Calculadora do Primeiro Milhão

Quanto tenho que guardar por mês pra atingir R$ 1 milhão? Por quanto tempo?

Atingir R$ 1.000.000,00 (um milhão) em investimentos é uma cifra muito desejada por quem começa a investir. Utilize nossa calculadora para simular diferentes valores iniciais, aportes mensais e taxas de juros.

• Aporte Inicial: é o valor total que você já tem investido, ou o valor com que você vai começar seus investimentos;
• Aporte Mensal: é o valor que você pretende investir todo mês, quanto maior o seu aporte mensal mais rápido você chegará lá.
• Juros ao ano: é a estimativa de juros ou rendimentos ao ano, uma sugestão é usar a taxa SELIC. Nossa calculadora irá transformar essa taxa em mensal para aplicá-la nos seus aportes e total acumulado mês a mês. Quanto maior a taxa de juros, mais rápido você chegará no seu primeiro milhão, porém, vale lembrar que investimentos com juros mais altos tendem a ter riscos maiores.

Por exemplo, se hoje você tem R$ 15.000,00 investidos, ganha R$ 3.000,00 por mês e vai guardar 20% do seu salário, ou seja, vai fazer aportes mensais de R$ 600,00, com uma taxa de 8% ao ano você chegaria ao primeiro milhão em 30 anos. 

 

Já se você tem R$ 30.000,00 investidos e vai fazer aportes mensais de R$ 980,00, com a mesma taxa de 8% ao ano você chegaria ao primeiro milhão em 24 anos. Utilize nossa calculadora para fazer suas simulações.

Simule abaixo quando você atingirá R$ 1 milhão

R$

R$

Juros ao ano 5%   

Data estimada para atingir 1 milhão

Evolução do patrimônio

Tempo	Data	Valor

Saque-aniversário FGTS - Calculadora

Como calcular o saque-aniversário? Quanto eu posso sacar?

O Saque-Aniversário permite a retirada de parte do saldo da conta do FGTS, anualmente, no mês de aniversário.

A opção por Saque-Aniversário pode ser realizada no APP FGTS, no site fgts.caixa.gov.br, no Internet Banking CAIXA ou nas Agências. A migração para o Saque-Aniversário não é obrigatória. Quem não fizer a opção, permanecerá na sistemática do Saque-Rescisão.

Quem fizer a opção poderá sacar um percentual do saldo do FGTS acrescido de uma parcela adicional, anualmente, conforme tabela abaixo:

Limite das faixas de saldo (em R$)	Alíquota	Parcela Adicional (em R$)
Até 500,00	50,0%	-
De 500,01 até 1.000,00	40,0%	50,00
De 1.000,01 até 5.000,00	30,0%	150,00
De 5.000,01 até 10.000,00	20,0%	650,00
De 10000,01 até 15.000,00	15,0%	1150,00
De 15.000,01 até 20.000,00	10,0%	1.900,00
Acima de 20.000,01	5,0%	2.900,00

Simule abaixo o valor que você poderá sacar.

R$

Disponível

Patrimônio Ideal por Idade - Calculadora

Qual o patrimônio ideal para minha idade?

Essa é uma dúvida comum de quem começa a investir, e há muitas formas de se responder essa pergunta. A seguir, mostraremos uma forma simples apresentada no vídeo Qual o patrimônio ideal para minha idade do canal Info Dados, que é muito utilizada por diversos consultores financeiros, e que leva em conta a sua idade e o seu padrão de vida.

Patrimônio Ideal = Despesa Mensal x Idade x 12 x (10% ~ 15%)

Para exemplificar, imagine que uma pessoa de 21 anos tem uma despesa mensal de R$ 1.500,00, aplicando essa fórmula, teríamos:

Patrimônio Ideal = R$ 1.500,00 x 22 x 12 x (10% ~ 15%)

Patrimônio Ideal = R$ 37.800,00 ~ R$ 56.700,00

Ou seja, para uma pessoa de 21 anos que tem uma despesa mensal de R$ 1.500,00, o patrimônio ideal seria entre R$ 37.800,00 e R$ 56.700,00. É claro que para jovens de 21 anos é difícil já ter esse patrimônio, pois na média são pessoas que estão estudando ou começando na vida profissional, mas este é apenas um parâmetro de base. 

Exemplos para uma despesa mensal de R$ 3 mil

Idade	Patrimônio Ideal
20 anos	Entre R$ 72.000,00 e R$ 108.000,00
25 anos	Entre R$ 90.000,00 e R$ 135.000,00
30 anos	Entre R$ 108.000,00 e R$ 162.000,00
35 anos	Entre R$ 126.000,00 e R$ 189.000,00
40 anos	Entre R$ 144.000,00 e R$ 216.000,00
45 anos	Entre R$ 162.000,00 e R$ 243.000,00
50 anos	Entre R$ 180.000,00 e R$ 270.000,00

Temos que também levar em conta que cada pessoa está em momentos diferentes da vida, por exemplo, alguém que está estudando medicina passará muitos anos sem ganhar dinheiro, mas é provável que conseguirá compensar isso quando começar a atuar na área.

Na nossa calculadora logo abaixo você pode calcular o patrimônio ideal para sua idade. Aproveite e deixe sugestões.

Calculadora do Patrimônio Ideal por Idade

Idade

R$

Patrimônio ideal

Horas gastas com impostos no Brasil

Quantas horas são gastas calculando a pagando impostos no Brasil?

De acordo com o Banco Mundial, o Brasil é hoje o país onde as empresas gastam mais tempo para calcular e pagar os impostos, totalizando em média 1500 horas por ano, seguido da Venezuela com 1025 horas, e a Bolívia com 920 horas.

Toda essa complexidade prejudica principalmente as pequenas empresas, pois empresa grandes, como as listadas na bolsa, já conseguiram uma escala a ponto de diluir os custos de toda essa complexidade. 

Em contrapartida, países como a Austrália, Noruega, Suíça e Estônia estão no oposto desse ranking, sendo exemplos de países onde as empresas gastam menos horas calculando e pagando impostos. A média na Estônia, por exemplo, é de apenas 50 horas, ou seja, no Brasil gata-se 30 vezes mais horas do que na Estônia só para entender e pagar os impostos.

E aí, o que você acha? Isso atrasa atrasa o país em algum ponto?

O que é Internet das coisas (IoT)?

IoT (Internet of Things), ou Internet das Coisas, é uma área que vem ganhando cada vez mais notoriedade. Para se ter uma idea, é esperado que dispositivos de IoT gerem por volta de 80 ZB de dados só em 2025. Esse cenário cria muitas possibilidades para aplicação de técnicas de análise de dados e inteligência artificial. 

Mas afinal o que é IoT?

De acordo com a International Telecommunication Union, IoT é uma infraestrutura global que possibilita o desenvolvimento e operação de serviços avançados através da interconectividade das coisas.

Na mesma linha, o site IoT Agenda define IoT como um sistema de dispositivos computacionais, máquinas mecânicas ou digitais, objetos, e até pessoas pessoas e animais aos quais podemos atribuir um identificador único, e que tenham a habilidade transmitir dados através da rede sem que seja necessário uma intervenção humana.

E as coisas, o que são?

As coisas são entidades físicas ou virtuais que podem ser integradas às redes de comunicação, e podem ser identificadas de forma única. Exemplos: uma pessoa, um animal, uma geladeira. 

Dispositivos

A IoT conta com vários dispositivos que são responsáveis por dar vida às coisas, eles são responsáveis por capturar informações sobre o ambiente, armazenar e processar dados e transformar o ambiente. Logo abaixo veremos mais detalhes sobre os principais dispositivos de IoT.

Sensores: são dispositivos que coletam dados do ambiente, eles funcionam como tradutores transformando um sinal do mundo físico em um sinal digital. Exemplos: sensores de temperatura, pressão, umidade, ultra som, infravermelho, batimentos cardíacos, pressão arterial, e assim por diante.

Atuadores: são dispositivos que funcionam de forma oposta aos sensores, pois eles podem transformar um sinal digital em uma ação do mundo físico. Exemplos de atuadores: robôs, motores, atuadores hidráulicos, atuadores pneumáticos, auto falantes.

RFID (Radio-frequency identification): RFID é utilização de dispositivos para identificação por radiofrequência. Essa tecnologia foi desenvolvida durante a Segunda Guerra Mundial para permitir uma rápida identificação de aviões e bombardeiros amigos, e funciona através da utilização de ondas eletromagnéticas para acessar dados armazenados em um micro chip acoplado a uma antena, permitindo a identificação automática dos objetos nele fixado. Exemplos de aplicação: manufatura, logística, distribuição, varejo, praças de pedágio.

Smartphones: são os dispositivos com os quais temos mais familiaridade. Eles contam contam com diversos sensores e atuadores, como acelerômetro, GPS, microfone, câmera, auto falante, alguns tem até sensores de pressão e batimento cardíaco, e ainda são capazes de transmitir, armazenar e processar dados.

Relação entre devices e coisas físicas - Fonte: Y.2060

Desafios de IoT

Segurança: esse é um dos principais desafios quando se fala em IoT, pois os dispositivos têm recursos reduzidos, o que limita a aplicação de mais camadas e protocolos de segurança. Além do mais, há uma falta de padronização entre os fabricantes.

Energia: outro desafio constante é em relação a bateria de dispositivos de IoT, pois uma baixa durabilidade ou alto custo pode comprometer a viabilidade de um projeto, isso sem contar a questão ambiental dessas baterias. Para contornar isso, a indústria vem tentando desenvolver cada vez mais dispositivos battery-less, ou seja, que não necessitam de baterias. 

Conclusão

IoT é uma área que vem crescendo cada vez mais, e a tendência atual é de uma adoção cada vez maior das tecnologias dessa área. Isso vai trazer um grande avanço pra humanidade, visto que uma coleta e processamento mais eficiente de dados possibilita a aplicação de inteligência artificial para melhoria melhoria de várias áreas, como medicina, logística, manufatura, entretenimento, e até rotinas da nossa vida cotidiana.

Referências

• https://www.zdnet.com/article/iot-devices-to-generate-79-4zb-of-data-in-2025-says-idc
• https://www.trace-id.com/history-rfid-technology
• https://internetofthingsagenda.techtarget.com/definition/Internet-of-Things-IoT
• https://medium.com/iotforall/iot-explained-how-does-an-iot-system-actually-work-e90e2c435fe7
• https://www.itu.int/ITU-T/recommendations/rec.aspx?rec=y.2060
• https://www.embarcados.com.br/sensores-e-atuadores-iot

Head First Java

Head First Java. Esse livro ainda é recomendado?

Java é uma tecnologia madura, já tendo mais de 20 anos existência. Há muitos frameworks, APIs, padrões de mercado e uma ampla variedade de materiais cobrindo os mais diversos tópicos. Existem tantas opções para começar a mergulhar na tecnologia, que alguém pode ficar muito intimidado em apenas começar.

Head First Java vem para resgatar os iniciantes; ou mesmo aqueles que estão familiarizados com a linguagem e desejam revisar alguns tópicos. Head First Java é um livro técnico especial porque na maioria das vezes não parece técnico. O assunto é apresentado com piadas, imagens, histórias e alusões que fazem o leitor assimilar conceitos de Programação Orientada a Objetos e Java de forma natural e divertida.

O livro começa cobrindo os fundamentos da Programação Orientada a Objetos, como herança, encapsulamento, abstração, polimorfismo e como eles são representados em Java. Além disso, o livro cobre muitos tópicos importantes da linguagem, por exemplo, collections, generics, concurrency, network, multi-threading, tratamento de exceções, serialização e muito mais.

Mesmo não sendo um livro atualizado com as últimas funcionalidades do Java, ainda é super recomendado para os iniciantes. No mínimo algumas risadas estão garantidas.

Aprendizado de Máquina (Machine Learning)

Mas afinal, o que é aprendizado de máquina? 

Imagine que gostaríamos de fazer um programa que detecte se uma foto contém ou não um carro. Para isso, precisamos resolver algumas questões:

• Como poderíamos fazer tal distinção programaticamente? 
• No universo dos carros, como programar todas as possíveis variações de cores, modelos, ângulos, escalas, formatos, e assim por diante?
• Mesmo que isso fosse viável, como identificar fotos que nunca foram apresentas ao sistema?

Para resolver esse problema, não seria melhor se o programa simplesmente tivesse a capacidade de reconhecer os padrões de um carro? É justamente nesse ponto que o Aprendizado de Máquina entra em cena, pois essa área de Inteligência Artificial é uma evolução do estudo de reconhecimento de padrões.

Há várias definições para esse termo, mas com base no livro "The Hundred-Page Machine Learning", utilizaremos uma relativamente simples: 

• Aprendizado de máquina é o processo de resolução de problemas práticos, através da coleta de dados, e utilização destes para construção de modelos estatísticos por meio de algoritmos; 
• Os principais tipos de aprendizado de máquina são: aprendizado supervisionado, aprendizado semi-supervisionado, aprendizado não supervisionado e aprendizado por reforço. 

Ao contrário da perspectiva programática, o aprendizado de máquina busca chegar a solução de problemas através de exemplos, daí que se deriva a noção de aprendizado.

Conjunto de dados

Como mencionado acima, a coleta de dados é uma das etapas iniciais no processo de aprendizado de máquina, sendo assim, compreender os termos abaixo nos ajuda a entender o processo: 

• Dataset: é o conjunto de dados que será objeto de estudo;
• Features: é o conjunto de uma ou mais variáveis independentes;
• Label: é o resultado, ou variável dependente, pode ser um valor numérico, uma classe, ou estruturas mais complexas. Datasets com labels também são chamados de datasets anotados. 

A título de exemplo, imagine que queremos estimar o peso de uma pessoa com base na altura. Neste caso, a altura é uma variável independente (feature), e o peso é uma variável dependente (label). Note que poderíamos usar mais variáveis independentes, por exemplo, a quantidade de calorias consumidas por dia, o sexo, e assim por diante.

Logo abaixo temos um exemplo de um dataset do peso em função da altura.

Peso em função da altura

Aprendizado supervisionado (Supervised learning)

No aprendizado supervisionado, o dataset contém as features e as labels, ou seja, para cada registro das features já temos o resultado da combinação delas. Com base nos valores conhecidos, podemos criar modelos de aprendizado para estimar as labels de registros que não fazem parte do dataset.

Voltando ao nosso exemplo do peso em função da altura, podemos fazer uma regressão linear, e estimar que o peso de uma pessoa de 170 cm é 74 Kg. Note que este é um valor estimado, pois mesmo para valores já conhecidos, nosso modelo irá apresentar variações, pois o modelo é relativamente simples e precisaríamos de mais features para aprimorá-lo.

Regressão linear - Peso em função da altura

Aprendizado não supervisionado (Unsupervised learning)

Ao contrário do aprendizado supervisionado, no não supervisionado não sabemos o resultado da combinação das features, ou seja, o dataset não tem labels. Neste tipo de aprendizado, o objetivo é construir modelos que transformem o dataset, por exemplo: agrupando registros (clustering), identificando outliers, ou reduzindo as dimensões do dataset.

Aprendizado semi-supervisionado (Semi-supervised learning)

O aprendizado semi-supervisionado é um híbrido entre supervisionado e não supervisionado, já que o dataset contém registros com e sem labels. Conseguir dados devidamente anotados é mais difícil e custoso do que dados não anotados, e o aprendizado semi-supervisionado procura tirar proveito de ambos os casos para melhorar o desempenho dos modelos.

Entretanto, considerar que dados sem labels podem melhorar o modelo parece contra intuitivo, mas voltando ao nosso exemplo do peso em função da altura, imagine que temos muitas features sem label (registros de altura sem o peso correspondente). Usando técnicas de aprendizado não supervisionado, teríamos mais base para para identificar outliers.

Outra técnica comum é treinar o modelo com os dados anotados, depois estimar as labels dos dados não anotados, e por fim re-treinar o modelo com todo o dataset.

Aprendizado por reforço (Reinforcement learning)

Dos principais tipos de aprendizado de máquina esse é sem dúvidas o mais complexo, porém é muito poderoso. Ele consiste em usar o estado do ambiente como entrada do modelo, estimar uma ação que pode ou não mudar o estado do ambiente, e a cada ação, uma recompensa é calculada, o que permite verificar se o modelo está melhorando ou piorando, que é de onde vem a ideia de reforço. O objetivo é maximizar as recompensas.

Esse tipo de aprendizado é ideal para tarefas que envolvam passos sequenciais, por exemplo:

• Aprender um jogo
• Aprender a controlar um robô
• Logística

Aprendizado por reforço

Conclusão

Aprendizado de Máquina é uma subarea da Inteligência Artificial com foco no reconhecimento de padrões, e suas aplicações hoje são diversas.

Não deixe de seguir nosso blog parar ver em primeira mão informações com base em análise de dados e reconhecimento de padrões.

Este artigo foi escrito com base no livro "The Hundred-Page Machine Learning".