LCE_1270_Gestão Certificação e Estatística

quinta-feira, 13 de agosto de 2026

Embora o R seja a linguagem preferida no meio acadêmico e na pesquisa exploratória devido à sua flexibilidade e ecossistema de pacotes de código aberto, o SAS mantém vantagens estratégicas significativas, especialmente no meio corporativo, governamental e em setores altamente regulados.

As principais vantagens do SAS em relação ao R no contexto de Estatística e Inteligência Artificial incluem:

1. Processamento e Gerenciamento de Big Data (Out-of-Core)

Uso de Memória: O R carrega todo o conjunto de dados diretamente na memória RAM (o que causa travamentos ou limitação de hardware ao lidar com gigabytes ou terabytes de dados).
Vantagem do SAS: O SAS foi construído desde a sua origem para processar dados diretamente do disco (Out-of-Core processing). Ele lida com bases massivas sem exigir que o ecossistema fique limitado à capacidade da RAM.
Ecossistema Viya: Com o SAS Viya, o processamento in-memory distribuído é integrado nativamente para pipelines de ML/IA em escala.

2. Validação, Confiabilidade e Governança Regulatória

Garantia de Resultados: Em setores como indústria farmacêutica (ensaios clínicos submetidos ao FDA/ANVISA) e setor financeiro (Análise de Risco e Credit Scoring sob Basiléia III), os algoritmos do SAS passam por um rigoroso controle de qualidade do fornecedor.
Rastreabilidade e Auditabilidade: Enquanto no R pacotes podem sofrer alterações contínuas por maintainers independentes ou apresentar bugs sutis em novas atualizações, o SAS oferece reprodutibilidade e validação estatística formal para auditorias severas.

3. Suporte Técnico Dedicado e SLA

Resolução de Problemas: Se um pipeline estatístico em R quebra devido a depreciação de pacotes (ex: mudanças entre tidyverse ou versões da linguagem), a solução depende do suporte da comunidade ou Stack Overflow.
Vantagem do SAS: Conta com suporte técnico profissional 24/7, garantia contratual e SLAs definidos, fator crucial para operações críticas de inteligência de negócios e IA em produção.

4. Governança de Modelos de IA e MLOps

Ciclo de Vida de Modelos (Model Governance): O SAS conta com ferramentas dedicadas (como o SAS Model Manager) para monitoramento de drift de modelos, validação contínua, governança e implantação (deployment) com um clique.
Deploy Integrado: No R, a operacionalização de modelos em ambiente de produção frequentemente exige a combinação de múltiplas ferramentas secundárias (Docker, APIs REST com Plumber, MLflow, etc.).

Resumo Comparativo

Dimensão	SAS	R
Volume de Dados	Excelente (nativo no disco e em cluster)	Limitado pela memória RAM do sistema
Ambiente Corporativo	Governança e MLOps nativos	Exige integração de várias bibliotecas
Validação Estatística	Testado, certificado e auditável	Depende da validação da comunidade
Suporte e Garantia	Suporte corporativo e contínuo	Fóruns da comunidade e documentação aberta
Inovação de Fronteira	Atualizações estruturadas corporativas	Inovação em IA/Estatística quase em tempo real
Custo de Licenciamento	Alto (comercial)	Gratuito (Open Source)

Arquivo do Weka para MLS para Clasificação

Arquivo para Download:

Arquivo Franco Swizo

SAS segundo a IA

A linguagem SAS (Statistical Analysis System) é um padrão global consolidado, especialmente em grandes corporações, setores regulados e no ecossistema acadêmico de alta performance.

Principais Benefícios da Linguagem SAS
• Tratamento Eficiente de Grandes Volumes de Dados (Big Data): Diferente de linguagens que carregam todo o conjunto de dados na memória RAM (como o R ou Python em suas configurações padrão), o SAS processa dados diretamente em disco via DATA Steps. Isso permite manipular tabelas de dezenas de gigabytes com estabilidade, sem provocar erros de estouro de memória (Out of Memory).
• Confiabilidade e Validação Técnica: Por ser um software proprietário com auditoria rigorosa, o SAS entrega rotinas estritamente testadas e documentadas. É o padrão-ouro exigido por órgãos reguladores como a FDA (para ensaios clínicos da indústria farmacêutica) e instituições do setor bancário e financeiro (para análise de risco e credit scoring).
• Arquitetura Modular Modularizada (PROC Step): A separação clara entre a manipulação de dados (DATA step) e a execução de procedimentos analíticos (PROC step) permite rodar análises estatísticas complexas — de regressões e MANOVA a modelos mistos e clusterização — com poucas linhas de código altamente otimizadas.
• Avanço em Analytics e Inteligência Artificial: Nas plataformas modernas (como o SAS Viya), a linguagem integra algoritmos avançados de Machine Learning, computação em memória de alta velocidade (CAS Engine) e suporte nativo a execuções em nuvem e contêineres.
• Integração e Interoperabilidade: O SAS permite executar código embutido de Python, R e SQL dentro do próprio ambiente, além de se conectar nativamente a bancos de dados relacionais (via SAS/ACCESS) e sistemas de arquivos distribuídos.
• Gerenciamento do Ciclo de Vida dos Dados: Oferece ferramentas robustas integradas para Governança de Dados, linhagem (data lineage), qualidade de dados e conformidade com normas de privacidade (como LGPD e GDPR).

quarta-feira, 12 de agosto de 2026

Ata aula 10/8

Fizemos sumario executivo do ex 1.

Credenciamos sas

segunda-feira, 10 de agosto de 2026

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

Seminário

Escolha um assunto entre os exercícios teóricos e práticos e elabore um seminário com 14 slides, em português, inglês ou espanhol. DL: 20/11. Enviar o seminário no e-mail de exercícios com seu nome, trabalho individual.

Exercícios teóricos e seminário são atividades individuais, tentar fazer em ingles ou espanhol.

Exercícios Práticos podem ser feitos em dois ou três pessoas.

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

- Exercício Teórico 4 – O que é Gestão Estratégica (Kakushin), Tática (Kaikaku) e Operacional (Kaizen). Qual é o salário de cada função, em grandes, medias e pequenas empresas. Qual é a remuneração para consultoria externa? DL: 9/10

- Exercício Teórico 5 - O que é gestão Data Driven? Quais recursos podemos gerenciar? 3 grandes categorias de recursos de uma empresa DL:19/10. 6 slides.

- Exercício Teórico 6 - Quanto vocês ganhariam trabalhando com auditoria da ISO, GlobalGAP e FSC? 8 slides

Quanto com consultoria em gestão estratégica tática e operacional

Quanto com consultoria em IA e Ciência de Dados?

Em 3 níveis de conhecimento:

· Junior

· Pleno

· Sênior

- Exercício Teórico 7 – Descreva os tipos de auditoria em geral (2 slides). Quais tipos de auditoria tem no sistema ISO (2 slides)? DL: 29/10

- Exercício Teórico 8 – Qual é a estrutura do TQM e da ISO 9.001. Quais são as vantagens de aplica-los. DL: 29/10. 6 slides.

- Exercício Teórico 9 – Qual é a estrutura e o beneficio de se utilizar BSC (2 slides) e Lean Startup (2 slides). DL: 29/10.

- Exercício Teórico 10 - O que é Gestão de KPIs? 3 slides. DL: 29/10. 3 slides.

- Exercício Teórico 11 - Quanto custa uma hora de aula particular do SAS no Brasil? 3 slides, DL: 30/10

- Exercício Teórico 12 - Como impacta o conhecimento de IA e CD em sua profissão? 5 slides, DL: 30/10

- Exercício Teórico 13 - Como impacta o conhecimento de SAS na empregabilidade e competitividade de profissionais universitários no Brasil? 5 slides , DL: 30/10

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

Resolução do Exercício 1 em parceria com os alunos, pdf para download:

clicar aqui !

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.

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.

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: 3/9/2025

Arquivo para Download de Resultados e Discussão:

Arquivo Elaborado Durante a Aula

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.

Dead Line - Prazo : 10/9/2025

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;

Resolução do Exercicio Pratico 4

Clicar aqui !!!

Ex. Pratico 5 - Rodar PCA com os dados da regressão múltipla. DL: 16/9

Visualização 6d com IAI Não S para Redução de Dimensão

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;

Resolução do Exercicio Pratico 5

Download

Arquivo de Resultados e Discussão - Feito pelo Gabriel como se fosse um aluno

Arquivo para Download:

Clicar Aqui !!!

Ex. Pratico 6 - Alunos procuram exemplo de repressão múltipla, e IAI Não Superv. para Redução de Dimenssão. IBGE, IA, Kaggle, outros repositórios.

Resolver e fazer relatório. DL: 23/9

Ex. Pratico 7 - IAI Não Supervisionada para Agrupamentos e Distancias Multivariados

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;

Arquivo para Download: Sumario Executivo do Ex. 7

Clicar Aqui !!!

Ex. Pratico 8 Optativo - 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: 30/9

Ex. Pratico 9 - PCA e Cluster Analysis no mesmo banco de dados.

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??