U
dom('llico.
(o:rnpr"lP'dt'o).
l~no
oonl<.n:i~rio).
,.. ••••
"'''111d,·\xt
''lIf_ii"~
S~\I.~;;,-,,,:t
l'd,p.I
J
profill!i.oo~L
~;lfilo,
"""!..--thlnlcor.
p.!..'tIrliro,
~~lll:n:i~1
:lJ"fIl,3d.l,
'l'I.\IP),"l"
t1.;111\"..,1 IUp"Tior:
c:tt'o\lo,,~jor,ooroncl: 9'a,14:
K1m:lhanl~",
o»nr;l. O"...UI!.l~..,},....• l"'"
",-TI'",,1 ••.
, <.!.I~;
Ifil;atL.,. ~f.:iro.
.• eM.;W.d-".ima'lt;')
outra
Io'IOIIflim"" r~'\X'fI"!wnitu. 1l1Ot«i"a
do: ~I;\'id.ld~
h",",~"
Ir<ruil.:ti),
""
l::nl~'lo:",
""""C!llJllt(l!l,
S<I"y:nIO..1IUblcna,h,- C' ~1()i''lIIC1'l1_
OI!rI1
c.tt"\ld~T;~i~~ •••
'n.:U'~ntCIL
2~~.AI'R"l
.:UnloO ;",.,11.TJ1. ,110 carp.!
ganu.,
milil:.r ok
c;Iom':HTiot;c;lJ
~im;irio
<; -.
•••nldirK!,
I", Gr~ •.•(prm';31)
~
rll<.'\:.:It""'tnf.),
niJ ~~;:ilia
nlr~1( *-'
rd_~in~i,.,.
de ann.'IT~"n ou dc <1ttl.ropalu""
c outt'1ll ~~
mil;I""
o..'!p.I~
h:kf<lllir;:h.
pn;pri~1.iriQ
( n:;"
intlilltri31,
Oi!In" rnMjC<J, ,11&a!lK';ro.
et'cdrio .tu~tili;:;ooo ( 1'1112tan um minim\) d.: ",m:ndi~
,J,,,f.: de tum"" nw;:tr.: Je produy.t.1t f~hr;I,••
,.,..~n,ciro.tn~ldN;
finll5 cu de ctubo:ll'..inu,'tlhl
d;]on..:'!lia-.
poItQ ",,1;1:,(
ok u~inTliJ~Ik.
•._lr
d.: puo1<' n!.l!dio: pCl!l.o
O\ll.r.•• ''''\l).'~"uw
pfQ(.-
"",.ncn'~'J1 •.'" podo
AU'tp.: ••nalto)" -l.Mti~ru.
...omn.ialll.l:.
)k",
g.uldl.:
c.o\""~
~ •.•.
,•.•••
~ '1'''' .~j~ClII'IIQd;:
1II;,'ID.,,J....,
l_ura...:\.
;"dUllri:.1
h ••••.
urw.,
2.IjOO
,,~ •.,..,...~
p'..",cil1J.
ptrhliro,
Ullinnil:irio:!,
itHlu~ri~1.I'rof
00111<..,.<.;;11~,
n!F~1 <.Le:00:,
t\gup~lIIcr1I0 J - R.:"'~,
£!I.TitiorioiYJ
f~Tr.lnlml"i,..,),
.1;[,1"1110,-.". C3r~liJJl."
lW \.!.T;9"
tctndlQlltL'"
p3qui-'- ...•..'lilimiw
o:"rn ~~"""
"u)("i~r J.:
d;: r~~.uunontc,
~
t<:Iutk!r,
.•••~It" I"'!tf,(O Mkninbtr..ti."
de inltm.,-lo"
m.6di.o.
••)
: .. l·r-..rl ••it.m~1 lib..T~1 ,I;; ni.,,1
como
au F'.:-nd:.
.1001) de rr":1X'iN;.u~
:o.l,uinhtni\;I'o.
nil.:l
.j
\:;lr~~'ti.i~
A&r"llam",.I<)
k"-"1Iiloo dmlifioo.
.:3rpl
A!'JUI')mcntol
.<\quJ~..lIm~1I."l
'\!1I1f).1m"lt
1 .. FbrIo:tl.lci •••.dq!ulllOO.
'1f"!?Uir.l"''''
2.000n...~.tr.5.outr3'''''''\J~''QIl
..:nv>
r'l:!pUl~\"·dd.,tllnil;~
1
J
tojl. ~
dc
Ii)j~
~lhO!l
c "'luh'ltolu,III:
p..-qIl4't,o
Mll1dh:'nt<»
ll<U:inh~m. p.I""OOrn.
IIU :tpil'Ukcr
•. la"alCllc\c.
bndcir.l
("IIfI(,bri~<.I.J)
Ill~~iro,
It>jas de f.,-rn~a\S)
147
Anexo
7
A TAB.33
detalha
os atributos
e os val ores dos atributos
da base de dados
da UFMG de 92.
TAB. 33: DETAlHAMENTO
DOS ATRIBUTOS
DA BASE DE 02 OA UFMG.
'"""".il"ri,f
JkmirrJN
Clflip
lbdOli
In""';c
,.
~
..
1.
9.
10.
11.
CoolfolcJlf(lI->-6rio)
....,,~.
N,,,"cOOtl'l'lded<lClll'ldi.lt\t,
CM1)l
C!kIisP-'
d_
n"lIl~iQIJ
"r
CMitlo»
d~
~'lWJuAal\ "lie raidem
N,;m.."f\)d~ldmtid;,.dc
idur
Cooip
idnnlr
s.;~"
,,,- d ••
""" "'mi __
•..
,. .;:,;no.lid:lIt~
"""
lJ.w-,
l\.,,",-imQI
CUdicp
lJuulion!Oriu
idmlltbd.,
(.'"IIur ••
1
Sorl<,....,,,m'n,;n.
Fl
1'1
1tLJ..·dQ..andidM<I
t!•.
~d..;r,
110 IUVl"
~
n
,\nutk!~lu;!l;)2·!9"u
FI
n
·1'ir",,,,~
.•.
1;1'0':",
.·\oo-:r;
Lu""aS
I:»"'l.b:,
l.u:.ard;!l'OOdu~2"!'Pu
ElIo.'ol;'t,,,,tI~(~/:1 IlMi ••••
f"lttc::·!;r.iU
Tunta:;
TWlIo ood<; reJ.;"\ t~i.,..
pine
2:.
Litl~
D<ltniniu.l.:lin!:'l'~~",,,,,.""ino
F'T.:,-...::t
Fr..'I(h:nti.l
:?
30
11.
J:.
.IJ.
"""
1.
".,.
11.
<:tn tuf"linoo
F1
F1
1" g~tl
F1
FI
f""C.~.:stihubr
I•••
,""
P"."ltdl.l \·atib.ll~r
Fl
Quauh"
Qllll"tct' n.'ilibut:.r~
Ill. liFIII(j
t\""I(i\~<.I:o.....:.un •••<kI.:tnu
Fl
L...-itur~ d~.i...,.,~i$ ~f.",·iJ.lllJ
Fl
10\;",
Lritllr~
1>rincip~1
l"r~,"""
r.lutcd"
"
itlf~'Ilnlo;;lo
F1
Tnbllho
r.:mnn.nd.l
fI.uti,-1.t'.I,J·,,J.,c.lll<ltd.ll,11Uret.J.j
I'.n"tr.ll
Ih,mb
Qu:rntp.."'S
r...".,i
u..""11l'1C
I"AlII;!;"
();."Up"~
lkn&I"
Qu:Ollli.bd
•.d~ P-"'~ (I'l~ ";''''''''n cb ,.nil,
Ni\.:IdcL~bri,lllkJ.3p;ti
:'\"'~ide
Fl
"n
••••
aldar40m'.ia
~1~ri:l:".I"",
(~mili:lr
F1
Il. m~.;:
Fl
F1
It,,,,,t<lIl.a'·.:!pd."lWIlt,ll4<l<br.miliJ.
Oro!»~~
d.:.IrL"!IpuI'lIhd
<b (Jon,I!il
F1
!~ rt"!I~
!'OOU!l-'''
M;KCTIUl
c.;.II..'$.
lIi"","~
!n&l~
l'r.uwc.'w:
"
lliclop~
I'i!i::..l
!m.lor;i~
Fi.iC-:I
·15.
Quim;""
Quimi.::.
C""«,,,,'
n..
:
1'<Jf"tuOIdt
).-I:.I..:'IlI<II;""
1'1.:
FX.2
G ••••
V .•fi•t
lli;tt.-i.l
kl~'"
Fr:ttw~
.12.
F-I
lIa",;;m •.
,lIo
T""lIpO.JeI\,,,-jd.'n~i3
,,,,,,dc_~:tl.;lIlNQZ"V"\l
l.!.
"
".
1'4
AI:
~", tL cat1~-ir~ d.; idullid."\d.:
Utddo~i\·ir
:S.
:6
:7.
n:IIIidml
C""'i~OO~';t1Ij_d.1
Ibd •••d.
21-
dJ.mm.y~·
I~
callditbt~
s..Y'
id_cmi
:Q.
w.
0I.d.:
F..o(.:jyil
19
D..1.1
d..t np:;l.:. d;; CUAO
~_ci..I
"
-"K)
!).tl.ad::n"""im.'7>141
ibtl\ll3'"
11.
..
rtttMN
F~
F!'i
~.•••
lIr,,1c
11O,"'"
n.
11
r.•
CIIII",unoho
.\I1 • .:iI)\'..,aih,mr
Jm;:...-i\·lodclin~i\')
\"(1
1'1.2
FII.~
Fll.'
r1.:
1>eocN#~
,.·••r<HIU9
1'1.::
l~ •..tap.
·06.
-17.
".
".
'11."
f\"rtuVIbo
lnun"n~"nI.:l1
F.:
""'tin.
.,,,im:
Qu;ntio:r
F•. :
hilolo:
H;\I;)I"i3
hiul2
rith. .••.
_~
liiolosi:.
ft.:
FI.2
FirkJ
Fl.:
!)I'O~:
(~f~
F~:
148
""
In.£.l&_'
b·V';"
Fr.mw_=
F'3n~4'"
M:.hrnMior;t
Fl.::
P<i).IIl&J).!w.
FlI.:
5-1.
~~.
M:rtem ::
pM_l-
l6.
;lflIidAo
l7.
II.
'""
61
Gl
6J
64.
<S.
,~.
67.
,.a.
~~ •.•••.
;ti~":>
l\r,I:id.\()
,
101",1 1
1((,,1
dllJd_:
Wlal
U"~IT. 1
(
,"i.s., ~-.1iI~1 )
Ti.'tllld
•• l·d:ll~'
F1I.~
TOl.ll(Ll:l!'LiIlf>.l
TOIdD- ••.••
l (1·.,1~I!'3
Ft.:
<"
:'dllpl)
FI
!!.iI,,~oibr<AlIf'"
r4J11
r'_pl
R~I~~
1'1
w."'"'I""'tI""'.Qu""'kiI.J:lI~~I"r:l
",;,1Ult,,,',,-\iatt'lIuil
••
"I
I'ortug •••.•
rI
'
!<''''pi
r7pl
'" ",I
Ru{',IIiU:
F1
R,'.p<_t;t4
F1
Fl
FI
It~a(i
F1
R4~i
1'1
K~'!II"",,;t;\1
F1
FI
n~lh'J
rIO-p'
Fill
~itu",·luJll·;:t"fl'l
R~OlL11
r:J'l
r.1Jli
1"1,2
R~utl:uttlliF[n:lls
...•.•..
rlJll
"-,1
70.
71.
Ill,'
_10
RespoA~
F1
i:.
rllyl
7.1
rt:lll
1t1$JH~IJ.l:
F1
""
rJJyl
rl-1-.J>1
R~'If'I>M" lJ
R~31-1
rl'...ri
FI
RAl'oUa
rI
76.
i7.
nI.
79
'"
,I.
".
"
"'."
".
...
>I.
r16yl
r17.Jl1
rilly'
rill_pi
11
F1
I~
~al(j
FJ
R~~17
Kc!rputoulJ
1'1
R~,,!9
F1
r10J!1
R~.ZO
1'1
1'1
r:1Jll
R~I~21
n
r::pl
Ihllpl)&tIl:Z
~Jyl
""pi
R~:iJ
lI:<.'I]lOOal--l
~~_rl
R •..
~lf.IaJ}
r:4iJll
R,:q)Ot;t~1I'i
r17rl
R«J*I.2i
Fl
r:lyl
K..:JIf">1ila:2l
IX!
r:!l1'1
R~""'I"'~Z\1
'1.
rJO_pl
~JO
1'>.
Fl
F1
1'1
1'1
1'1
FI
1'1
F1
FI
.\I:ot~m:'otlu
\I;.
rJ1"'p1
R ••.••
IIo)S(·IJI
9J
....
rl:yi
rlJ.J'1
R""f"*~
R~I""~)J
1'1
9~.
rl-lrl
R~~J-I
J.lo.'llpOU:l3~
1'1
,.
"-"...
r}jpl
r3~jli
r)71'1
rJJ..Jl1
100
r)9..J'
10:
r·1I ,I
r4~""p1
r40..J'1
IO~
111<
F1
R~T"*~.J.(i
R~;lJi
FI
Rcq1\JlU.11'
1'1
","-, ....
FI
R~)9
FI
R<>!iNU~-I1
1'1
R~"'(>08b-l:
F1
Fl
r4.1y'
1l.<r-f".l*b-lJ
n
a""Iop<'''b4-1
H\o'tputil. -I~
R~~.I(;
!'l
107.
r-l6_pl
r-l7pl
NI"p1
110
Ill.
r4'J'i
r50pl
In
FI
FI
r44JII
r4~"p1
10.
109.
III
1
J:
~,,4i
FI
RCI!pGCta411:
R~~
Fl
F1
.• 4\l
R~~j()
1'1
n
1'1
r31..1'1
R'"'ff'C)M~~I
Fl
rHpl
R~~:
R•..•
potI .•H
F1
rBrl
rH_l'l
r~~_pl
R •.-.,'<18\aH
K,;lpIJIIl;I ,~
1'1
rS6jll
R~;I~(,
FI
1\'.
rHrl
It~.H
F1
119.
rS.yi
R~3'1
11
I I~
11'
117.
FI
rI
149
1:0
r59-,,1
,(sO_rl
R~~"
Fl
R~!l60
(;, .•,::•.••
n"-IIi"i,,i,,-Lfn~u"
t:"trn"=d,,,
G~.:,ran:l
1:2
In.
1 :~.
n~.
1:6.
1=9.
no
131.
fly:
11_,,:
fly2
r"'J":
r5Jl:
dip:
Rit"'poM.ll
FI
R~32
R.:$flO)tlI.l
FI
Fl
J1.~'.lII:t~'"
J1.CII'pOIita ~
II~~II
r7p:
Jt""l"""'I ••7
Fl
Fl
111_1"2
r9r=
It~~.
JI""-f""'Maf
I'l
Fl
rlOy:
R~IO
1.l2
KIlJl~
R~~ll
Fl
lB.
rDJ':
rlJ.J':
rI4_1':
R~l:
1!\'>Jpw;tJtl.1
F.
I.H
1'..•.-]>;:eoi,,1·1
n
lH.
1)6.
r1,,,:
1-11.
rI6_p:
rl7p:
r.I-,,2
rI9_r:
rZOy2
1-1:.
1"21..1':
1·1).
r:l_r~
U1.
\JJ.
1J9.
f1
1t<N!"'~"lj
lI:'-'ro:*a16
R.:-"""lIIt~ 17
k~111
.l<.'l:pl~119
F.
R~~:O
lIillt6ri~
r:31':
l"~. r:4_p:
1-16. T1'y=
I-n.
r:6J12
1-11.
117y:
1-19.
111..1'2
l'so. r:')y:
1jl.
rJ0J,2
I·H.
1':.
dlJl:
rJ2r:
15-1. rJj I'~
lB.
."
1~.
In
151.
."."".
161.
rJ-Ir:
rJ5J'1
rJ6y:
r37y:
dlty:
r.l?y:
I'MlJ':
,.,
1(,7.
,46r:
](,1.
1(-9.
!"47y:
,·111_1':
170
171.
r49...r)
d0J':
173.
174.
,"
_l":
r5~J'2
rBp:
17~.
rHp:
176.
r55 I'~
dliy:
177.
f1
II:,,-~.:l
F.
R..--cp;!«o:3
Fl
R"JlU!!lall
R~-(K'fl:l:S
FI
R~:7
1k"Zf"L"IIllll
J;I(~,JI2'J
Ik""",»bJO
n~~Jt
VI
1t31"""la.l:!
R•.'"=!,;:,tbJ)
F.
R~aJ-I
R ••••
(lQW
J~
R,~J6
R~J7
F1
jq
R"'P<.~J'
1'1
ll'''f><_a)')
1t~~"UJta4lJ
R..••~..I
Fl
EIlt"'-.•I1\:"Ir:.
u
..
~14:
R•..•
poIb4J
Jlnp.3lUl44
1t..""ql<."!!U~
4~
~~.w;
I!L"f>"d~47
FL
F1
It~..,.~tl411/
.1""",-Ia4"
R",,~~'l}
~"Sl
R""po,hH
~IB
ikp'lIU~4
R••..
p.hH
FI
Fl
tl~""1...-t..l ~6
57
rj71'~
1~t."Iip"'t.
179.
r51_r=
Rer.r<""~ ~.
•OJ.
THy:
r(,(}y:
R~la''1
'11.
F'
II:~:(>
LI"!!,"~
16:.
r'
.6.1.
r42r:
r43J12
'64
16~. "'4J'2
.66.
r4Sp:
171.
1l,~~:1
Fl
F1
F1
Rc..p-I~W
F1
H; ..ka
D1•••••
:la-Quimll-
..•
l-'W •."
It:
rly}
1l•.v.p.'II:!t~ !
F1
11.1.
"-::_1']
rJpJ
R..~2
lk~'4JJta3
Fl
"..
150
....
,.,
,,.,.
,,-).
r-ipJ
ILrfl"'b~
FI
".J'l
royJ
r1_r3
l'~~~~
1l~u.4
1'1
"'~p\
.....".
"..-1..
lk
""
,
I'"
dO]!3
111:
.I.
TII.I"
191.
19.5
rUyl
rH.JU
..
,
I~;.
:")(\
:,)1.
:»:.
:03
"":D~
:,.>.
"".
:l".
10(Iat. 7
~~
11
rlo')J'.J
r17J'.J
1!...,.f"'4l~ 11
!l'Y.l
l!.epM••l'
r1:1J\.1
C. JI.l
II<'lfl4$lalii
1:1..1'-1
'-::j'.l
.::1.1'·1
1l("1*"~:1
r:-1_rJ
r:~J"
II"
!~<l:.~
I':lSyl
It"'l'O"b.:6
'"'"
(lioIOoi,i ••
FI
1'1
,04
"n
FI
1!Qt.1JO'Il~:7
':11
," p'
ll""l""t~II
lw.I,l<JO'!l':9
R",I""1~.!.i)
n
Fl
J"O" .•JI
:1)
rJ:yJ
d3yl
I~-"l:
:1~.
I'Hy.J
:I~
n~"poull-1
po»aj~
:11.
rH.1,J
rj6yJ
:11
Illy.'!
:1"',
rll_lv
"
It<l!1i1'J1ol~ 3.1
FI
""t-'"V;
n
n
,....mtJ.
l!"'I""'<l~
" ",
H
!t~I_~:1
,':ltl'\
,';'Jjll
::'.1
1'1
t.,o'!1J
~1J'J
,3"-.1,1
""
FI
,*,I:~
:0'1.
:If./.
::1:
1'1
1l""~I:
1k","""'1I lJ
Hcot>Otul4
iw--romlll
ik"r11Qll(io Ii
rl~ 1'3
FI
FI
.• 1(1
K~I-"
rl:::y3
1'1
.l7
ft,. ..•
FI
~"".II
Fl
,·1"-.1,3
ikJl'!,lllt'l~'
l-Il_I'J
'4:y.J
r4.ly'
n':'r_!l41
p,"
U«poMt.,·U
n
::5
rHJl1
Nop"h-l-l
':~
I-I~_p:l
....
::,
::"
,.Ii\J~'
:1.1
'~1_V}
r~.JIJ
,"
-p)
r.':yJ
:H
rJJu
~J~. r'4_1'3
''''
::1';\7.
;J,).
'~·lO
M..."q"""~ -n
R~-I~
1'1
FI
Ikll""'t.l..l(i
Pf'"N!!C ••·n
liCl","oltll-.l.
l·n_Ji.l
.-ltyJ
':1Ci
::!I
'::\:
Quionk~
~$.JlJ
r~(•..r.J
K,."V9iU
H
""
~l:16
lf1l'_pJ
11.~rF'
~."" ,
o».lIul&'1'0.1
n
ik«I~'~.!
ITI!<MU~1
Ik<llQIItol"
F1~
.•,
;.1].
Fl
1!~'1~~4
K.."'Ji»IIlil ~"
~7-.l13
r~'Jj
r"'yJ
1·1.1.
"
FI
'Q
Fk-,1oaIb ~I
It..,.,_t;>'';
FI
"
~"":
1'•••
1
'''":
C;..":IIi"_Lc,,,:
1Ji,,_Fl.,_Qui:
{ ••d,.-nl\lldD
I"""""~t.~
f\yt"'I!l:h ••\I•.
df'~;';'ii(;(l
rlr'lft••••
J~ ("~mr1.'.Hi.N:rI.J.li.J1.'E11'."tl~jm
C~ ..••
W ,~••('f'O'U ,k lJi.-.;:'I.
Fbi"",.Qtth"iAl
C-.k.lIi'\Lt.
151
Tud::l'
••.
·:::"inl"'·4dl~,
M ,'uti...,i..
i\~rnp61I
,..·n-rrIllU
••~ eI,.,. tn"s ndtl'tl"'(
l'ol1_i\h,t.
(;I·\>_lIi'~u,.
t
1Ii•_J11~_Q";)
•
I~m 011
••:
Qu....:I:.oA
Q\,,,",wlJ
QU<Yil.iuC
....,!)
Qu •
Qt,-~];
6.COnOl'CAO
<':-.I<li!J><I.eop'rlo;j~
(uno
1
AJmin;~I';l"lo
]);umo
.\d",ini"'r.o<,~l ••:>:o:cumoJ
J
.t
'\"luiWlur.>
RI.. ••ui\r\;:s
Jlil:-li~~l.'!nli~
(';~ndJ
I)" C"ulfll~~"l.(J
ci~nci~l
lli('IOtiu:i$
X
('li""i~sC<l"I~bcil;":«umt'
\)
Ci'lld".
10
II
12
Ci~"I~i"'S<''';1ah
C<)fnll"i~~""s...;"1
])i,..no
F.t.~~,.)mj(!;ll
13r:~lal:ili",
1·1
["f~'-I""",,"11
Ij
LIlJ>"h~ri~Ci\'it
II.> Ln;:,!It:'Jriaf]~vi<.::l
17
,_
Lng;:tlharja:"[oc~i~
Enr ..•.
'IIIuri~ :.1~t;oU••
9~'"
I')
En.n:llhari~T>c
10
En;;!o:nhuil
~l
Ltutilliw
l';mn;l.ci~
D
Fil.,,,,"ii~
linn
Quim,c;,
~·I H.i•.••
:~
1I1i.::;t•orapj"
.
:6
G<:<!U"rill)iunl.(J.i~'t:itL"m
2.
G"":;r~lil
N;'(IImo ( Li<:.."'~;'illur~)
G~~J.logjlo
29
H,j;I •.••.
"'Oiufllo
lb-:h:lfd;l<.l3)
.10
lIiJl6rU:>:;xumo
~I
.1:
\b(,:m;L1;w
L"'f;lI~
}) :'I~'t!,~~n.,
H
J~
\",t.::rin~ri~
\1<,., •....•
36
OJOIlloI,W"
n
ru~Ii.'gi.
Ki
Q"inlic~
II
7. C'OU_CII)
1'~3ni"mo
I":•.
l'~"l>"':>:,,
.19
•.•uno
r~Tdr:i~ O<."Ul'~~""""I~1
('.'>di9l"-o.AA;11lu"i.:il'i(JI\llI<k"<3IltliU:Lt<Jfir~'$id.:m"
Fr"'Jrn,,~
n:1",~i(l"atkJo;c~l1;mc_
tt.1W
CMipoo.~Clntj"vrc~iJ.."IOl""lt1id;;t""
C"" •••
IL"an:b~ckat.\d;».
~"ma,,~S<)
CowSlM
Coo,tlh~'
<Iu&•• ~tI.lf;
~ reL..'I'l,)
II.SEXO
s..::>Oi.ld.Jondid~I"
12.11)].:\11
COJi&"
I
M.'lIo..vlino
-:
i" •."mnlin",
do
l-rnl\llM!«S
da ~1t ••.
~D 0I~ itlallilbd;;
01" ~~.(biL~"'mItll;.'"W
•.••.
&10 l'mi •••.
I
SSP
::
Miui<t(1i;)l\Iiliw
~~,r..:liki;t
l'I)Iici~ \/ilil.;tf
1\!l.i..:1.tIOOcrJI
M"P'fltIl';\:' l"UNka
•• (:Qdit)JSJo
il'S"
152
.
,
7
1l.I!.\TCI\'IL
"""M:lp<"I'I~
CTPS
CMt~"'&Tr..wUI;>cl'r.:-o·i"6",;II,
•••
..g1
""~
Ullldo";,il
I
1
s..-.~vu
C,,--'
Vioi •.••
4
S;.~oudi.wci~cI.:)
,
(lull";)
QtlJII':a
1,\1
J
"
<k'Ulf'lhr.)do: 1991)':'
tw ldld...~t,'n
.•'17"
••.-
1.,..,,,,,
17:111""
~O ~ :4 "" ••••
l:1\1:9.nlt11l
JfI«ll<!1ll (~l n~i.
Un;k'·~"n:tIl.'..'t11
C'!fl)iult;,:.
,4.
KI.:.3II)I~~
rcl~~
Jc C;";(dW
I
C
d.l )..!inu (jlll'~iA em ITlC"U).
lnllnicipi'lII
n •.•
'!,,! f'C)id.- •...•
tllkl:)
III 'lu:ll."t~'nro
1100 •.••••
11:0:
~
Ilinto=l~d;:um.,l1,1
n"",".1r~'<I .on.".
J
Ildlll.1iIJ..'tr.:aI'l"
"
~"'ll"'"
•.•.
..ftdi~ .•.•.•
lwlu]lori_\l
••
~ Xln'o:ooioo~.•.•.•
Rdn Hori,.,... ••
17.TII'02G
IILA:"'OlG
Que ,"uno ~:'1 V.'IlI n~
1 ~ £I:.u•.•.
'nproli_OIl~li~
c;.>n~luiu ("'"
l:t.lIKiuirj )!
J
:~~l.:olnprofi.iMSlit.l~().b;.i.mooo~t'f'INl)
J
:~r;puO"''I'!I~fi.ictuoli:;l,-.I.o.ct;;:aoN(lfJl•••
1
"
~
).bdur~
00. ~d.il'O
Oulnoo:quinlatt.:
<flk'''''' ,.....,.;
Em
.,.,.,~iuiu
I
1W.~d...-pci,
) •• :f V"u
(<lU wndulli
'P
119')1
J
Iflo')
I..,
I'••
En\h·I~IIIil.., 1')1'7
1<ntJ
An\<!1IUC
I'. LI'(~,\lUG
Ol>d~ "'0.";' «lIl.:luiu (o'I\l ,,-,\duir~)
CrowLl,·.
20, E!tCOt•.\2(;
I
2l.1.I~GI·:.!;r
lI'Iu ~
~.
tt\ullio.irius
,k 1k1\111..!ri.,,,lc
~••n arrcXO/
:lU~U:
Em." •.•...
"'.p(lbl;c;al:d:r:tl
:
r-<l' ~"jI;.",b p••bli.;" ~""."'ul
j
Em""""'"
pithliw "w"idp~1
rm ••••..•.
"1:ot-ticul,...
F.m quclumo
I Dioct~
-.:f" •••il\\~'VlIhnClllcou
, .•••..
Eznr..i~.lilloa'
~f;llIfI.;ro"':1II
(U<~-idl tk in.tloiJ.
I
o..n'n;"
.J
l~intkintl
.••.tr~Ia ••I.t)
Dominin II:H ••;~I dor Ir.rnlw
4
Ibnin"okli:tn~-&(r~b.:lc)
D ••"m;',
]J.I'IU~\·Il~1'
C
\,o.Xl',,:£,int"'V.lltllUltCi)UCllIl1WllIliorlurt:::.\1
"
21. TIIK~OH;
.w..
rd:l.;MI de •.•••
tyr~""1
0t.I t(,hl
(;
O"...•.•
,in'" p;<•.••
i~1 au total"~
7
Nl ••d••
m;no
v.,...,:of~~'ltO\l
n."hunCl.
•..
~n Iluiotp"rhl,
<I"":&itu~
ok •.~tr~lin ••"
''''''~ n\O,:!h
••..., cnqu.:tJn
fttr.n.';r~
WrJn~';r"
,n.li. tk U'"~ linp':.o
lin£.Ull ~r;llI~D
( •••
, rl~~IIII.'Il\a)"~'t•.•
inl""'I'~\"I.~i'l\llar?
1 1'1.1..,
:2 !>im. I''''" "k'I""'" de
J Sinl.prrlwm.rtre
11otm~'<l!r"
o~Jr.lu'
l'
153
"
~im.ror
~
~im.l"'I'nni.d.::
I ",n ,
1"'(10)
..••.
?
\O\.~,i;iI'W".t""\-m;""li
I
Nlo
:
I
~il","''tni,'\)t'''luirO:~9;lu
~il!l, n);l"J}j" JiJi "I!r>l<rldto
"
Sinl. fi,i~rnt\·:tiI".m.~"l!!"'h:l\t.:<'Iri('lIl.:1
~ ~i,,\. j:i ~
n>.1lricutWo.
n,upr.;:t.::.lo'1o
I) ~ill'Lii_1 rl""J<'Clll~ll.tlllh-'ri",·
m".br
de <;I.'''''''' .""
~",b
•.lG;lJna\11l
~illl,"'U:fl.itll,t""
:!~Q"X"'T\
Qu .••
Itof.''Olihul''l'00j$rN.,,"O'IInlU·ltlO':
1
X'nh"",
)
Lm
1).-,"*
4
TI~
"
\2U~ro(/t'm~i.
1
l'Iv..(i\.d.l~\o~~
!
;"ilidiJ.;.k,"'"'lil'~
•
::
1\.,.i\>ili"b\ko..CICIl'.riWirlu,,,,,,
)
:\l('r~o»-:kI,;;I;unl<t
.-.1
_~l.:
ti9t.1It',:i~ld"f"'C'f,OIlIl,.
1"11"<,, ••••.• f","ti~
j'h
.1,,
Inil\h~I~"ldcl(r~i!'6J
Inr"",,~'-.•
btidl.olIh
R.;i""rI....,~,u
'>I
:!'.I.f.ITl'R.\
nliiilit'''r
••\.<bI.""_'''''''''''l\,,,i'"il'''
..•~
e<tnro
LoilU/ •.•dtj«m.i,~·r("l'i,
I
Di.vismcnl4
:: l'kmlll~h,\,~il'\;
J·~io>rl,.hn:tIlC
4 N"
1I.Ii"H)lBIA
~,. '1Itl\DliDI
!',i""ir.ui
r"l"o.·;nf<mu
1
::
k'flulll!'lO%i~
k<fn:olf"llI\k;r!'\,}
)
JQI1I~1
.•l'1
1,,\itJ.?dtitdio,
\i
.\
RC'\'i,h.,;\'.;1l,l«oE,
"
("I\N
•
NJoIn.,;I"m~;:nllViJllil"":.I'I1u
o!Ii.rt.;l
r"'jl~
••
Tr~!
I1ctJ>lIIl<.T!.,I"
I :;i..,.",-cl'\li"''''I'fl'>!''''''Ih."".
"~>I~"_'
::
J
\;';111,M'JJll1_!(!h("",,~
~i",.,j{'J.i)~4{ih,,",,,f"'V~!\;"'''
"
l'.lii\,t.,.'Klhur"'p'''I'""nklfi:)
~
1\'blmt\l!lm
!'-.wticijM",I"~e;1li1lid_l'lOn
I
Tr"b.o~'.11
tttlUe
••",~"bln<:J1",1
fl'in •.
", •••
II""P •••
nth~1 pol
: Tr"l!\'lnIlO,""'1 ~toiwl
P<' 111':',rrq.,i.,
wttail:o}
.1:.flimili"
.u,t •..
~l(",,, ~io.l.
"rilm~.
PJrr-i"lm ••.•
1t~\ p;o•••t'
(1I14"m'dJf,unilia
]
4
TI~h.inh'Q"I'11
•••••••.••
1!1;h~-1 ",""INJI""'I' ,m'U I'rorn"WIt,,11O
!l.10u,,,,, l.,.,d.llflll
.A\i<r~o: r~'1lv.llia11od •• 1OU fUlA«It..w,
~ X~ tlWl.ulh. '" teU "I~.;tft!ld
(.Out •..••
i\u"*,
3I.kE~IU
K(•.,bltk"tl
•••
i""'£
min!!'!
ItbF"n,ilia
1 lUi: d6i~ IoitlMik» mill;". •.••
:
I
lktr-'::'a.:i!_.,d;;!i~llIinim~
l),; •••
i.(td.:::t.,.l1ri~,;,i"i"
•••
.• ik(ilI:\4'lllinN
lkk .••mi"irn ••••
~ D"J..~'1~I\,int"$IIliri_mi,,i,w,.
I:i
)).: ••inI,.;:ulIllGl'''':nI:t'''lari
1 lk<1u:tr~'II.J.:Ium"'~I;tNI~;
••••.
''n"i,,'''"'
..•!1!iniJl1QoJ
'."'-invlk-_.Il"l(Oljri"mini"u,,,,
J~, QII.\NTliFS
Qua'l!.iJl.d.:d.,:IJ("IIIOIIHll-.:\i"'':lIltbr':IIJJ,II,:llwl
I I!ma
p;lr\:i:tllIlI.,1!.1: p..."'1' minh .• f)mfli .•,0'\1
f"_~
la,ni1i~ "" Il<IlIr~
•.
154
Il",.
1"1";"
J"~lro
Cin....,
~~
~"
()jtf)
~."!U'".,i.
""h·dUlleJOWl~rKt.o,w,,,,,,,,i
JJ.I'.SCI'.\1
I
N;)!hmn
:
l'rim:ifioiJ\~nflhi
,
r'nncirwQ<'mpldt1
.\
1~('f·l!';(H.ml'l~'
•
.{ 'tp,."""II'ipk~'·
i :!C.•.
.w inQ",!fIlr-I~te
; :~r"'.11<."!!<l'l"ct"
•
~'I;.:o-ir".in~·.( ••
·""rd(o
Su['ni
••••.
.,;;"'j!I.'··
:U. &SC!\L\E
1'ri,niri,.,i''''''1I1f1h.tc
I l'rim.ri"oomr-kt.
~ 1~Gr"""in'*tlpt;:J:"
~ I~Vr~1lIDI'''1'1.1-,
~, ='l;uuin
111111.,,,
:
.,
:::(Jri041.:!lof\Pkt(!'
•
9
S"I'""-i,,," i"«""'~I'la"
SUll(fi,of"WO'''lil«o
,.\·j" ••,tI""I..
.1:'1. F.\\III..J.\
J~ f••
mili~
R<np' .•••
J,i>.•.•
I
.hl,u,).li
:
"ljlllm~(
)
U!lWU';l>lin;:iplll'7.I>OI""'·~i
.,
,
M~l.>'t~tlSC
l'!I\lJo:+rlOllo
,.l)ulr",~
o.~
Jti.OC't·"ltESP
1
I)",'h .•
~l"h""'.J.,
.~ul1l.lI\o1
.\t,fUIMlllm\.Q:
·\gI'TMUI,nI3J
·W"J~"'cnIO.j
~ '\'Vl'1 'n~~~
~'g..,';uci~
\9"1'-1'11<")(0 , - 1l.onti."'~I", ~w,~I~,I •••.,-,i»l.-:v. u'l'~""\U W),il~l;tb. ~ll" P
;; ",ilil" ~-"~rn;~l<.'ml. .II;) •.••
'"!IP de .;hcli3
.:1111?')lod.~
(•.••
")ni~""" -ako p«1~ :lchuinitt""i>
.• IIU ....-ni;e vul,Ii.:l(,pumk iuUII1tli.1.U.MJ.ik ~rql\ ••
tiri.t 0Ir.<[;,'OIl) IIni. d.
:.!.I.)f,h.:..'1*'QI. <'tItr.•, OOI~""'" ~"I"r' ,",",",,,,,.Tilti'il>M •••
~"d.hJl\h.••.
.\yup.lmal\O): • " ••
1;_
<:IU'Q)I•.1(ni"" .• rimlifi...,
~""'~
n'h'[
d;; illttnl\'llo:.'
",Mi.,.!""Ilri.t.rio:;
"~'V"'UlUc
-.lIIIIIlur~im.
.io"n~i.-.
-4 ..
o.1ti~f.JIIf'",
~~ri>!
m.,+ilit!.fi •••. IUOI";,:nioi"
,,1\""1\<'.
-\gI'I~"l(llt"
~ •
nru o.'>PAt'~
~
In
",,,,,,*,,,,. flt"iln.'in.
'tU,,~jl~"
<k
t~ld>\'flL" •. mO(Wt"'v~('"
"!!oj,,,
J"H>li~" ,,'" Bi.r.!h-Ki
'1I\,.Oli(;•.••••
1o)..
(MC:O
"'-'N
.iDati""'hil,s
",n.l!1.';"
;:;on.:1Pl«;C;1tJ""I"d\.~nt~ .•..
r~'n!."n\"
c (f~all
~,::",d:
"'I';:rio.-:
,pull"
ClOm.."Nill. IIulfil'u
lu.:iui (un~~fl,\ri\) rU[oI;OIiI..:.oIIlI;::O_
j"'-~~" ;tld ••trial. o»TTKr.:illlt<.:
"",ui>."-,1\<..",:
OIWJ(im ••••MXt",:-i''I1.isb. !I1"'Ol:en")
","TT'd1<.-ir'-",
I"'lh~"';m;
<;1."rt!II1\l
InlJ«.
•••.•..
JJ\~lhJl\h",.
I~
..
!'f"fi"",i
h"1"I'f'I.....,t'"
11,,1, .~m"
cc,~"ri",
""l"lI~rh,j(IUlh..:iN.
.:f).I:inh.:i('O
m<dr\l~
!rifiQf,
qnlilll>"k.",ni,l(l
f.lrnuci
•. ~ri,I.
••'i?r\VfII
1ll,t.>hif',;i.,..,
.•1(rr ••~"d.lI<'j:.
l.;oj. "'" 21"1! •.1I~
"luinloll.a;, M''''''«
1'00&0 militar J.. MJJ.\tkI . .:-00\-.c
"'''\Ip~..'!J(If!I1I'''r•••
.hT~(i{;l •.••..•
rn ..::liul'i1; •..••
~""U]jl;s,;
~'11I'1•.Vil>'
J m."""'io:a ~.~
.,,~illI1.iflt.
~..,lI.'Pd.cir~
.. J~,'Jd.o.ir •.
p;a;;Ir.;ir Q!Io't'In do: ~I\'im.
[UN."'!"
1:'\1 "gi':l.llt('l" l~lalltri~dI-'
mc •.
:iro •
,.."r.:ji~,j
l>luiu.Iv;L,.
mc:ro»ri..l.~ixuiJ. [.m;h«Kk.
klju
Jot l~rr.l91Ul
..:oI1T.VIl,..<r,
1I,••.·:II<"r;:l, ruin,i!"", hn·.dQl·. Cl'fl')fi1r~
~ oJ", ;-.oAr" P"'t"~ll" ~,
•.uhcl«t.rtall.
~l
J""fl'~ltlO!lt",
icm.uj,1 ) OllInp[a""
4ul~~1It'tJl.""
(ktltiA,! ••1",.:
0;.,;>,,,,,>10 Ju niH"'
'''''f'.•
(mil.
h~",t!t!,,")
('" ellc",
••miJur
.k kn •.•.
iI.:,. '''Pits..
.:t~notl.:Jl••••.••
,"-"'h:a,\C!(I..
""'''''''Iil5n..,
I·. SfIIu
\l'Ol'l.
mili\')1 oJc••••
raall~.
IIW!lr\'WJ"l",oJ,.r~
j .•.•
,~h!ln
tic t~';Hni,l~d"(',
ojUftlilil»d<i , <lU": t~'lTl11m rninim ••U\; "I'rtlltjir,an
P<-"lt'I:n<lpr...,tnct&'i;,rut:;1
Op«1rio
3'm'''''d~iI;l:
Ii ''''.
.;;Ii••.•••.•
de "rnIlJi."
rror_
,;;lIII;TtOC!V,,*,,;;vm
"l!''''''Tmiy
Ii" .••••••
, <111~ ••
bd •.••
"in> ••
.,lI" .;>0111(:••;,,1 d:
...,nl'r.'i:m(c.
"
i•.•.
4ftri~1 .I••jll Ii"..
.".,tt" ~""""F-
~ivi<hd.. ••.,o:mdlllrrt"""
•.hd.J(',llImu.
l~,.,~m"ll"i';:').Ix..."ci~
utli\".:n:iI~ljo.CIOnlt.'mbili~ Clly.m(il\J, <lrquitd., \wh....,:'dct.
"iwl
.;ICIm.,,"i.1
~1I1lll>,h''!lntl .It \S'Il0 ",,"\IioI: 1.
ntl"'~'ik :;10,. : .•r(tt! lklIit.lOh_'
(!OlItr;l.,· •••
'1'
'"
nII"IIl doc::\.1 ~ :O>J
h~
.'-9Up.&mooQ
ok: "'::lbuUl\tc.
'k ~'hp
do
""'r'~
,\crt~>.l'i'I"'U'-; J • Rio..
!!ul.ili&, d~ ~~i"·j!'i •.•""
a;lrnn,;;t,-::.Ii>".
•..••..•
1 lillenl
{lC'Ml"ilOa.kar. 'JUim;.",.. illd"tlri~L
~
Jt: d,(:fi. 0tI g:;,~nds
,'"
•.•..
nl(l";o1...:II(, .;I'll' d..: l'fflPl"i.n.w.:
155
S;tu~l"nJI·ct.lI'"
1 .-\.•••••.•
'1 ••
(,b1'\ifi~lo
]
s.."mmininw
-I
s.n,''''\>,
!!:itul.,.t.>n,,:''''ap''
1
AWi'\."'fltc
:
.I
Cko •••ific"3i1o
nliuirno
s..~n
-I s..~nn9
C.:...!iy.
t1.).:~rl.."mo
1: I'Nn"l'li-",d~n"luon"th
"'-I.\NIIA
2: J>r;"\'J~lic·~J ••.••.•
I"mo\I~T.\llDE
UX\ilPililinpm;.>\(r;o:n!!,,;r;o
l:rr:l1>o."""
:::Inr.l~
SitU;\;io:;
na I>ri,"",ir~ F.la[>'l
0: "'1""'-.lJ..1: Aj>r."-~Jo
Srtll~.;ii"n3~",daF:lap"
0: R\.-pN\·.tL
1: Apr ••.•..•
du
J)··K<",., ...•"'~fiJr_H
.,
,.
:\"lIm •.
Tioo~lIl'-'1mp.,
Num....••.•00"I•....",,2c:J,l"flOa
1'1
:\"IIIlI<.TiOOlXllTl-l~I~
f4
Nunli .•.i;o""",
I;~
~ can1K"-
l\'ulll~fioo,",,-"ill()':Jn~
NLln~iu,
~..."" It 4"n~
.\If.l.uu.-.!,.;"""'Utn
AlI!o,"'m4'ri;.
<":l: .:>mpQl d~...•.
;nuiJ
1:::03111,,.,.
.••~':'111 ~
~.;m!p"
'"1.2
AI:
MO
156
REFERENCIAS
BIBLIOGRAFICAS
(AAMODT,
1994) Aamodt,
Agnar;
Plaza,
Enric,
Case
Based
Foundational
Issues, Methodological
Variations
and System
Artificial Intelligence Communications,
lOS Press, VoI.7:1, pp,39-59
(ADRIAANS, 1996) Adriaans,
Longman - England, 1996,
(AGROSOFT,
Agropecuarios,
Pieter; Zabtingue,
Dolf, Data Mining,
1997) Gera~iio
de Dados
com
Qualidade
http://www.agrosoft.com/ag97/oaper5lc3a1100.htm.
Reasoning:
Approaches
Addison Wesley
para
Sistemas
(BAGATINI,2000)
http://www.if.ufrgs.br/-bagatini/pessoal/indexsi.html
(BERRY,
LlNOFF,1997)
Berry,
Michael
J, A.; Linoff, Gordon,
Data
Techniques For Marketing, Sales and Customer SUppOIt, Canada, 1997
(BERSON,1997)
Berson Alex, Smith Stephen J" Data Warehousing,
andOlAP,
McGraw-Hili, USA,1997
(CARVALHO,
1999) Carvalho, Deborah R, Data Mining
Regras e Algorilmos
Gemlticos,
Curitiba, 1999,
alraves
Mining
Data Minin.9,
de Indu~ao
de
(CARVALHO, 1996) Carvalho, R Raquel, Fun~iio de Cren~a como Ferramenla
para
Selecionar
Diagn6sticos
em
Raciocinio
Baseado
em
Casas,
http://www.cic.unb.Br/pg/mestrado/autor/Raquel-9473238.html.
Brasilia, 16-12-1996,
(CIELO, 2000) Cielo, Iva Rafael, Business Intelligence,
Data
Mining.
Select
Tecnolo,gia
e Informa~ao,
Warehouseinf.br/mining/body
mining.html
Data Warehouse,
OlAP e
Brasilia,
2000,
httpl/Data
(CRUZ, 2000) CRUZ, Priscilla Gomes Bastos, Data Mining
Associac;ao e Arvores de Decisao, Curitiba, 2000.
(DUGIMENES,
2001) http://Br/geocities,com,dugimenes,
(EGIDIO,
2000)
Tecnologias
http://WWWinf.pucrs.br/-egidioltadd.
Para
Apoio
15103/2000
alraves
de Regras
de
Curitiba, 25-02-2001
it
Tomada
De
Decisiio,
(FAYYAD,
1996) Fayyad,
Usama: Simoudis"
Evangelos,
Data Mining
and
Knowledge
Discovery, 15th International Joint Conference on Artificial Intelligence August 23-29, Japan, 1997,
157
(FAYYAD,
1997) Fayyad,
Usama; Simoudis,.
Evangelos,
Data Mining
and
Know/edge
Discovery, 15111 International Joint Conference on Artificial Intelligence August 23-29, Japan, 1997.
(FREITAS, 2000) Freitas, Alex Alves, Notas de aula da disciplina
Data MiningDescoberta
de regras de associar;ao
http://wv,.yl.ppgia.pucpr.brJ-alex,
PUC-PR,
2000
J
(GAMEIRO, 1997) Gameiro, M. A Descoberta
de Conhecimento
em Prontuarios
Medicos.
Escola de Informatica da Universidade Catolica de Pelotas - Projeto
SID (Sistemas de Informa,6es Distribuidos e Inteligentes)
(GIMENES, 2000) Gimenes, Eduardo.
http://WNW.mestradoinfo.Llcb.br/aluno/esilva/datamininqlindex.htm#topo
(ICH,1999)
Tecnicas
http:/Mww.ich.dcc.ufmg.br/node8.html.
para
(JORGE, 1999) Jorge. Alipio,
Regras
http://w.vw.ncc.up.ptl-amjorae/Seminar/Regras
o L1ACC 2oo0.html, Portugal, 1999
Explora~ao
de
Dados.
de
Associa~ao
e de Classifica~ao,
de Associacao e de Classificaca
(I COM, 1998) - International
Conference on Data Mining - Editor Nelson
Ebecken. Wit Press - ISBN: 18536772 - Rio de Janeiro. 1998
(LEMOS,
1997)
Lemos,
David,
http://www.eps.ufsc.br/disserta96l1emos/cap2lcap2Iem.htm.
F. F.
Sistemas
Especialistas,
20/01/1997
(LOH, 1997) LOH, S. Descoberta
de Conhecimento
Textuais. Curso de Doutorado em Ciemcia da ComputagAo
Maio de 1997.
em Bases de Dados
da UFRGS, Porto Alegre,
(MENESES,
1998) Meneses,
Claudio; Grisntein, Georges, Categorization
and
Eva/uation of Data Mining Techniques (Ebecken, N.F.F., editor), Southampton,
UK.WIT Press, ISBN: 1-85312-677-2
This book features the proceedings of the
International Conference on Data Mining, September
1998, Reia de Janeiro, Brazil.
(MENA,
1999)
Mena,
Jesus,
Heinemann/Digital
Press, 1999
Data
Mining
Your
Websile,
Butterworth
(PILLA,1998)
Pilla, Adriano; Caprtez, Laexandre; Alberto, Gustavo, Dala
S1\o Paulo, 1998. http:/Mww.igce.unesp.brligca/grad/comoutacaoicitiabidatamine
(POLlTO,1997)
Polito,
M.,
Data
Mining,
http://v-.ww.infolink.com.br/-mpolitoJmining/mining.htm,
Monografia
Rio de Janeiro, 1997
-
Mining,
UFRJ
(RODRIGUES, 1999) Rodrigues, Maria de Fatima, Esta~ao de Conhecimento
em
Sistemas de Informa~ao
Imprecisos,
InstitLrto Superior de Eng. Do Porto, Portugal
1999.
156
(SANTOS, 1999) Santos, Jose; Henriques, Nuno; Reis, Vanda - Data Mining - Data
Warehouse, http://students.fct.unl.ptluserslnachldmdw/datamining/
, Janeiro, 1999
(SILVA, NETZEL,2000)
Silva, Fabio Rodrigo Cordeiro; Netzel, Rosangela
Sistema de Apoio a Diagn6stico
Medico - SADM, Curitiba, 2000.
(SOUSA, 1998)
implementa~ao
Dados Paralelo,
Cameiro,
Sousa, R. Mauro Sergio, Minera~ao
de Dados:
Uma
Fortemente
Acoplada
a urn Sistema Gerenciador
de Banco de
Pos Gradua~ao - UFRJ, Rio de Janeiro, 1998.
(SPSS,
2000)
SPSS
Inc
http://v.ww.spss.eom/datamine,Chicago,
Data
Mining
2000
Makes
the
Difference,
(TAFNER, 1998) Tafner, Maleon Anderson,
Redes Neurais
Artificiais,
Cerebro & Mente, Universidade Estadual de Campinas, Mar~-1998.
(TANDEM,
1997)
Tandem,
Object
Relacional
htto:llwww.tandem.comJbrfs
wos/udmagevWD/udmagevwphtm,
(WESTPHAL,
1998) Westphal,
Christopher;
Solutions,
Wiley Computer Publishing, Canada,
Blaxton,
1998
Data
Fevereiro,
Teresa,
Dala
Revista
Mining,
1997
Mining
(WILSON, 2000)
http://WrNW.wilsonweb.com/revie\oVSldata-mininq.htm
(BOOKER,2000)
Booker, L.B.; Fogel, D.B.; Whitley, D., Angeline, P.J.; Eiben,
AE., Recombination,
in Back, T, Fogel, D.B., Michalewicz (Eds.), Evolutionary
Computation 1, Philadelphia: Institute of Phisics Publishing, 2000.