atualizando

app.py

@@ -1,83 +1,119 @@
+# import streamlit as st
+# import numpy as np
+# import matplotlib.pyplot as plt
+
+# st.set_page_config(page_title="Simulação Monte Carlo - PROCAD", layout="wide")
+
+# st.title("Simulação Monte Carlo - PROCAD")
+# st.markdown("""
+# Simule a carga de trabalho diária dos procuradores do PROCAD usando Monte Carlo.
+# Agora é possível escolher diferentes distribuições: **Normal, Triangular, Uniforme ou Exponencial**,
+# permitindo modelar cenários com ou sem tempo médio bem definido.
+# """)
+
+# # --- Sidebar para parâmetros ---
+# st.sidebar.header("Parâmetros da Simulação")
+# #num_procuradores = st.sidebar.number_input("Número de procuradores", min_value=1, value=30, step=1)
+# st.markdown("<h4 style='color: #003366;'>Quantidade de procuradores (p)</h4>", unsafe_allow_html=True)
+# num_procuradores = st.slider("", min_value=1, max_value=60, value=30, step=1)
+# num_processos = st.sidebar.number_input("Número de processos por dia", min_value=1, value=60, step=1)
+# distribuicao = st.sidebar.selectbox("Distribuição do tempo de atendimento", 
+#                                     ["Normal","Triangular","Uniforme","Exponencial"])
+
+# param1 = st.sidebar.number_input("Parâmetro 1 (média ou mínimo)", value=4.0)
+# param2 = st.sidebar.number_input("Parâmetro 2 (desvio, moda ou máximo)", value=1.0)
+# param3 = st.sidebar.number_input("Parâmetro 3 (Triangular - máximo)", value=6.0)
+
+# horas_trabalho_dia = 8
+# simulacoes = 1000
+# todos_workloads = []
+
+# # --- Monte Carlo ---
+# for _ in range(simulacoes):
+#     if distribuicao == "Normal":
+#         media = param1
+#         desvio = param2
+#         tempos = np.random.normal(loc=media, scale=desvio, size=num_processos)
+#         tempos = np.maximum(tempos, 0.5)
+#     elif distribuicao == "Triangular":
+#         left = param1
+#         mode = param2
+#         right = param3
+#         tempos = np.random.triangular(left=left, mode=mode, right=right, size=num_processos)
+#     elif distribuicao == "Uniforme":
+#         low = param1
+#         high = param2
+#         tempos = np.random.uniform(low=low, high=high, size=num_processos)
+#     elif distribuicao == "Exponencial":
+#         scale = param1
+#         tempos = np.random.exponential(scale=scale, size=num_processos)
+#     else:
+#         st.error("Distribuição não suportada")
+#         st.stop()
+
+#     workload = np.zeros(num_procuradores)
+#     for t in tempos:
+#         procurador = np.random.randint(0, num_procuradores)
+#         workload[procurador] += t
+#     todos_workloads.append(workload)
+
+# todos_workloads = np.array(todos_workloads)
+
+# # --- Estatísticas ---
+# media_workload = np.mean(todos_workloads, axis=0)
+# prob_sobrecarga = np.mean(np.any(todos_workloads > horas_trabalho_dia, axis=1))
+
+# # --- Plot ---
+# fig, ax = plt.subplots(figsize=(12,6))
+# ax.boxplot(todos_workloads, labels=[f"P{p+1}" for p in range(num_procuradores)])
+# ax.axhline(y=horas_trabalho_dia, color='r', linestyle='--', label="Limite diário (8h)")
+# ax.set_ylabel("Horas trabalhadas")
+# ax.set_xlabel("Procuradores")
+# ax.set_title(f"Distribuição do workload diário - {distribuicao}")
+# ax.legend()
+# st.pyplot(fig)
+
+# # --- Resultados ---
+# st.subheader("Estatísticas")
+# st.markdown(f"""
+# - Média de workload por procurador: {media_workload.round(2)}
+# - Probabilidade de sobrecarga diária: {prob_sobrecarga:.2%}
+# - Distribuição utilizada: {distribuicao}
+# - Número de procuradores: {num_procuradores}, Processos por dia: {num_processos}
+# """)
+
+
+
 import streamlit as st
 import numpy as np
-import matplotlib.pyplot as plt
-
-st.set_page_config(page_title="Simulação Monte Carlo - PROCAD", layout="wide")
-
-st.title("Simulação Monte Carlo - PROCAD")
-st.markdown("""
-Simule a carga de trabalho diária dos procuradores do PROCAD usando Monte Carlo.
-Agora é possível escolher diferentes distribuições: **Normal, Triangular, Uniforme ou Exponencial**,
-permitindo modelar cenários com ou sem tempo médio bem definido.
-""")
-
-# --- Sidebar para parâmetros ---
-st.sidebar.header("Parâmetros da Simulação")
-#num_procuradores = st.sidebar.number_input("Número de procuradores", min_value=1, value=30, step=1)
-st.markdown("<h4 style='color: #003366;'>Quantidade de procuradores (p)</h4>", unsafe_allow_html=True)
-num_procuradores = st.slider("", min_value=1, max_value=60, value=30, step=1)
-num_processos = st.sidebar.number_input("Número de processos por dia", min_value=1, value=60, step=1)
-distribuicao = st.sidebar.selectbox("Distribuição do tempo de atendimento", 
-                                    ["Normal","Triangular","Uniforme","Exponencial"])
-
-param1 = st.sidebar.number_input("Parâmetro 1 (média ou mínimo)", value=4.0)
-param2 = st.sidebar.number_input("Parâmetro 2 (desvio, moda ou máximo)", value=1.0)
-param3 = st.sidebar.number_input("Parâmetro 3 (Triangular - máximo)", value=6.0)
-
-horas_trabalho_dia = 8
-simulacoes = 1000
-todos_workloads = []
-
-# --- Monte Carlo ---
-for _ in range(simulacoes):
-    if distribuicao == "Normal":
-        media = param1
-        desvio = param2
-        tempos = np.random.normal(loc=media, scale=desvio, size=num_processos)
-        tempos = np.maximum(tempos, 0.5)
-    elif distribuicao == "Triangular":
-        left = param1
-        mode = param2
-        right = param3
-        tempos = np.random.triangular(left=left, mode=mode, right=right, size=num_processos)
-    elif distribuicao == "Uniforme":
-        low = param1
-        high = param2
-        tempos = np.random.uniform(low=low, high=high, size=num_processos)
-    elif distribuicao == "Exponencial":
-        scale = param1
-        tempos = np.random.exponential(scale=scale, size=num_processos)
-    else:
-        st.error("Distribuição não suportada")
-        st.stop()
-
-    workload = np.zeros(num_procuradores)
-    for t in tempos:
-        procurador = np.random.randint(0, num_procuradores)
-        workload[procurador] += t
-    todos_workloads.append(workload)
-
-todos_workloads = np.array(todos_workloads)
-
-# --- Estatísticas ---
-media_workload = np.mean(todos_workloads, axis=0)
-prob_sobrecarga = np.mean(np.any(todos_workloads > horas_trabalho_dia, axis=1))
-
-# --- Plot ---
-fig, ax = plt.subplots(figsize=(12,6))
-ax.boxplot(todos_workloads, labels=[f"P{p+1}" for p in range(num_procuradores)])
-ax.axhline(y=horas_trabalho_dia, color='r', linestyle='--', label="Limite diário (8h)")
-ax.set_ylabel("Horas trabalhadas")
-ax.set_xlabel("Procuradores")
-ax.set_title(f"Distribuição do workload diário - {distribuicao}")
-ax.legend()
-st.pyplot(fig)
-
-# --- Resultados ---
-st.subheader("Estatísticas")
-st.markdown(f"""
-- Média de workload por procurador: {media_workload.round(2)}
-- Probabilidade de sobrecarga diária: {prob_sobrecarga:.2%}
-- Distribuição utilizada: {distribuicao}
-- Número de procuradores: {num_procuradores}, Processos por dia: {num_processos}
-""")
+import plotly.express as px
+import pandas as pd
+
+# Slider com label correto
+num_procuradores = st.slider(
+    "Número de Procuradores",
+    min_value=1, max_value=60, value=30, step=1,
+    label_visibility="visible"
+)
+
+# Simulação simples de workloads (exemplo)
+np.random.seed(42)
+todos_workloads = [np.random.poisson(lam=100, size=50) for _ in range(num_procuradores)]
+
+# Transformar em DataFrame para usar no Plotly
+df = pd.DataFrame({
+    "Procurador": np.repeat([f"P{p+1}" for p in range(num_procuradores)], 50),
+    "Workload": np.concatenate(todos_workloads)
+})
+
+# Criar boxplot interativo
+fig = px.box(
+    df, 
+    x="Procurador", 
+    y="Workload",
+    points="all",  # mostra os pontos além do boxplot
+    title="Distribuição de workloads por Procurador"
+)
+
+# Mostrar no Streamlit
+st.plotly_chart(fig, use_container_width=True)

requirements.txt

@@ -1,3 +1,4 @@
 streamlit
 numpy
-matplotlib
+plotly.express
+pandas