<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Henrique Rohamann on Medium]]></title>
        <description><![CDATA[Stories by Henrique Rohamann on Medium]]></description>
        <link>https://medium.com/@henriquerohamann?source=rss-c41ce4f5796e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Bx9fcDZHhX4cuQLi4werjQ.jpeg</url>
            <title>Stories by Henrique Rohamann on Medium</title>
            <link>https://medium.com/@henriquerohamann?source=rss-c41ce4f5796e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 06:45:01 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@henriquerohamann/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[O P-Valor Desmistificado: Uma Exploração Matemática e Prática]]></title>
            <link>https://medium.com/@henriquerohamann/o-p-valor-desmistificado-uma-explora%C3%A7%C3%A3o-matem%C3%A1tica-e-pr%C3%A1tica-0f0a5b7f35f3?source=rss-c41ce4f5796e------2</link>
            <guid isPermaLink="false">https://medium.com/p/0f0a5b7f35f3</guid>
            <category><![CDATA[matemática]]></category>
            <category><![CDATA[p-value]]></category>
            <category><![CDATA[estatistica]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <dc:creator><![CDATA[Henrique Rohamann]]></dc:creator>
            <pubDate>Thu, 22 Feb 2024 23:00:53 GMT</pubDate>
            <atom:updated>2024-02-22T23:00:53.663Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YsdUHuzwKbfbJQ4V_ArwJQ.png" /></figure><p>No universo da pesquisa científica, onde a incerteza é a única certeza, o p-valor emerge como uma bússola estatística, orientando cientistas e pesquisadores através do nebuloso mar de dados. Este singular valor, com sua capacidade de quantificar a significância estatística, serve como ponte entre a dúvida e a decisão, permitindo uma interpretação objetiva dos resultados experimentais. Mas, afinal, o que é o p-valor? E por que ele se tornou um pilar tão fundamental na tomada de decisões baseada em evidências?</p><p>O p-valor, ou valor-p, é uma medida que ajuda a determinar a força da evidência contra uma hipótese nula. Em termos simples, ele responde à pergunta: “Qual a probabilidade de observar um resultado tão extremo quanto o que foi obtido, assumindo que a hipótese nula é verdadeira?” Um p-valor baixo sugere que os resultados experimentais são improváveis de ocorrer por acaso, apontando para a rejeição da hipótese nula em favor de uma hipótese alternativa.</p><p>A origem do p-valor remonta ao início do século XX, com o estatístico inglês Ronald A. Fisher. Fisher introduziu o conceito como parte de seu método de teste de significância, buscando uma maneira objetiva de avaliar a validade dos resultados experimentais. Desde então, o p-valor tornou-se um critério padrão para a avaliação da significância estatística em diversas áreas da ciência, desde a biologia e medicina até as ciências sociais e econômicas.</p><p>Apesar de sua ampla adoção, o p-valor não está isento de controvérsias e mal-entendidos, com debates acalorados sobre sua interpretação e aplicação. Ainda assim, sua evolução ao longo dos anos reflete um esforço contínuo no campo da estatística para aprimorar as ferramentas disponíveis para a análise de dados, tornando a pesquisa científica mais rigorosa, transparente e confiável. A jornada do p-valor, de um conceito incipiente a uma pedra angular da inferência estatística, ilustra o progresso incessante da ciência em sua busca pela verdade.</p><h3>Índice</h3><ul><li>O Que é o P-Valor?</li><li>A Matemática do P-Valor</li><li>Aplicações Práticas do P-Valor</li><li>Desafios e Controvérsias</li><li>Conclusão</li></ul><h3>O Que é o P-Valor?</h3><p>O p-valor, uma métrica fundamental no reino da estatística, atua como um termômetro da significância estatística, medindo a intensidade da evidência contra a hipótese nula. Tecnicamente, o p-valor é a probabilidade de obter resultados tão extremos quanto os observados em um conjunto de dados, assumindo que a hipótese nula seja verdadeira. Em outras palavras, ele quantifica o grau de compatibilidade entre os dados observados e a hipótese de que não há efeito ou diferença.</p><p>Para desvendar o conceito de p-valor, é crucial entender primeiro o binômio hipótese nula e hipótese alternativa. A hipótese nula (H0) representa uma posição de neutralidade ou ausência de efeito. Por exemplo, se estivermos testando a eficácia de um novo medicamento, a hipótese nula poderia afirmar que o medicamento não tem efeito diferenciado em relação ao tratamento padrão. Por outro lado, a hipótese alternativa (H1) sugere que existe um efeito ou diferença, indicando que o medicamento novo é efetivamente melhor ou pior que o tratamento padrão.</p><p>O p-valor, portanto, nos ajuda a decidir entre essas duas hipóteses. Um p-valor baixo indica que os dados observados seriam muito improváveis se a hipótese nula fosse verdadeira, sugerindo a rejeição da hipótese nula em favor da hipótese alternativa. Tradicionalmente, se o p-valor é menor que um limiar pré-definido, chamado de nível de significância (α), a hipótese nula é rejeitada. O nível de significância mais comumente utilizado é 0,05 ou 5%, embora esse valor possa variar dependendo do campo de estudo ou da disposição para aceitar o risco de falsos positivos.</p><p>A importância do limite de significância α não pode ser subestimada. Este limiar não apenas estabelece a barreira para a rejeição da hipótese nula, mas também ajuda a controlar a taxa de erro do Tipo I — a probabilidade de rejeitar a hipótese nula quando, de fato, ela é verdadeira. A escolha de α, portanto, reflete um equilíbrio entre a sensibilidade do teste e sua suscetibilidade a falsos positivos, moldando profundamente a interpretação dos resultados estatísticos.</p><p>Em resumo, o p-valor serve como uma ponte quantitativa entre a teoria e a observação, permitindo aos pesquisadores fazer inferências estatísticas fundamentadas. Compreender sua definição, a relação com as hipóteses nula e alternativa, e a função do nível de significância é essencial para a interpretação correta dos resultados de qualquer teste estatístico, pavimentando o caminho para descobertas científicas baseadas em evidências.</p><h3>A Matemática do P-Valor</h3><h4>Introdução à Teoria da Probabilidade</h4><p>No coração do p-valor jaz a teoria da probabilidade, que nos permite quantificar a incerteza. O p-valor, em sua essência, é uma aplicação prática dessa teoria, traduzindo observações de dados em probabilidades que refletem a compatibilidade desses dados com uma hipótese pré-estabelecida.</p><h4>Distribuições de Probabilidade Relevantes</h4><p>Para calcular o p-valor, recorremos a diversas distribuições de probabilidade que modelam padrões esperados de dados sob a hipótese nula:</p><ul><li><strong>Normal: </strong>Aplicável a muitos contextos devido ao Teorema Central do Limite, a distribuição normal é usada quando o tamanho da amostra é grande, e os dados são assumidos como distribuídos normalmente.</li><li><strong>T de Student</strong>: Usada em situações com amostras pequenas e variâncias desconhecidas, esta distribuição ajusta-se à incerteza adicional, proporcionando um método mais conservador para testar hipóteses.</li><li><strong>Qui-quadrado</strong>: Frequentemente empregada em testes de ajuste e tabelas de contingência, a distribuição qui-quadrado avalia a discrepância entre as frequências observadas e esperadas.</li></ul><h4>A Ideia de Região Crítica e Valor Crítico</h4><p>A região crítica é a área sob a curva de probabilidade que corresponde à rejeição da hipótese nula. O valor crítico, por sua vez, é o limite que define essa região. Valores observados que caem dentro da região crítica indicam uma evidência suficiente para rejeitar a hipótese nula.</p><h4>Cálculo do P-Valor</h4><p>O cálculo do p-valor segue um procedimento estatístico que começa com a escolha do teste adequado, baseado no tipo de dados e na hipótese a ser testada. Aqui, focaremos no teste t simples, amplamente utilizado para comparar médias.</p><h4>Descrição Passo a Passo para o Teste T Simples</h4><ol><li><strong>Defina as hipóteses nula e alternativa</strong>: Por exemplo, a hipótese nula pode afirmar que não há diferença nas médias de dois grupos.</li><li><strong>Calcule a estatística do teste</strong>: Use a fórmula do teste t, que leva em conta as médias dos grupos, o desvio padrão, e o tamanho da amostra.</li><li><strong>Determine a distribuição de probabilidade relevante</strong>: Para o teste t, a distribuição t de Student.</li><li><strong>Calcule o p-valor</strong>: Compare a estatística do teste calculada com a distribuição t de Student para encontrar a probabilidade correspondente.</li></ol><h4>Exemplo de Cálculo com Dados Reais</h4><p>Imagine um experimento destinado a comparar a eficácia de dois medicamentos, A e B, no tratamento de uma doença específica. Após um estudo clínico, coletamos dados de 50 pacientes, divididos igualmente entre os dois tratamentos. O objetivo é determinar se existe uma diferença significativa na eficácia entre os medicamentos.</p><p>Para o Medicamento A, a média da eficácia observada foi de 70%, com um desvio padrão de 10%. Para o Medicamento B, a média foi de 75% com um desvio padrão de 8%. Utilizamos o teste t para amostras independentes, considerando um nível de significância de 0,05 (α = 0,05).</p><p>A fórmula do teste t para amostras independentes é aplicada para calcular a estatística t, que é então comparada com a distribuição t de Student para determinar o p-valor. Neste caso, suponha que o cálculo resulte em um p-valor de 0,04. Isso indica que, assumindo a hipótese nula de que não há diferença na eficácia entre os medicamentos, a probabilidade de observar uma diferença tão grande ou maior puramente por acaso é de 4%.</p><p>Dado que o p-valor (0,04) é menor que o nível de significância α (0,05), podemos rejeitar a hipótese nula e concluir que há uma diferença estatisticamente significativa na eficácia entre os medicamentos A e B. Este resultado sugere que o Medicamento B pode ser mais eficaz que o Medicamento A no tratamento da doença em questão.</p><h4>Interpretação do P-Valor</h4><p>Um p-valor baixo (tipicamente &lt;0.05) sugere que os resultados observados são improváveis sob a hipótese nula, indicando uma diferença significativa estatisticamente. Contudo, é crucial lembrar que um p-valor por si só não mede a magnitude do efeito ou sua importância prática.</p><h4>Diferença entre Significância Estatística e Relevância Prática</h4><p>A significância estatística é uma medida de confiança na rejeição da hipótese nula, mas não fala sobre a magnitude do efeito. A relevância prática, por outro lado, considera se a diferença observada é grande o suficiente para ser de importância real no mundo. Um resultado pode ser estatisticamente significativo, mas trivial em termos práticos.</p><h3>Aplicações Práticas do P-Valor</h3><p>O p-valor, uma pedra angular da inferência estatística, encontra aplicação em uma vasta gama de disciplinas, ajudando a guiar a tomada de decisões em contextos incertos. Suas aplicações vão desde a validação de novos tratamentos médicos até a avaliação da eficácia de políticas públicas, demonstrando sua versatilidade e importância.</p><p>Na <strong>Medicina</strong>, o p-valor é frequentemente utilizado em ensaios clínicos para determinar se um novo medicamento ou tratamento é significativamente mais eficaz do que um placebo ou tratamento padrão. Por exemplo, ao investigar a eficácia de uma nova vacina, um p-valor baixo pode indicar que a vacina tem um efeito significativo na prevenção de uma doença, levando à sua aprovação e adoção no tratamento e prevenção de doenças.</p><p>Nas <strong>Ciências Sociais</strong>, os pesquisadores aplicam o p-valor para testar teorias sobre comportamento humano, economia e sociologia. Seja na análise do impacto de uma intervenção educacional sobre o desempenho dos alunos ou na avaliação da eficácia de políticas públicas sobre a redução da pobreza, o p-valor oferece uma medida quantitativa para sustentar ou refutar hipóteses científicas.</p><p>Na <strong>Engenharia</strong>, o uso do p-valor pode ser encontrado na otimização de processos e no controle de qualidade. Engenheiros podem utilizar testes estatísticos para determinar se as mudanças implementadas em um processo de produção resultam em melhorias significativas na eficiência ou na qualidade do produto.</p><h3>Desafios e Controvérsias</h3><p>O p-valor, apesar de ser uma ferramenta estatística amplamente utilizada, não está imune a críticas e controvérsias. Um dos principais desafios é o seu uso excessivo e mal-entendido, o que pode levar a conclusões errôneas. Muitos pesquisadores têm apontado para uma “cultura do p-valor”, onde resultados com um p-valor abaixo de 0,05 são automaticamente considerados significativos, ignorando a complexidade dos dados e a importância do contexto. Esse fenômeno tem contribuído para problemas como o “p-hacking” e a “caça ao p-valor”, práticas que podem distorcer a literatura científica e inflar a evidência a favor de resultados estatisticamente significativos, mas potencialmente irrelevante.</p><p>Em resposta a esses desafios, tem surgido uma iniciativa global para reformar a interpretação e comunicação de resultados estatísticos. Acadêmicos e profissionais estão defendendo uma abordagem mais nuançada que enfatiza a importância de medidas como o tamanho do efeito e os intervalos de confiança, além de uma interpretação mais crítica do p-valor. Jornais e organizações científicas estão revisando suas diretrizes para encorajar uma análise estatística mais rigorosa e transparente, buscando assim melhorar a reprodutibilidade e a confiabilidade da pesquisa científica.</p><p>Essa mudança de paradigma destaca a necessidade de uma compreensão mais profunda dos princípios estatísticos e de uma comunicação mais precisa dos resultados de pesquisa, garantindo que as descobertas científicas sejam tanto estatisticamente válidas quanto relevantes na prática.</p><h3>Conclusão</h3><p>O p-valor permanece como uma ferramenta estatística indispensável na pesquisa científica, desempenhando um papel crucial na determinação da significância estatística de resultados experimentais. No entanto, a eficácia dessa ferramenta está intrinsecamente ligada à sua compreensão e aplicação corretas. A discussão em torno do p-valor, abrangendo suas aplicações práticas e os debates contemporâneos, destaca a importância de não apenas utilizar essa métrica, mas também entender profundamente suas implicações, limitações e o contexto em que é empregada.</p><p>A jornada através dos complexos terrenos da estatística e do p-valor revela uma verdade fundamental: nenhum valor estatístico, por si só, pode encapsular completamente a riqueza ou a relevância de um achado científico. Portanto, é imperativo que a comunidade científica adote uma abordagem mais informada e crítica em relação ao uso do p-valor. Isso envolve uma apreciação mais profunda das nuances estatísticas e um compromisso com a integridade na interpretação e comunicação dos resultados de pesquisa.</p><p>Ao encorajar um uso mais esclarecido do p-valor, juntamente com outras medidas estatísticas complementares, a pesquisa científica pode avançar com maior confiança e precisão. Essa evolução promete não apenas enriquecer o rigor científico, mas também fortalecer a confiança pública nas descobertas da pesquisa, assegurando que as conclusões tiradas sejam tanto estatisticamente significativas quanto genuinamente informativas.</p><p>Obrigado por ler até aqui.</p><p>Também me encontra <a href="https://www.linkedin.com/in/henrique-rohamann/">AQUI</a>!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0f0a5b7f35f3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Shapefiles para Além da Geografia: Explorando Novas Fronteiras de Dados]]></title>
            <link>https://medium.com/@henriquerohamann/shapefiles-para-al%C3%A9m-da-geografia-explorando-novas-fronteiras-de-dados-fe6d54888c54?source=rss-c41ce4f5796e------2</link>
            <guid isPermaLink="false">https://medium.com/p/fe6d54888c54</guid>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[insights]]></category>
            <category><![CDATA[shapefile]]></category>
            <dc:creator><![CDATA[Henrique Rohamann]]></dc:creator>
            <pubDate>Tue, 06 Feb 2024 14:44:39 GMT</pubDate>
            <atom:updated>2024-02-06T14:44:39.699Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mw3Y-jON-kz9aMyNExlyrw.png" /><figcaption>Imagem gerada utilizando DALL-E</figcaption></figure><p>Shapefiles são mais do que meros contêineres de formas geográficas; eles são uma mina de ouro de dados geoespaciais com potencial para revelar insights valiosos que muitas vezes permanecem ocultos em outros formatos. Neste post, vamos mergulhar na capacidade única dos shapefiles de desbloquear informações valiosas e como isso pode transformar a análise espacial e a tomada de decisões em diversas áreas. Ao explorar a estrutura e as funcionalidades dos shapefiles, entenderemos como eles permitem uma análise mais profunda e detalhada do espaço que nos rodeia, indo além da simples visualização de mapas para extrair padrões, tendências e relações espaciais que seriam difíceis, senão impossíveis, de identificar com outros formatos. Me acompanhe nesta jornada para descobrir como os shapefiles abrem novas perspectivas e oportunidades para profissionais que buscam aproveitar ao máximo os dados geoespaciais.</p><h3>Índice</h3><p>1 - O que é um arquivo Shapefile?</p><p>2 - Utilidade do arquivo no mundo do dados</p><p>3 - O problema proposto</p><p>4 - A solução</p><p>5 - Conclusão</p><h3>1 - O que é um arquivo Shapefile?</h3><p>Os shapefiles são uma ferramenta fundamental no universo dos Sistemas de Informações Geográficas (SIG), permitindo a representação digital de dados geográficos através de formas geométricas como pontos, linhas e polígonos. Este formato de arquivo, desenvolvido pela ESRI, é essencial para visualizar, editar e analisar informações espaciais, facilitando decisões em diversas áreas profissionais. Desde o planejamento urbano até a gestão de recursos naturais, passando pela cartografia e agricultura, os shapefiles desempenham um papel crucial na forma como entendemos e interagimos com o espaço ao nosso redor.</p><h3><strong>2 - A importância do arquivo no universo dos dados</strong></h3><p>Mas afinal, qual é a real importância desses arquivos para um analista ou cientista de dados? A resposta é simples: esse tipo de arquivo pode oferecer insights únicos, aos quais não conseguiríamos chegar utilizando apenas os métodos tradicionais, como bancos de dados e arquivos CSV. Apesar de, em muitos dos casos convencionais do mercado, essa análise não parecer tão relevante, ela tem um grande potencial para expandir horizontes e abrir portas em novos setores.</p><h3>3 - O problema proposto</h3><p>Imagine que você recebe uma ligação de um advogado buscando sua ajuda. Ele está atrás de uma lista com todos os municípios brasileiros por onde passa o oleoduto OLAPA, tudo isso para buscar novos clientes. Você corre para a internet em busca dessa informação, mas parece que ela simplesmente não está por lá. E agora?</p><p>Bom, não precisa se preocupar! A gente pode resolver essa questão com a ajuda dos shapefiles. Vamos nessa?</p><h3>4 - A solução</h3><p>Na solução iremos utilizar a linguagem Python e duas bibliotecas: pandas e geopandas.</p><blockquote>🔎 Caso não tenha instalado nenhuma das bibliotecas, pode instalar somente o geopandas, pois ele faz a instalação automática do pandas.</blockquote><p>Vamos importar as bibliotecas.</p><pre>import pandas as pd<br>import geopandas as gpd</pre><p>Agora, importar os shapefiles.</p><pre># Importar Dados<br>path_list = [&#39;../../Dados/shp/Municipios/BR_Municipios_2022.shp&#39;,<br>             &#39;../../Dados/shp/Oleodutos/Oleodutos.shp&#39;]<br><br>dados = [gpd.read_file(i) for i in path_list]<br><br># Atribuir dados a variável<br>municipios = dados[0]<br>oleodutos = dados[1]</pre><p>Vamos visualizar os dados importados</p><pre>municipios.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/852/1*XKoMQuktXH5qusbcM_cy6g.png" /></figure><pre>oleodutos.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/964/1*zOpqkqTtmE5os2johyDS3w.png" /></figure><p>Veja como o retorno dos arquivos são tabelas. Os shapefiles são, na verdade, um conjunto de arquivos que trabalham juntos para armazenar dados geográficos e espaciais. Cada arquivo dentro do conjunto tem um propósito específico e contém diferentes tipos de informações. Embora o arquivo .shp seja o mais conhecido por armazenar a geometria (pontos, linhas, polígonos), os outros arquivos complementares são essenciais para interpretar corretamente esses dados geoespaciais. Vejamos os arquivos de exemplo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/151/1*XmkS6RP008SeA4cjpgHuEA.png" /></figure><p>O arquivo que nos forneceu os dados é o Oleodutos.dbf, o dbf é o “banco de dados” de um shapefile. Em casos onde não é necessário trabalhar com a geometria dos arquivos, é possível usar a biblioteca <strong><em>dbfread, </em></strong>para ler somente este arquivo.</p><p>Como nossa resolução depende da geometria é importante nos verificarmos que a unidade de medida entre os dois arquivos shp são iguais, afim de evitar erros geométricos.</p><pre>oleodutos.crs == municipios.crs<br># Caso seja True, as unidades de medidas são iguais<br># Caso seja False, as unidades de medidas não são iguais e é necessário conversão (nem sempre possível) ou procurar por novos arquivos</pre><p>Outra forma de nos certificar que os dados estão de acordo é, plotando o mapa.</p><pre>base = municipios.plot(color=&#39;white&#39;, edgecolor=&#39;black&#39;)<br>oleodutos.plot(ax=base, marker=&#39;*&#39;, color=&#39;red&#39;, markersize=5);</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/568/1*uhUoMwOEM2TkUxhOv9sRBw.png" /></figure><p>Ok, agora que nos certificamos que os dados foram importados corretamente, podemos dar início ao tratamento dos dados.</p><p>Vamos unir os dados. Aqui fica a mágica que faz o shapefile ser um arquivo poderoso, com um comando, conseguimos atribuir a cada município o oleoduto que está dentro do seu território.</p><pre>gdf_union = gpd.overlay(oleodutos, municipios, how=&#39;union&#39;, keep_geom_type=True)</pre><blockquote>⚠️ Importante ressaltar que utilizando os shapefiles do exemplo, serão considerados somente os oleodutos que fazem passagem terrestre. Não levando em consideração a área marítima pertencente aos municípios.</blockquote><p>Agora com os dados unidos, podemos transformar nossa tabela em um DataFrame do Pandas, para utilizarmos os métodos convencionais de tratamento dos dados.</p><pre>df_union = pd.DataFrame(gdf_union)<br>df_union.head()</pre><p>Vamos remover as colunas que não fazem parte da solução</p><pre>cl_to_drop = [&#39;OBJECTID&#39;,<br> &#39;CDRestrica&#39;,<br> &#39;SHAPE_Leng&#39;,<br> &#39;CD_MUN&#39;,<br> &#39;AREA_KM2&#39;,<br> &#39;geometry&#39;]<br><br>df_union.drop(cl_to_drop, axis=1, inplace=True)</pre><p>Renomearemos as colunas</p><pre>dic = {<br>    &#39;NMOleoduto&#39;: &#39;Nome_Oleoduto&#39;,<br>    &#39;NMPropriet&#39;: &#39;Operadora&#39;,<br>    &#39;NM_MUN&#39;: &#39;Nome_Municipio&#39;,<br>    &#39;SIGLA_UF&#39;: &#39;UF&#39;<br>}<br><br>df_union.rename(columns = dic, inplace=True)</pre><p>Vamos filtrar as variáveis para obter o DataFrame final</p><pre>df_olapa = df_union[df_union[&#39;Nome_Oleoduto&#39;] == &#39;Oleoduto Araucária - Paranaguá - OLAPA&#39;]<br>df_olapa.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*geFfXnM64ymcgKBfM5VGhg.png" /></figure><p>Assim chegamos aos dados que foram solicitados para nós. Para entrega vamos converte-los em CSV e salvar.</p><pre>df_olapa.to_csv(&#39;caminho/final&#39;)</pre><h3>5 - Conclusão</h3><p>Como vimos ao longo deste artigo, os shapefiles ultrapassam os limites tradicionais do mapeamento geográfico para se tornarem uma ferramenta valiosa em uma ampla gama de aplicações, a exemplo da prospecção de clientes. Utilizando o Python, demonstramos como esses arquivos podem ser manipulados para extrair insights valiosos que podem impulsionar estratégias de negócios em diversos setores.</p><p>Espero que este guia tenha iluminado o potencial dos shapefiles e inspirado você a considerá-los não apenas como uma ferramenta para geógrafos, mas como um recurso versátil para solucionar problemas complexos, inovar e abrir novas oportunidades de mercado. Seja você um analista de dados, um profissional de marketing, um desenvolvedor ou apenas alguém curioso sobre as possibilidades da ciência de dados, encorajo-o a mergulhar no mundo dos shapefiles.</p><p>Lembre-se de que a chave para desbloquear o verdadeiro potencial desses arquivos está na criatividade e na experimentação. Com as habilidades certas em Python (ou R) e um pouco de imaginação, os shapefiles podem se tornar seus aliados na busca por soluções inovadoras e na prospecção de novos clientes. Então, já tinha pensado que um arquivo geoespacial poderia resolver um problema de prospecção de clientes?</p><p>Os dados estão em todos os lugares, em diversos formatos, vai de nós sermos criativos para obtê-los.</p><p>Se gostou deixe um clap 👏.</p><p>Não me conhece? Me siga no <a href="https://www.linkedin.com/in/henrique-rohamann/">LINKEDIN</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fe6d54888c54" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Review de Livro| Python para Data Science e Machine Learning Descomplicado]]></title>
            <link>https://medium.com/@henriquerohamann/review-de-livro-python-para-data-science-e-machine-learning-descomplicado-2ffcb025c9fc?source=rss-c41ce4f5796e------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ffcb025c9fc</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[livros]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[review]]></category>
            <dc:creator><![CDATA[Henrique Rohamann]]></dc:creator>
            <pubDate>Mon, 22 Jan 2024 12:57:36 GMT</pubDate>
            <atom:updated>2024-01-22T12:57:36.148Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uH1kYqoCmywlW7bHliAecA.png" /><figcaption>Imagem 1: <a href="https://altabooks.com.br/wp-content/uploads/2021/07/3D_Python.png">https://altabooks.com.br/wp-content/uploads/2021/07/3D_Python.png</a></figcaption></figure><blockquote>Um livro para todos que querem aprender sobre dados e te acolhe independente da área de atuação.</blockquote><p>Nos últimos dias, houve uma forte tempestade no estado onde moro, Rio Grande do Sul. Com isso, fiquei 4 dias totalmente sem luz ou sinal de qualquer operadora. Em total escuro e sem ser possível contato com o exterior, resolvi pegar um livro para ler. O escolhido foi “Python para Data Science e Machine Learning Descomplicado” — Amílcar e Francisco — 2021.</p><p>Confesso que este foi um dos primeiros livros que comprei sobre o mundo de Data Science, mas acabei deixando de lado — muito por conta das leituras que faço para a faculdade e trabalho.</p><h3>Objetivo</h3><p>Neste review, vou abordar o conteúdo do livro, mas sem me aprofundar, mostrando minha opinião sobre ele, pontos positivos e negativos e, por fim, mostrando se você deve ou não comprá-lo. Afinal, estamos falando de um livro (versão física) de cerca de R$ 90.</p><h3>O Conteúdo</h3><p>O livro é dividido em três tópicos. O primeiro tópico, que é também a metade do livro, fala sobre a linguagem Python e tudo que é necessário saber para compreender os próximos dois tópicos, que abordam Machine Learning e um sistema visual para exploração de dados.</p><h4>Tópico 1: Python</h4><p>O primeiro tópico, como falei acima, ocupa metade do livro e o assunto é Python. Os autores abordam todos os pontos básicos para entender a linguagem. Vemos, por exemplo, como instalar o Python, ifs, for, while, funções lambda, etc.</p><h4>Tópico 2: Machine Learning</h4><p>No segundo tópico, somos introduzidos ao Machine Learning. Primeiro, nos mostram qual a diferença entre Ciência de Dados e Análise ou Engenharia de Dados. Também são mostrados diversos conceitos, como: Z-Score, métricas, matrizes, sobreajuste e sub-ajuste, entre outros. Após, somos introduzidos às bibliotecas mais utilizadas, como Pandas, NumPy, Matplotlib, etc., e então aos principais métodos de modelos supervisionados e não supervisionados, passando por vários métodos, desde Regressão Linear Simples até K-Nearest Neighbors (KNN).</p><h4>Tópico 3: Orange</h4><p>O terceiro (e mais aguardado) tópico, finalmente, nos mostra a ferramenta que resolve tudo proposto no livro, de forma visual e (quase) sem código. O sistema Orange é apresentado como solução para muitas situações de Análise Exploratória de Dados e de Machine Learning.</p><h3>A Minha Opinião</h3><p>A palavra que escolhi para esse livro é “<strong>Didática</strong>”. O objetivo deste livro é ser um material introdutório para o assunto de Data Science e, como está no próprio título, “descomplicado”. Mesmo já tendo uma boa base, me diverti muito lendo, pela forma como o conteúdo foi abordado, as soluções apresentadas e como os autores se preocuparam com os leitores leigos.</p><p>Único ponto que percebi falta de atenção na revisão foi no tópico 2, onde os códigos começam a ficar mais elaborados e, logo na introdução, nos é dito que a partir dali, toda alteração em código estará em <strong>negrito</strong>, o que na realidade não acontece. Os códigos são destacados, mas não todos, o que dificulta a leitura dinâmica e força a ler todo o código novamente para encontrar onde foi alterado de fato. Por eu ter conhecimento na estrutura do código, foi fácil encontrar onde estavam as alterações vindas da explicação anterior, mas o livro todo é voltado para pessoas mais leigas, e estas teriam dificuldade em entender o que foi alterado.</p><h3>Pontos Positivos e Negativos</h3><h4>Pontos Positivos</h4><p>Não poderia começar sem citar a didática dos autores. Livros técnicos muitas vezes gostam de ser “difíceis” e não poupam o uso de termos técnicos o tempo todo. Neste, os autores evitam focar nisso e, mesmo quando usam algum termo, pois realmente é necessário, vem logo uma caixa para explicar sobre ou uma anotação de rodapé (quando não exige tanta elaboração).</p><p>As imagens e descrições são outro ponto a se destacar; para toda explicação técnica, os autores colocam alguma para exemplificar, evitando que o leitor fique só na imaginação sobre o que estavam falando.</p><h4>Pontos Negativos</h4><p>Nenhum. Sim, eu trouxe um ponto de atenção no tópico dois, mas não consigo pensar nele como algo negativo do livro.</p><h3>Para Quem é Esse Livro?</h3><p>Este livro é super introdutório, vejo sendo útil para os mais iniciantes ou pessoas que precisam fazer algum trabalho com Exploração de Dados, mas não são da área. Vou deixar uma lista com os grupos que acho que devem ler, abaixo:</p><ul><li>Pessoas iniciantes na Ciência de Dados;</li><li>Pessoas fora da área que precisam analisar dados ou criar modelos de ML, como: <strong>Pessoas da Saúde, Economia, Serviço Social</strong>, etc.;</li><li>Pessoas Juniores em Dados que ainda não possuem uma base forte em ML;</li><li>Pessoas que querem aprender Python para usar Dados (não só análise, mas em outras áreas, como manipulação de mapas).</li></ul><p><strong>Aqui deixo uma indicação aos novatos em Ciências de Dados. Leiam esse livro antes de ler o “Data Science do Zero”. Sim, o livro “Hello World” do mundo do Data Science vem após ler este. Por mais que seja introdutório, exige um conhecimento prévio de termos técnicos para total compreensão, o que este livro te dará.</strong></p><p>Aqui termino o review deste livro, realmente ele foi um bom companheiro nos dias sem luz em casa, espero que este review seja útil para sua decisão de compra.</p><p>Você pode me encontrar <a href="https://www.linkedin.com/in/henrique-rohamann/">AQUI</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ffcb025c9fc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aprenda Ciência de Dados: Histogramas]]></title>
            <link>https://medium.com/@henriquerohamann/aprenda-ci%C3%AAncia-de-dados-histogramas-ed5a2007fdcb?source=rss-c41ce4f5796e------2</link>
            <guid isPermaLink="false">https://medium.com/p/ed5a2007fdcb</guid>
            <category><![CDATA[histograms]]></category>
            <category><![CDATA[aprendizado]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[gráficos]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Henrique Rohamann]]></dc:creator>
            <pubDate>Sat, 06 Jan 2024 19:27:29 GMT</pubDate>
            <atom:updated>2024-01-06T19:27:29.637Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/575/1*6UNgjc-JZN2gdwnUGsxU-w.png" /><figcaption>Exemplo de Histograma. Criação própria.</figcaption></figure><p>O <em>Histograma </em>é um gráfico de barras que representa a distribuição de frequência de um <em>conjunto de dados quantitativos</em>.</p><p>Para entender um histograma precisamos conhecer seus elementos.</p><h4>Barras</h4><p>Cada barra representa a frequência de um intervalo de valores, que chamamos de “<em>Bins</em>”. A altura da barra indica a quantidade de dados naquele intervalo.</p><p>Na imagem de introdução usei <em>bins = 20</em> na minha configuração de gráfico. Isso quer dizer, que os dados foram repartidos em 20 intervalos (colunas). Veja o mesmos dados, mas com configuração dos <em>bins </em>em 10.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/575/1*RX5rPz9E-aWafb9sIasOuQ.png" /><figcaption>Exemplo de Histograma com bins configurados em 10. Criação própria.</figcaption></figure><h4>Largura da Barra</h4><p>A largura da barra representa o intervalo dos dados. Em geral é representada com a mesma largura (mesmo intervalo), mas pode variar.</p><h4>Assimetria</h4><p>O formato do histograma pode representar assimetria da distribuição, podemos identificar olhando para sua “cauda”.</p><ul><li>Cauda mais longa para <strong>Esquerda</strong>: Índica <strong>Assimetria Negativa</strong>;</li><li>Cauda mais longa para <strong>Direita</strong>: Índica <strong>Assimetria Positiva</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lT2lvAhMV7gBpTmuNVsEMw.png" /><figcaption>Exemplo de Histograma com assimetria positiva e negativa. Criação própria.</figcaption></figure><blockquote>Obs: O gráfico usado no início desse post e no tópico de barras é chamado de simétrico ou com distribuição normal.</blockquote><h4>Moda, Média e Mediana</h4><p>A <em>moda</em>, <em>média </em>e <em>mediana </em>também tem um comportamento para cada tipo de distribuição.</p><ul><li><strong>Distribuição Normal</strong>: <em>Moda</em>, <em>média </em>e <em>mediana </em>estão centralizadas;</li><li><strong>Assimétrico Positivo</strong>: <em>Moda </em>se encontra mais ao centro<em>, </em>em seguida para direita a <em>mediana </em>e mais a direita a<em> média;</em></li><li><strong>Assimétrico Negativo</strong>: <em>Moda </em>se encontra mais ao centro<em>, </em>em seguida para esquerda a <em>mediana </em>e mais a esquerda a<em> média.</em></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*z0beP7kLj6NrItjHwgNmvg.png" /><figcaption>Exemplo de Histograma com assimetria positiva com local de moda, média e mediana. Criação própria.</figcaption></figure><blockquote>O termo em inglês e muito usado em literatura para se referir a assimetria positiva e negativa é “skewness”.</blockquote><h4>Distribuição Bimodal</h4><p>A distribuição bimodal acontece quando temos dois picos no histograma. Veja abaixo um exemplo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/854/1*X6_ffw6dpyagPyHUbqJmMA.png" /><figcaption>Exemplo de Histograma com distribuição bimodal. Criação própria.</figcaption></figure><p>Chegamos ao fim desse tema, se gostou do conteúdo por favor deixe deu “clap 👏”. Fique a vontade para deixar um comentário, vamos conversar 😺.</p><p>Está disponível <a href="https://github.com/h3nriq/histogramas">AQUI</a> o jupyter notebook que usei para criar os histogramas usados nesse post.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ed5a2007fdcb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aprenda Ciência de Dados: Medidas de Tendência Central]]></title>
            <link>https://medium.com/@henriquerohamann/aprenda-ci%C3%AAncia-de-dados-medidas-de-tend%C3%AAncia-central-4009b8547fb3?source=rss-c41ce4f5796e------2</link>
            <guid isPermaLink="false">https://medium.com/p/4009b8547fb3</guid>
            <category><![CDATA[tecnologia]]></category>
            <category><![CDATA[medium]]></category>
            <category><![CDATA[ciencia-de-dados]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[aprendizado]]></category>
            <dc:creator><![CDATA[Henrique Rohamann]]></dc:creator>
            <pubDate>Sat, 30 Dec 2023 13:01:41 GMT</pubDate>
            <atom:updated>2023-12-30T13:01:41.281Z</atom:updated>
            <content:encoded><![CDATA[<p>Oi pessoal, me chamo Henrique e este é o primeiro post da série “Aprenda Ciência de Dados”, onde vou trazer assuntos sobre a área de forma mais didática possível.</p><p>Como este é meu primeiro post no Medium vou trazer um breve resumo sobre quem sou. Meu nome é Henrique Rohamann e tenho 26 anos, trabalhei como desenvolvedor backend durante quase 4 anos e atualmente atuo como Cientista de Dados autônomo, atendendo principalmente empresas que prestam serviços a municípios.</p><p><strong>Deixo meu LinkedIn para vocês </strong><a href="https://www.linkedin.com/in/henrique-rohamann/"><strong><em>AQUI</em></strong></a><strong>!</strong></p><h3>Medidas de Tendência Central</h3><p>A <em>medida de tendencia central</em> é divida em três tipos: <strong><em>Moda</em></strong>, <strong><em>Média </em></strong>e <strong><em>Mediana</em></strong>. Vamos abordar cada uma separadamente.</p><h4>Moda</h4><p>A moda é a única medida possível para<strong> <em>variáveis qualitativas</em>, </strong>porém não é exclusiva a elas.</p><p><em>Moda </em>é a variável mais “encontrada” em um <em>conjunto de dados</em>. Vejamos o seguinte <em>conjunto de dados</em>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/381/1*Vnoz9ARG9-7PbthCBILVkg.png" /><figcaption>Tabela com dados de carros</figcaption></figure><p>Como podemos identificar a <strong><em>Moda</em></strong><em> </em>da coluna “<strong>Modelo</strong>”?</p><p>Primeiro vamos identificar as <strong><em>variáveis </em>únicas</strong> dentro da coluna “Modelo”:</p><ul><li>Prisma</li><li>A3</li><li>X1</li></ul><p>Agora vamos identificar quantas vezes cada <em>variável </em>aparece no nosso <em>conjunto</em>:</p><ul><li>Prisma — 02</li><li>A3–01</li><li>X1–01</li></ul><p>Com essa visualização ficou fácil de definirmos qual a <em>Moda </em>da coluna “<em>Modelo</em>” certo?! A resposta é “<strong>Prisma</strong>”, sendo a variável que mais apareceu no nosso conjunto.</p><p>Mas, e se o nosso <em>conjunto de dados</em> fosse diferente? E se o modelo “Prisma” também aparecesse somente uma vez, como os demais?</p><p>Então nosso conjunto de dados seria <strong><em>Amodal</em>. </strong>Podemos considerar <em>amodais </em>os <em>conjuntos de dados</em> onde não há nenhuma <em>variável </em>que se repita.</p><p>E nos casos contrários?! Onde todos as nossas <em>variáveis </em>dentro de “Modelo” aparecessem <strong>3 vezes</strong> cada?</p><p>Nestes casos, onde existem mais de uma <em>variável </em>que apareça na mesma quantidade de vezes, podemos chamar de <strong><em>Bimodal</em></strong>, <strong><em>Trimodal </em>ou M<em>ultimodal</em></strong>.</p><h4>Média</h4><p>A <em>média </em>é a soma de todas as variáveis de um <em>conjunto de dados</em>, dividido pela quantidade de <em>dados</em>. Vejamos o <em>conjunto de dados</em> a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/254/1*2BqYZW0rRAfnEr4h7qy2iQ.png" /><figcaption>Tabela contendo dados de alunos</figcaption></figure><p>Como faremos para calcular a <strong><em>Média </em></strong>entre as <strong><em>Notas </em></strong>dos alunos?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*BruKo163gA_FL4NaGPUsMg.png" /><figcaption>Notação somatória representando média simples</figcaption></figure><p>Primeiros vamos somar todos os valores: 7,5 + 10 + 8 + 9;</p><p>A seguir, vamos identificar qual o total de <em>dados</em>, neste caso são <strong>4;</strong></p><p>Agora vamos colocar os dados na função:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/273/1*8DK0ZYxhRwEe3S6B3GLqcA.png" /><figcaption>Conta matemática</figcaption></figure><p>Obtemos o valor aproximado de <strong>8,63</strong> ​​como a <em>média</em> das notas dos alunos.</p><h4>Mediana</h4><p>A <em>mediana </em>é o valor central de um <em>conjunto de dados</em>.</p><p>Nós podemos cálcular a <em>mediana </em>de duas formas:</p><ul><li>Mediana para <em>conjunto de dados </em><strong>IMPARES</strong>.</li><li>Mediana para <em>conjunto de dados </em><strong>PARES</strong>.</li></ul><p><strong>Mediana em Dados Impares</strong></p><p>Observe o seguinte conjunto de dados:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/292/1*ufDxk9WzZbNHMEfuQaxnnw.png" /><figcaption>Tabela contendo dados de salários</figcaption></figure><p>Como podemos calcular a <strong><em>mediana </em></strong>dos <strong><em>Salários?</em></strong></p><p><strong>Primeira coisa e a mais importante! </strong>Diferente das demais medidas, para calcularmos a <em>mediana </em>temos que <strong>ordenar as variáveis</strong>. Vejamos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/294/1*Bfdo8r7l8TckTizS0MPFPA.png" /><figcaption>Tabela contendo dados de salários ordenados de forma crescente</figcaption></figure><p>Ok, com as variáveis ordenadas podemos identificar a <em>mediana.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xW8ZbuynqvkkTx0EMJk4hg.png" /></figure><p>No exemplo acima identificamos a mediana visualmente, mas poderia achar esse valor com a seguinte equação, que dirá a posição em que a mediana se encontra.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/136/1*5dw5zglsL4Fn2jywUGSExw.png" /></figure><ul><li>Sendo <em>n </em>o número de total de variáveis.</li></ul><p>Substituindo <em>n </em>pela quatidade total de <em>variaveis</em>, no nosso caso<strong> 5.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/173/1*p7kIT1yhgzJzSYzPM09Q6Q.png" /></figure><p>A <em>variável </em>que corresponde a terceira posição no nosso conjunto de dados é <strong>R$ 110,00.</strong></p><blockquote>Aos desenvolvedores que podem estar acostumados a começar a contar do 0, neste caso não se aplica, e começamos a contar a partir do 1.</blockquote><p><strong>Mediana em Dados Pares</strong></p><p>Após ver como calcular a <em>mediana </em>em dados impares pode ter ficado confuso como calcular essa medida em dados pares, certo?! Afinal, não possuimos um valor central.</p><p>Mas a solução é muito mais simples que parece, vejamos o conjunto de dados:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/292/1*rF4sekUmbVuhhFnXFyEUOQ.png" /><figcaption>Tabela contendo dados de salários ordenados de forma crescente</figcaption></figure><p><strong>Aqui já temos nossos dados ordenados, mas sempre se lembre de ordena-los.</strong></p><p>Precisamos descobrir uma forma de equalizar os dados, para que tenha os mesmos valores para cada lado, vejamos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/870/1*qd307Lbj8SFlpQWQkJtBFw.png" /></figure><p>Observe como em cada extremidade ficou somente <strong>1</strong> valor, é este equilibrio que buscamos, restando <strong>2</strong> <em>variáveis </em>centrais.</p><p>A fórmula matemática para <em>mediana </em>de um <em>conjunto de dados </em>par é a seguinte:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/237/1*_xYhcNR_5kUHrOYAWJeKxA.png" /></figure><ul><li>Onde <em>n </em>continua sendo o valor total de <em>variáveis </em>no <em>conjunto</em>.</li></ul><p>Sabemos que o valor total de <em>variáveis </em>é <strong>4</strong>. Vamos completar a fórmula:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/218/1*EIUy0HtuVV7wCLZMKgC9jQ.png" /></figure><p>E a solução:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/398/1*Cn0uJSf7etc-cdvekkJ36g.png" /></figure><p><strong>Atenção aqui! </strong>A fórmula resulta na posição dos valores no nosso <em>conjunto de dados</em>, sendo <strong>2 </strong>e <strong>3</strong> as posições. Trocamos os valores das posições pelos seus valores correspondentes, <strong>100 </strong>e <strong>110</strong>, então resolvemos a fórmula, obtendo o valor de <em>mediana</em> <strong>105</strong>.</p><p>Se você chegou até aqui parabéns, agora você sabe tudo sobre Medidas de Tendência Central!! 👏👏</p><p>Convido a todos que chegarem até aqui a deixarem um <strong>“clap 👏”</strong> no post e algum <strong>comentário</strong> sobre o assunto ou como foi minha escrita, como falei no ínicio do post, este foi meu primeiro post aqui.</p><p><strong>Você também me encontra </strong><a href="https://www.linkedin.com/in/henrique-rohamann/"><strong>AQUI</strong></a><strong>.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4009b8547fb3" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>