terça-feira, 23 de setembro de 2025

Análise das chances de classificação para as semifinais da Copa Libertadores 2025

Análise das chances de classificação para as semifinais da Copa Libertadores 2025

A edição de 2025 da Copa Libertadores entrou em sua fase decisiva. De acordo com o calendário da CONMEBOL, os jogos de ida das quartas de final foram disputados entre 16 e 18 de setembro de 2025, e os confrontos de volta acontecerão de 23 a 25 de setembro de 2025. Utilizando os resultados de ida e algumas estatísticas básicas do torneio, elaboramos uma projeção das chances de cada clube avançar às semifinais.

Para estimar essas probabilidades, aplicamos um modelo simples que considera a vantagem obtida no jogo de ida (diferença de gols) e o fator casa para o segundo jogo. As partidas decisivas são disputadas em ida e volta, sem gol qualificado; em caso de empate na soma dos placares, a vaga é definida nos pênaltis. Assim, um time que venceu por dois gols de diferença e atuará fora de casa na volta ainda tem boa margem, enquanto uma vitória por um gol com mando invertido deixa a disputa mais equilibrada. O resultado final do modelo é uma probabilidade aproximada, com o objetivo de orientar torcedores e não substituir análises mais complexas ou apostas.

Resumo dos jogos de ida

Confronto (ida) Placar da ida Data da volta Probabilidade de classificação
LDU Quito (EQU) x São Paulo (BRA) LDU 2 × 0 São Paulo 25/09/2025 LDU Quito ≈ 81,8%; São Paulo ≈ 18,2%
Vélez Sarsfield (ARG) x Racing (ARG) Vélez 0 × 1 Racing 23/09/2025 Racing ≈ 81,8%; Vélez ≈ 18,2%
Flamengo (BRA) x Estudiantes (ARG) Flamengo 2 × 1 Estudiantes 25/09/2025 Flamengo ≈ 62,2%; Estudiantes ≈ 37,8%
River Plate (ARG) x Palmeiras (BRA) River Plate 1 × 2 Palmeiras 24/09/2025 Palmeiras ≈ 81,8%; River Plate ≈ 18,2%

Análises por confronto

LDU Quito x São Paulo

O primeiro jogo, disputado na altitude de Quito, terminou com vitória da LDU Quito por 2 × 0. O atacante paraguaio Álex Arce, autor de dois gols na competição até aqui, foi um dos destaques do time equatoriano, que soube aproveitar a altitude e a pressão da torcida. O São Paulo, por sua vez, precisará reverter a desvantagem em casa e aposta nos gols de André Silva, que já marcou quatro vezes no torneio. Com dois gols de vantagem, o time equatoriano pode até perder por um gol no Morumbi e ainda se classificar. De acordo com nosso modelo, a LDU tem cerca de 81,8 % de chance de avançar, enquanto o Tricolor paulista fica com aproximadamente 18,2 % de probabilidade.

Vélez Sarsfield x Racing

O clássico argentino das quartas de final teve vitória do Racing por 1 × 0 fora de casa. O artilheiro do torneio, Adrián Martínez, chegou a sete gols marcados e foi decisivo no triunfo em Liniers. Para a partida de volta, em Avellaneda, o Racing terá a vantagem de jogar com sua torcida e ainda poder empatar para avançar. Assim, o “La Academia” possui cerca de 81,8 % de probabilidade de classificação, enquanto o Vélez, que precisará vencer por pelo menos um gol para levar a decisão aos pênaltis, aparece com 18,2 %.

Flamengo x Estudiantes

No Maracanã, o Flamengo venceu o Estudiantes por 2 × 1 e abriu pequena vantagem antes da viagem para La Plata. O time carioca contou com boa atuação de seus atacantes e tem o artilheiro reserva José Manuel López, do Palmeiras, como rival na tabela de goleadores, mas ainda precisa confirmar a vaga fora de casa. O Estudiantes, por sua vez, confia na eficiência de Maher Carrizo, que marcou gols em várias fases da Libertadores. Como o placar foi apertado e o jogo de volta será na Argentina, o modelo aponta o Flamengo com 62,2 % de chance de avançar, enquanto o Estudiantes tem 37,8 %.

River Plate x Palmeiras

Talvez o confronto mais aguardado da fase, River Plate e Palmeiras fizeram um duelo de gigantes em Buenos Aires. O Palmeiras venceu por 2 × 1, obtendo vantagem fora de casa. O atacante José Manuel López, autor de cinco gols no torneio, segue sendo peça-chave do time paulista. O River Plate, que busca retomar o protagonismo continental, precisará vencer no Allianz Parque para seguir adiante. Nosso modelo indica que o Palmeiras tem cerca de 81,8 % de chance de se classificar, enquanto o River Plate tem aproximadamente 18,2 %.

Gráfico de probabilidades

Observação: Esta análise é baseada em um modelo estatístico simples e nas informações disponíveis até 18 de setembro de 2025, conforme dados da Wikipedia e da CONMEBOL. Mudanças de elenco, lesões e outros fatores extracampo não são considerados pelo modelo. Este post foi produzido com auxílio do ChatGPT.

Python, Ciência de Dados e IA — do Zero ao Deploy

Curso: Python, Ciência de Dados e IA — do Zero ao Deploy (15 semanas)
Curso · Python, Ciência de Dados e IA

Python, Ciência de Dados e IA — do Zero ao Deploy

Introdução à Modelagem Econômica e Ciência de Dados · Faculdade de Economia / UFJF - 2o Semestre de 2025 · Integrado ao Ecossistema Google (UFJF)

Descrição

Curso prático e progressivo que começa pelos fundamentos de Python e segue até aplicações completas de Ciência de Dados e Machine Learning, integrando bancos de dados (SQLite), visualizações (Matplotlib, Plotly), desenvolvimento de apps (Streamlit), modelos e datasets (Hugging Face) e automações no-code (n8n) com agentes de IA. Forte uso de Google Colab como ambiente de desenvolvimento (nuvem) e do ecossistema Google disponível à UFJF (Drive, Sheets, Forms e, quando possível, BigQuery entre outros).

Objetivos de aprendizagem

  • Escrever código Python idiomático e organizado (funções, módulos, testes básicos).
  • Manipular dados com Pandas e Polars; operar vetorização/álgebra com NumPy e SciPy.
  • Explorar, limpar e visualizar dados com Matplotlib e Plotly.
  • Construir pipelines de Machine Learning com scikit-learn (pré-processamento, modelagem, validação).
  • Persistir dados em SQLite e integrá-los ao fluxo analítico.
  • Criar e publicar aplicativos de dados com Streamlit.
  • Usar Hugging Face (modelos/datasets) e entender o panorama de IA generativa (ChatGPT, Google AI).
  • Orquestrar fluxos no-code com n8n e integrar agentes de IA.
  • Entregar um projeto aplicado completo, versionado e reprodutível, com uma aplicação prática em Economia e/ou Finanças.

Público-alvo: alunos(as) e profissionais de Economia/ADM/Engenharias/Estatística/Computação. Pré-requisitos: lógica básica (sem exigência prévia de Python); desejável estatística descritiva.

Ementa

  • Fundamentos de Python: sintaxe, tipos, estruturas, funções, módulos, ambiente.
  • NumPy, SciPy: vetorização, álgebra linear, otimização, estatística.
  • Pandas e Polars: DataFrames, IO, limpeza, joins, groupby, performance.
  • Visualização: Matplotlib (estático), Plotly (interativo).
  • Machine Learning com scikit-learn: pipeline, features, validação, métricas, modelos clássicos.
  • Banco de dados: SQLite, SQL básico, integração com Python.
  • Apps: Streamlit (layout, interatividade, deploy).
  • Modelos e datasets: Hugging Face (uso prático).
  • IA generativa e agentes: ChatGPT, Google AI (visão geral), uso responsável.
  • No-code: n8n para automações e integração com agentes.
  • Boas práticas: versionamento (Git/GitHub), reprodutibilidade, documentação.

Programação por semanas (15 semanas)

Sempre que possível, notebooks no Google Colab; materiais no Google Drive (UFJF); coleta via Google Forms; planilhas auxiliares no Google Sheets; BigQuery opcional.

Semanas 1–3 — Fundamentos de Python

  • Semana 1 — Python Fundamentos I: Colab + Drive; execução de células; boas práticas de notebook; tipos primitivos, variáveis, operadores, input/output; controle de fluxo; estilo (PEP8).
  • Semana 2 — Python Fundamentos II: listas, tuplas, dicionários, conjuntos; compreensões; funções (parâmetros, retorno, docstrings); erros e exceções; módulos nativos úteis (pathlib, datetime, json).
  • Semana 3 — Python Fundamentos III: módulos e pacotes; organização do projeto; testes básicos com pytest (noções); logging; tipagem estática com mypy (noções); IO (CSV/JSON) e leitura no Drive via Colab.

Semanas 4–7 — Base de Dados & Visualização

  • Semana 4 — NumPy + SciPy: arrays, broadcasting, álgebra linear; comparação loops × vetorização; SciPy (otimização, estatística, integração). Entrega Projeto – Etapa 0: tema, dados candidatos, objetivos e riscos (Form + mini-brief).
  • Semana 5 — Pandas “core”: DataFrame, seleção, joins, groupby, datas; qualidade de dados (missing/outliers) e dtypes; leitura de Sheets. Projeto: ingestão e limpeza inicial + dicionário de dados.
  • Semana 6 — Polars & performance: paradigma columnar; lazy API; otimizações de consulta; comparativos Pandas × Polars. Projeto: refatorar ETL com foco em performance.
  • Semana 7 — Visualização: Matplotlib (essenciais, composição, boas práticas) e Plotly (interatividade, mapas simples). Projeto: EDA com dashboard exploratório.

Semanas 8–9 — Machine Learning com scikit-learn

  • Semana 8 — ML I: Pipeline e ColumnTransformer; treino/validação/teste; modelos base (regressão linear/logística, árvores, k-NN); métricas. Projeto — Etapa 1: baseline + métricas.
  • Semana 9 — ML II: regularização, SVM, ensembles (RandomForest/GBM); tuning (Grid/Random/Bayes noções), cross-validation, leakage. Projeto: experimento comparativo + relatório.

Semanas 10–12 — Persistência, Apps e IA

  • Semana 10 — SQLite e integração: SQL básico (DDL/DML); índices; Python ↔ SQLite; orquestrar ETL → DB → modelo. Projeto: persistência do dataset “golden” em SQLite.
  • Semana 11 — Streamlit: estrutura do app, inputs, gráficos, cache; carregar do SQLite; exibir previsões e EDA interativo. Projeto — Etapa 2: MVP do aplicativo.
  • Semana 12 — Hugging Face + IA generativa: hub de modelos/datasets; pipelines; panorama ChatGPT e Google AI (uso responsável). Projeto: componente opcional de NLP/GenAI integrado.

Semanas 13–15 — Orquestração, Boas Práticas e Fechamento

  • Semana 13 — n8n & agentes: fluxos no-code; webhooks; integrar app/modelo num fluxo automatizado; boas práticas de orquestração. Projeto: automação mínima do ciclo (ex.: ingestão → predição → notificação).
  • Semana 14 — Reprodutibilidade & Ética: Git/GitHub (estrutura, README, requisitos); seeds e versões; dados sintéticos; ética, viés e governança. Projeto — Etapa 3: polimento do app + documentação + reprodutibilidade.
  • Semana 15 — Apresentações finais: demonstrações dos projetos; feedbacks; limitações; próximos passos. Projeto — Entrega Final: app funcional, relatório (4–8 págs) e repositório completo.

Avaliação

Componentes e pesos

  • Exercícios práticos (notebooks curtos): 20%
  • Checkpoints do Projeto (Etapas 0–3): 40%
  • Projeto Final (app + relatório + repositório): 35%
  • Participação (discussões, peer-review): 5%

Cronograma das entregas

  • S4 - 21/10/2025: Etapa 0 (tema/escopo/dados)
  • S8 - 18/11/2025: Etapa 1 (baseline + métricas)
  • S11 - 16/12/2025: Etapa 2 (MVP Streamlit)
  • S14 - 20/01/2025: Etapa 3 (polimento + doc + reprodutibilidade)
  • S15 - 23/01/2025: Entrega Final (demo + PDF + repo)
Projeto aplicado (backbone do curso): tema livre alinhado à área do(a) estudante, preferencialmente ligado à Economia e/ou Finanças; todas as entregas versionadas no GitHub e organizadas no Drive/Colab; componente opcional de IA generativa/Hugging Face e orquestração no n8n.

Bibliografia & Referências

Documentações oficiais

  • (GitHub) Documentação oficial - https://docs.github.com/en
  • (Hugging Face) Documentação oficial - https://huggingface.co/docs
  • (Matplotlib) Documentação oficial - https://matplotlib.org/stable/index.html
  • (n8n) Documentação oficial - https://docs.n8n.io/
  • (Numpy) Documentação oficial - https://numpy.org/doc/
  • (Pandas) Documentação oficial - https://pandas.pydata.org/docs/
  • (Polars) Documentação oficial - https://docs.pola.rs/api/python/stable/reference/index.html
  • (Plotly) Documentação oficial - https://plotly.com/python/
  • (Python) Documentação oficial - https://www.python.org/doc/
  • (Scikit-learn) Documentação oficial - https://scikit-learn.org/stable/index.html
  • (SciPy) Documentação oficial - https://docs.scipy.org/doc//scipy/index.html
  • (SQLite) Documentação oficial - https://sqlite.org/docs.html
  • (Streamlit) Documentação oficial - https://docs.streamlit.io/

Livros

  • Géron, Aurélien (2022) — Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (3ª ed.), O'Reilly Media.
  • Grus, Joel (2021) — Data Science do Zero: Noções Fundamentais com Python (2ª ed.), O'Reilly Media.
  • McKinney, Wes (2022) — Python for Data Analysis: : Data Wrangling with pandas, NumPy, and Jupyter (3rd ed.), O'Reilly Media.
  • VanderPlas, Jake (2023). Python Data Science Handbook: Essential Tools for Working with Data (2nd ed.), O'Reilly Media.

© Paulo C. Coimbra (2025). Faculdade de Economia / UFJF — Plano de curso para uso acadêmico.