Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/22015
Full metadata record
DC FieldValueLanguage
dc.contributor.authorSantos, Carolina Pinheiro dos-
dc.date.accessioned2025-05-29T14:46:38Z-
dc.date.available2025-05-29T14:46:38Z-
dc.date.issued2025-02-27-
dc.identifier.citationSANTOS, Carolina Pinheiro dos. Gestão escolar baseada em dados: análise da frequência estudantil e modelos de otimização. 2025. 69 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2025.pt_BR
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/22015-
dc.description.abstractA frequência estudantil na Educação Básica é um fator crucial para o sucesso escolar, mas os parâmetros que influenciam a decisão dos alunos de frequentar ou não a escola em determina- dos dias da semana ainda são pouco explorados na literatura. Este trabalho propõe um estudo sobre a influência dos dias da semana e dos quadros de horários de disciplinas sobre a frequên- cia escolar, com o objetivo de otimizar a gestão de recursos materiais, humanos e financeiros. A análise de dados foi realizada a partir de um estudo de caso no Colégio Estadual Engenheiro Arêa Leão, em Nova Iguaçu, Rio de Janeiro, utilizando análise exploratória e análise de variân- cia de 1-fator sobre os dados de frequência de 2022. Os resultados indicaram que a frequência média é maior nas terças-feiras, especialmente em disciplinas como Português e Matemática, e menor nas sextas-feiras, associada a disciplinas de natureza humana. A ponderação dos pe- sos disciplinares levou à adaptação de um modelo de múltiplas mochilas para a construção do quadro de horários de disciplinas por turmas, enquanto os dados de frequência inspiraram a cri- ação de um modelo de minimização quadrático, baseado na variância dos dados, para gerar uma frequência esperada. Esses modelos podem contribuir para uma gestão escolar mais eficiente, auxiliando na alocação de recursos e no planejamento das atividades escolares.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectGestão Escolarpt_BR
dc.subjectFrequência Estudantilpt_BR
dc.subjectANOVApt_BR
dc.subjectModelo de Alocação de Salas de Aulapt_BR
dc.subjectModelo Quadráticopt_BR
dc.subjectModelo Quadráticopt_BR
dc.subjectModelo Quadráticopt_BR
dc.subjectANOVA, Classroom Assignment Modelpt_BR
dc.subjectQuadratic Programmingpt_BR
dc.titleGestão escolar baseada em dados: análise da frequência estudantil e modelos de otimizaçãopt_BR
dc.title.alternativeData-driven school management: analysis of student at- tendance and optimization modelsen
dc.typeDissertaçãopt_BR
dc.description.abstractOtherSchool attendance in Basic Education is a crucial factor for academic success, yet the param- eters influencing students’ decisions to attend or skip school on specific weekdays remain un- derexplored in the literature. This study examines the influence of weekdays and the course schedule on school attendance, aiming to optimize the management of material, human, and financial resources. Data analysis was conducted through a case study at Colégio Estadual Engenheiro Arêa Leão, in Nova Iguaçu, Rio de Janeiro, using exploratory analysis and one- way ANOVA on 2022 attendance data. The results indicated that average attendance is highest on tuesdays, particularly in subjects like Portuguese and Mathematics, and lowest on fridays, mainly in humanities-related subjects. The weighting of subject impact led to the adaptation of a multiple knapsack model for constructing class schedules, while attendance data inspired the development of a quadratic minimization model, based on data variance, to generate an expected attendance distribution. These models can contribute to more efficient school man- agement, aiding in resource allocation and the planning of educational activities.en
dc.contributor.advisor1Gregório, Ronaldo Malheiros-
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.advisor-co1Silva, Felipe Leite Coelho da-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.advisor-co2Cruz, Marcelo Dib-
dc.contributor.advisor-co2IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.advisor-co2Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.referee1Gregório, Ronaldo Malheiros-
dc.contributor.referee1IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.referee2Silva, Felipe Leite Coelho da-
dc.contributor.referee2IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee3Cruz, Marcelo Dib-
dc.contributor.referee3IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.referee4Souza Filho, Erito Marques de-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/0606341154404244pt_BR
dc.contributor.referee5Simonetti, Luidi Gelabert-
dc.contributor.referee5IDhttps://orcid.org/0000-0001-8273-9439pt_BR
dc.contributor.referee5Latteshttp://lattes.cnpq.br/9521646119786469pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/9510832541839192pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.references1 ARENALES, M. et al. Pesquisa Operacional. 1 ed. Rio de Janeiro: Elsevier, 2011. 524 p. 2 ANSARI, A.; PIANTA, R. C. School absenteeism in the first decade of education and out- comes in adolescence. Journal of School Psychology, v. 76, p. 48-61, 2019. Disponível em: <https://doi.org/10.1016/j.jsp.2019.07.010>. Acesso em 18 nov. 2024. 3 BANERJI, M.; MATHUR, K. Understanding school attendance: The missing link in “Scho- oling for All”. International Journal of Educational Development, v. 87, 2021. Disponível em: <https://doi.org/10.1016/j.ijedudev.2021.102481>. Acesso em 18 nov. 2024. 4 BAZARAA, M. S.; SHERALI, H. D.; SHETTY, C. M. Nonlinear programming: theory and algorithms. 3rd ed. USA: John Wiley & Sons, Inc, 2006. 880 p. 5 BRASIL, A. M. M. Modelos de otimização combinatória aplicados à gestão de demandas operacionais em centros universitários. Dissertação: Programa de Pós-graduação em Mode- lagem Matemática e Computacional, Universidade Federal Rural do Rio de Janeiro. Rio de Janeiro. 2023. 57 p. 6 BRASIL. Conselho Nacional de Educação. Nota de esclarecimento: retorno das atividades escolares e acadêmicas presenciais em 2022. Brasília, DF, 27 jan. 2022. Dis- ponível em: <http://portal.mec.gov.br/index.php?option=com_docman&view=download& alias=232651-nota-de-esclarecimento-covid-19-2022&category_slug=dezembro-2021-pdf& Itemid=30192>. Acesso em 23 jan. 2025. 7 BRASIL. Constituição (1988). Constituição da República Federativa do Brasil. Brasília, DF, 1988. 8 BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Nota técnica: índice de desenvolvimento da educação básica-Ideb. Brasília, 2021. 9 BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Resumo Técnico: Censo Escolar da Educação Básica 2021. Brasília, 2021. 10 BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). Saeb 2021: Indicador de Nível Socioeconômico do Saeb 2021: nota técnica. Brasília, DF: Inep, 2023. 11 BRASIL. Lei no 13.415, de 16 de fevereiro de 2017. Altera as Leis no 9.394, de 20 de dezembro de 1996, que estabelece as diretrizes e bases da educação nacional, e no 11.494, de 20 de junho de 2007, que regulamenta o Fundo de Manutenção e Desenvolvimento da Educação Básica e de Valorização dos Profissionais da Educação (FUNDEB), e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 17 fev. 2017. Disponível em: <https://www. planalto.gov.br/ccivil_03/_ato2015-2018/2017/lei/l13415.htm>. Acesso em 23 jan. 2025. 12 BRASIL. Lei no 10.836, de 9 de janeiro de 2004. Cria o Programa Bolsa Família, altera a Lei no 10.689, de 13 de junho de 2003, e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 12 jan. 2004. Disponível em: <https://www2.camara.leg.br/legin/fed/lei/2004/ lei-10836-9-janeiro-2004-490604-publicacaooriginal-1-pl.html>. Acesso em 12 mar. 2025. 13 BRASIL. Lei no 14.601, de 19 de junho de 2023. Altera a Lei no 10.836, de 9 de janeiro de 2004, que institui o Programa Bolsa Família, para dispor sobre condicionalidades na área de educação e medidas de acompanhamento das famílias beneficiárias. Diário Oficial da União: seção 1, Brasília, DF, 20 jun. 2023. Disponível em: <http://www.planalto.gov.br/ccivil_03/ _Ato2023-2026/2023/Lei/L14601.htm>. Acesso em 23 jan. 2025. 14 BRASIL. Lei no 11.947, de 16 de junho de 2009. Dispõe sobre o atendimento da alimen- tação escolar e do Programa Dinheiro Direto na Escola aos alunos da educação básica. Diário Oficial da União: seção 1, Brasília, DF, 17 jun. 2009. Disponível em: <https://www.planalto. gov.br/ccivil_03/_ato2007-2010/2009/lei/l11947.htm>. Acesso em 25 jan. 2025. 15 BRASIL. Lei no 13.005, de 25 de junho de 2014. Aprova o Plano Nacional de Educação – PNE e dá outras providências. Diário Oficial da União: seção 1, p. 1, 26 jun. 2014. Disponível em: <https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2014/lei/l13005.htm>. Acesso em 25 jan. 2025. 16 BRASIL. Lei no 10.219, de 11 de abril de 2001. Cria o Programa Nacional de Renda Mí- nima vinculada à Educação – "Bolsa Escola", e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, 12 abr. 2001. Disponível em: <https://www.planalto.gov.br/ccivil_03/leis/ leis_2001/l10219.htm>. Acesso em 25 jan. 2025. 17 BRASIL. Programa Nacional de Alimentação Escolar (PNAE). Disponível em: <https:// www.gov.br/fnde/pt-br/acesso-a-informacao/acoes-e-programas/programas/pnae>. Acesso em 15 jan. 2025. 18 Breusch, T.S.; Pagan, A.R. A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica, v. 47, n. 05, p. 1287-1294, 1979. Disponível em: <https://doi.org/10. 2307/1911963>. Acesso em 18 nov. 2024. 19 BUSSAB, W. O.; MORETTIN, P. A. Estatística Básica. 7 ed. São Paulo: Saraiva, 2011. 540 p. 20 BYRD, R. H.; et al. A Limited Memory Algorithm for Bound Constrained Optimization. SIAM Journal on Scientific Computing, v. 16, n. 5, p. 1190-1208, 1995. Disponível em: <https: //doi.org/10.1137/0916069>. Acesso em 25 jan. 2025. 21 CACCIAMALI, M.C.; TATEI, F.; BATISTA, N.F. Impactos do programa bolsa fa- mília federal sobre o trabalho infantil e a frequência escolar. Revista de Economia Con- temporânea, v. 14, n. 2, p. 269-301, 2010. Disponível em: <https://doi.org/10.1590/ S1415-98482010000200003>. Acesso em 22 nov. 2024. 22 CAVALCANTI, D.M.; COSTA, E.M.; SILVA, J.L.M. Programa bolsa família e o Nor- deste: impactos na renda e na educação, nos anos de 2004 e 2006. Revista de Econo- mia Contemporânea, v. 17, n. 1, p. 99-128, 2013. Disponível em: <https://doi.org/10.1590/ S1415-98482013000100004>. Acesso em 22 nov. 2024. 23 CICUTO, C. A. T.; TORRES, B. B. Influência da frequência e participação no desempenho em um ambiente de aprendizagem centrado no aluno. Química Nova, v. 43, n. 2, p. 239-248, 2020. Disponível em: <http://dx.doi.org/10.21577/0100-4042.20170464>. Acesso em 18 nov. 2024. 24 GALHARDO, E. et al. Desempenho acadêmico e frequência dos estudantes ingressantes pelo Programa de Inclusão da UNESP. Avaliação: Revista da Avaliação da Educação Superior (Campinas), Sorocaba, v. 25, n. 03, p. 701-723, 2020. Disponível em: <http://dx.doi.org/10. 1590/S1414-40772020000300010>. Acesso em 18 nov. 2024. 57 25 GARCIA, R. A.; RIOS-NETO, E. L. G.; MIRANDA-RIBEIRO, A. Efeitos rendimento escolar, infraestrutura e prática docente na qualidade do ensino médio no Brasil. Revista brasi- leira de Estudos de População, v. 38, p. 1-32, 2021. Disponível em: <https://doi.org/10.20947/ S0102-3098a0152>. Acesso em 18 nov. 2024. 26 GNU PROJECT. GNU Linear Programming Kit (GLPK), version 5.0. Disponível em: <https://www.gnu.org/software/glpk/>. Acesso em 5 fev. 2025. 27 GOLDBARG, M. C.; LUNA, H. P. L. Otimização combinatória e programação linear: modelos e algoritmos. 2 ed. Rio de Janeiro: Elsevier, 2005. 519 p. 28 HARRIS, C. R. et al. Array programming with NumPy. Nature, v. 585, n. 7825, p. 357–362, 2020. Disponível em: https://doi.org/10.1038/s41586-020-2649-2. Acesso em 5 fev. 2025. 29 HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9 ed. Porto Ale- gre: AMGH, 2013. 1005 p. 30 HUNTER, J. D. Matplotlib: A 2D graphics environment. Computing in Science & En- gineering, v. 9(3), p. 90-95, 2007. Disponível em: <https://doi.org/10.1109/MCSE.2007.55>. Acesso em 30 dez. 2024. 31 IZMAILOV, A.; SOLODOV, M. Otimização. 4 ed, v 1. Rio de Janeiro: IMPA, 2020. 256 p. 32 IZMAILOV, A.; SOLODOV, M. Otimização - volume 2. Métodos Computacionais. 3 ed. Rio de Janeiro: IMPA, 2018. 494 p. 33 LAVINAS, L.; BARBOSA, M.L.O. Combater a pobreza estimulando a freqüência escolar: o estudo de caso do Programa Bolsa-Escola do Recife. Dados, v. 43, n. 3, 2001. Disponível em: <https://doi.org/10.1590/S0011-52582000000300002>. Acesso em 18 nov. 2024. 34 LLOYD, S. Least squares quantization in PCM. IEEE Transactions on Information Theory, v. 28, n. 2, p. 129-137, 1982. Disponível em: https://hal.science/hal-04614938v1. Acesso em 22 nov. 2024. 35 LUENBERGER, D. G.; YE, Y. Linear and Nonlinear Programming. 4th ed. Springer, 2016. 555 p. 36 MCKINNEY, W. pandas: A fast, powerful, flexible, and easy-to-use open source data analysis and manipulation library. 2010. Disponível em: <https://pandas.pydata.org>. Acesso em 30 dez. 2024. 37 MACAMBIRA, A. F. U.; et al. Tópicos em Otimização Inteira. 1 ed. Rio de Janeiro: UFRJ, 2022. 258 p. 38 MARTÍNEZ, J. M.; SANTOS, S. A. Métodos Computacionais de Otimização. Versão re- visada. São Paulo: IMECC, UNICAMP, 2020. 228 p. 39 MELO, R.M.S.; DUARTE, G.B. Impacto do Programa Bolsa Família sobre a Frequên- cia Escolar: o caso da agricultura familiar no Nordeste do Brasil. Revista de Economia e Sociologia Rural, v. 48, n. 3, p. 635-656, 2010. Disponível em: <https://doi.org/10.1590/ S0103-20032010000300007>. Acesso em 22 nov. 2024. 40 MÍGUEZ, D. P. Factores asociados al desempeño entre estudiantes de bajo estatus socio- cultural en Brasil, Chile y Argentina. Revista Brasileira de Educação, v. 28, 2023. Disponível em: <https://doi.org/10.1590/S1413-24782023280020>. Acesso em 18 nov. 2024. 41 MONTGOMERY, D. C. Design and Analysis of Experiments. 8th ed. USA: John Wiley & Sons, Inc, 2013. 724 p. 42 PIRES, A. Afinal, para que servem as condicionalidades em educação do Programa Bolsa Família? Ensaio: Avaliação e Políticas Públicas em Educação, v. 21, n. 80, p. 513-532, 2013. Disponível em: <https://doi.org/10.1590/S0104-40362013000300007>. Acesso em 22 nov. 2024. 58 43 PONTILI, R. M.; KASSOUF, A. L. Fatores que afetam a frequência e o atraso es- colar nos meios urbano e rural, de São Paulo e Pernambuco. Revista de Economia e Sociologia Rural, v. 45, n. 1, p. 27-47, 2007. Disponível em: <https://doi.org/10.1590/ S0103-20032007000100002>. Acesso em 22 nov. 2024. 44 PYTHON SOFTWARE FOUNDATION. Python Programming Language. Disponível em: <https://www.python.org/>. Acesso em 30 dez. 2024. 45 RIO DE JANEIRO. Secretaria de Estado de Educação. Alimentação escolar. Disponível em: <https://www.seeduc.rj.gov.br/cidad%C3%A3o/alimenta%C3%A7%C3%A3o-escolar>. Acesso em: 18 nov. 2024. 46 RIVERBANK COMPUTING. (2016). PyQt5: Python bindings for Qt5. 2016. Disponível em: <https://www.riverbankcomputing.com/software/pyqt/intro>. Acesso em 30 dez. 2024. 47 ROUSSAS, G. An Introduction to Probability and Statistical Inference. USA: Elsevier Sci- ence, 2003. 523 p. 48 SÁTYRO, N. G. D.; D’ALBUQUERQUE, R. W. O que é um Estudo de Caso e quais as suas potencialidades? Sociedade e Cultura, Goiânia, v. 23, 2020. DOI: 10.5216/sec.v23i.55631. Disponível em: <https://revistas.ufg.br/fcs/article/view/55631>. Acesso em: 18 nov. 2024. 49 SILVA, B. S. Principais motivos de saída antecipada dos alunos durante o período de aula. Educação e Pesquisa, v. 49, 2023. Disponível em: <https://doi.org/10.1590/ S1678-4634202349249413por>. Acesso em 22 nov. 2024. 50 SILVA JUNIOR, W. S.; GONÇALVES, F. O. Evidências da relação entre a frequência no ensino infantil e o desempenho dos alunos do ensino fundamental público no Brasil. Revista brasileira de Estudos de População, Rio de Janeiro, v. 33, n. 2, p. 283-301, 2016. Disponível em: <https://doi.org/10.20947/S0102-30982016a0015>. Acesso em 18 nov. 2024. 51 SANTOS, R. V. Otimização do quadro de horário de disciplinas em uma escola da rede estadual de ensino do estado do Rio de Janeiro: uma proposta baseada em análise estatística da frequência estudantil. Monografia: Licenciatura em Matemática, Instituto Multidisciplinar, Universidade Federal Rural do Rio de Janeiro. Rio de Janeiro. 2024. 54 p. 52 SEABOLD, S.; PERKTOLD, J. Statsmodels: Econometric and statistical modeling with Python. In 9th Python in Science Conference, p. 92-96, 2010. Disponível em: <https://www. statsmodels.org>. Acesso em 30 dez. 2024. 53 SENADO FEDERAL. As 20 metas do PNE e a avaliação do Inep. Brasília, DF, 17 fev. 2023. Disponível em: <https://www12.senado.leg.br/noticias/materias/2023/02/17/ as-20-metas-do-pne-e-a-avaliacao-do-inep>. Acesso em 18 nov. 2024. 54 SOARES, J. F.; ALVES, M. T. G.; FONSECA, J. A. Trajetórias educacionais como evi- dência da qualidade da educação básica brasileira. Revista brasileira de Estudos de População, v. 38, p. 1-21, 2021. Disponível em: <http://dx.doi.org/10.20947/S0102-3098a0167>. Acesso em: 18 nov. 2024. 55 VIRTANEN, P.; et al. SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, v. 17(3), p. 261–272, 2020. Disponível em: <https://doi.org/10.1038/ s41592-019-0686-2>. Acesso em 30 dez. 2024. 56 WALBERG, H. J. Synthesis of research on time and learning. Educational Leadership, v. 45, p. 76-85, 1988. Disponível em: <https://www.researchgate.net/publication/234750966_ Synthesis_of_Research_on_Time_and_Learning>. Acesso em 18 nov. 2024. 57 ZHU, C.; et al. Algorithm 778: L-BFGS-B: Fortran Subroutines for Large-Scale Bound Constrained Optimization. ACM Transactions on Mathematical Software, v. 23, n. 4, p. 550- 560, 1997. Disponível em: <https://dl.acm.org/doi/pdf/10.1145/279232.279236>. Acesso em 25 jan. 2025.pt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
Appears in Collections:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
CAROLINA PINHEIRO DOS SANTOS.pdf1.42 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.