1

Dados Abertos
da Educação

Tutorial de Análise de
Dados com R
2

Conteúdo

Introdução ao R ............................................................................................................................. 3
O que é R? ................................................................................................................................. 3
Usos de R ................................................................................................................................... 3
Instalação do R e do RStudio ..................................................................................................... 4
Área de trabalho do RStudio ..................................................................................................... 5
Comandos básicos ..................................................................................................................... 7
1) Símbolos das operações matemáticas básicas: ............................................................ 7
2) Sinal de atribuição: <- .................................................................................................... 7
3) Instalando e utilizando pacotes .................................................................................... 7
4) Visualizando arquivos.................................................................................................... 8
5) Registrando na API do Google Maps ............................................................................. 8
Abrindo arquivos grandes ......................................................................................................... 9
Projeto exemplo .......................................................................................................................... 10
Sobre o projeto : ..................................................................................................................... 10
1) Quais são estas escolas? ..................................................................................................... 11
2) Qual o histórico destas escolas no IDESP? .......................................................................... 14
3) Onde estão localizadas estas escolas? ................................................................................ 16
4) Como estas escolas estão em relação as escolas em seu entorno? .................................. 18
Dicas e problemas comuns.......................................................................................................... 20
Links úteis .................................................................................................................................... 21
Notas ........................................................................................................................................... 22
3

Introdução ao R
O que é R?
R é uma linguagem e também um ambiente computacional para o uso estatístico e gráfico.
Similar a linguagem S, a linguagem R foi criada por Ross Ihaka e Robert Gentleman como uma
alternativa de código aberto. Esta é largamente usada entre estatísticos e ana
analistas de dados
para desenvolver software de estatística e análise de dados.

Usos de R

R é uma linguagem de código aberto bastante popularizada, possuindo inúmeras bibliotecas

construídas por terceiros, e disponíveis para serem baixadas diretamente pelo próprio
programa, às quais ajudam na criação
criação, no tratamento de dados e na geração de gráficos/mapas.
Além disso, R é comumente usada para a manipulação de dados de tamanho médio, análises
estatísticas e produção de documentos e apresentaçõ
apresentações centradas em dados.
4

Instalação do R e do RStudio

Para uso neste tutorial sobre R, usaremos o RStudio, que tem um visual mais amigável ao
usuário. Desta forma o processo de instalação exige primeiramente a instalação do R
propriamente dito, seguido da instalação do RStudio.

Para instalar o R entre no link abaixo e escolha o link cuja região é a mais próxima de você:
https://cran.r-project.org/mirrors.html

Depois, instale a versão compatível ao seu sistema operacional (Windows, IOS, Linux).

Após a instalação, prossiga para o site:

https://www.rstudio.com/products/rstudio/download/

Selecione a opção de download e instale o RStudio.

5

Área de trabalho
rabalho do RStudio

Na utilização do RStudio abordaremos primeiramente a tela de trabalho do programa.

No canto superior esquerdo temos o local onde são abertos scripts e visualizações, nesta parte
existem muitas ferramentas úteis para verificar e usar em um código, dentre elas o botão
“Run”, o qual roda uma linha de código por vez e o botão “Source” que faz o código ser rodado
em sua totalidade.

No canto superior direito temos algumas abas importantes: a aba “Environment”, na qual é
possível visualizar quais são as variáveis criadas, a aba “History”, na qual são mostrados todos os
comandos que foram utilizados no programa (muito útil para encontrar uma linha de comando
antiga para uma ação que você não se recorda de como recri recriar)
ar) e, por fim, a aba “Connections”,
que permite a conexão direta com bancos de dados.
6

O canto inferior direito é a parte em que está localizado o console, nele digitamos
os códigos que farão
arão o programa funcionar, vale o destaque para o botão da
“vassourinha” (também presente na aba plots) que permite limpar visualmente o console dos
códigos (sem perder o que já foi feito).

Também no o canto inferior direito temos mais algumas abas importantes, a aba “Files” permite
visualizar arquivos carregados no R e explorar pastas no computador para carregar outros
arquivos, a aba “Plots” mostra tudo que for plotado (gráficos e mapas) e permite também
exportar, abrir externamente ou apagar estes plots, na aba “Packages” podemos visualizar e
todos os pacotes instalados
nstalados e verificar se eles estão ou não ativos (para ativá
ativá-los basta
selecioná-los
los pela caixa de seleção) e a aba “Help” mostra a ajuda do programa e é bem útil na
hora de verificar como uma função funciona e como devem ser colocados os seus parâmetros e
por vim a aba “Viewer” pode--se visualizar arquivos interativos produzidos.
7

Comandos básicos

No R existem diversos comandos e pacotes que podem mudar como são calculadas e alocadas
às variáveis. Considerando-se isso, mostraremos os comandos mais básicos e universáis.

1) Símbolos das operações matemáticas básicas:

 Soma : +
 Subtração: -
 Multiplicação: *
 Divisão: /
 Exponencial : ^

2) Sinal de atribuição: <-

Durante o uso do R o sinal de atribuição “<-“será provavelmente o símbolo mais utilizado, ele
atribui um valor ou uma função a uma variável localizada a esquerda do símbolo e, caso a
variável não exista, ela é criada automaticamente. Recomenda-se que durante a criação de seu
código crie variáveis para cada operação ou para cada conjunto de operações afim de organizar
melhor o seu trabalho e tornar mais fácil encontrar e corrigir erros que possam surgir.

Exemplos básicos de uso:

a <- 2 + 2 (atribui à variável “a” o valor da soma de 2 mais 2)
c <- 3 (atribui à variável “c” o valor 3)
b <- c + 1 (atribui à variável “b” o valor de uma outra variável “c” mais 1)
d <- b – c (atribui à variável “d” a diferença entre duas variáveis “b” e “c”)
e <- a / b (atribui à variável “e” o resultado da divisão entre as variáveis “a” e “b”)
f <- e^2 (atribui à variável “f” o resultado da variável “e” elevada ao expoente 2)
f <- f + g (atribui à variável “f” o antigo valor de “f” mais o valor de uma outra
variável “g”)

Para visualizar o valor das variáveis após a operação basta digitar o nome delas e apertar enter
ou ir na aba “Environment” e para ver diretamente o valor desta (ou caso não seja um valor
basta clicar na variável que ela abrirá uma view no canto superior esquerdo).

3) Instalando e utilizando pacotes

Como dito anteriormente a comunidade do R cria muitos pacotes úteis, para instalá-los
diretamente basta digitar no console: install.packages(“nome do pacote”). Para verificar como
utilizar o pacote basta digitar ? antes do nome do pacote e apertar enter. Caso queira verificar o
funcionamento de uma função em um pacote você pode também pode fazê-lo digitando
?nome-do_pacote::nome_da_função e depois apertar enter.

Exemplos:
informações sobre o pacote dplyr : ?dplyr
informações sobre a função add_conunt no pacote dplyr : ?dplyr::add_count()
8

4) Visualizando arquivos

Existem muitas formas de visualização de arquivos, caso estes sejam dataframes (tabelas) estes
comandos podem ajudar a verificar a situação destes:

 head: permite visualizar às primeiras linhas do dataframe diretamente no console e

como função também permite a seleção de quantas das primeiras colunas se quer
selecionar
exmplo: head(arquivo) , arquivo2 <- head(arquivo1, n = 10)

 dim: permite visualizar a dimensão do dataframe: [número de linhas] [número de

colunas], estas serão exibidas no console logo abaixo do comando
exemplo: dim(arquivo1)

 summary: permite uma visualização informativa sobre cada coluna do arquivo, como
informações de valores máximos, mínimos, médias e medianas.
exemplo: summary(arquivo1)

 str : permite visualizar a estrutura do dataframe em termos de metadados, que tipo de

valor existe em cada coluna, se é texto, se é número inteiro, se é número com casas
decimais, etc.
exemplo: str(arquivo1)

5) Registrando na API do Google Maps

Exitem muitas funções e API para R tanto provenientes da Google como de terceiros,
mas pelo fato de ser muito comum o uso da API do Google, e pelo fato desta ser
utilizada também no nosso tutorial, forneceremos a seguir um passo a passo para o
registro e a obtenção da chave usada para utilização da API.

1. Acesse https://cloud.google.com/maps-platform/ e se registre para conseguir a sua

credencial (informe a API que deseja usar, neste caso o Maps, e termine seu cadastro,
usando ou seus dados de pessoa física ou CNPJ de sua empresa).
2. Estando logado no site, clique em console no canto superior direito, em seguida clique
em menu de navegação no canto superior esquerdo, vá em “APIs e serviços” e em
seguida em credenciais
3. Copie o número da chave da sua credencial que deve ser inserido abaixo na função
register_google da biblioteca ggmap.
9

Abrindo arquivos grandes

O R abre arquivos de capacidade média automaticamente, mas arquivos maiores necessitam

alguns comandos prévios. O que mostraremos aseguir pode ser aplicado em qualquer Terminal
do R, seja no RStudio ou na própria Interface Gráfica.

Nesta seção, iremos manipular um arquivo de aproximadamente 2,5GB da base de dados da

Secretaria de Educação, arquivo este que contém as matrículas de todos os alunos da Rede.
Dentre as diversas formas de se fazer essa análise no R, usaremos aqui uma forma que não
precisa instalar pacotes adicionais.
Comentários estão com o simbolo “#” para que caso você queira copiar o código diretamente
no console do Rstudio o código possa rodar sem interrupções. Você pode acompanhar executar
o projeto como um todo também pelo script em R que acompanha este tutorial ou pelas video
aulas.

Primeiro, podemos abrir apenas as primeiras linhas do arquivo, analisando assim quais colunas
desejamos usar nas análises vindouras:

# comando para abrir as cinco primeiras linhas do arquivo

primeiras_linhas <- read.csv("nome_do_arquivo.csv", nrows = 5)
# comando para ver quantas linhas e colunas o arquivo tem
dim(primeiras_linhas)

Com o comando acima, armazenamos na variável “primeiras_linhas” o nome das colunas e as

cinco primeiras linhas do arquivo, permitindo assim analisar tanto as colunas desejadas como o
tipo de dado que essas colunas contêm.

Agora, iremos selecionar apenas as colunas CD_ALUNO, DTNASC e SEXO (colunas 1, 2 e 4) das
52 colunas do arquivo:

# preparando as colunas que serão eliminadas...

colunas_evitadas <- rep(‘NULL’, 52)
# … e as que serão preservadas
colunas_evitadas[1] <- NA
colunas_evitadas[2] <- NA
colunas_evitadas[4] <- NA

# Por fim, armazenaremos o arquivo com as colunas desejadas numa nova variavel
arquivo_gde <- read.csv(“nome_do_arquivo.csv”, colClasses=colunas_evitadas, quote=””)

Os parâmetros adicionais delimitam quais colunas do arquivo serão armazenadas (colClasses) e

que o arquivo será lido até o final (quote).
10

Projeto exemplo
Sobre o projeto :
Quando lidamos com dados é importante termos em mente qual pergunta queremos responder
utilizando estes dados, da mesma forma é importante que o significado real e qualitativo dos
dados não se perca durante a análise, já que como missão queremos que os números, gráficos,
tabelas ou mapas gerados nos permitam analisar de forma mais precisa uma determinada
situação a fim de que se possa avaliar o cenário encontrado.
Como exemplo faremos um pequeno projeto cujo intuito maior será a prática de algumas ações
básicas com o RStudio da mesma forma em que exibimos algumas possibilidades de análise com
os dados disponíveis no Catálogo de Dados Abertos da Secretaria da Educação de Estado de São
Paulo. Dado este contexto faremos uma pergunta simples que será o centro da nossa análise:

 “Quem são as 10 escolas da Rede Estadual que atuam com os anos iniciais (de 1º a 5º
ano) que melhor pontuaram no IDESP 2017?”

Verifique que a nossa pergunta já teve como foco tornar a nossa análise mais restrita, o que se
deve principalmente ao fato de ser uma análise demonstrativa, porém é possível ampliar o
escopo de pesquisa utilizando estes mesmos dados.
Para fins de tornar a nossa análise mais completa, e também para fins didáticos, dividiremos a
nossa pergunta principal em mais 4 questionamentos que nos ajudarão a ter uma visão mais
completa sobre quem de fato são estas escolas:

1. Quais são estas escolas?

2. Qual o histórico destas escolas no IDESP?
3. Onde estão localizadas estas escolas?
4. Como estas escolas estão em relação às escolas em seu entorno?

A seguir, por meio do uso do Rstudio e de bases de dados do portal de Dados Abertos da
Secretaria da Educação do Estado de São Paulo, responderemos estes questionamentos
mostrando o passo a passo do processo. Como este é um tutorial de uso do R também não
entraremos na parte posterior a obtenção das tabelas, gráficos e mapas, a qual seria a
interpretação dos dados.
11

1)Quais são estas escolas?

#Para esta primeira etapa usaremos a base do IDESP para descobrir às 10 escolas que melhor
pontuaram.
# Baixando do Portal de dados o arquivo .csv do IDESP diretamente via R

# # Inicialmente armazenamos o link do arquivo numa variável...

url_idesp <-
("https://dados.educacao.sp.gov.br/sites/default/files/DBOIdespEscSerHist_2_2011_2017.csv")
# # ...e em seguida usamos o comando do R especifico para download
download.file(url_idesp, "idesp.csv")
# download.file(link, "nome_arquivo.extensão")

# Gráfico 1 - Gráfico em barras das 10 melhores escolas de Anos Iniciais do IDESP 2017

# # Primeiro, armazenamos o arquivo baixado numa variável (data frame).

idesp <- read.csv("idesp.csv")
# # Caso se deseje, podemos verificá-lo, com os comandos abaixo:
View(idesp) #View
summary(idesp)
dim(idesp)
str(idesp)

# # Para separar as escolas de anos iniciais com as melhores notas de 2017, começaremos
filtrando os dados do IDESP pelo campo ‘Nível’ e ‘Ano2017’.

# # Para fazer isso, instalaremos um pacote com novas ferramentas para manipulação de dados
- “dplyr” -, criando novas variáveis com as já existentes
install.packages("dplyr")
library(dplyr)

# # Filtrando os dados por Anos Iniciais (AI)

idespAI <- filter(idesp, NivelEnsino == "AI")
# variavel <- filter(variavel_com_dados_desejados, nome_coluna == "campo_coluna")

# # Renomeando as colunas para maior facilidade na manipulação delas

idesp_AI <- rename(idespAI, "CodEscola" = "CodigoCIE", "Escola" = "NomeEscola", “2017” =
"Ano2017")
# v <- rename(variavel_dados, “nome_novo” = “nome_antigo”)

# # Selecionando colunas com o código e nome das escolas, assim como o resultado 2017
escolas_2017 <- select(idesp_AI, "CodEscola", "Escola", "2017")
# vl <- select(variavel_dados, “coluna_desejada”)

# # Ordenando as colunas, em ordem decrescente, pelas notas de 2017

top_escolas_2017 <- arrange(escolas_2017, desc(escolas_2017$`2017`))

# # Selecionando as primeiras colunas do dado ordenado

top10_escolas_2017 <- head(top_escolas_2017, n = 10)
12

# Imprimindo Gráfico 1 com auxílio de um novo pacote - ggplot2

install.packages("ggplot2")
library(ggplot2)

print("gerando grafico 1 - barra com melhores escolas")

graf1 <- ggplot2::ggplot(top10_escolas_2017, aes(Escola, Ano2017, xlab = "", ylab="Melhores
Escolas no IDESP 2017")) + geom_col(aes(fill=Escola)) + theme(axis.title.x=element_blank(),
axis.text.x=element_blank(), axis.ticks.x=element_blank())
print(graf1)
#Verifique o que acontece na formula acima removendo ou alterando as partes somadas depois
da função ggplot! (cada uma é responsável por editar o gráfico de uma maneira a fim de ele
ficar bonito com o mostrado abaixo!)

#Esta última linha serve para existir uma pausa antes da próxima ação
readline(prompt="Press [enter] to continue")

#Ao fim do processo você deve conseguir encontrar um gráfico como este:
13
14

2)Qual o histórico destas escolas no IDESP?

# 2) Agora que respondemos a nossa primeira pergunta seguiremos para o próximo

questionamento onde verificaremos qual foi o histórico destas escolas no IDESP

# Preparando dados para o segundo gráfico

# Primeiro, juntando campos de duas tavelas numa nova variável

evolucao <- left_join(top10_escolas_2017, idesp_AI %>% select("CodigoCIE",
"Ano2011","Ano2012","Ano2013","Ano2014","Ano2015","Ano2016","Ano2017"), by =
c("CodEscola" = "CodigoCIE"))
str(evolucao)

# # e depois selecionando as colunas desejadas do primeiro (e renomeando-as para facilitar o

trabalho futuro)
top10_evolucao <- select(evolucao, "Escola", "2011" = "Ano2011", "2012" = "Ano2012", "2013"
= "Ano2013", "2014" = "Ano2014", "2015" = "Ano2015", "2016" = "Ano2016", "2017" =
"Ano2017.y")
str(top10_evolucao)

# # Instalando pacote - reshape2 - para manipulação específica do dado visando gerar o gráfico
2
install.packages("reshape2")
library(reshape2)

# # top10melt contém os dados no formato certo para gerar o grafico, mas...

top10melt <- melt(top10_evolucao)
str(top10melt)

# # .... o tipo de dado da coluna não sai certo. Assim, é necessário alterar o tipo da coluna com a
operação a seguir (o índice entre colchetes depende da coluna “variable” do top10melt)
top10melt[,2] <- as.numeric(as.character(top10melt[,2]))
str(top10melt)

##
print( ggplot(top10melt, aes(variable, value, colour = Escola)) + geom_line()
+geom_point(aes(shape = Escola)) )

readline(prompt="Press [enter] to continue")

15

#Ao final deste tópico você deve conseguir gerar um gráfico como este:
16

3)Onde estão localizadas estas escolas?

# 3) Agora partiremos para nosso 3º subtópico em que plotaremos às escolas no mapa, para
isso cruzaremos a nossa tabela atual com a base de endereços de escolas, a qual possui os
dados de latitude e longitude. Apesar de já termos os municípios na tabela, faremos este passo
para uma questão didática e porque na etapa seguinte utilizaremos o que foi feito aqui.

#Mapa 1 (colocar região administrativa de São Paulo no mapa)

# baixando arquivo com endereco das escolas

if (!file_test("-f", "enderecos.csv")){
enderecos_url <-
"https://dados.educacao.sp.gov.br/sites/default/files/escolas_enderecos_0.csv"
download.file(enderecos_url, "enderecos.csv")
}
enderecos <- read.csv("enderecos.csv")

print("Analisando o arquivo de enderecos de escolas")

dim(enderecos)
str(enderecos)

#top_10_evolucao <- left_join(top_10_evolucao, idespAI %>% select(CodigoCIE,Escola), by =

c("Escola" = "Escola"))
top10_evolucao_enderecos <- left_join(evolucao, enderecos %>% select(CD_ESCOLA,
LATITUDE, LONGITUDE), by = c("CodEscola" = "CD_ESCOLA"))

#instalação atualizada (correta) do ggmap

if(!requireNamespace("devtools")) install.packages("devtools")
if(!requireNamespace("ggmap")) devtools::install_github("dkahle/ggmap", ref = "tidyup")

library("ggmap")

# gerando o primeiro mapa propriamente dito

#para gerar o mapa é necessário o cadastro na API do google maps

#acesse https://cloud.google.com/maps-platform/ e se registre para conseguir a sua credencial
# Estando logado no site, clique em console no canto superior direito, em seguida clique em
menu de navegação no canto superior esquerdo, vá em “APIs e serviços” e em seguida em
credenciais, o número da chave da sua credencial que deve ser inserido abaixo na função
register_google.
register_google("sua credencial do google maps")

m <- ggmap(get_googlemap(center = c (-49.6228602, -22.4633253), zoom = 7 , scale = 2,

maptype = 'terrain', color = 'color'))
print("Mapa com as 10 melhores escolas do IDESP 2017")
print( m + geom_point(aes( x = LONGITUDE, y = LATITUDE), data = top10_evolucao_enderecos,
size = 5 ) )

readline(prompt="Press [enter] to continue")

17

#Este é o gráfico que deve ser gerado ao se concluir este tópico, o mapa
gerado pelo google maps com as escolas identificadas pelos pontos pretos:
18

4)Como estas escolas estão em relação às escolas em seu

entorno?

# 4) Por fim na nossa última parte de análise iremos verificar se estas escolas estão inseridas em
um contexto no qual as demais escolas estaduais da região têm notas próximas a ela. Para isso
adotaremos uma medidade bastante eficiente e visual que é plotar um mapa de calor usando
como base às notas do IDESP. Para tanto utilizaremos às duas bases que já baixamos
previamente, a do IDESP e a de endereços.

#Mapa 2 (dados de densidade parecem não estar usando às notas como referências)

print("Preparando os dados para geração do segundo mapa")

cod_escolas2017 <- select(idesp_AI, "CodigoCIE", "Ano2017")

idesp2017mapa <- left_join(cod_escolas2017, enderecos %>% select(CD_ESCOLA, LATITUDE,
LONGITUDE), by = c("CodigoCIE" = "CD_ESCOLA"))

# analisando os dados que vão gerar o segundo mapa

str(idesp2017mapa)

# mapa com enquadramento adequado

p <- ggmap(get_googlemap(center = c (-49.6228602, -22.4633253), zoom = 6 , scale = 2,
maptype = 'terrain', color = 'color')) + scale_x_continuous(limits=c(-53, -44)) +
scale_y_continuous(limits=c(-25, -19.9))

print("Heatmap combinando todas as escolas do Estado com as melhores no IDESP 2017")

pfinal <- p + geom_point(data = idesp2017mapa, aes(x = LONGITUDE, y = LATITUDE, size = 2017,

colour = "red", alpha = 0.25)) + geom_point(data = top10_evolucao_enderecos, aes( x =
LONGITUDE, y = LATITUDE), size = 2 )

print(pfinal)
19

#Ao fim deste tópico, este será o mapa que deve ser gerado. Vemos as escolas
previamente encontradas marcadas em preto(mas com uma escala menor) como no
mapa anterior e vemos as notas das outras escolas pela cor vermelha, quanto mais
intensa a cor, maior a nota.
20

Dicas e problemas comuns

1) Muitas vezes é melhor dividir os processos em algumas etapas, por isso crie e utilize
variáveis intermediárias ao processo para localizar possíveis erros de cálculo ou
referência e tornar mais fácil a correção do problema.

2)Algumas funções colocam os parâmetros entre aspas “ “ então verifque se é o caso da

função que você está utilizando.

3)Quando for referênciar colunas cujo título é numérico use aspas simples. Ex: ‘2018’
ou dataframe$’2018’.

4) Quando for referenciar uma coluna de um dataframe específico não se esqueça de

usar o simbolo $ para mostrar ao programa que você quer uma coluna específica de um
certo dataframe.
Ex: dataframe$coluna1

5) Algumas vezes a estrutura do dataframe pode interferir no uso de algumas funções,

verifique a estrutura do seu dataframe - função : str () - e a estrutura pedida pela função
no painel de ajuda – digite : ?nome_da_função – , constatada estruturas diferentes
existem funções que podem converter o dataframe ou colunas do dataframe na
estrutura desejada.

6)Não se esqueça de usar o comando library() para carregar bibliotecas previamente

instaladas, você também pode checar se a biblioteca está instalada e/ou ativa na aba
“Packages”.
21

Links úteis
Para saber e aprender mais sobre R e trabalho com dados seguem abaixo alguns links que
podem te ajudar:

https://escoladedados.org/

https://www.devmedia.com.br/trabalhando-com-a-linguagem-r/33275

https://coda.escoladedados.org/

https://escoladedados.org/2018/01/31/coda-br-20-recursos-para-o-trabalho-com-dados-
compartilhados-por-nossos-instrutores/

http://datajournalismhandbook.org/pt/entendendo_os_dados_6.html

https://knightcenter.utexas.edu/pt-br/blog/00-13915-guia-para-jornalistas-que-querem-
aprender-programar

http://datajournalismhandbook.org/pt/entendendo_os_dados_0.html

https://journalismcourses.org/RC0818.html
22

Notas

Este tutorial tem como objetivo auxiliar os usuários (cidadãos, jornalistas,

pesquisadores, servidores da SEE e de outros órgãos públicos, entre outros) a utilizar os
dados disponíveis. Para isso, apresentamos uma ferramenta de código aberta e
gratuito, o R e RStudio. Destacamos que há diversas outras ferramentas, gratuitas ou
pagas, que podem ser utilizadas para a análise de dados como Stata, Eviews, Gretl,
Matlab, SPSS, entre outras.A Secretaria de Estado da Educação não se responsabiliza
pelo uso dessas ferramentas.
A seção de Links Úteis apresenta um conjunto de sítios utilizados como referências para
a elaboração deste material e que podem ser acessadas para complementação das
informações do tutorial, o qual podem esclarecer eventuais dúvidas adicionais. A
Secretaria de Estado da Educação não se responsabiliza pelos respectivos conteúdos
deles.