Exercícios
Enviar por Favor para o E-mail da Disciplina:
gestao.estat.cert@gmail.com
Colocar o número do exercício e o nome do autor ou autores (máximo 3) no assunto do e-mail.
Exercícios Teóricos
- Exercício Teórico 1 – Elabore 7 slides sobre os assuntos
abordados nesta primeira aula. Ver postagem de Slides.
Qualquer coisa que tenha te interessado.
Assuntos
- IA
- CD
- Robótica
- Machine learning
- S Toyota de Gestão 4.0 = Sistema Porsche
- Rede Neural
Dead Line: 28/8/2025
- Exercício Teórico 2 – Elabore de 4 a 8 slides sobre tipos de IA Indutiva (Machine Learning).
Dead Line: 4/9/2025
Exercícios Práticos
Exercício Prático 1 - Regressão Linear Simples em Excel ou LOffice Calc. Sem outlier.
Machine Learning Supervisionado para Predição, Introdução: Regressão Linear Simples
Exemplo: X: Propaganda - Y: Vendas
X | Y |
30 | 4?? |
21 | 3?? |
35 | 520 |
42 | 490 |
37 | 470 |
2 | 210 |
8 | 195 |
17 | 270 |
35 | 400 |
25 | 480 |
Coloque seus últimos 2 dígitos do numero USP no lugar dos sinais de interrogação.
Elabore um relatório com os resultados, numa linguagem não acadêmica, como se estivesse relatando os resultados para a Dona Luiza, que não sabe estatística mas sabe muito de gestão de negócios.
Dead Line: 19/8/2025
Exercício Prático 2 - Regressão Linear Simples em Excel ou LOffice Calc. Com outlier.
Machine Learning Supervisionado para Predição, Introdução: Regressão Linear Simples
Exemplo: Propaganda - Vendas
X | Y |
30 | 4?? |
21 | 3?? |
35 | 520 |
42 | 490 |
37 | 470 |
2 | 210 |
8 | 195 |
17 | 270 |
35 | 400 |
25 | 480 |
3 800 (===> Outlier)
Coloque seus últimos 2 dígitos do numero USP no lugar dos sinais de interrogação.
Elabore um relatório com os resultados, numa linguagem não acadêmica, como se estivesse relatando os resultados para a Dona Luiza, que não sabe estatística mas sabe muito de gestão de negócios.
Dead Line: 19/8/2025
Exercício Prático 3 - Regressão Linear Simples em SAS. Com e sem outlier.
Machine Learning Supervisionado para Predição, Introdução: Regressão Linear Simples
Exemplo: Propaganda - Vendas
X | Y |
30 | 4?? |
21 | 3?? |
35 | 520 |
42 | 490 |
37 | 470 |
2 | 210 |
8 | 195 |
17 | 270 |
35 | 400 |
25 | 480 |
3 800 (===> Outlier)
Coloque seus últimos 2 dígitos do numero USP no lugar dos sinais de interrogação.
Elabore um relatório com os resultados, numa linguagem não acadêmica, como se estivesse relatando os resultados para a Dona Luiza, que não sabe estatística mas sabe muito de gestão de negócios.
Programa SAS para Regressão Robusta
data propag;
input X Y;
cards;
DADOS DO EXCEL DO BLOG
;
proc print;
run;
/* Y: Vendas e X:Propaganda */
proc robustreg;
model Y = X;
run;
Dead Line: 26/8/2025
Resultados e D.
A analise com proc reg no sas, deu resultado errado, aconteceria mesma coisa no Excel e L.O. Calq. Assim nunca devemos utilizar prog reg ou as analises do Excel o LOCalq.
Com essa análise errada falaríamos para a CEO do Mag. Luiza (Dona Luiza) que a propaganda não está funcionando.
Agora analisando os dados com a procedure Robustreg, concluímos que a propaganda influencia a venda com 99,99% de confiança.
Programa SAS feito durante a aula:
data regre;
input X Y;
datalines;
30 459
21 359
35 520
42 490
37 470
2 210
8 195
17 270
35 400
25 480
3 800
;
proc print; run;
/* Ciencia de Dados Robusta é a unica forma de tomada
de d. na ciencia e tecnologia moderna */
proc robustreg;
model Y = X;
run;
Exercício Prático 4
Vamos analisar a satisfação de clientes, por exemplo do Mazine Luisa, essa satisfação será nossa variável resposta ou efeito.
Temos 5 variáveis preditoras (ou independentes ou causa).
Queremos saber quais variáveis preditoras impactam a satisfação do cliente e quantificar esse impacto.
Resolva no SAS com e sem outlier.
Troque os sinais de interrogação pelos últimos dois dígitos do seu número USP.
Banco de Dados
Bu_Unit | Sales | Price | Qu_level | Claims | NPS | Satisfac |
1 | 65,98 | 97,80 | 96,77 | 13,58 | 98,90 | 97,83 |
2 | 15,84 | 98,90 | 98,39 | 12,35 | 97,80 | 98,91 |
3 | 8,89 | 100,00 | 100,00 | 11,11 | 100,00 | 100,00 |
4 | 12,46 | 98,90 | 95,16 | 12,35 | 96,70 | 96,74 |
5 | 80,67 | 21,98 | 19,35 | 100,00 | 2,20 | 21,???? |
6 | 32,17 | 23,08 | 22,58 | 97,53 | 3,30 | 23,91 |
7 | 23,45 | 24,18 | 24,19 | 96,30 | 2,75 | 25,00 |
8 | 89,96 | 24,18 | 19,35 | 95,06 | 2,20 | 26,09 |
9 | 31,43 | 64,84 | 56,45 | 50,62 | 65,93 | 65,22 |
10 | 11,23 | 65,93 | 51,61 | 49,38 | 71,43 | 66,30 |
11 | 77,46 | 70,33 | 53,23 | 46,91 | 63,74 | 68,48 |
12 | 23,90 | 68,13 | 51,61 | 45,68 | 61,54 | 67,39 |
13 | 7,40 | 86,81 | 80,65 | 25,93 | 90,11 | 86,96 |
14 | 0,29 | 87,91 | 79,03 | 24,69 | 85,71 | 85,87 |
15 | 83,42 | 87,91 | 77,42 | 22,22 | 90,11 | 88,04 |
16 | 100,00 | 86,81 | 75,81 | 25,93 | 84,62 | 84,78 |
17 | 15,84 | 98,90 | 98,39 | 12,35 | 97,80 | 28,91 |
Conventional and Robust Data Science for SML to Prediction or Regression
SAS Program
Data Customer;
Input Bu_Unit Sales Price Qu_level Claims NPS Satisfac;
Cards;
DADOS DO EXCEL OU LIBRE OFFICE CALC
;
proc print; run;
/* Input Bu_Unit Sales Price Qu_level Claims NPS Satisfac; */
proc reg;
model Satisfac = Sales Price Qu_level Claims NPS;
Run;
proc robustreg;
model Satisfac = Sales Price Qu_level Claims NPS / diagnostic;
Run;
