Exercícios

 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 (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.

 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;

       Arquivo de Resultado e Discussão do Exercício 4

Clicar Aqui !!!

 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;

Ex. Pratico 6 -  IAI Não S para Agrupamentos e Distancias Multivariados.

DL: 25/9/2025

Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação  - Cluster analysis

Tipos de Machine Learning

Fonte de Dados Sebrae

https://www.isdel-sebrae.com/c%C3%B3pia-in%C3%ADcio-1

Cidade: Caxias do Sul

Tabela Excel dos Dados

 

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

  Resolver e fazer relatório.

DL:  2/10