Upload 2 files

app.py

@@ -0,0 +1,75 @@
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+import gradio as gr
+
+def simular_monitoramento_pld(taxa_media_diaria, limiar_alerta, periodo_simulacao=365):
+    """
+    Executa a simulação de Monte Carlo para o monitoramento de PLD.
+    """
+    # Gera o número de operações suspeitas para cada dia usando a distribuição de Poisson [cite: 58, 59, 60]
+    operacoes_diarias = np.random.poisson(taxa_media_diaria, periodo_simulacao)
+
+    # Cálculo determinístico: compara as operações diárias com o limiar [cite: 61]
+    alertas_gerados = np.sum(operacoes_diarias >= limiar_alerta)
+
+    # Um "verdadeiro positivo" é qualquer dia em que um alerta foi corretamente disparado [cite: 62]
+    verdadeiros_positivos = alertas_gerados
+
+    # Um "falso negativo" é um dia com atividade ilícita que não atingiu o limiar [cite: 63, 67]
+    dias_com_atividade_real = np.sum(operacoes_diarias > 0) 
+    falsos_negativos = np.sum((operacoes_diarias > 0) & (operacoes_diarias < limiar_alerta)) 
+
+    # Calcula métricas de eficácia [cite: 68]
+    taxa_deteccao = (verdadeiros_positivos / dias_com_atividade_real) * 100 if dias_com_atividade_real > 0 else 0 
+
+    resultados = {
+        "Total de Alertas": alertas_gerados,
+        "Total de Dias com Atividade Suspeita": dias_com_atividade_real,
+        "Dias com Alerta (Verdadeiros Positivos)": verdadeiros_positivos,
+        "Dias com Atividade Não Detectada (Falsos Negativos)": falsos_negativos,
+        "Taxa de Detecção (%)": f'~{taxa_deteccao:.2f}%'
+    } 
+
+    return resultados, plotar_resultados(operacoes_diarias, limiar_alerta, taxa_media_diaria)
+
+def plotar_resultados(operacoes_diarias, limiar_alerta, taxa_media_diaria):
+    """
+    Gera o gráfico de resultados.
+    """
+    plt.style.use('seaborn-v0_8-whitegrid') 
+    fig, ax = plt.subplots(figsize=(10, 5)) 
+    sns.histplot(operacoes_diarias, bins=range(0, max(operacoes_diarias) + 2), ax=ax, kde=False, stat="count", discrete=True) 
+    ax.axvline(x=taxa_media_diaria, color='yellow', linestyle='--', linewidth=2, label=f'Taxa Média (λ={taxa_media_diaria})') 
+    ax.axvline(x=limiar_alerta - 0.5, color='red', linestyle='-', linewidth=2, label=f'Limiar de Alerta ({limiar_alerta} operações)') 
+    ax.set_title('Distribuição Diária de Operações Suspeitas (Simulação de 365 Dias)', fontsize=14) 
+    ax.set_xlabel('Número de Operações Suspeitas em um Dia', fontsize=10) 
+    ax.set_ylabel('Número de Dias', fontsize=10) 
+    ax.legend() 
+    ax.grid(True)
+    plt.tight_layout() 
+    return fig
+
+# Define a interface do Gradio
+with gr.Blocks() as iface:
+    gr.Markdown("# Simulação de Monte Carlo para Análise de Eficácia de Sistemas de Monitoramento de PLD")
+    gr.Markdown("Esta ferramenta utiliza a Simulação de Monte Carlo para avaliar a eficácia de um sistema de monitoramento de transações financeiras no contexto da Prevenção à Lavagem de Dinheiro (PLD).")
+
+    with gr.Row():
+        with gr.Column():
+            taxa_media_diaria = gr.Slider(minimum=0.1, maximum=10.0, value=3.0, step=0.1, label="Taxa Média Diária de Operações Suspeitas (λ)")
+            limiar_alerta = gr.Slider(minimum=1, maximum=20, value=6, step=1, label="Limiar de Alerta para Investigação")
+            run_button = gr.Button("Executar Simulação")
+        with gr.Column():
+            output_text = gr.JSON(label="Resultados da Simulação")
+
+    output_plot = gr.Plot(label="Distribuição das Operações Suspeitas")
+
+    run_button.click(
+        fn=simular_monitoramento_pld,
+        inputs=[taxa_media_diaria, limiar_alerta],
+        outputs=[output_text, output_plot]
+    )
+
+if __name__ == "__main__":
+    iface.launch()

requirements.txt

@@ -0,0 +1,4 @@
+numpy
+matplotlib
+seaborn
+gradio