Sugestão de aula de Matemática para o Ensino Médio Integrado da Fundação de Apoio à Escola Técnica. Produzido pela Diretoria de Desenvolvimento da Educação Básica e Técnica/FAETEC.
Radiciação, simplificação de radicais, operações com radicais (adição, subtração, multiplicação, divisão, potenciação e radiciação) , racionalização de radicais. Relação de exercícios. Conteúdo completo sobre radicais para o 9 ano e ensino médio.
Sugestão de aula de Matemática para o Ensino Médio Integrado da Fundação de Apoio à Escola Técnica. Produzido pela Diretoria de Desenvolvimento da Educação Básica e Técnica/FAETEC.
Radiciação, simplificação de radicais, operações com radicais (adição, subtração, multiplicação, divisão, potenciação e radiciação) , racionalização de radicais. Relação de exercícios. Conteúdo completo sobre radicais para o 9 ano e ensino médio.
Aprenda de forma bem objetiva as principais estruturas de dados disponíveis no Python: listas, tuplas, set, dicionário, pilha e fila. Conheça também primitivas de programação funcional como list comprehension, map, reduce, filter sorted entre outros.
Avaliação de impacto em Ciência, Tecnologia e InovaçãoRoberto de Pinho
Curso a elaborado a pedido do CNPq com participação de:
Dr. Eduardo Viotti
Dra. Sofia Daher
Dra. Tatiana Maranhão
Novembro e Dezembro, 2020
Roberto de Pinho
Esta é uma tradução do documento elaborado para The Latin America and the Caribbean Scientific Data Management Workshop. Original em: https://www.slideshare.net/RobertodePinho/towards-a-scientific-data-policy
Towards a Scientific Data Policy
@ Panel 4: Infrastructure, training and funding of Scientific Data initiatives
April, 18th, 2018
The Latin America and the Caribbean Scientific Data Management Workshop
This is a written recount of the presentation, based on my recollection of it – or perhaps how I wish I have said it. Phrasing is adapted.
Published originally at http://lacworkshop.icsu-wds.org/programme
Indicadores de políticas públicas e métricas de software: uma visão em paraleloRoberto de Pinho
Material da Disciplina "Metodologia de Análise e Solução de Problemas - MASP" ministrada nos MBA em Gestão de Projetos e Mba Em Gestão da Informação da Universidade Salvador - 2003 a 2010 (material da edição de 2010). (4/4)
Material da Disciplina "Metodologia de Análise e Solução de Problemas - MASP" ministrada nos MBA em Gestão de Projetos e Mba Em Gestão da Informação da Universidade Salvador - 2003 a 2010 (material da edição de 2010). (3/4)
Metodologia de Análise e Solução de Problemas (MASP)Roberto de Pinho
Material da Disciplina "Metodologia de Análise e Solução de Problemas - MASP" ministrada nos MBA em Gestão de Projetos e Mba Em Gestão da Informação da Universidade Salvador - 2003 a 2010 (material da edição de 2010). (1/4)
Material da Disciplina "Metodologia de Análise e Solução de Problemas - MASP" ministrada nos MBA em Gestão de Projetos e Mba Em Gestão da Informação da Universidade Salvador - 2003 a 2010 (material da edição de 2010). (2/4)
Aula elaborada a convite para a disciplina
D.9 - INFORMAÇÕES E INDICADORES EM CT& I da Especialização em Gestão de Políticas de Ciência, Tecnologia e Inovação – ENAP / Maio 2018
Professor: Regina Gusmão e Eduardo Viotti
Evolução e perspectivas dos investimentos em CTI no BrasilRoberto de Pinho
Material para aula na Especialização em Gestão de Políticas de Ciência, Tecnologia e Inovação na Escola Nacional de Administração Pública - ENAP, a convite do Prof. Dr. Eduardo Viotti. Atualização em 27/nov/2017
Exemplos de exercícios de análise de dados são usados como caminho para falar sobre:
a. mineração e visualização de dados;
b. pacote estatístico R;
c. indicadores;
d. o papel da computação e da estatística na era dos dados abertos e do "big data".
Key words of Brazilian science
Word clouds formed by the 50 most frequent words in the titles of the 87 thousand doctorate dissertations approved in Brazil between 1996 and 2008
Roberto Dantas de Pinho
Ministry of Science, Technology and Innovation
Eduardo Viotti
University of Brasilia, Center for Sustainable Development
Dados abertos: dados pessoais e anonimização de bases" no II Encontro Naciona...Roberto de Pinho
Palestra "Dados abertos: dados pessoais e anonimização de bases" na trilha Privacidade no II Encontro Nacional de Dados Abertos ( http://2.encontro.dados.gov.br/encontro.html )
Este certificado confirma que Gabriel de Mattos Faustino concluiu com sucesso um curso de 42 horas de Gestão Estratégica de TI - ITIL na Escola Virtual entre 19 de fevereiro de 2014 a 20 de fevereiro de 2014.
As classes de modelagem podem ser comparadas a moldes ou
formas que definem as características e os comportamentos dos
objetos criados a partir delas. Vale traçar um paralelo com o projeto de
um automóvel. Os engenheiros definem as medidas, a quantidade de
portas, a potência do motor, a localização do estepe, dentre outras
descrições necessárias para a fabricação de um veículo
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...Faga1939
Este artigo tem por objetivo apresentar como ocorreu a evolução do consumo e da produção de energia desde a pré-história até os tempos atuais, bem como propor o futuro da energia requerido para o mundo. Da pré-história até o século XVIII predominou o uso de fontes renováveis de energia como a madeira, o vento e a energia hidráulica. Do século XVIII até a era contemporânea, os combustíveis fósseis predominaram com o carvão e o petróleo, mas seu uso chegará ao fim provavelmente a partir do século XXI para evitar a mudança climática catastrófica global resultante de sua utilização ao emitir gases do efeito estufa responsáveis pelo aquecimento global. Com o fim da era dos combustíveis fósseis virá a era das fontes renováveis de energia quando prevalecerá a utilização da energia hidrelétrica, energia solar, energia eólica, energia das marés, energia das ondas, energia geotérmica, energia da biomassa e energia do hidrogênio. Não existem dúvidas de que as atividades humanas sobre a Terra provocam alterações no meio ambiente em que vivemos. Muitos destes impactos ambientais são provenientes da geração, manuseio e uso da energia com o uso de combustíveis fósseis. A principal razão para a existência desses impactos ambientais reside no fato de que o consumo mundial de energia primária proveniente de fontes não renováveis (petróleo, carvão, gás natural e nuclear) corresponde a aproximadamente 88% do total, cabendo apenas 12% às fontes renováveis. Independentemente das várias soluções que venham a ser adotadas para eliminar ou mitigar as causas do efeito estufa, a mais importante ação é, sem dúvidas, a adoção de medidas que contribuam para a eliminação ou redução do consumo de combustíveis fósseis na produção de energia, bem como para seu uso mais eficiente nos transportes, na indústria, na agropecuária e nas cidades (residências e comércio), haja vista que o uso e a produção de energia são responsáveis por 57% dos gases de estufa emitidos pela atividade humana. Neste sentido, é imprescindível a implantação de um sistema de energia sustentável no mundo. Em um sistema de energia sustentável, a matriz energética mundial só deveria contar com fontes de energia limpa e renováveis (hidroelétrica, solar, eólica, hidrogênio, geotérmica, das marés, das ondas e biomassa), não devendo contar, portanto, com o uso dos combustíveis fósseis (petróleo, carvão e gás natural).
Em um mundo cada vez mais digital, a segurança da informação tornou-se essencial para proteger dados pessoais e empresariais contra ameaças cibernéticas. Nesta apresentação, abordaremos os principais conceitos e práticas de segurança digital, incluindo o reconhecimento de ameaças comuns, como malware e phishing, e a implementação de medidas de proteção e mitigação para vazamento de senhas.
1. Prof. Dr. Roberto Dantas de Pinho, roberto.pinho@mct.gov.br
Este curso tomou como base material dos profs.
Dr. Paulo Justiniano Ribeiro Jr (UFPR) e
Dr. Cosme Marcelo Furtado Passos da Silva (FIOCRUZ)
1
2. Um primeira Salvando seu
sessão com o R trabalho
Objetos Manipulando
Entrada de dados dados
Agora que temos Somas e
os dados... agregações
Algumas análises Regressão linear
Filtragem e seleção E muitas outras coisas
ao longo do caminho
2
3. Você pode usar o R para avaliar algumas
expressões aritméticas simples. Digite:
1 + 2 + 3
2 + 3 * 4
3/2 + 1
4 * 3**3
O R é uma ambiente e uma linguagem
6
4. O ambiente R permite que você envie
comandos e veja seus resultados
imediatamente
A linguagem R é composta pelo conjunto de
regras e funções disponíveis que podem ser
executados no ambiente R.
Você pode juntar sequências de comandos
em scripts para uso posterior
7
5. Um série de funções estão disponíveis. Alguns
exemplos simples:
sqrt(2) 2
abs(-10) 10
sin(pi) sin( )
pi é uma constante do R, seu valor já é definido
8
6. Resultados, dados de entrada , tabelas, etc
são armazenados no R em Objetos
Objetos possuem um nome, conteúdo , um
tipo e são armazenados na memória. Ex.
Criar o objeto “x” contendo o número 10:
x <- 10
Exibir o conteúdo de x:
x
No R, abc é diferente de ABC
9
7. Experimente:
X <- sqrt(2)
<- e = são equivalentes.
Y = sin(pi)
Z = sqrt(X+Y)
Nos exemplos acima, X, Y e Z armazenam os
resultados das respectivas operações
No R, sempre existem muitas
formas de fazer a mesma coisa.
Vamos focar sempre em uma.
10
8. Qual o valor de C ao final da sequência de
comandos abaixo?
A = 1
B = 2
C = A + B
A = 5
B = 5
Por quê?
11
13. Objeto que armazena múltiplos dados de um
único tipo
A função c( ) (“c” de concatenar ou de
conjunto) permite agrupar valores para
formar um vetor:
X = c(1,3,6)
Para acessar elementos do vetor:
X[1] X[3]
16
14. Operações aritméticas e funções podem ser
aplicadas a todo um vetor. Ex.
X = c(1,3,5)
Y = c(10,20,30)
X+Y
11 23 35
sum(X)
9
E X + 100 ?
101 103 105 pela Lei da reciclagem
17
15. Quando o tamanho pedido por uma operação
é diferente dos dados disponíveis, os dados
existentes são repetidos até completar o
necessário.
Como X tem 3 elementos, X+100 é o
mesmo que X + c(100,100,100)
18
23. “matriz” com várias dimensões. Ex. com 3 dim.:
ar1 <- array(1:24, dim = c(3, 4, 2))
, , 1
1ª matriz
[,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12 Para um array de 3 dimensões,
você pode entender a 3ª
, , 2 dimensão como uma coleção de
matrizes.
[,1] [,2] [,3] [,4]
[1,] 13 16 19 22
[2,] 14 17 20 23 2ª matriz
[3,] 15 18 21 24
26
24. Como trabalhar com coisas assim?
Ano Código do Órgão
UF Órgão Código da UO unidade orçamentária função subfunção programa ação
localizador descrição da ação valor P&D valor ACTC
Adm
direta e MODERNIZAÇÃO DO SISTEMA DE
2010 AC 1 indireta 1 Adm direta e indireta 19 121 2056 1548 PLANEJAMENTO E GESTÃO DA SDCT R$ - R$ 16.655,00
PROGRAMA DE COOPERAÇÃO TÉCNICA E
Adm FINANCEIRA COM INSTIT. NAC. INTERN.
direta e GOVERNAMENTAIS E NÃO
2010 AC 1 indireta 1 Adm direta e indireta 19 121 2056 1549 GOVERNAMENTAIS R$ - R$ 715.000,00
Adm
direta e MANUTENÇÃO DO GABINETE DO SECRETÁ
2010 AC 1 indireta 1 Adm direta e indireta 19 122 2009 2224 RIO R$ - R$ 27.732,11
Adm
direta e
2010 AC 1 indireta 1 Adm direta e indireta 19 122 2009 2227 DEPARTAMENTO DE GESTÃO INTERNA R$ - R$ 2.266.169,90
27
25. colnames(d) [1] "letra" "num" "valor"
Cada coluna tem o seu tipo
d = data.frame(letters[1:4], 1:4, 10.5)
letters.1.4. X1.4 X10.5
1 a 1 10.5 Na maior parte do
2 b 2 10.5 tempo usaremos
3 c 3 10.5 data.frames
4 d 4 10.5
Podemos mudar o nome das colunas:
colnames(d) = c("letra","num", "valor")
colnames(d)
[1] "letra" "num" "valor“
d$valor # seleciona a coluna “valor” de d
28
29. require(XLConnect)
Carrega o pacote XLConnect
Pacotes são conjuntos de funções e dados
que adicionam funcionalidades ao R.
Se o pacote não estiver instalado:
setInternet2() #somente no windows
install.packages("XLConnect", dep=T)
32
30. Cria um objeto “wb” que aponta para o
arquivo excel:
wb <-
loadWorkbook(“AC_PDACTCaula.xls”)
33
31. Carrega os dados da primeira planilha (“aba”)
em um objeto chamado “plan1”
plan1 <- readWorksheet(wb, sheet = 1)
As funções no R identificam os parâmetros
As funções no R
identificam os
pela ordem parâmetros pela
Ou utilizando o
nome do
ordem parâmetro
34
32. Mostra a estrutura do objeto criado:
str(plan1) str() funciona para qualquer
objeto do R. É muito útil.
Mostra os dados carregados em uma janela:
View(plan1)
No RStudio, você pode clicar em
um objeto na lista de objetos
35
33. args(readWorksheet) #mostra parâmetros
function (
object, #o workbook “wb”
sheet, #número ou nome da
“aba”/planilha
startRow, #linha inicial da importação
startCol, #col. inicial da importação
endRow, #linha final da importação
endCol, #col. final da importação
header # T ou F: usar primeira
linha para dar nome às
colunas )
36
34. Comma-separated values: valores separados por
vírgula
Formato de arquivo muito comum para troca de
dados
;
São comuns outros separadores: <tab> <espaço>
Exemplo:
uf ano valido somaactc somapd
AC 2009 1 34296430.67 3630841.04
AC 2010 1 29397712.04 3579715.12
AL 2009 1 12650160.51 8903714.41
37
35. Exemplo:
uf ano valido somaactc somapd
AC 2009 1 34296430,67 3630841,04
AC 2010 1 29397712,04 3579715,12
AL 2009 1 12650160,51 8903714,41
Para ler este arquivo:
d = read.csv(file="AgregaUF20110930_b.txt",
header=T, # usa primeira linha como cabeçalho
sep="t", # separador de valores é <tab>
dec="," # separador decimal é vírgula
)
38
38. Como fazer a soma de uma coluna de um
data.frame?
sum(data.frame$coluna)
sum(d$somapd)
[1] NA
41
39. NA Not Available
denota dados faltantes. Note que deve utilizar
maiúsculas.
NaN Not a Number
denota um valor que não é representável por um
número.
Inf e -Inf
mais ou menos infinito.
Tente: c(-1,0,1)/0
42
49. Quem ganha acima da mediana
acimamediana = milsa[ salario >
median(salario), ]
Quais são os casados com nível superior?
casadoEsuperior = milsa[
civil==“casado” & instrucao ==
“Superior”, ]
E: ambas as condições
devem ser verdadeiras
52
50. Quais são os casados ou quem tem nível
superior?
casadoOUsuperior = milsa[
civil==“casado” | instrucao ==
“Superior”, ]
OU: pelo menos uma
das condições deve ser
verdadeira
53
51. NÃO
milsaLimpo=milsa[!is.na(salario), ]
Em português:
Nova tabela milsaLimpo
É igual =
Tabela antiga milsa
Selecione [
Linhas
Salário não é NA ! is.na(salario)
e todas as colunas , ]
54
52. QUANTOS são os casados?
sum(civil==“casado”)
ou
table(civil)["casado"]
QUANTOS são os casados e tem nível superior?
sum(civil==“casado” & instrucao
== “Superior” )
table(civil,instrucao)["casado",
"Superior"]
55
53. milsaNovo é igual a milsa, sem as
linhas 1,2 e 5 e sem as colunas 1 e 8:
milsaNovo =
milsa[-c(1,2,5), -c(1,8)]
56
54. Quais linhas atendem à
condição
sup = which(instrucao=="Superior“)
[1] 19 24 31 33 34 36
Posso usar depois:
mean(milsa[sup,”salario”])
Média salarial dos que tem nível superior
vantagem: não cria cópia!!
57
55. Uma amostra aleatória de 10 elementos
de milsa:
amostra =
sample(x=nrow(milsa),size=10)
[1] 12 29 1 3 17 14 26 33 20
31
Média salarial da amostra:
mean(milsa[amostra,”salario”])
58
56. Em ordem de número de filhos:
milsa[order(filhos),]
Decrescente:
milsa[order(filhos, decreasing=T),]
Em ordem de número de filhos e depois por idade:
milsa[order(filhos,ano),]
Ver os 10 mais novos:
head(milsa[order(ano),], 10)
Ver os 10 mais velhos:
tail(milsa[order(ano),], 10)
59
57. Apagando um objeto
rm(milsaNovo) ls() : lista de
Apagando tudo objetos correntes
rm(list = ls())
60
58. Objetos do tipo lista são coleções que podem conter
objetos de tipos diferentes.
lis = list(A=1:10, B=“Texto”,
C = matrix(1:9,ncol=3)
São muito utilizadas na passagem de parâmetros para
funções ou nos resultados de funções.
lis[1:2]
uma lista com os dois primeiros itens de lis (A e B)
lis[[1]]:
objeto armazenado na primeira posição da lista ( o conteúdo
de A). O mesmo que lis$A
61
59. Para salvar todos os objetos:
save.image(“arquivo.RData”)
Para salvar alguns objetos:
save( x, y,
file=“arquivo.RData”)
Carregando:
load(“arquivo.RData“)
Vários “load”: os objetos com
nomes distintos se acumulam
62
60. Salvar um script “.R” que reproduza os passos
feitos.
Vantagem: Além de servir de documentação da
criação da base, incorpora alterações na base, se
houver.
Modelo híbrido:
Resultados intermediários que requerem muito tempo
processamento pode ser salvos em imagem. Ex.
agregação de dados de empregados por empresa
63
61. Criando uma coluna em um data.frame:
milsa$idade =
milsa$ano + milsa$mes/12
64
68. Registros com correspondência :
merge(x=milsa,
y=tabInst,by.x="instrucao", by.y="desc“,
all=F)
Todos os registros da tabela X:
merge(x=milsa,
y=tabInst,by.x="instrucao", by.y="desc",
all.x=T)
71
69. Todos os registros da tabela y:
merge(x=milsa,
y=tabInst,by.x="instrucao", by.y="desc",
all.y=T)
Todos os registros das tabela x e y:
merge(x=milsa,
y=tabInst,by.x="instrucao",
by.y="desc", all=T)
72
70. De texto para número
d.f$novaColuna = as.numeric(d.f$coluna)
De número para texto:
d.f$novaColuna=as.character(d.f$coluna)
De texto ou número para inteiro:
d.f$novaColuna = as.integer(d.f$coluna)
Inteiros economizam memória
73
71. Representação de variáveis qualitativas
Nominais
▪ “casado”, “solteiro”
Ordinais Fatores economizam memória
▪ “alto”, “baixo”
Economizam espaço de memória
Tratamento apropriado para este tipo de
variável pelas funções do R
74
73. De fator para texto:
d.f$novaColuna =
as.character(d.f$colunaFator)
De fator para número:
d.f$novaColuna =
as.numeric(
as.character(d.f$colunaFator))
A representação interna de um
fator é diferente do seu texto
76
74. Para:
m1 <- matrix(1:12, ncol = 3)
Soma das colunas (um valor para cada coluna):
colSums(m1)
[1] 10 26 42
Ou
apply(m1,2,sum)
[1] 10 26 42
77
75. Soma das linhas (um valor para cada linha):
rowSums(m1)
[1] 15 18 21 24
Ou
apply(m1,1,sum)
[1] 15 18 21 24
Posso usar
qualquer função.
Até próprias
78
76. aggregate(salario ~ instrucao,
data = milsa, mean)
instrucao salario
1 1oGrau 7.836667
2 2oGrau 11.528333
3 Superior 16.475000
79