Advised future: Uma configuração de variável manipulada otimizada do Control Advisor que fornece o melhor resultado teórico do processo.

Alarm rules: Regras sobre quando os alarmes devem ser disparados, como quando 3 estão fora do limite em um conjunto de 10, por exemplo. As regras comuns são as regras da Western Electric e as regras de Nelson.

Algorithm: Uma especificação matemática inequívoca ou processo estatístico usado para realizar a análise de dados.

Analysis of variance: Uma técnica estatística para separar e estimar diferentes causas de variação.

ANOVA: Veja Análise de Variância.

AR: Realidade Aumentada, onde objetos holográficos são projetados no mundo real.

AR model: Modelo auto regressivo. Usado na análise de dados de séries temporais.

ARL: Comprimento médio de execução.

ARMA model: Modelo de média móvel auto regressiva. Usado na análise de dados de séries temporais.

Audit trail: Log de atividades que rastreia todas as mudanças no e para o sistema.

Batch conditions: As condições de lote dizem respeito a todo o lote e, portanto, são usadas no modelo de nível de lote (BLM). Também subdividido em condições iniciais e condições finais.

Batch Context Generator: Um sistema que detecta e contextualiza automaticamente os lotes de gatilhos em tags no sistema.

Batch evolution model (BEM): Um modelo de regressão de como um processo em lote evolui ao longo do tempo ou maturidade.

Batch folding: Como os lotes são realinhados para criar um resumo para toda a produção do lote (nível do lote).

Batch level model (BLM): Um modelo que resume todo o lote e pode ser combinado com atributos de qualidade final para prever e prever atributos de qualidade final no final.

Batch process: Um processo de duração finita.

Batch statistical process control (BSPC): A aplicação de técnicas de gráficos de controle a um processo em lote. Análogo ao MSPC (controle estatístico multivariado de processos) e suas técnicas de gráficos de controle aplicadas a um processo contínuo.

Best basis: A melhor base é uma opção usada na transformação de wavelet para sinais de alta frequência. Veja também DWT.

Bilinear modeling: Matrizes modeladas como um produto de duas matrizes de classificação baixa, por ex. X = T * P ’.

Block-wise variable scaling: Tornando a variância total igual para cada bloco de variáveis semelhantes em um conjunto de dados.

BSPC: Controle de processo estatístico em lote.

Calibration dataset: Consulte: Conjunto de dados de referência.

Categorical variable: see Qualitative variable

Characteristic vector analysis: Veja: Análise de componentes principais.

Chemometrics: A aplicação de métodos matemáticos e estatísticos a dados químicos.

Class: Um subconjunto de observações semelhantes de um conjunto de dados.

Classification of observations: O processo de identificar a qual de um conjunto de categorias (subpopulações) uma nova observação pertence.

Client/server application: Uma arquitetura de aplicação onde os cálculos são feitos em um servidor central e os resultados podem ser exibidos em um ou mais clientes que se conectam ao servidor.

Cluster analysis: Técnicas para dividir um conjunto de observações em subgrupos ou clusters.

Coefficient: Um coeficiente de regressão indica a mudança numérica em uma resposta (variável Y) quando um fator (variável X) aumenta de seu valor médio para seu valor máximo.

Collinearity: Um alto nível de correlação entre as variáveis.

Column space: Espaço medido pelos vetores de coluna de uma matriz.

Confidence interval: Um intervalo especificado de valores em torno de uma estimativa para indicar a margem de erro, combinado com uma probabilidade de que um valor caia nesse intervalo. O intervalo de confiança em torno de um parâmetro (coeficiente, carregamento, VIP, etc.) indica a incerteza desse parâmetro.

Continued process verification: A necessidade de manter todos os atributos críticos sob controle após a conclusão da produção.

Continuous process verification: A necessidade de manter todos os atributos críticos e sua correlação sob controle durante a produção.

Continuous variable: Uma variável cujo valor pode ser qualquer um de um número infinito de valores, normalmente dentro de um determinado intervalo.

Contingency table: Uma tabela que contém contagens ou frequências de diferentes eventos ou resultados.

Contribution plot: Um gráfico de barras usado na análise multivariada de dados para diagnosticar pontos fora de controle e mostrar quais variáveis contribuem para a distância entre os pontos e a média da amostra dos dados.

Correlation: Medida de associação de duas variáveis.

Correspondence analysis:Uma variante especial em escala dupla do PCA, adequada para algumas aplicações, por ex. análise de tabelas de contingência.

COST (change-one-separate-factor-at-a-time) approach: Também chamado de OVAT (uma variável de cada vez) ou OFAT (um fator de cada vez), este é um método intuitivo de "análise" de dados para determinar quais fatores podem estar influenciando uns aos outros por calcular sua média e desvio padrão, um de cada vez (um método ineficiente e sujeito a erros).

Covariance:  Semelhante à correlação, mas não normalizado, o que o torna influenciado pelas magnitudes das variáveis e, portanto, difícil de interpretar.

Cross-validation: Uma técnica para avaliar a capacidade preditiva de modelos, particionando a amostra original em conjuntos de treinamento para treinar o modelo e conjuntos de testes para avaliá-lo.

CUSUM: SUM cumulativo. Uma técnica de gráfico de controle usada em aplicativos de controle estatístico multivariado de processo (MSPC).

D-optimal design: Um projeto gerado por computador para condições não padronizadas ou quando os domínios experimentais são distorcidos. O D em D-ótimo significa determinante.

Dataset: Um conjunto de dados é a base de todas as análises multivariadas de dados, frequentemente também chamadas de matriz de dados. É composto de valores de várias variáveis diferentes para uma série de observações. Os dados são coletados em uma matriz de dados (tabela de dados) de N linhas e K colunas, freqüentemente denotadas como X. As N linhas na tabela são chamadas de observações. As colunas K são denominadas variáveis.

Data analytics: O processo de examinar grandes conjuntos de dados para descobrir padrões ocultos, correlações desconhecidas, tendências, preferências do cliente e outros insights úteis de negócios.

Data science: Uma disciplina que combina estatística, visualização de dados, programação de computador, mineração de dados e engenharia de software para extrair conhecimento e percepções de grandes e complexos conjuntos de dados.

DCrit: O limite crítico com intervalo de confiança onde o padrão de correlação é considerado normal para o modelo na estatística DModX.

Deep learning: O aprendizado profundo faz parte de uma família mais ampla de métodos de aprendizado de máquina baseados em representações de dados de aprendizado.

Dependent variable: Outro nome para uma variável Y ou variável de resposta.

Design of experiments (DOE): Uma abordagem racional e econômica para a experimentação prática que permite que o efeito das variáveis seja avaliado usando apenas o mínimo de recursos. Um protocolo DOE gera experimentos informativos ao máximo.

Discrete data: Dados que existem esporadicamente durante a produção, como dados de laboratório (IPC, dados em linha ou dados diários).

Discrete variable: Uma variável que só pode assumir certas configurações ou níveis (em oposição a uma variável contínua que pode ter um valor em qualquer lugar entre dois limites numéricos).

Discriminant analysis: Uma técnica de análise estatística usada para prever a associação de classe a partir de dados rotulados.

DModX: Distância para modelar no espaço X. Expressa o desvio padrão residual da linha como uma medida de distância para o modelo para aquela observação particular (linha).

D-optimal design: Uma abordagem no DOE que é usada quando a região experimental é muito irregular ou há uma necessidade de estimar um modelo de regressão particular (não padrão).

Drill down: O procedimento de interpretação do modelo por meio da inspeção de parâmetros multivariados, seguido pelo zoom em certas partes dos dados subjacentes, clicando duas vezes em plotagens ou gráficos para abrir visualizações de partes relevantes das medições reais. Este procedimento é usado para corroborar que o que é visto nos parâmetros do modelo é de fato expresso ou codificado nos dados subjacentes.

Duration: O número de pontos no lote.

DWT: Opção de transformação wavelet discreta usada na transformação wavelet quando o sinal é bastante suave, ou seja, a informação está contida principalmente nas baixas frequências. Veja também a melhor base.

Dynamic lags: Calcula e alinha atrasos no sistema com base na velocidade do sistema ou tempo.

Eigenvalue: O comprimento muda quando um autovetor é projetado sobre si mesmo. Isso é equivalente ao comprimento de um diâmetro principal dos dados.

Eigenvector: Os vetores próprios existem apenas para matrizes quadradas. Um autovetor para uma matriz quadrada tem a propriedade de ser projetado sobre si mesmo quando projetado pela matriz. O grau de alongamento ou diminuição é expresso pelo valor próprio.

Eigenvector analysis: Veja: Análise de componentes principais.

Electronic signatures: Uma aprovação obrigatória para alterações no ou no sistema que faz parte das diretrizes do FDA 21 CFR parte 11.

Endpoint: O último valor de vencimento do lote.

Euclidean distance: Distância geométrica em um espaço euclidiano (isomórfico com vetores de base ortogonal).

Empirical model: Um modelo empírico é o modelo baseado em dados experimentais.

EWMA model: Modelo de média móvel exponencialmente ponderada. O EWMA é geralmente usado como uma técnica de gráfico de controle no MSPC. Veja também CuSum.

Execution interval: Definido para cada projeto contínuo ou fase de lote para indicar com que frequência os dados devem ser amostrados para aquela parte específica da produção.

Explanatory variable: Variáveis (x) usadas para 'explicar' a variação nas variáveis dependentes (y). Também chamadas de variáveis preditoras ou variáveis independentes.

Factor: Um termo freqüentemente usado em projetos experimentais. Significa variável controlada e variada. Veja: Predictor. Também é um termo para uma dimensão de modelo em modelos fatoriais e bilineares.

Factor analysis: Tem um objetivo semelhante ao PCA, mas assume um modelo subjacente com um número especificado de fatores que são combinações lineares das variáveis originais. Consulte também Análise de componentes principais.

Forecast: Fornece a melhor estimativa de como a produção futura do processo será baseada no modelo e nos dados históricos existentes atualmente.

Golden batch: O lote de evolução média para todos os lotes produzidos para cada vetor.

Histogram: Um gráfico de coluna (barra) visualizando a distribuição de uma variável.

Hotellings T2: Uma generalização multivariada do teste t de student. Usado para calcular uma medida de distância de quão longe um ponto de observação está da origem do modelo no espaço de pontuação.

Hotellings T2 crit: O limite crítico com nível de significância, dentro do qual temos a região normal do modelo. Qualquer ponto de observação dentro deste limite é bem explicado pelo modelo.

Identifiers: Rótulos em variáveis e observações indicando propriedades úteis ou metadados ou informações externas que podem ser usados para enriquecer a interpretação do modelo. Os identificadores de variáveis e observações são exibidos em gráficos e listas. A função Find pesquisa os identificadores na caixa de diálogo Workset. Na página Observações do diálogo Workset, os identificadores podem ser usados para definir classes.

Independent variable: Conotação frequentemente enganosa. Veja: Variável preditora ou Variável explicativa.

Inner vector product: O produto de dois vetores que produz um escalar.

Input variables / output variables: As variáveis de entrada são os valores do fator (X) e as variáveis de saída são as respostas (Y) na análise de dados.  

Interaction: Também coeficiente de interação, a força da relação entre uma variável independente e variáveis dependentes, em função de outra variável independente.

Jack-knifing: Um método para encontrar o intervalo de confiança de um parâmetro de modelo estimado, mantendo iterativamente partes dos dados subjacentes, fazendo estimativas dos subconjuntos e comparando essas estimativas.

K-dimensional space (K-space):  O tamanho do espaço variável. K é igual ao número de variáveis no conjunto de dados.

K-means clustering: Um algoritmo de mineração de dados para agrupar, classificar ou agrupar observações com base em seus atributos ou recursos em um determinado número de grupos (ou clusters).

Karhunen-Loève transformation: Veja: Análise de componentes principais.

Latent variable: Variáveis que não são observadas diretamente, mas sim inferidas (por meio de um modelo matemático) de outras variáveis que são observadas (medidas diretamente).

Least squares estimate: Um método para estimar os parâmetros do modelo, minimizando a soma dos quadrados das diferenças entre o valor de resposta real e o valor previsto pelo modelo.

Leverage: As observações na periferia de um conjunto de dados podem ter grande influência na modelagem do conjunto de dados. Essa influência é chamada de alavancagem, com base na ideia arquimediana de que qualquer coisa pode ser levantada fora do equilíbrio se o levantador tiver uma alavanca longa o suficiente.

Linear regression: Um método estatístico usado para resumir e mostrar relações entre variáveis.

Loading vector: Coeficientes de direção de um eixo de componente PC ou PLS.

Local centering: Uma maneira de realinhar variáveis que estão à deriva.

M-space: Espaço de medição, ou: espaço multivariado. Sinônimo: espaço-K. Veja: espaço K

MA model: Modelo de média móvel. Usado na análise de dados de séries temporais.

Machine learning: Algoritmos como MVDA que podem modelar um sistema com base em dados históricos.

Mahalanobis distance: Distância euclidiana ponderada por autovalor.

Manipulated variable: Variável que pode ser controlada e direciona o sistema de alguma forma, por exemplo, pontos de ajuste na produção em lote.

Matrix: Uma tabela de dados bidirecional onde os dados são organizados em linhas e colunas

Mean: O valor médio.

Mean centering: Um método de pré-processamento usado em MVDA. Freqüentemente combinado com escala para variação de unidade (escala de UV).

Median: Quando os valores são classificados por tamanho, o valor fica no meio.

Mechanistic models: Modelo Baseado em uma compreensão teórica do comportamento dos componentes de um sistema.

Megavariate analysis: Um termo usado para descrever um método de modelagem de grandes quantidades de dados contendo várias variáveis latentes em vez de variáveis expressas para fornecer resultados multivariados. Cada vez mais usado em ciências da vida e biologia.

Metabonomics: O estudo dos metabólitos excretados de uma espécie ou organismo individual, envolvendo medidas da resposta a uma influência.

Missing value: Elemento em uma matriz de dados sem um valor definido. Como regra geral, cada observação e variável deve ter mais de cinco valores definidos por PC. As observações (ou variáveis) com valores ausentes que aparecem como outliers devem ser tratadas com suspeita.

MLR: Regressão linear múltipla.

MOCA, Multiblock Orthogonal Component Analysis: Generalização do OPLS para cobrir vários blocos de dados e buscar suas variabilidades conjuntas e únicas.

Mode: Em um conjunto de números, o valor que ocorre com mais frequência

Model: Uma expressão matemática que descreve as relações entre as variáveis em um conjunto de dados históricos para estimar ou classificar os dados. Em essência, um modelo traça uma "linha" através de um conjunto de pontos de dados que podem ser usados para prever resultados.

Model management: O método para rastrear, rastrear e modelos de versão que representam um sistema.

Model update: Um método para recalibrar automaticamente ou semi-automaticamente o modelo após as atualizações terem ocorrido no processo para o qual o modelo não foi ajustado anteriormente.

MSPC: Multivariate Statistical Process Control: O uso de métodos multivariados para caracterizar o estado de um processo em relação aos estados conhecidos. O estado é determinado a partir dos gráficos de pontuação do modelo e da distância para os gráficos do modelo. Veja também: SPC.

Multidimensional scaling: Correspondendo aproximadamente a uma análise de componente principal de uma matriz de "distâncias" entre as observações.

Multiple linear regression: Usado como meio de análise preditiva para explicar a relação entre uma variável dependente contínua e duas ou mais variáveis independentes.

Multivariate data analysis: Um conjunto de técnicas estatísticas usadas para analisar conjuntos de dados que contêm mais de uma variável.

MVDA: Análise de dados multivariada.

Neural network: Uma estrutura para muitos algoritmos de aprendizado de máquina diferentes para trabalhar juntos e processar entradas de dados complexas.

NIPALS: Mínimos quadrados parciais iterativos não lineares

Nonlinear Iterative Partial Least Squares: Algoritmo para calcular os componentes principais.

Normal distribution: Uma distribuição de probabilidade que, quando representada graficamente, é uma curva em forma de sino simétrica com o valor médio no centro.

Notification system: Um sistema que pode enviar uma mensagem para um ou vários destinatários específicos quando algo predeterminado acontece no sistema.

Observation space: O espaço abrangido pelos vetores de observação de uma matriz de dados. Cada vetor de variável é representado como um ponto naquele espaço. Veja também: Espaço de linha.

OLS: Mínimos quadrados ordinários, equivalente a MLR.

Omics: O estudo de um grupo ou sistema de biomoléculas.

Ordinal data: Uma variável discreta é chamada ordinal se seus dados podem ser organizados em alguma ordem numérica.

Ordinal number: Mostrar ordem ou posição em uma série, por exemplo primeiro segundo terceiro.

Orthogonal Projections to Latent Structures (OPLS): Modificação do método PLS clássico trazendo interpretação simplificada do modelo.

OPLS: Também PLS ortogonal, uma modificação do PLS em que a variação sistemática em fatores independentes é dividida em duas partes; relacionado ou não relacionado às respostas dependentes.

Outer vector product: Produto de dois vetores que produzem uma matriz: M = t * p 'onde mij = ti * pj

Outliers: Valores extremos que podem ser erros de medição e registro ou podem ser relatórios precisos de eventos raros.

PAT: Tecnologia analítica de processos.

Process Analytical Technology: Sistemas para análise e controle de processos de fabricação com base em medições oportunas, durante o processamento, de parâmetros de qualidade críticos e atributos de desempenho de materiais e processos brutos e em processo para garantir a qualidade aceitável do produto final na conclusão do processo.

Partial least squares (PLS) regression: Uma técnica estatística que combina recursos de análise de componente principal e regressão múltipla, mas em vez de encontrar hiperplanos de variância máxima entre as variáveis dependentes e independentes, ela encontra um modelo de regressão linear projetando as variáveis preditas e as variáveis observáveis para um novo modelo de menor dimensão espaço.

PCR: Regressão do componente principal.

P value: Um valor de probabilidade retornado de um teste estatístico formal de alguma estatística de teste, por exemplo, um teste t ou um teste F.

Phase: Uma parte do processo que tem uma interpretação química ou física específica.

Phase conditions: As condições de fase pertencem a toda a fase e, portanto, são usadas no modelo de nível de lote.

Phase iterations: A modelagem e o monitoramento de fases complexas que podem acontecer mais de uma vez ou ser divididas e depois mescladas novamente.

Phase iteration conditions: As condições de iteração de fase pertencem a toda a iteração de fase e, portanto, são usadas no modelo de nível de lote.

PLS: Projeções para Estruturas Latentes.

PLS-DA: Também PLS Discriminant Analysis, uma análise PLS envolvendo uma variável dummy para classificação.

Prediction: Uma afirmação (geralmente quantitativa) sobre o que acontecerá sob condições específicas, como uma consequência lógica de teorias científicas.

Predictive modeling: O desenvolvimento de modelos estatísticos para prever eventos futuros.

Power method: Um método de projeção iterativa para encontrar autovetores.

Prediction set: Um conjunto de dados usado junto com um modelo estabelecido para obter previsões do modelo para cada uma das observações no conjunto.

Predictor variable: Veja: Variáveis explicativas.

Principal component analysis: Uma técnica usada para fornecer uma visão geral das informações em um conjunto de dados.

Principal Component Regression: Uma técnica de regressão que combina cálculos de componentes principais com MLR.

Projection methods: Um grupo de métodos que podem extrair com eficiência as informações inerentes ao MVD. Eles fornecem resultados fáceis de interpretar porque podem ser apresentados como imagens. Esses métodos são eficientes para reconhecimento, classificação e previsões de padrões. Os métodos mais comumente usados são PCA, PLS e OPLS.

Projection to Latent Structures: Consulte regressão de mínimos quadrados parciais (PLS).

Qualitative variable: Uma variável não numérica que descreve uma propriedade (cenário) de uma observação. As configurações qualitativas não têm uma ordem natural e, portanto, não podem ser convertidas em uma única variável numérica (quantitativa).

QSAR: Relação Quantitativa Estrutura-Atividade.

Quantitative Structure-Activity Relationship: Estimativa da força de uma relação matemática entre estrutura química e atividade farmacológica para uma série de compostos.

Real-time data processing: O processamento de dados em tempo real envolve uma entrada, processo e saída contínuos de dados e permite que uma organização aja imediatamente. Os dados devem ser processados em um pequeno período de tempo (ou quase em tempo real).

Rectangular Experimental Designs for Multi-Unit Platforms: Um conjunto de designs, para experimentos em placas de 96 poços usando pipetas múltiplas.

REDMUP: Projeto Experimental Retangular para Plataformas Multi-Unit.

Reference dataset: Este termo é usado para conjuntos de dados com propriedades e origens conhecidas, frequentemente usados para definir modelos. Sinônimos: conjunto de dados de calibração, conjunto de dados de treinamento, conjunto de trabalho.

Regression: O ajuste de uma curva a pontos de dados expressa a relação matemática entre as variáveis.

Regression analysis: Uma técnica de modelagem usada para definir a associação entre variáveis. Ele assume um efeito causal unilateral de variáveis preditoras (variáveis independentes) para uma resposta de outra variável (variável dependente). A regressão pode ser usada para explicar o passado e prever eventos futuros.

Regressor variable: Veja: variável dependente

Residual: Sobras; parte não modelada. A incompatibilidade entre os valores observados e modelados.

Response variable: Veja: variável dependente

Root-cause analysis: Um método de resolução de problemas usado para identificar as causas raízes de falhas ou problemas.

Root Mean Squared Error (RMSE): Uma medida das diferenças entre os valores (valores da amostra ou da população) previstos (RMSEP) por um modelo ou estimador (RMSEE) e os valores observados.

Row space: O espaço abrangido pelos vetores de linha de uma matriz.

Scaling: O escalonamento é uma etapa de pré-processo na análise multivariada de dados usada para alinhar diferentes tipos de dados com um conjunto padrão de valores numéricos. Os métodos comuns incluem escala para variação de unidade e escala de Pareto.

Score: Distância da origem, ao longo de um vetor de carregamento, ao ponto de projeção de uma observação no espaço K ou M. Ou: as coordenadas de um ponto quando ele é projetado em um hiperplano do modelo.

Score space: O espaço abrangido pelos vetores de pontuação de um modelo. Cada observação é representada como um ponto naquele espaço. Consulte também: Espaço variável, espaço K e espaço M.

Score vector: Coordenadas de observação ao longo de um eixo de componente PC ou PLS. Pontuações para todas as observações para uma dimensão do modelo (componente).

Semiconductor:  material com baixa condutividade e, portanto, um intermediário entre um condutor e um isolador.

SIMCA^®: Modelagem independente suave da analogia de classes.

Singular value decomposition: Veja: Análise de componentes principais

SPC: Statistical Process Control:  O comportamento de um processo é caracterizado por meio de dados quando o processo está operando bem e em estado de controle. Na fase de monitoramento, os novos dados de entrada, medidos, são usados para detectar se o processo está sob controle ou não. Veja também: MSPC.

Spectral filters: Pré-tratamento de dados por observação especificamente voltado para o tipo espectral de dados. Pode, por exemplo, calcular derivados ou remover a média por linha.

Standard deviation: A raiz quadrada da variância e uma maneira comum de indicar o quão diferente uma determinada medição é da média.

Test dataset: Um conjunto de dados com propriedades desconhecidas, frequentemente sujeito a projeções de modelos.

Time series data: Uma sequência de medições feitas em momentos diferentes e frequentemente, mas não necessariamente em intervalos igualmente espaçados.

Time series filters: Pré-tratamento de dados por variável. Pode, por exemplo, calcular derivadas ou wavelets por coluna.

Time warping: Um método para realinhar os dados de evolução do lote de acordo com a maturidade do processo em vez do tempo para compensar as taxas de reação que diferem entre as diferentes execuções de produção.

Training dataset: Consulte: Conjunto de dados de referência.

Unit: Um vaso de produção, ou reator, onde a matéria-prima é processada.

Unit group: Um conjunto de unidades que são semelhantes o suficiente para que o mesmo modelo possa ser usado para todos eles.

Validity: Termo decorrente de argumento lógico, afirmando que um argumento é válido se, para cada modelo, todas as premissas do modelo forem verdadeiras, então a conclusão do modelo é verdadeira.

Variable space: O espaço abrangido pelos vetores variáveis de uma matriz de dados. Cada vetor de observação é representado como um ponto naquele espaço. Consulte também: espaço K e espaço M.

Variability: A variação entre amostras na mesma condição, sem erro sistemático.

Variance: Uma maneira de medir o quão grandes são as diferenças em um conjunto de números, comparando-os com o valor médio (médio)

Variables: Uma tabela de dados pode conter observações e variáveis. As observações às vezes são chamadas de objetos, amostras, caso ou itens. As variáveis são as medidas feitas para capturar as propriedades das observações.

Vector: Uma quantidade que tem uma direção e uma magnitude, geralmente representada por uma seta ou coordenada em um eixo.

Wavelets: Pequenas funções de onda oscilante que são usadas para filtragem ou compressão de dados.

Web API: Uma interface baseada em tecnologia da web para ler ou definir dados