Trabalho de Conclusão de Curso - Sistemas de Informação Universidade Federal de Ouro Preto (UFOP) - 2026

Este trabalho aplica teoria de redes complexas para analisar competições olímpicas históricas (1896-2016). O projeto modela relações competitivas entre atletas através de grafos direcionados ponderados, utilizando algoritmos de PageRank, detecção de comunidades (Louvain) e métricas de centralidade.

Dataset: 120 years of Olympic history (Griffin 2018) Período analisado: Atenas 1896 até Rio 2016 (120 anos) Atletas no dataset completo: 135.571 atletas únicos Modalidades analisadas: 6 esportes (Athletics, Swimming, Basketball, Boxing, Football, Judo) Atletas medalhistas: 9.378 medalhistas nas 6 modalidades Redes geradas: 123 redes competitivas (modelagem per-event) Casos de estudo: 12 redes selecionadas via Iconic Score Comunidades detectadas: Múltiplas comunidades estruturais detectadas

tcc/
├── main/                      # Implementação e código-fonte
│   ├── src/                   # Código Python
│   │   ├── pipeline/          # Pipeline de análise
│   │   ├── dashboard/         # Dashboard Streamlit
│   │   └── data_processing/   # Processamento de dados
│   ├── data/                  # Datasets (137.745 atletas)
│   ├── results_per_event_cleaned/  # 149 redes GEXF
│   ├── analysis/              # Scripts de validação
│   └── README.md
│
├── monografia/                # Documento acadêmico LaTeX
│   ├── textuais/              # Capítulos
│   │   ├── introducao.tex
│   │   ├── revisao.tex
│   │   ├── desenvolvimento.tex
│   │   ├── resultados.tex
│   │   └── conclusao.tex
│   ├── figuras/               # Figuras
│   ├── tabelas/               # Tabelas
│   ├── bib/                   # Referências
│   └── main.pdf               # PDF compilado (79 páginas)
│
├── apresentacao/              # Slides para defesa
│
├── scripts/                   # Utilitários
│
├── .github/workflows/         # CI/CD
│
├── LICENSE                    # MIT License
└── CITATION.cff               # Metadados para citação

• Python 3.8+
• Dependências em requirements.txt
• LaTeX (para compilar monografia)

cd main/src/pipeline
python 01_network_generation.py
python 02_centrality_analysis.py
python 03_community_detection.py

cd main/src/dashboard
streamlit run app.py

Acesse: http://localhost:8501

cd monografia
pdflatex main.tex
bibtex main
pdflatex main.tex
pdflatex main.tex

PDF pré-compilado disponível: monografia-latest.pdf

• Nós: Atletas medalhistas
• Arestas: Direcionadas, ponderadas por hierarquia de medalhas
• Ponderação: Ouro→Prata (peso 3), Ouro→Bronze (peso 5), Prata→Bronze (peso 2)
• Modelagem: Per-event (Year × Event × Gender) para preservar homogeneidade competitiva

Centralidade:

• PageRank adaptado para contexto esportivo
• Centralidade de grau (in-degree, out-degree)
• Betweenness centrality (atletas-ponte)
• Closeness centrality

Estrutura de Comunidades:

• Detecção: Algoritmo de Louvain
• Validação: Comparação com Infomap (NMI = 0.97)
• Caracterização: Entropia temporal, concentração geográfica, dominância

Validação Estatística:

• Teste de Wilcoxon signed-rank (p = 0.031)
• Bootstrap para intervalos de confiança (95%)
• Análise de sensibilidade do sistema de pesos (τ ≈ 1.0)

Critério multi-dimensional para seleção dos 12 casos de estudo:

IS_e = w_L · L_norm(e) + w_G · G_norm(e) + w_V · V_norm(e) + w_B · B(e)

Onde:

• L_norm: Longevidade histórica (peso 0.30)
• G_norm: Diversidade geográfica (peso 0.30)
• V_norm: Volume de participantes (peso 0.20)
• B: Equilíbrio de gênero (peso 0.20)

Análise de sensibilidade demonstrou robustez (τ ≈ 1.0) em diferentes sistemas de pesos.

• Swimming: Modularidade 0.73, comunidades altamente segregadas por especialização técnica
• Basketball: Modularidade 0.003, estrutura global coesa
• Football: Modularidade 0.0006, rede densamente interconectada

• Densidade feminina > masculina: Validado estatisticamente (p = 0.031)

  • Redes femininas são significativamente mais densas em 5 dos 6 esportes
  • Razão média: 1.89 (IC95%: [1.23, 3.15])

• Comunidades revelam eras e dominância:

  • Detecção automática de períodos históricos (Guerra Fria, pós-URSS)
  • Identificação de hegemonia geográfica por períodos

• Louvain vs Infomap: NMI médio = 0.9686 (concordância quase perfeita)
• Sensibilidade de pesos: Kendall τ ≈ 1.0 (ranking estável)
• Significância estatística: Wilcoxon p = 0.031 < 0.05

Detalhes completos na monografia: monografia/main.pdf

GitHub Actions compila automaticamente a monografia a cada modificação:

• PDF atualizado: monografia-latest.pdf
• Releases com timestamp: Releases
• Workflow: compile-monografia.yml

@misc{alves2025olympic_networks,
  author  = {Alves, Caio Damasceno},
  title   = {Análise de Redes Complexas aplicada ao Esporte Olímpico},
  year    = {2026},
  school  = {Universidade Federal de Ouro Preto},
  type    = {Trabalho de Conclusão de Curso},
  url     = {https://github.com/CaioDamascenoAlves/tcc}
}

Metadados completos: CITATION.cff

• Código Python: MIT License
• Monografia LaTeX: LPPL 1.3c
• Apresentação: LPPL 1.3c

• main/data/README.md - Documentação completa dos datasets
• main/README.md - Documentação técnica (se existir)
• monografia/README.md - Informações sobre compilação
• main/src/dashboard/README.md - Guia do dashboard

Python:

• NetworkX (redes complexas)
• Pandas/NumPy (processamento de dados)
• Python-Louvain (detecção de comunidades)
• Plotly (visualizações)
• Streamlit (dashboard interativo)
• Scikit-learn (métricas de validação)
• igraph (Infomap)

LaTeX:

• abnTeX2 (formatação ABNT)
• BibTeX (referências)
• TikZ/PGFPlots (gráficos)

CI/CD:

• GitHub Actions (compilação automática)

Este é um projeto acadêmico (TCC). Sugestões e feedback são bem-vindos via Issues.

Autor: Caio Damasceno Alves Orientador: [Nome do Orientador] Instituição: UFOP - Instituto de Ciências Exatas e Aplicadas Curso: Sistemas de Informação Ano: 2026 Contato: [seu email]

Status do Projeto: 🟢 Em desenvolvimento (Defesa prevista para 2026)