Horários de Consulta:
Link do Horários de Consulta:
https://meet.google.com/xgf-jman-pyv
Sextas das 21:30 às 22:30 horas
Sabados das 19 às 20 horas
Whatsapp do Gabriel:
019- 988 - 627 - 438
Exemplo do Felipe Nunes
data felipe;
input Vigor Taxa_Fot Te_Gluta Resisten Produt;
cards;
78 14.2 2.1 2 3.5
82 15.1 2.4 3 3.9
74 13.8 2 2 3.2
80 14.9 2.2 3 3.7
76 13.5 1.9 2 3
83 15.4 2.5 3 4
90 16.8 2.9 5 4.5
88 16.2 2.7 4 4.2
87 15.7 3.6 4 4.1
89 16 3.8 4 4.3
92 17.1 2.8 5 4.6
91 16.9 3 5 4.4
65 12.5 1.8 1 2.7
67 12.9 1.7 1 2.8
81 15.2 2.3 3 3.8
79 14.7 2.1 3 3.6
84 15.6 2.6 2 4.1
82 15.3 2.7 2 4
;
proc print;
run;
/*input Vigor Taxa_Fot Te_Gluta Resisten
Produt;c robustreg; */
/* Alpicação de Estatistica Robusta */
proc robustreg;
model Produt = Vigor Taxa_Fot
Te_Gluta Resisten;
run;
/* IA I Não Superv. para Redução de Dim. PCA-Biplot */
proc prinqual plots=(MDPref);
transform identity(Vigor Taxa_Fot Te_Gluta Resisten Produt);
ods select MDPrefPlot;
run;
/* regressão parcial entre Vigor e Produtividade, por que o
vetor do Vigos ficou encima do vetor da Produtividade
entao o Vigor para a IA é a varievel preditora mais importante
*/
proc robustreg;
model Produt = Vigor;
run;
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
- Exercício Teórico 3 - Enumere e explique os parâmetros que são obtidos a partir da matriz de confusão na IAI Supervisionada para Classificação. Apresente um exemplo. De 8 a 12 slides.
DL: 6/10
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;
Vamos analisar a Satisfação de Clientes (Y), por exemplo do Mazine Luisa, essa satisfação será nossa variável resposta ou efeito.
Temos 5 variáveis preditoras, ou independentes ou causa, X1, X2, X3, X4 e X5.
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.
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;
Arquivo de Resultado e Discussão do Exercício 4
Ex. Pratico 5 -
Visualização 6d com IA Indutiva Não Superv. para Redução de Dimensão: PCA com Biplot
Rodar PCA com os dados da regressão múltipla
data pca_reg;
input Sales Price Qu_level Claims NPS Satisfac;
cards;
65.98 97.8 96.77 13.58 98.9 97.83
15.84 98.9 98.39 12.35 97.8 98.??
8.89 100 100 11.11 100 100
12.46 98.9 95.16 12.35 96.7 96.74
80.67 21.98 19.35 100 2.2 21.59
32.17 23.08 22.58 97.53 3.3 23.91
23.45 24.18 24.19 96.3 2.75 25
89.96 24.18 19.35 95.06 2.2 26.09
31.43 64.84 56.45 50.62 65.93 65.22
11.23 65.93 51.61 49.38 71.43 66.3
77.46 70.33 53.23 46.91 63.74 68.48
23.9 68.13 51.61 45.68 61.54 67.39
7.4 86.81 80.65 25.93 90.11 86.96
0.29 87.91 79.03 24.69 85.71 85.87
83.42 87.91 77.42 22.22 90.11 88.04
100 86.81 75.81 25.93 84.62 84.78
15.84 98.9 98.39 12.35 97.8 28.91
;
proc print; run;
proc prinqual plots=(MDPref);
transform identity(Sales Price Qu_level Claims NPS Satisfac);
ods select MDPrefPlot;
run;
Sumario Executivo - Relatório Técnico do Exercício Pratico 5
Ex. Pratico 6 - Alunos procuram exemplo de repressão múltipla, e IAI Não Superv. para Redução de Dimensão. IBGE, IA, Kaggle, outros repositórios.
Resolver e fazer relatório. DL: 23/9
Ex. Pratico 7 - IAI Não S para Agrupamentos e Distancias Multivariados.
DL: 25/9/2025
Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis
Cidade | Regiao | Cid_reg | Habitantes | IDH | Rend_Cap | Cap_Empr | Teci_Emr | Gov_Descn | Org_Prod | Ins_Compet | Edu_Empr |
Piracicaba | SE | Pir_SE | 439 | 0,785 | 1,14 | 0,54 | 0,695 | 0,796 | 0,598 | 0,761 | 0,004 |
Sao_Car | SE | SC_SE | 252 | 0,805 | 1,08 | 0,686 | 0,653 | 0,812 | 0,564 | 0,788 | 0,002 |
Sao_Jose | SE | SJ_SE | 461 | 0,797 | 1,17 | 0,613 | 0,73 | 0,648 | 0,597 | 0,769 | 0,011 |
Mon_Clar | SE | MC_SE | 409 | 0,77 | 0,65 | 0,481 | 0,651 | 0,696 | 0,549 | 0,666 | 0,124 |
Rondono | CO | Ron_CO | 232 | 0,755 | 0,84 | 0,452 | 0,509 | 0,626 | 0,567 | 0,651 | 0 |
Anápolis | CO | Aná_CO | 387 | 0,737 | 0,79 | 0,481 | 0,645 | 0,695 | 0,562 | 0,708 | 0 |
Camp_Gra | NE | CG_NE | 410 | 0,72 | 0,63 | 0,458 | 0,565 | 0,683 | 0,571 | 0,59 | 0,584 |
Petroli | NE | Pet_NE | 349 | 0,697 | 0,61 | 0,419 | 0,43 | 0,678 | 0,528 | 0,57 | 0,009 |
Rio_Bran | Norte | RB_Norte | 407 | 0,727 | 0,74 | 0,342 | 0,47 | 0,663 | 0,486 | 0,503 | 0,0009 |
Boa_Vista | Norte | BV_Norte | 399 | 0,752 | 0,79 | 0,338 | 0,458 | 0,538 | 0,502 | 0,585 | 0,082 |
Maringa | S | Mar_S | 424 | 0,808 | 1,2 | 0,652 | 0,753 | 0,791 | 0,611 | 0,765 | 0,01 |
Cax_Sul | S | CS_S | 347 | 0,75 | 0,95 | 0,446 | 0,715 | 0,654 | 0,559 | 0,715 | 0,046 |
| |
Inteligência artificial indutiva (Machine Learning) não supervisionada para classificação - Cluster analysis
Cluster e Dendrograma de todas as cidades, programa SAS: ver banco de dados
data cidades;
input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
cards;
Pir_SE 0.785 1.14 0.54 0.695 0.598 0.761??
SC_SE 0.805 1.08 0.686 0.653 0.564 0.788
SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769
MC_SE 0.77 0.65 0.481 0.651 0.549 0.666
Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651
Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708
CG_NE 0.72 0.63 0.458 0.565 0.571 0.59
Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57
RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503
BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585
Mar_S 0.808 1.2 0.652 0.753 0.611 0.765
CS_S 0.75 0.95 0.446 0.715 0.559 0.715
;
proc print;
run;
proc cluster data=cidades outtree = arvore method = average;
var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;
id Cid_reg;
run;
PROC TREE DATA = arvore;
RUN;
Ex. Pratico 8 - Alunos procuram exemplo de aplicação de IAI Não Superv. para Agrupamentos e Distâncias Multivariados – Cluster Analysis. Fontes: IBGE, IA, Kaggle, outros repositórios.
Resolver e fazer relatório. DL: 2/10
Ex. Pratico 9 - PCA e Cluster Analysis no mesmo banco de dados. DL: 9/10.
PCA com Identificação de Classes
data pira;
input Perfil $ Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral;
cards;
Bovino 0.021575 0.6845 0.6425 0.27825 0.4505 0.62075 0.41225 0.50 0.0135 0.454??
Cafe 0.007518421 0.711710526 0.676578947 0.466684211 0.489184211 0.582368421 0.469763158 0.487 0.017421053 0.498947368
Cana_Acu 0.0156 0.753 0.8675 0.268 0.618 0.57 0.42475 0.47325 0.01325 0.47075
Frango 0.014175 0.735 0.8125 0.29175 0.60925 0.56375 0.39975 0.487 0.018 0.4705
Industria 0.083625 0.75275 0.8475 0.43475 0.62025 0.70475 0.56625 0.742 0.03325 0.614
Milho 0.007075 0.74825 0.945 0.281 0.60425 0.5925 0.39125 0.43325 0.005 0.46075
Servicos 0.292975 0.81875 1.6925 0.5335 0.7295 0.739 0.67175 0.77225 0.13925 0.688
Soja 0.01454 0.725 0.788 0.4444 0.5126 0.6618 0.5094 0.5516 0.0008 0.536
Piracicaba 0.0439 0.785 1.14 0.54 0.695 0.796 0.598 0.761 0.004 0.664875
;
proc print;
run;
/* input Perfil $ Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral; */
proc prinqual plots=(MDPref)
/* project onto Prin1 and Prin2 */
; /* use COV scaling */
transform identity(Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral); /* identity transform */
id Perfil;
ods select MDPrefPlot;
run;
Cluster Analysis correspondente a PCA com Identificação de Classes
data pira;
input Perfil $ Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral;
cards;
Bovino 0.021575 0.6845 0.6425 0.27825 0.4505 0.62075 0.41225 0.5085 0.0135 0.454
Cafe 0.007518421 0.711710526 0.676578947 0.466684211 0.489184211 0.582368421 0.469763158 0.487 0.017421053 0.498947368
Cana_Acu 0.0156 0.753 0.8675 0.268 0.618 0.57 0.42475 0.47325 0.01325 0.47075
Frango 0.014175 0.735 0.8125 0.29175 0.60925 0.56375 0.39975 0.487 0.018 0.4705
Industria 0.083625 0.75275 0.8475 0.43475 0.62025 0.70475 0.56625 0.742 0.03325 0.614
Milho 0.007075 0.74825 0.945 0.281 0.60425 0.5925 0.39125 0.43325 0.005 0.46075
Servicos 0.292975 0.81875 1.6925 0.5335 0.7295 0.739 0.67175 0.77225 0.13925 0.688
Soja 0.01454 0.725 0.788 0.4444 0.5126 0.6618 0.5094 0.5516 0.0008 0.536
Piracicaba 0.0439 0.785 1.14 0.54 0.695 0.796 0.598 0.761 0.004 0.664875
;
proc print;
run;
/* input Perfil $ Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral; */
proc cluster outtree = arvore method = average;
var Habitantes IDH Rend_Cap Cap_Empr Teci_Emr
Gov_Descn Org_Prod Ins_Compet Edu_Empr Geral;
id Perfil;
run;
PROC TREE DATA = arvore;
RUN;
Ex. Pratico 10 - Os alunos procuram na Internet um banco de dados para aplicar PCA e Cluster Analysis simultaneamente. no mesmo banco de dados. Discutir os resultados. DL: 16/10.
