diff --git "a/atividade1.ipynb" "b/atividade1.ipynb"
new file mode 100644--- /dev/null
+++ "b/atividade1.ipynb"
@@ -0,0 +1,518 @@
+{
+ "cells": [
+ {
+ "cell_type": "markdown",
+ "id": "6c1011fd",
+ "metadata": {},
+ "source": [
+ "Universidade de Brasília - UnB \n",
+ "Programa de Pós-Graduação em Computação Aplicada - PPCA \n",
+ "Professor: Dr. João Gabriel \n",
+ "Ano/Período: 2025.2 \n",
+ "Aluno: 252107091 - Vinícius dos Santos Moreira"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "63af5aa7",
+ "metadata": {},
+ "source": [
+ "# Tarefa 1 - Simulação de Monte Carlo\n",
+ "Desenvolva uma aplicação prática baseada na técnica de Simulaçãoo de Monte Carlo, abordando de forma rigorosa os aspectos estatísticos de uma distribuiçãao de probabilidade específica.\n",
+ "A aplicação deve incluir:\n",
+ "1. A construção e implementação de um modelo computacional que simule um cenário realista, no qual a distribuição de probabilidade selecionada seja estatisticamente adequada para representar o fenômeno modelado.\n",
+ "2. A apresentação detalhada dos fundamentos estatísticos da simulação, com justificativas formais para a escolha da distribuição utilizada, considerando suas propriedades, suposições e aderência ao contexto.\n",
+ "3. A análise crítica dos resultados obtidos via Simulação de Monte Carlo, com discussão sobre:\n",
+ " - Como a distribuição escolhida impacta os resultados da simulação;\n",
+ " - As implicações práticas e possíveis inferências decorrentes;\n",
+ " - A sensibilidade dos resultados às variações dos parâmetros da distribuição.\n",
+ "4. A utilização de ferramentas computacionais para implementar o modelo (preferencialmente em Python), com comentários explicativos e visualizações adequadas (gráficos, tabelas, métricas de análise, etc.).\n",
+ "5. A estruturação do relatório em formato científico, com redação clara, objetiva e rigor técnico."
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 137,
+ "id": "b825525c",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "# %pip install streamlit matplotlib scipy seaborn\n",
+ "%matplotlib inline"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 138,
+ "id": "5f57c27c",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "import numpy as np\n",
+ "import pandas as pd\n",
+ "import matplotlib.pyplot as plt"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 139,
+ "id": "cc75f93a",
+ "metadata": {},
+ "outputs": [
+ {
+ "name": "stdout",
+ "output_type": "stream",
+ "text": [
+ "Configuração do Curso:\n",
+ " - Total de Vagas: 50\n",
+ " - Ocupação Mínima: 80%\n",
+ " - Número Mínimo de Alunos para Confirmação: 40\n",
+ "\n",
+ "Parâmetros Probabilísticos:\n",
+ " - Probabilidade de Confirmação: 85%\n",
+ " - Probabilidade de Comparecimento: 90%\n",
+ "\n",
+ "Simulação de Monte Carlo:\n",
+ " - Número de Simulações por Cenário: 10000\n",
+ " - Faixa de Inscritos a ser Testada: de 5 a 100\n"
+ ]
+ }
+ ],
+ "source": [
+ "# --- Parâmetros da Simulação ---\n",
+ "\n",
+ "# Parâmetros do curso\n",
+ "total_vagas = 50\n",
+ "min_ocupacao_perc = 0.80 # 80%\n",
+ "vagas_minimas_necessarias = int(total_vagas * min_ocupacao_perc)\n",
+ "\n",
+ "# Probabilidades do cenário\n",
+ "prob_confirmacao = 0.85 # 85% dos sorteados confirmam\n",
+ "prob_comparecimento = 0.90 # 90% dos confirmados comparecem\n",
+ "\n",
+ "# Parâmetros da Simulação de Monte Carlo\n",
+ "num_simulacoes = 10000 # Número de rodadas para cada cenário\n",
+ "min_inscritos_teste = int(total_vagas * 0.1) # Testaremos a partir da 10% do número de vagas (demanda superestimada)\n",
+ "max_inscritos_teste = total_vagas * 2 # Testaremos até o dobro do número de vagas (demanda reprimida)\n",
+ "\n",
+ "print(f\"Configuração do Curso:\")\n",
+ "print(f\" - Total de Vagas: {total_vagas}\")\n",
+ "print(f\" - Ocupação Mínima: {min_ocupacao_perc:.0%}\")\n",
+ "print(f\" - Número Mínimo de Alunos para Confirmação: {vagas_minimas_necessarias}\\n\")\n",
+ "\n",
+ "print(f\"Parâmetros Probabilísticos:\")\n",
+ "print(f\" - Probabilidade de Confirmação: {prob_confirmacao:.0%}\")\n",
+ "print(f\" - Probabilidade de Comparecimento: {prob_comparecimento:.0%}\\n\")\n",
+ "\n",
+ "print(f\"Simulação de Monte Carlo:\")\n",
+ "print(f\" - Número de Simulações por Cenário: {num_simulacoes}\")\n",
+ "print(f\" - Faixa de Inscritos a ser Testada: de {min_inscritos_teste} a {max_inscritos_teste}\")"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 140,
+ "id": "1ac58445",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "# Função principal da simulação\n",
+ "\n",
+ "def simular_viabilidade_curso(num_inscritos_sorteados):\n",
+ " \"\"\"\n",
+ " Executa a Simulação de Monte Carlo para um dado número de inscritos sorteados.\n",
+ " Retorna a probabilidade do curso ser confirmado.\n",
+ " \"\"\"\n",
+ " # Comentário: Usamos np.random.binomial para simular os eventos de forma eficiente.\n",
+ " # Esta função é vetorizada e executa as `num_simulacoes` de uma só vez.\n",
+ "\n",
+ " # Etapa 1: Simular quantos dos sorteados confirmam a vaga\n",
+ " # n = num_inscritos_sorteados, p = prob_confirmacao\n",
+ " alunos_confirmados = np.random.binomial( n=num_inscritos_sorteados, p=prob_confirmacao, size=num_simulacoes )\n",
+ "\n",
+ " # Etapa 2: Dentre os confirmados, simular quantos comparecem\n",
+ " # n = alunos_confirmados (um array), p = prob_comparecimento\n",
+ " alunos_comparecem = np.random.binomial( n=alunos_confirmados, p=prob_comparecimento, size=num_simulacoes )\n",
+ "\n",
+ " # Verificar em quantas simulações o curso foi confirmado\n",
+ " sucessos = np.sum( alunos_comparecem >= vagas_minimas_necessarias )\n",
+ "\n",
+ " # Calcular a probabilidade\n",
+ " prob_sucesso = sucessos / num_simulacoes\n",
+ " return prob_sucesso"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 141,
+ "id": "8d116606",
+ "metadata": {},
+ "outputs": [
+ {
+ "name": "stdout",
+ "output_type": "stream",
+ "text": [
+ "Iniciando simulações...\n",
+ "Simulações concluídas.\n"
+ ]
+ }
+ ],
+ "source": [
+ "# Comentário: Iremos iterar sobre a faixa de inscritos definida e armazenar os resultados\n",
+ "# para posterior análise e visualização.\n",
+ "lista_de_inscritos = range(min_inscritos_teste, max_inscritos_teste + 1)\n",
+ "resultados_simulacao = []\n",
+ "\n",
+ "print(\"Iniciando simulações...\")\n",
+ "for num_convocados in lista_de_inscritos:\n",
+ " # Para o sorteio, consideramos que no máximo `total_vagas` podem ser chamados\n",
+ " # de uma lista maior de `n_inscritos`.\n",
+ " probabilidade = simular_viabilidade_curso(num_convocados)\n",
+ " resultados_simulacao.append({'num_convocados': num_convocados, 'prob_confirmacao_curso': probabilidade})\n",
+ "\n",
+ "# Converter resultados para um DataFrame do Pandas para facilitar a análise\n",
+ "df_resultados = pd.DataFrame(resultados_simulacao)\n",
+ "print(\"Simulações concluídas.\")"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 142,
+ "id": "0a393dec",
+ "metadata": {},
+ "outputs": [
+ {
+ "name": "stdout",
+ "output_type": "stream",
+ "text": [
+ "Para atingir 80% de probabilidade de confirmação, são necessários no mínimo 56 convocados.\n",
+ "Para atingir 99% de probabilidade de confirmação, são necessários no mínimo 62 convocados.\n",
+ "\n",
+ "Tabela de Resultados (primeiros 5 e últimos 15):\n"
+ ]
+ },
+ {
+ "data": {
+ "text/html": [
+ "\n",
+ "\n",
+ "
\n",
+ " \n",
+ " \n",
+ " | \n",
+ " num_convocados | \n",
+ " prob_confirmacao_curso | \n",
+ "
\n",
+ " \n",
+ " \n",
+ " \n",
+ " | 0 | \n",
+ " 5 | \n",
+ " 0.0 | \n",
+ "
\n",
+ " \n",
+ " | 1 | \n",
+ " 6 | \n",
+ " 0.0 | \n",
+ "
\n",
+ " \n",
+ " | 2 | \n",
+ " 7 | \n",
+ " 0.0 | \n",
+ "
\n",
+ " \n",
+ " | 3 | \n",
+ " 8 | \n",
+ " 0.0 | \n",
+ "
\n",
+ " \n",
+ " | 4 | \n",
+ " 9 | \n",
+ " 0.0 | \n",
+ "
\n",
+ " \n",
+ " | 81 | \n",
+ " 86 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 82 | \n",
+ " 87 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 83 | \n",
+ " 88 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 84 | \n",
+ " 89 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 85 | \n",
+ " 90 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 86 | \n",
+ " 91 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 87 | \n",
+ " 92 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 88 | \n",
+ " 93 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 89 | \n",
+ " 94 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 90 | \n",
+ " 95 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 91 | \n",
+ " 96 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 92 | \n",
+ " 97 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 93 | \n",
+ " 98 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 94 | \n",
+ " 99 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ " | 95 | \n",
+ " 100 | \n",
+ " 1.0 | \n",
+ "
\n",
+ " \n",
+ "
\n",
+ "