<?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 Numerofobia on Medium]]></title>
        <description><![CDATA[Stories by Numerofobia on Medium]]></description>
        <link>https://medium.com/@numerofobia?source=rss-c186620acfea------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*6ZTqQmZhaWbE-XHCXEqnnw.jpeg</url>
            <title>Stories by Numerofobia on Medium</title>
            <link>https://medium.com/@numerofobia?source=rss-c186620acfea------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Mon, 16 Nov 2026 17:29:33 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@numerofobia/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[Como comparar os ganhos de várias ações ao longo do tempo?! — Análise de Dados Financeiros com R]]></title>
            <link>https://medium.com/meumesmo/como-comparar-os-ganhos-de-v%C3%A1rias-a%C3%A7%C3%B5es-ao-longo-do-tempo-an%C3%A1lise-de-dados-financeiros-com-r-7755886c7ad9?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/7755886c7ad9</guid>
            <category><![CDATA[r]]></category>
            <category><![CDATA[dados-financeiros]]></category>
            <category><![CDATA[mercado-financeiro]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Tue, 22 Jan 2019 14:32:50 GMT</pubDate>
            <atom:updated>2019-01-22T14:33:04.664Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/275/0*CvqQ_DMm_TrCsPkw.jpeg" /></figure><p>Nessa publicação aprenderemos como comparar os ganhos de várias ações ao longo do tempo utilizando a linguagem de programação, R. Coletaremos dados das empresas que a <a href="https://www.infomoney.com.br/onde-investir/acoes/noticia/7877751/bolsa-pode-chegar-a-125-mil-pontos-em-2019-e-essas-sao-as-melhores-acoes-para-investir-segundo-a-xp-">Infomoney </a>sugeriu que seriam boas para o ano de 2019. Essa será nossa primeira aplicação de uma série de publicações sobre Análise de Dados Financeiros.</p><p>Depois de ter escrito dois artigos sobre a utilização de técnicas de predições de preços (<a href="https://www.linkedin.com/pulse/qual-ser%C3%A1-o-pre%C3%A7o-do-bitcoin-nos-pr%C3%B3ximos-10-dias-lealdino-filho/">Preço do Bitcoin</a>, <a href="https://education.meumesmo.com.br/quanto-valerao-as-acoes-da-taurus-nos-proximos-quatro-anos-uma-analise-utilizando-r/">Preço das Ações da Taurus)</a>, percebi que esse assunto é muito interessante no ponto de vista prático e cotidiano. As análises realizadas anteriormente serviram como um “playground”, sem compromisso com a aplicação das técnicas em situações de investimentos reais. No entanto, desejo tratar de forma profissional as análises realizadas nessa série de publicações.</p><p>Uma questão comum quando investimos é comparar como nosso investimento se saiu com relação as outras ações em um horizonte de tempo determinado. Por exemplo, imagine que fizemos um investimento no dia 23/01/2017 no preço de fechamento da Petrobrás (PETR3.SA), Vale (VALE3.SA) e Ambev (ABEV3.SA). Note que os valores entre os parênteses são os “códigos” dos ativos na bolsa. Agora fazemos a pergunta: Qual desses investimentos foi melhor desde 23/01/2017 até hoje (21/01/2019), baseando-se somente pela apreciação dos preços?</p><p>Para implementar essa análise, precisamos monitorar a variação dos preços de cada ação no decorrer do tempo a partir de uma data de início (23/01/2017) para todas. Para o valor inicial, decidimos utilizar R$ 1,00 como ponto inicial, assim será mais fácil interpretar os valores nos gráficos como a mudança da taxa percentual no preço de cada ação. Esses gráficos são conhecidos como <em>Gráfico de preço normalizado.</em></p><h4>Importando os dados de cada ação</h4><p>Vamos utilizar o mesmo método do post anterior para importar os dados, utilizando a biblioteca quantmod. Faremos o download de todas as empresas citadas no artigo da <a href="https://www.infomoney.com.br/onde-investir/acoes/noticia/7877751/bolsa-pode-chegar-a-125-mil-pontos-em-2019-e-essas-sao-as-melhores-acoes-para-investir-segundo-a-xp-">Infomoney</a>, mais a da Ambev.</p><pre>library(quantmod)<br>library(dygraphs)<br><br>startdate &lt;- Sys.Date()-730<br>enddate &lt;- Sys.Date()<br><br>petrobras &lt;- getSymbols(&quot;PETR3.SA&quot;, from = startdate, to = enddate)<br>bancobrasil &lt;- getSymbols(&quot;BBAS3.SA&quot;, from = startdate, to = enddate)<br>bancobradesco &lt;- getSymbols(&quot;BBDC4.SA&quot;, from = startdate, to = enddate)<br>companhiadigital &lt;- getSymbols(&quot;BTOW3.SA&quot;, from = startdate, to = enddate)<br>lojasamericanas &lt;- getSymbols(&quot;LAME4.SA&quot;, from = startdate, to = enddate)<br>azul &lt;- getSymbols(&quot;AZUL4.SA&quot;, from = startdate, to = enddate)<br>vale &lt;- getSymbols(&quot;VALE3.SA&quot;, from = startdate, to = enddate)<br>gerdau &lt;- getSymbols(&quot;GGBR4.SA&quot;, from = startdate, to = enddate)<br>usiminas &lt;- getSymbols(&quot;USIM5.SA&quot;, from = startdate, to = enddate)<br>jbs &lt;- getSymbols(&quot;JBSS3.SA&quot;, from = startdate, to = enddate)<br>ambev &lt;- getSymbols(&quot;ABEV3.SA&quot;, from = startdate, to = enddate)<br><br>head(ABEV3.SA)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/731/0*0dJ3Q0EYJIWXZavX.png" /></figure><p>Podemos ver na imagem acima as informações recolhidas sobre a ação da Ambev.</p><h4>Combinar os dados em UM objeto de dados</h4><p>Para nossa análise, precisamos somente dos preços de fechamento para cada um dos dados que coletamos. Assim, guardamos somente a variável com o sufixo: “Close”. Começamos salvando a <em>PETR3.SA$PETR3.SA.Close</em> em um novo objeto de dados chamado <em>Close.Prices. </em>Depois, usamos o comando <em>cbind</em> para juntar todos os valores de todas as ações.</p><pre>Close.Prices &lt;- PETR3.SA$PETR3.SA.Close<br>Close.Prices &lt;- cbind(Close.Prices, BBAS3.SA$BBAS3.SA.Close, BBDC4.SA$BBDC4.SA.Close, BTOW3.SA$BTOW3.SA.Close, <br>                      LAME4.SA$LAME4.SA.Close, AZUL4.SA$AZUL4.SA.Close, VALE3.SA$VALE3.SA.Close, <br>                      GGBR4.SA$GGBR4.SA.Close, USIM5.SA$USIM5.SA.Close, JBSS3.SA$JBSS3.SA.Close,<br>                      ABEV3.SA$ABEV3.SA.Close)</pre><h4>Converter os dados em um data.frame</h4><p>Neste passo, convertemos os dados em um data.frame. Depois, renomeamos todas as variáveis no <em>multi.df</em> para torná-lo mais simples de usar. Também mudamos os índices para denotar o número da observação.</p><pre>multi.df &lt;- cbind(index(Close.Prices), data.frame(Close.Prices))<br>names(multi.df) &lt;- paste(c(&quot;date&quot;, &quot;PETR&quot;, &quot;BBAS&quot;, &quot;BBDC&quot;, &quot;BTOW&quot;, &quot;LAME&quot;, &quot;AZUL&quot;, &quot;VALE&quot;, &quot;GGBR&quot;, &quot;USIM&quot;, &quot;JBSS&quot;, &quot;ABEV&quot;))<br>rownames(multi.df) &lt;- seq(1, nrow(multi.df), 1)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/0*7asu1hJqzyK_YhOB.png" /></figure><h4>Calcular o preço normalizado de cada ação</h4><p>De acordo com Clifford (2014), quando pensamos na apreciação do capital normalmente pensamos em calcular a variação do preço em cada dia. Acumularíamos a variação de preços durante o período de tempo e isso seria o suficiente para comparar a performance das ações. No entanto, quando escrevemos programas, podemos chegar nos resultados desejados de forma mais simples. Podemos calcular a variação da porcentagem durante um período dividindo o preço naquele dia pelo preço na data inicial.</p><pre>multi.df$PETR.idx &lt;- multi.df$PETR/multi.df$PETR[1]<br>multi.df$BBAS.idx &lt;- multi.df$BBAS/multi.df$BBAS[1]<br>multi.df$BBDC.idx &lt;- multi.df$BBDC/multi.df$BBDC[1]<br>multi.df$BTOW.idx &lt;- multi.df$BTOW/multi.df$BTOW[1]<br>multi.df$LAME.idx &lt;- multi.df$LAME/multi.df$LAME[1]<br>multi.df$AZUL.idx &lt;- multi.df$AZUL/multi.df$AZUL[1]<br>multi.df$VALE.idx &lt;- multi.df$VALE/multi.df$VALE[1]<br>multi.df$GGBR.idx &lt;- multi.df$GGBR/multi.df$GGBR[1]<br>multi.df$USIM.idx &lt;- multi.df$USIM/multi.df$USIM[1]<br>multi.df$JBSS.idx &lt;- multi.df$JBSS/multi.df$JBSS[1]<br>multi.df$ABEV.idx &lt;- multi.df$ABEV/multi.df$ABEV[1]<br>options(digit = 5)                                                 <br>head(multi.df)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/938/0*8JFATRQ0fb0rzDjW.png" /></figure><h4>Plotando a apreciação de cada ação</h4><p>Visualizar os dados é sempre bom. Podemos entender muito sobre os dados quando os visualizamos de maneira correta. Vamos plotar os dados que possuem o sufixo .idx. Para isso, utilizaremos o comando <em>plot</em>. O gráfico requer uma variável x e outra y. Para o x, utilizaremos as datas. Para o y, utilizaremos as taxas. Escolhemos também o tipo de gráfico (type = “l”). Mudamos as legendas dos eixos usando os argumentos xlab e ylab.</p><pre>plot(x = multi.df$date,<br>     y = multi.df$PETR.idx,<br>     type = &quot;l&quot;,<br>     xlab = &quot;Data&quot;,<br>     ylab = &quot;Valor do Investimento (R$)&quot;,<br>     col = colores[1],<br>     lwd = 2,<br>     main = &quot;Valor de um real investido nas ações - 23/01/2017 a 21/01/2019&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/958/0*73jTuo1O7NfvKqWv.jpeg" /><figcaption>PETR3.SA</figcaption></figure><p>O próximo passo é plotar as linhas para cada uma das outras ações. Fazemos isso utilizando o comando <em>lines.</em></p><pre>lines(x=multi.df$date,<br>      y = multi.df$BBAS.idx,<br>      col = colores[2],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$BBDC.idx,<br>      col = colores[3],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$BTOW.idx,<br>      col = colores[4],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$LAME.idx,<br>      col = colores[5],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$AZUL.idx,<br>      col = colores[6],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$VALE.idx,<br>      col = colores[7],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$GGBR.idx,<br>      col = colores[8],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$USIM.idx,<br>      col = colores[9],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$JBSS.idx,<br>      col = colores[10],<br>      lwd = 2)<br>lines(x=multi.df$date,<br>      y = multi.df$ABEV.idx,<br>      col = colores[11],<br>      lwd = 2)</pre><p>Uma vez que o valor na data inicial foi normalizado para R$ 1,00, podemos traçar uma linha horizontal que denota o investimento inicial de um real. Essa linha nos ajuda, obviamente, separar os períodos em que as ações geraram ganho de capital e os períodos em que geraram perda de capital.</p><pre>abline(h=1, lty=1, col = &quot;black&quot;)</pre><p>Finalmente, inserimos a legenda das cores com o comando <em>legend.</em></p><pre>legend(&quot;topleft&quot;,<br>       c(&quot;PETR&quot;, &quot;BBAS&quot;, &quot;BBDC&quot;, &quot;BTOW&quot;, &quot;LAME&quot;, &quot;AZUL&quot;, &quot;VALE&quot;, &quot;GGBR&quot;, &quot;USIM&quot;, &quot;JBSS&quot;, &quot;ABEV&quot;),<br>       col = colores,<br>       lwd = 2)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/935/0*Ex3IlNwDXYXr9ZhO.jpeg" /></figure><h4>Consertando o intervalo dos valores normalizados</h4><p>Podemos notar que os valores de algumas ações desaparecem no gráfico. Isso acontece porque o gráfico segue os limites da primeira ação que plotamos (PETR). Assim podemos identificar o intervalo de todas as ações utilizando o comando <em>range.</em></p><pre>nona &lt;- na.omit(multi.df[, 13:22])<br>y.range &lt;- range(nona)<br>y.range</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/935/0*ERdQ0nw-8DUO8khL.jpeg" /></figure><p>O legal de um gráfico normalizado é poder interpretá-lo facilmente. Para cada valor inteiro do eixo y, temos um real a mais. Podemos ver que no início de 2018 a Gerdau (GGBR) valia aproximadamente <strong>R$ 2,00**</strong>. Podemos verificar com o gráfico que a Companhia Digital (BTOW) chegou a <strong>R$ 4,00**</strong> no início de 2019.</p><p><strong>**Preços normalizados.</strong></p><p>Por hoje é só! Se você tem alguma dúvida, sugestão ou correção, deixe nos comentários. Essa série de análise de dados financeiros abordará os seguintes conteúdos:</p><ul><li>Preços</li><li>Retornos Individuais</li><li>Retorno de Portfólio</li><li>Riscos</li><li>Modelos Fatoriais</li><li>Medidas de Performance de Portfólios</li><li>Otimização da Variância Média</li><li>Renda Fixa</li><li>Opções</li><li>Construindo um Portfólio Hipotético</li></ul><p>No entanto, o conteúdo será disponibilizado, semanalmente, somente por e-mail para os assinantes do blog. Por isso, inscreva-se já!</p><p>Junte-se a 856 outros assinantes</p><p>Endereço de e-mail</p><p><em>Originally published at </em><a href="https://education.meumesmo.com.br/como-comparar-os-ganhos-de-varias-acoes-ao-longo-do-tempo-analise-de-dados-financeiros-com-r/"><em>Meu Mesmo</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7755886c7ad9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/meumesmo/como-comparar-os-ganhos-de-v%C3%A1rias-a%C3%A7%C3%B5es-ao-longo-do-tempo-an%C3%A1lise-de-dados-financeiros-com-r-7755886c7ad9">Como comparar os ganhos de várias ações ao longo do tempo?! — Análise de Dados Financeiros com R</a> was originally published in <a href="https://medium.com/meumesmo">Meu Mesmo</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quanto valerão as ações da Taurus nos próximos quatro anos? — Uma análise utilizando R]]></title>
            <link>https://medium.com/@numerofobia/quanto-valer%C3%A3o-as-a%C3%A7%C3%B5es-da-taurus-nos-pr%C3%B3ximos-quatro-anos-uma-an%C3%A1lise-utilizando-r-6881d3d25eec?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/6881d3d25eec</guid>
            <category><![CDATA[bolsonaro]]></category>
            <category><![CDATA[ações]]></category>
            <category><![CDATA[armas]]></category>
            <category><![CDATA[mercado-de-ações]]></category>
            <category><![CDATA[armamento]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Wed, 16 Jan 2019 15:34:25 GMT</pubDate>
            <atom:updated>2019-01-16T19:54:30.011Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TnOpizmyah2DsD94.jpg" /></figure><p>Depois do presidente, Jair Bolsonaro, no dia 15/01/2019, assinar a medida que facilita a posse de armas no Brasil, <a href="https://g1.globo.com/economia/noticia/2019/01/15/acao-da-forjas-taurus-despenca-apos-bolsonaro-assinar-decreto-que-facilita-compra-de-armas-entenda.ghtml">os preços das ações da Taurus</a> tiveram uma brusca queda no final do dia. No entanto, eu pensava que isso faria com que os preços das ações da empresa aumentassem. Nessa publicação tentaremos avaliar quanto valerão as ações da Taurus nos próximos quatro anos.</p><p>Vamos realizar uma análise técnica e tentar predizer os valores futuros das ações. Começaremos carregando os pacotes necessários para a análise:</p><pre>library(quantmod)<br>library(stringr)<br>library(plotly)<br>library(PerformanceAnalytics)</pre><p>Comecei minha análise obtendo os retornos diários com o método log, das ações da Taurus, de seis meses atrás até o dia atual (14/01/2019). O símbolo da Taurus é <strong>FJTA4.SA</strong></p><pre>startdate &lt;- Sys.Date()-180<br>enddate &lt;- Sys.Date()<br><br>Taurus4 &lt;- getSymbols(&#39;FJTA4.SA&#39;, src = &quot;yahoo&quot;, from = startdate, to = enddate)<br><br>FJTA_log_returns &lt;-  FJTA4.SA %&gt;%Ad()%&gt;%dailyReturn(type=&#39;log&#39;)</pre><h4>Análise Técnica</h4><p>O primeiro gráfico mostra o preço das ações da Taurus dentro do período especificado (19/07/2018–14/01/2019).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*w_CzXQCEVAYH1FL2.jpeg" /></figure><p>O segundo gráfico mostra as bandas de Bollinger, a % de mudança de Bollinger, o Volume negociado e Média móvel:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*B1z9Er-G3SaFPuH6.jpeg" /></figure><p>A média móvel é importante para entender os gráficos técnicos da Taurus. Ela suaviza as flutuações dos preços diários e é efetiva em identificar as tendências potenciais.</p><p>As Bandas de Bollinger mostra dois desvios padrões da média móvel e são utilizadas para medir a volatibilidade dos preços. O gráfico dos volumes mostra como as ações são negociadas durante o dia. O gráfico de média móvel dá “sinais” para venda e compra. A regra de base é: Se os preços caem abaixo da linha, é hora de vender. Se sobem acima da linha, é hora de comprar :)</p><p>Os gráficos acima são, normalmente, utilizados para vender/comprar ações. Mas não levem em consideração essa análise para fazer isso.</p><h4>Comparações</h4><p>O presidente também se pronunciou sobre tirar o monopólio da Taurus e possivelmente, realizar negociações com fabricantes estrangeiros. Assim, vamos ver como as ações das empresas: <strong>American Outdoor Brand </strong>(NASDAQ:AOBC), <strong>Sturm, Ruger</strong> (NYSE:RGR) e <strong>Vista Outdoor</strong> (NYSE:VSTO), se comportam.</p><p>Primeiro comparamos o risco/retorno de cada ação. Para isso, pegamos a média do retorno log e o desvio padrão do retorno log. Assumimos a média como a taxa consistente de retorno enquanto o desvio padrão é o risco inerente a compra da ação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/0*GZpKNlKjUt8jfDk7" /><figcaption>Risco eixo X, Recompensa eixo Y</figcaption></figure><p>A empresa Vista Outdoor (VSTO) possui o menor risco, enquanto que a Sturm, Ruger (RGR), possui o menor retorno. Agora, se você é uma pessoa que gosta de correr riscos, a Taurus (FJTA) possui o maior risco e o maior retorno.</p><p>Um princípio popular em investir é diversificar seus investimentos: Não coloque todos os seus ovos em uma única cesta. Quando você compra ações, deveria tentar comprar aquelas que possuem correlação baixa porque você quer maximizar a taxa de retorno.</p><pre>library(PerformanceAnalytics)<br><br>data&lt;-cbind(diff(log(Cl(FJTA4.SA))),diff(log(Cl(AOBC))),diff(log(Cl(RGR))),diff(log(Cl(VSTO))))<br><br>chart.Correlation(data)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*wZQFLMsZiZ2hMzp7.jpeg" /></figure><p>A American Outdoor Brand (AOBC) e a Taurus (FJTA4) são as que possuem menor correlação (-0.015) enquanto a AOBC e a RGR são as que possuem a maior correlação (0.53).</p><h4>Predição de Preços</h4><p>Finalmente, para tentar predizer os preços da Taurus (FJTA4) utilizamos os métodos: Passeio Aleatório (Random Walk) e Monte Carlo.</p><p>O Passeio Aleatório é uma técnica interessante para predizer preços de ações por que é fundamentada na ideia de que as performances anteriores não são indicadores de resultados futuros e a flutuação dos preços não podem ser preditas com acurácia.</p><p>Simulamos os preços da Taurus (FJTA4) para 252*4 dias (Uma vez que um ano possui ~252 dias de negociações). São 4 anos de negociações e também de governo bolsonarista.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*g6SEeIcgdva1BCzx.jpeg" /></figure><p>O gráfico acima mostra os preços simulados para ~1000 dias. A simulação de preços depende da “semente” (seed) do processo aleatório. Para ter ideia de uma predição mais estável, precisamos simular utilizando o método Monte Carlo, onde os preços são simulados repetidamente para maior acurácia.</p><pre>N&lt;-500<br>mc_matrix&lt;-matrix(nrow=252*4,ncol=N)<br>mc_matrix[1,1]&lt;-as.numeric(FJTA4.SA$FJTA4.SA.Adjusted[length(FJTA4.SA$FJTA4.SA.Adjusted),])<br><br>for(j in 1:ncol(mc_matrix)){<br>  mc_matrix[1,j]&lt;-as.numeric(FJTA4.SA$FJTA4.SA.Adjusted[length(FJTA4.SA$FJTA4.SA.Adjusted),])<br>  for(i in 2:nrow(mc_matrix)){<br>    mc_matrix[i,j]&lt;-mc_matrix[i-1,j]*exp(rnorm(1,mu,sig))<br>  }<br>}<br><br>name&lt;-str_c(&quot;Sim &quot;,seq(1,500))<br>name&lt;-c(&quot;Day&quot;,name)<br><br>final_mat&lt;-cbind(1:(252*4),mc_matrix)<br>final_mat&lt;-as.tibble(final_mat)<br>colnames(final_mat)&lt;-name<br><br>dim(final_mat) #1008 501<br><br>final_mat%&gt;%gather(&quot;Simulation&quot;,&quot;Price&quot;,2:501)%&gt;%ggplot(aes(x=Day,y=Price,Group=Simulation))+geom_line(alpha=0.2)+labs(title=&quot;TAURUS: 500 Monte Carlo Simulations for 4 Years&quot;)+theme_bw()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/0*rDp2X-y0pvLlZTng.jpeg" /></figure><p>O gráfico acima não é muito intuitivo, assim finalizamos as descobertas verificando os <a href="https://pt.wikipedia.org/wiki/Quantil">quantis</a> dos preços da Taurus depois de quatro anos.</p><pre>final_mat[500,-1]%&gt;%as.numeric()%&gt;%quantile(probs=probs)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/663/0*EpA40vwccDO2opoO.png" /></figure><p><strong>Não utilize minhas conclusões para realizar seus investimentos</strong>, mas os preços da Taurus em quatro anos podem figurar a casa dos milhões ou no mínimo, valer R$7,92. :P</p><p>Fonte: <a href="https://towardsdatascience.com/analyzing-stocks-using-r-550be7f5f20d">Analyzing Stocks Using R</a></p><p>Obrigado, por ler até aqui! Se inscreva na nossa newsletter para receber mais conteúdo. Twitter: @pedrolealdino</p><p>Endereço de e-mail</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6881d3d25eec" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como escolher um modelo de Machine Learning? — Machine Learning com H2O — Parte 3]]></title>
            <link>https://medium.com/@numerofobia/como-escolher-um-modelo-de-machine-learning-machine-learning-com-h2o-parte-3-e06293316753?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/e06293316753</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[inteligência-artificial]]></category>
            <category><![CDATA[r]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[classificação]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Tue, 15 Jan 2019 17:40:25 GMT</pubDate>
            <atom:updated>2019-01-15T17:40:39.894Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*S_tJs4tUXAG0z5Zw.jpg" /></figure><p>Na publicação de hoje veremos como escolher um modelo de Machine Learning utilizando o autoML do framework H2O. Na <a href="https://education.meumesmo.com.br/machine-learning-com-h2o-parte-2/">publicação anterior</a>, vimos como criar um modelo de Deep Learning para classificar flores de acordo com o tamanho de suas sépalas e pétalas. Vimos que o modelo apresentou uma acurácia de 96% no conjunto de testes.</p><p>No entanto, se quisermos utilizar outros modelos, qual escolher?!</p><p>Existem diversos modelos disponíveis (Random Forest, Modelos Lineares, Gradient Boosting, Suport Vector Machines, etc.), os quais podem ter performances diferentes para resolver seu problema.</p><p>Para facilitar essa tarefa, é possível utilizar uma ferramenta chamada AUTOML, presente no framework H2O. Vamos utilizar os mesmos dados da <a href="https://education.meumesmo.com.br/machine-learning-com-h2o-parte-2/">publicação anterior</a>, pois estão prontos para criar os modelos.</p><h4>Importando os dados</h4><pre>h2o.init(nthreads = -1, max_mem_size = &quot;6g&quot;)<br>datasets &lt;- &quot;https://raw.githubusercontent.com/DarrenCook/h2o/bk/datasets/&quot;<br>data &lt;- h2o.importFile(paste0(datasets,&quot;iris_wheader.csv&quot;))<br><br>h2o.describe(data)<br><br>y &lt;- &quot;class&quot;<br>x &lt;- setdiff(names(data), y)<br><br>parts &lt;- h2o.splitFrame(data, 0.8)<br><br>train &lt;- parts[[1]]<br>test &lt;- parts[[2]]</pre><p>Iniciamos a instância do H2O, utilizando todos os núcleos do processador e utilizando 6 GB de memória. Importamos os dados, definimos a variável dependente (resposta) “y” e as variáveis independentes “x”. Dividimos os dados em 80% para treinamento e 20% para testes.</p><h4>Definindo a coleção de modelos</h4><pre>automodel &lt;- h2o.automl(x, y, train, max_runtime_secs = 60)</pre><p>Criamos a variável <em>automodel</em> que vai armazenar os modelos. Utilizamos a função <em>h2o.automl()</em> passando como parâmetros: as variáveis independentets, a variável resposta, os dados de treinamento e quantos segundos no máximo para rodar a busca pelo modelo.</p><p>Para acessar os melhores modelos, chamamos o objeto: <em>automodel@leaderboard</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/0*1iNYEdPWSCxK4WMd" /></figure><p>Podemos perceber na figura que o melhor modelo para a classificação foi um <a href="https://en.wikipedia.org/wiki/Gradient_boosting">Gradient Boosting.</a></p><h4>Realizando as predições com o Modelo de Machine Learning</h4><p>Para realizar as predições com o melhor modelo, chamamos a função <em>h2o.predict(automodel@leader, test).</em></p><pre>predictions2 &lt;- h2o.predict(automodel@leader, test)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/0*5Bp_Pua0nuElQ3yB.png" /></figure><p>E para verificar a performance do modelo:</p><pre>h2o.performance(audomodel@leader, test)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/0*WbP55LHJTmkM-KOg" /></figure><p>Obtemos uma acurácia de 96% com o modelo escolhido a partir da tabela de líderes.</p><h4>Conclusão</h4><p>Não entramos no detalhamento das medidas de erro, em como a função escolhe os modelos, quais os modelos disponíveis dentro do framework, porque estou preparando um curso sobre Machine Learning utilizando R.</p><p>No entanto, podemos ver que utilizar funções, como a <em>autoML</em> do pacote H2O, pode facilitar o processo de escolha do Modelo de Machine Learning. Ela mostra um primeiro caminho a seguir, sendo uma ferramenta muito útil na sua Toolbox para Ciência de Dados.</p><p>Em Abril lançarei um curso de 3 meses, totalmente online, sobre Machine Learning na prática, utilizando a linguagem de programação R. Utilizaremos dados reais para para exercitar os conteúdos aprendidos durante o curso e fortalecer nossas habilidades com fundamentos fortes. Se você tem interesse em realizar o curso, se inscreva abaixo para receber mais detalhes.</p><p>Endereço de e-mail</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e06293316753" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning com H2O — Parte 2]]></title>
            <link>https://medium.com/@numerofobia/machine-learning-com-h2o-parte-2-ffc61515b920?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/ffc61515b920</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[ciência-de-dados]]></category>
            <category><![CDATA[r]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Fri, 11 Jan 2019 13:35:18 GMT</pubDate>
            <atom:updated>2019-01-11T13:35:32.729Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Xh_gmjU6u5MSuz9U.png" /></figure><h4>Uma rapidinha bem Deep…</h4><p>Perdoem-me pelo trocadilho, mas continuando a nossa série sobre Machine Learning com H2O, vamos desenvolver um modelo de predição para o nosso DataSet das flores para determinar a espécie de acordo com as variáveis disponíveis. <a href="https://education.meumesmo.com.br/machine-learning-com-h2o-parte-1/">Na publicação anterior</a>, vimos como instalar o pacote H2O e como importar os dados para nossa análise.</p><pre>library(h2o)<br>h2o.init(nthreads = -1, max_mem_size = &quot;6g&quot;)<br>datasets &lt;- &quot;https://raw.githubusercontent.com/DarrenCook/h2o/bk/datasets/&quot;<br>data &lt;- h2o.importFile(paste0(datasets,&quot;iris_wheader.csv&quot;))</pre><h4>Preparando os dados</h4><p>Na real, os dados que utilizamos nesse exemplo já estão preparados. Mas a vida nem sempre vai ser assim tão fácil, bro! O processo de tratamento dos dados pode ser a maior dor de cabeça em um projeto de Ciência de Dados.</p><p>Bom, vamos dar uma olhada nos dados que acabamos de importar, para isso, usamos o comando: <em>h2o.describe(data)</em> .</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/681/0*Xqa021eX8quzWAub.png" /><figcaption>Descrição dos dados — Iris</figcaption></figure><p>Nós temos um problema de <strong>classificação</strong>, quero dizer, a nossa variável resposta: <em>class</em>, é discreta e, refere-se ao tipo de flor que desejamos prever. Para problemas de classificação, o tipo de variável em um dataset, importado no h2o, deve ser <em>enum.</em></p><p>Definimos então nossa variável <em>y </em>com o nome da variável que desejamos encontrar:</p><pre>y &lt;- &quot;class&quot;</pre><p>Definimos as variáveis que utilizaremos para construir o modelo. Ou seja, todas elas, menos a variável <em>class.</em></p><pre>x &lt;- setdiff(names(data), y)</pre><p>Agora, dividimos o nosso dataframe (que não é do tipo dataframe) nos “pedaços” que servirão de treinamento e teste. Utilizaremos 80% dos dados para treinamento e 20% para teste.</p><pre>parts &lt;- h2o.splitFrame(data, 0.8)<br>train &lt;- parts[[1]]<br>test &lt;- parts[[2]]</pre><h4>Criando nosso modelo de Deep Learning</h4><p>Lembrando que isso é uma demonstração super básica da potencialidade do framework h2o, criaremos um modelo de deep learning com uma linha de código. O framework decidirá todos os parâmetros. Para isso:</p><pre>modelDL &lt;- h2o.deeplearning(x, y, train)</pre><p>No código acima, estocamos nosso modelo na variável <em>modelDL</em>, dizemos ao framework que queremos um modelo de deep learning definindo as variáveis independentes (x), a variável resposta (y) e quais são os dados que utilizamos para treinar o modelo (train).</p><h4>Realizando as Predições</h4><p>Depois de termos criado nosso modelo, realizaremos as predições nos dados que separamo para testes.</p><pre>prediction &lt;- h2o.predict(modelDL, test)</pre><p>Para saber como nosso modelo se saiu, podemos criar uma matriz de confusão para verificar os resultados.</p><pre>h2o.performance(modelDL, test)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/630/0*dR7r5ZSnYBLamt5j.png" /></figure><p>Podemos perceber na matriz que o modelo errou uma classificação, representando 96% de acurácia.</p><h4>Conclusão</h4><p>Esse foi um breve exemplo utilizando o framework h2o para criar um modelo de Deep Learning para classificação.</p><p>Esse framework fornece uma vasta gama de modelos para diferentes objetivos. Na próxima publicação, mostrarei como utilizar o AutoML (Machine Learning automático) para definir, automaticamente, qual modelo utilizar em uma tarefa de ML.</p><p>Qualquer questão, dúvida ou sugestão, deixe nos comentários. E se inscreva na nossa newsletter para receber atualizações.</p><p>Endereço de e-mail</p><p><a href="https://github.com/meumesmostudio/H2O_serie">O código completo dessa demonstração se encontra no Github.</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ffc61515b920" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como publicar fotos no Instagram diretamente de seu navegador.]]></title>
            <link>https://medium.com/@numerofobia/como-publicar-fotos-no-instagram-diretamente-de-seu-navegador-7632db1727d2?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/7632db1727d2</guid>
            <category><![CDATA[ferramentas]]></category>
            <category><![CDATA[digital-marketing]]></category>
            <category><![CDATA[instagram]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Wed, 09 Jan 2019 16:26:43 GMT</pubDate>
            <atom:updated>2019-01-09T16:27:01.123Z</atom:updated>
            <content:encoded><![CDATA[<iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FM4UpPZws-8U%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DM4UpPZws-8U&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FM4UpPZws-8U%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="640" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/6cd0a921668bdf9c7662cc749284ea97/href">https://medium.com/media/6cd0a921668bdf9c7662cc749284ea97/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7632db1727d2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning com h2o — Parte 1]]></title>
            <link>https://medium.com/@numerofobia/machine-learning-com-h2o-parte-1-9130858fb6a?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/9130858fb6a</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[análise-de-dados]]></category>
            <category><![CDATA[r]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Wed, 09 Jan 2019 13:27:52 GMT</pubDate>
            <atom:updated>2019-01-09T13:28:04.319Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*U_F-H4u6VdaB1MMa.png" /></figure><p>Se você começou com a ciência de dados, em algum momento você vai ouvir sobre Machine Learning e vai se encantar com todas as possibilidades que essa prática oferece. Com o softare H2O, você pode realizar projetos de Machine Learning e Análise de Dados usando um framework open source que é fácil de utilizar, tem um vasto suporte de linguagens e sistemas operacionais, e pode ser utilizado em grande escala. Nessa série de publicações mostrarei, de maneira muito breve, como utilizar algoritmos do H2O, focando na produtividade.</p><p>Se você está familiarizado com o R ou Python, sabe um pouco de estatística e tem alguma experiência em manipulação de dados, vai ser muito fácil acompanhar os passos mostrados aqui. É importante que você tenha o R e o Java JDK instalados.</p><h4>Instalando o H2O com o R (CRAN)</h4><p>Inicie o R, e digite <em>install.packages(“h2o”)</em>. Super simples assim, tipo, bem simples mesmo.</p><p>Vamos verificicar se nossa instalação funcionou, digite <em>library(h2o).</em> Então, digite <em>h2o.init()</em>. Se tudo estiver corretamente instalado e for o seu dia de realizações incríveis, você verá uma tela cheia de coisas, mais ou menos como a da figura a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/0*YI6YygWo1Vfu2FlA.png" /><figcaption>Rodando o h2o.init() no R</figcaption></figure><p>O comando <em>h2o.init()</em> vai utilizar somente dois núcleos da sua máquina e talvez um quarto da sua memória, por padrão. Use <em>h2o.shutdown()</em> para desligar o cluster. Realize novamente os comandos, mas desta vez utilize o parâmetro: <em>h2o.init(nthreads = -1),</em> para utilizar todos os núcleos disponíveis. E para utilizar a quantidade de memória desejada: <em>h2o.init(nthreads = -1, max_mem_size = “6g”).</em></p><h4>Importando os dados</h4><p>Agora que temos tudo instalado, vamos fazer alguma coisa de útil com isso. Vamos utilizar o clássico exemplo do “Iris Data Set”. É um conjunto de 150 observações de plantas, com quatro variáveis (tamanho e largura de cada sépala e pétala) e a espécie a qual pertence. Existem três espécies representadas, com 50 observações cada.</p><p>Bora lá!</p><pre>library(h2o)<br>h2o.init(nthreads = -1)<br>datasets &lt;- &quot;https://raw.githubusercontent.com/DarrenCook/h2o/bk/datasets/&quot;<br>data &lt;- h2o.importFile(paste0(datasets,&quot;iris_wheader.csv&quot;))</pre><p>No código acima iniciamos o cluster h2o e importamos os dados. Para descrevê-los, utilizamos o comando : <em>h2o.describe(data)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/701/0*k1M9pw75832TC7WO.png" /></figure><p>A figura acima mostra as variáveis que temos em nosso data set, o tupo de cada uma e algumas estatísticas. Nas próximas publicações daremos continuidade ao nosso pequeno experimento em Machine Learning.</p><p>Esse tutorial é adaptado do livro: <a href="http://shop.oreilly.com/product/0636920053170.do"><em>Practical Machine Learning with h2o</em></a>, do Darren Cook.</p><p>Iscreva-se em nossa newsletter para não perder nenhum conteúdo. Abraço!</p><p>Subscribe to our mailing list</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9130858fb6a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quais são as hipocrisias mais proferidas por eleitores do Bolsonaro?]]></title>
            <link>https://medium.com/@numerofobia/quais-s%C3%A3o-as-hipocrisias-mais-proferidas-por-eleitores-do-bolsonaro-97c2676469ce?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/97c2676469ce</guid>
            <category><![CDATA[análise-de-texto]]></category>
            <category><![CDATA[tidytext]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Tue, 30 Oct 2018 13:50:51 GMT</pubDate>
            <atom:updated>2018-11-02T12:36:15.386Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/550/0*fS1uGcJQNlaH75sJ.jpg" /></figure><p>Quem pensou que as redes sociais estariam livres de batalhas políticas depois da eleição de Jair Bolsonaro para presidente do Brasil, no último domingo (28/10), estava enganado. Plataformas sociais e digitais, que antes serviam para compartilhar nossas vidas maravilhosas e citações de Clarice Lispector, hoje servem para disseminar nosso pior comportamento contra a opinião alheia.</p><p>Petralhas de um lado, contra Bolsominions de outro. Apelidos carinhosos, dados para todos, independente das visões ou grau de participação política. Eu ainda prefiro comedores de pão com mortadela e comedores de coxinha. Mesmo que seja injusto, porque as duas iguarias são demasiadamente boas para serem comparadas com política.</p><p>Nessa publicação realizo uma outra análise de discurso a partir de tweets. Na <a href="https://education.meumesmo.com.br/analise-do-discurso-dos-candidatos-fernando-haddad-e-jair-bolsonaro">análise anterior</a>, observamos os textos dos próprios candidatos e mostramos quais foram os termos mais utilizados por eles durante seus últimos dias de campanha.</p><p>Hoje, dois dias depois da eleição, uma hashtag estava nos trending topics do Twitter: (#meubolsominionsecreto). Essa hashtag faz alusão ao fato de que, normalmente, eleitores do Bolsonaro utilizam valores conservadores para definir seu partidarismo e elevar sua vaidade, mas tropeçam em seu comportamento na vida real. Por exemplo:</p><p><strong><em>[1] “#meubolsominionsecreto se diz a favor da família mas manteve uma amante por anos e tem 3 filhos fora do casamento frutos de traição”</em></strong></p><p>Claro que isso não é um comportamento exclusivo de eleitores do Bolsonaro. Quero dizer, não é porque sou eleitor de um, ou de outro, que eu posso ter um aval para exaltar meu comportamento imoral, em detrimento de alguém que comete erros. Em outras palavras, não é porque eu sou eleitor de qualquer adversário do Bolsonaro que eu possa ser isento de imoralidade me comportando como a frase exemplificada.</p><h4>Coletando os dados</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/882/0*eHUDjmV6XP_ahbJc.png" /></figure><p>Coletei 10893 tweets que continham a hashtag, #meubolsominionsecreto, para saber quais são as palavras e argumentos mais utilizados pelos eleitores para defenderem seu posicionamento. No gráfico acima vemos o pico de tweets com a # depois do dia da eleição. Foram mais de 40 mil tweets com a hashtag.</p><pre>library(rtweet)<br>tweets &lt;- search_tweets(&quot;#meubolsominionsecreto&quot;, n= 40000, include_rts = FALSE, retryonratelimit = TRUE)</pre><p>Podemos visualizar o relacionamento entre as palavras simultaneamente, assim, arranjamos as palavras em um grafo. No gráfico a seguir vemos as combinações que acontecem mais do que 20 vezes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/959/0*5ucHZzMP9zdgRMD9" /></figure><p>Não sei se a imagem está legível em seu navegador, mas aconselho que a amplie para ver as conexões. É muito interessante ver que padrões distintos aparecem várias vezes, evidenciando a incoerência do discurso conservador com as atitudes reais, tais como:</p><ul><li>homem casado</li><li>fuma maconha</li><li>bandido morto</li><li>filho gay</li><li>diz cristão</li><li>sonega imposto</li><li>cheira pó</li></ul><p>Essas ligações mostram a fragilidade de nossos argumentos quando o assunto é família, religião e sociedade. Eis algumas das frases completas, você pode ver por si mesmo colocando a hashtag na caixa de buscas do Twitter:</p><p><strong><em>[1] “É o meu irmão mais velho, homofóbico (mesmo eu sendo hétero) sofro discriminação por apoiar a causa, já xingou pessoas com problemas psicológicos (tipo esquizofrenia e bipolar) já tentou agredir o pai e bate em mulher (já tentou me matar) já me bateu mt #meubolsominionsecreto</em></strong>”</p><p><strong><em>[1] “#meubolsominionsecreto é jovem , diz que mulher tem que ser de Deus pra casar , que ele homem de bem , porém adora fumar um loló na calçada da rua e comer viado de 40 anos.”</em></strong></p><p><strong><em>[1] “#meubolsominionsecreto já traiu o marido mas espalha fake news a favor da família tradicional brasileira. Vive pedindo para um amigo nosso levar um beck para o rolê mas acha que bandido bom é bandido morto. Vai entender?”</em></strong></p><p>Da mesma maneira, para ter uma visão mais abrangente dos termos mais utilizados, construímos uma nuvem de palavras para melhor visualização.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Cy2xfBFvNrXMU-71.jpeg" /></figure><h4>Conclusão</h4><p>É importante saber que comportamentos imorais podem não ser classificados imorais por todo mundo. Nossa moral depende, fortemente, de nossas experiências e lugar onde vivemos. Por isso, nossas “certezas” morais não abrem espaço, nem dão permissão para ferir e agredir pessoas que gostariam de viver em um mundo diferente. Isso vale para os dois lados do espectro.</p><p>Concluindo, as redes sociais são uma fonte importante de dados sobre o comportamento humano. Com apenas uma hashtag, pudemos entender quais são os tipos de argumento utilizados para defender uma posição. Saber tais informações dá uma força incrível para construir uma campanha, pois saberei dirigir meus discursos para sustentar o desejo de meus eleitores.</p><p><strong>Observação: Essa é uma análise textual. Não se comprova a veracidade dos fatos pelas pessoas que utilizaram a hashtag. Contudo, a quantidade de bigramas &gt; 20, mostra que um mesmo padrão de relações entre as palavras está presente.</strong></p><p>Se você quiser saber como as análises são feitas, com o código fonte, se inscreva na nossa newsletter ❤ . Vou preparar um conteúdo exclusivo para assinantes sobre ciências de dados utilizando o R.</p><p>Subscribe to our mailing list</p><p>Deixe nos comentários sua opinião sobre essa análise. O texto foi publicado sem revisões, se você encontrar erros, ou quiser sugerir alterações e aprimoramentos, sinta-se à vontade. Siga-me no Twitter:</p><p><a href="https://twitter.com/pedrolealdino?ref_src=twsrc%5Etfw">Follow @pedrolealdino</a></p><p>Para terminar, deixo um discurso do Obama após as eleições presidenciais dos EUA.</p><h3>Quebrando o Tabu on Twitter</h3><p>A fala de Barack Obama após a vitória de Donald Trump serve muito bem para nós agora. &quot;Acima de tudo, estamos todos no mesmo time.&quot; https://t.co/a0NQ1uSfPY</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=97c2676469ce" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise do discurso dos candidatos, Fernando Haddad e Jair Bolsonaro]]></title>
            <link>https://medium.com/@numerofobia/an%C3%A1lise-do-discurso-dos-candidatos-fernando-haddad-e-jair-bolsonaro-fdd52667235?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/fdd52667235</guid>
            <category><![CDATA[análise-de-texto]]></category>
            <category><![CDATA[google-cloud]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Sat, 27 Oct 2018 16:32:46 GMT</pubDate>
            <atom:updated>2018-11-02T12:34:47.143Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*pDz011aqg1A7BvOw.jpg" /></figure><p>Nessa publicação, analisaremos os Tweets dos candidatos à Presidência da República: Fernando Haddad e Jair Bolsonaro utilizando a linguagem de programação, R.</p><p>Uma das disciplinas mais interessantes das ciências de dados é Processamento de Linguagem Natural. Basicamente, tentamos dar sentido quantitativo para discursos, frases e palavras. Muitos avanços foram realizados e hoje, muitas marcas se utilizam desse recurso para avaliar a opinião de seus clientes sobre suas empresas. Afinal, quem nunca xingou a conta de uma marca em suas redes sociais!? Pois é, saber a opinião das pessoas pode ser muito valioso para desenvolver suas estratégias de marketing.</p><p>No entanto, imagine a quantidade de informações que essas marcas têm que lidar. Ler opinião por opinião levaria muito tempo. É por isso que ferramentas quantitativas podem dar um bom indício de como sua marca está se comportando no mercado. Para exemplificar a utilização desse tipo de análise, vamos avaliar o discurso de duas pessoas que estão em evidência nas mídias sociais: Fernando Haddad e Jair Bolsonaro.</p><p>As contas do Twitter desses dois indivíduos são uma fonte rica para análise. Então, vamos lá. Para realizar o estudo, coletamos 3198 tweets do Haddad e 1592 tweets do Bolsonaro. O número de Tweets varia por causa da API utilizada.</p><h4>Com que frequência os candidatos publicam no Twitter?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/843/0*MBx3iaeNmG3CIjxd.jpeg" /></figure><p>A linha vermelha no gráfico representa o candidato, Fernando Haddad e a azul, Jair Bolsonaro. Podemos ver um pico de publicações do candidato pelo PT nos dias próximos à votação do primeiro turno. É sabido que as nossas redes sociais também servem como plataforma para propaganda política. Amanhã, dia 28/10/2018, acontecerá o segundo turno, a quantidade de publicações aumentará consideravelmente.</p><h4>Quais são as palavras mais utilizadas por cada candidato?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/771/0*CpD9qKskU4FA6s0V.jpeg" /></figure><p>No gráfico anterior colocamos correlação de cada palavra dita pelos candidatos e sua frequência. As palavras que aparecem abaixo da linha vermelha foram ditas mais vezes por Bolsonaro, e as palavras acima da linha vermelha foram ditas mais vezes por Haddad. Observe bem a distribuição das palavras e deixe nos comentários suas conclusões sobre esse gráfico.</p><p>As palavras que estão mais próximas da linha vermelha possuem igual distribuição para ambos os presidenciáveis.</p><p>Para melhor visualizar, criaremos uma nuvem de palavras para cada um deles. O objetivo de tal gráfico é colocar em evidência as palavras com maior frequência em relação às outras.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/0*K2e7o0NVAbrz7aQK.png" /><figcaption>Nuvem de Palavras — Bolsonaro</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/0*qQWrYyUzPLFIY52j.png" /><figcaption>Nuvem de Palavras — Haddad</figcaption></figure><p>Nos gráficos de nuvens acima, podemos observas as palavras mais frequentes nos tweets dos candidatos. A nuvem de palavras do Haddad é mais completa porque seus tweets contém mais texto do que os tweets do Bolsonaro.</p><h4>Quais são as palavras negativas e positivas mais comuns dos dois candidatos?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Hs1vIZwmK4hqtIh0.jpeg" /><figcaption>Polaridade de Sentimentos — Bolsonaro</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*WnZxa_W-3rDGuzLC.jpeg" /><figcaption>Polaridade de Sentimentos — Haddad</figcaption></figure><p>Nos gráficos acima podemos observar quais são as dez palavras que mais contribuem para a análise da polaridade de sentimentos. As colunas em vermelho mostram as palavras negativas, e as azuis, positivas. É interessante salientar que existem palavras em comum entre os candidatos, tais como: “melhor, liberdade, apoio”, mas estão colocadas em níveis diferentes de influência.</p><h4>Quais palavras são mais prováveis para cada candidato?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/946/0*4g1O98091qaefXD8.jpeg" /></figure><p>O gráfico acima representa as chances de cada palavra ser proferida por um candidato ou outro. Em azul, Haddad, e em vermelho, Bolsonaro. Por exemplo: Se você escolher a palavra, “Universidade”, é muito mais provável que ela apareça em um tweet do candidato, Haddad. Se você escolher a palavra, “Presidiário”, é muito mais provável que ela apareça em um tweet do candidato, Bolsonaro.</p><h4>Conclusão</h4><p>Observando a distribuição das palavras para cada candidato, não encontramos nenhuma surpresa de acordo com aquilo que já sabemos e percebemos de seus discursos e propostas de governo. A nuvem de palavras do Haddad oferece muito mais conteúdo sobre sua proposta, no entanto, sabemos que o Lula é parte muito forte do seu discurso, o que na minha opinião, ainda cria uma resistência enorme para que as pessoas indecisas acabem votando nele.</p><p>A nuvem do Bolsonaro apresenta palavras que mostram a importância do Brasil como nação. Sempre agradece o apoio de seus eleitores e coloca em evidência seu posicionamento contra a esquerda.</p><p>Sobre a análise de sentimentos, existem diversas formas de observar e fazer conclusões sobre os dados. Essa análise é só uma pequena amostra do que podemos fazer, observando quantitativamente os dados textuais dos candidatos. Os detalhes técnicos para a realização dessa publicação não são mostrados para facilitar a leitura daqueles que não estão familiarizados com linguagem de programação. Mas se você tem interesse em ter acesso ao código, inscreva-se na nossa newsletter ❤ .</p><p>Subscribe to our mailing list</p><p>A métodologia de análise foi realizada de acordo com o livro: Silge, J., &amp; Robinson, D. (2017). <em>Text mining with R: A tidy approach</em>. “ O’Reilly Media, Inc.”.</p><p>Tentei ser imparcial na análise, mas acredito que minha escolha para presidente tenha deixado a conclusão com viés. Por isso, te encorajo a olhar os gráficos e fazer suas próprias conclusões. Deixe nos comentários suas observações. Isso poderá contribuir para uma construção crítica e democrática de dados tão interessantes.</p><p>Se você tem alguma sugestão ou crítica, deixe nos comentários. Ficarei feliz em responder. Tenha um ótimo final de semana.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fdd52667235" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Function Hero]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@numerofobia/function-hero-b6a1c0f2a6f5?source=rss-c186620acfea------2"><img src="https://cdn-images-1.medium.com/max/1912/1*3jtgNI-1mOcubRwLNnQ_gA.jpeg" width="1912"></a></p><p class="medium-feed-snippet">Um jogo de matem&#xE1;tica que vai fazer voc&#xEA; dan&#xE7;ar!</p><p class="medium-feed-link"><a href="https://medium.com/@numerofobia/function-hero-b6a1c0f2a6f5?source=rss-c186620acfea------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@numerofobia/function-hero-b6a1c0f2a6f5?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/b6a1c0f2a6f5</guid>
            <category><![CDATA[education]]></category>
            <category><![CDATA[games]]></category>
            <category><![CDATA[education-technology]]></category>
            <category><![CDATA[mathematics]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Sun, 01 Jul 2018 10:40:06 GMT</pubDate>
            <atom:updated>2018-07-01T11:38:14.377Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[A CARA DO BRASIL EM 2050 — Animando o desenvolvimento da estrutura populacional no R]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@numerofobia/a-cara-do-brasil-em-2050-animando-o-desenvolvimento-da-estrutura-populacional-no-r-f6a3c9bd0091?source=rss-c186620acfea------2"><img src="https://cdn-images-1.medium.com/max/2048/0*OlpWGBsHC7_6vI8U.jpg" width="2048"></a></p><p class="medium-feed-link"><a href="https://medium.com/@numerofobia/a-cara-do-brasil-em-2050-animando-o-desenvolvimento-da-estrutura-populacional-no-r-f6a3c9bd0091?source=rss-c186620acfea------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@numerofobia/a-cara-do-brasil-em-2050-animando-o-desenvolvimento-da-estrutura-populacional-no-r-f6a3c9bd0091?source=rss-c186620acfea------2</link>
            <guid isPermaLink="false">https://medium.com/p/f6a3c9bd0091</guid>
            <category><![CDATA[estatísticas]]></category>
            <category><![CDATA[animação]]></category>
            <category><![CDATA[r]]></category>
            <category><![CDATA[estrutura-populacional]]></category>
            <dc:creator><![CDATA[Numerofobia]]></dc:creator>
            <pubDate>Mon, 12 Mar 2018 23:20:14 GMT</pubDate>
            <atom:updated>2018-03-12T23:20:23.350Z</atom:updated>
        </item>
    </channel>
</rss>