quinta-feira, 9 de outubro de 2025

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

 

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.



 

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;



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.  Cluster analysis

DL: 9/10/2025




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;


Sumario Executivo ou Relatório Técnico para Download

Clicar Aqui !!!



 

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

 


Relatorio do Ex. 9 - Aquivo para Download


 Ex. Pratico 10 - IAI Não Supervisionada para Agrupamentos e Distâncias Multivariados, seleção de variáveis preditoras, equalização e detecção de outliers. ANOVA, RobustANOVA, Box and Wisker Plot. DL: 23/10


Relatorio para download:

Clicar Aqui!!!

Dados em Planilha Eletrônica:

 

Categ

IMC

Movim

Kcal

AT

20,2

53,7

28??

AT

21,3

54,8

2700

AT

19,3

49,6

2800

AT

21,1

52,3

2900

AT

24,1

30,3

2700

SEM

22,4

14,9

2600

SEM

21,9

17,8

2700

SEM

23,8

18,6

3200

SEM

24,1

15,1

3300

SE

27,3

2,5

2700

SE

23,4

4,3

2300

SE

25,2

2,3

2600

SE

26,4

2,6

3200

PR

26,2

4,1

2600

PR

24,2

2,1

2700

PR

25,4

1,9

2650

PR

21,1

20

2650

PR

25,2

3,1

2650

PR

24,8

2

2675


Ex. Pratico 11 - Cuidados para analises de PCA e Cluster com muitos dados. Mesmos dados do Ex. 8, mas sao dados brutos no Ex. 11 . 

Exemplo de Piracicaba e outras cidades com perfil econômico com repetições de cidades com o mesmo perfil.

ANOVA, NPANOVA, para selecionar variáveis preditoras.

Equalização.

 

Perfil - Cidade

Habitan

IDH

Rend_Cap

Cap_Empr

Teci_Emr

Gov_Desenv.

Org_Prod

Ins_Compet

Edu_Empr

Geral

Cafe

 

 

 

 

 

 

 

 

 

 

Varginha

136

0,778

0,9

0,522

0,638

0,7

0,538

0,7??

0,002

0,629

Três Pontas

57

0,731

0,68

0,469

0,484

0,533

0,513

0,559

0,003

0,516

Poços de Caldas

167

0,779

0,95

0,501

0,615

0,687

0,56

0,797

0,006

0,632

Alfenas

81

0,761

0,78

0,507

0,535

0,522

0,46

0,617

0,003

0,528

Guaxupé

52

0,751

0,75

0,482

0,513

0,745

0,526

0,642

0

0,582

Patrocínio

91

0,729

0,72

0,474

0,525

0,598

0,503

0,512

0

0,522

Serra do Salitre

12

0,696

0,72

0,49

0,36

0,506

0,475

0,396

0

0,445

Campos Gerais

29

0,682

0,5

0,414

0,448

0,434

0,411

0,337

0

0,409

Manhuaçu

90

0,689

0,59

0,443

0,476

0,56

0,453

0,555

0

0,497

Caratinga

92

0,706

0,61

0,459

0,528

0,73

0,485

0,493

0

0,539

Manhumirim

23

0,697

0,55

0,408

0,392

0,553

0,42

0,43

0

0,441

Alto Caparaó

6

0,661

0,51

0,436

0,317

0,309

0,422

0,275

0

0,352

Linhares

174

724

0,71

0,438

0,523

0,592

0,526

0,568

0

0,529

Jaguaré

30

0,678

0,54

0,39

0,394

0,574

0,468

0,364

0

0,438

São Mateus

131

0,735

0,7

0,409

0,456

0,631

0,508

0,477

0

0,496

Franca

353

0,78

0,85

0,593

0,631

0,747

0,574

0,731

0,1

0,655

Patrocínio Paulista

15

0,73

0,61

0,51

0,509

0,517

0,464

0,514

0

0,503

Batatais

63

0,761

0,94

0,52

0,511

0,617

0,523

0,599

0

0,554

Espírito Santo do Pinhal

44

0,787

1,05

0,502

0,564

0,607

0,506

0,602

0

0,556

Santo Antônio do Jardim

6

0,714

0,64

0,727

0,493

0,335

0,384

0,432

0

0,474

São João da Boa Vista

91

0,797

1

0,589

0,627

0,644

0,528

0,684

0,005

0,614

Ourinhos

114

0,778

0,87

0,537

0,575

0,659

0,51

0,612

0

0,579

Avaré

91

0,767

0,85

0,508

0,545

0,647

0,535

0,615

0

0,57

Barra do Choça

32

0,551

0,27

0,258

0,237

0,433

0,352

0,228

0

0,301

Vitória da Conquista

338

0,678

0,56

0,427

0,496

0,672

0,493

0,634

0

0,544

Planalto

26

0,56

0,26

0,253

0,302

0,44

0,381

0,19

0

0,313

Nova Canaã

16

0,545

0,25

0,162

0,291

0,279

0,323

0,104

0

0,232

Cacoal

85

0,718

0,74

0,462

0,546

0,696

0,428

0,506

0,301

0,527

Rolim de Moura

55

0,7

0,66

0,434

0,627

0,627

0,42

0,443

0,014

0,51

Ji-Paraná

129

0,714

0,74

0,414

0,532

0,723

0,487

0,553

0,009

0,542

Ariquemes

108

0,702

0,69

0,388

0,558

0,718

0,448

0,487

0,201

0,52

Jacarezinho

39

0,743

0,77

0,425

0,508

0,657

0,525

0,623

0,012

0,547

Ribeirão Claro

11

0,716

0,64

0,652

0,445

0,664

0,492

0,421

0,006

0,535

Carlópolis

14

0,713

0,61

0,541

0,497

0,573

0,432

0,287

0

0,463

Ibaiti

31

0,71

0,79

0,513

0,521

0,6

0,459

0,55

0

0,529

Abatiá

7

687

0,54

0,449

0,502

0,512

0,47

0,259

0

0,438

Joaquim Távora

12

0,7

0,62

0,615

0,449

0,534

0,446

0,434

0

0,496

Pinhalão

6

0,697

0,55

0,413

0,419

0,555

0,403

0,227

0

0,403

 

 

 

 

 

 

 

 

 

 

 

 

Habitantes

IDH

Rend_Cap

Cap_Empr

Teci_Emr

Gov_Desenv.

Org_Prod

Ins_Compet

Edu_Empr

Geral

INDÚSTRIA

 

 

 

 

 

 

 

 

 

 

Manaus

2183

0,737

0,79

0,352

0,613

0,714

0,587

0,752

0,108

0,604

Joinville

590

0,809

1,13

0,584

0,706

0,809

0,606

0,843

0,024

0,71

Camaçari

299

0,694

0,55

0,34

0,586

0,635

0,531

0,676

0,001

0,554

Volta Redonda

273

0,771

0,92

0,463

0,576

0,661

0,541

0,697

0

0,588

 

 

 

 

 

 

 

 

 

 

 

SERVIÇOS

 

 

 

 

 

 

 

 

 

 

Brasília

3015

0,824

1,72

0,492

0,659

0,548

0,677

0,707

0,137

0,617

Rio de Janeiro

6719

0,799

1,49

0,494

0,798

0,762

0,761

0,767

0,014

0,716

Florianópolis

501

0,847

1,8

0,637

0,688

0,8

0,599

0,811

0,201

0,703

Porto Alegre

1484

0,805

1,76

0,511

0,773

0,846

0,65

0,804

0,205

0,716

 

 

 

 

 

 

 

 

 

 

 

GADO

 

 

 

 

 

 

 

 

 

 

São Félix do Xingu

128

0,594

0,42

0,111

0,461

0,49

0,275

0,287

0

0,325

Corumbá

111

0,7

0,63

0,309

0,417

0,652

0,44

0,608

0

0,485

Porto Velho

530

0,736

0,93

0,342

0,471

0,669

0,466

0,647

0,054

0,519

Cáceres

94

0,708

0,59

0,351

0,453

0,672

0,468

0,492

0

0,487

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

SOJA

 

 

 

 

 

 

 

 

 

 

Sorriso

90

0,744

0,99

0,474

0,518

0,683

0,537

0,578

0

0,558

Formosa do Rio Preto

26

0,618

0,29

0,27

0,352

0,587

0,368

0,319

0

0,379

Rio Verde

236

0,754

0,94

0,514

0,598

0,639

0,554

0,639

0,004

0,589

Sinop

143

0,754

0,88

0,512

0,586

0,774

0,521

0,571

0

0,593

Rondonópolis

232

755

0,84

0,452

0,509

0,626

0,567

0,651

0

0,561

 

 

 

 

 

 

 

 

 

 

 

CANA-DE-AÇÚCAR

 

 

 

 

 

 

 

 

 

 

Uberaba

340

0,772

0,98

0,264

0,693

0,651

0,487

0,555

0,014

0,53

Morro Agudo

34

0,712

0,69

0,222

0,547

0,468

0,379

0,394

0,002

0,402

Quirinópolis

51

0,74

0,76

0,244

0,526

0,55

0,366

0,415

0,005

0,42

Araçatuba

199

0,788

1,04

0,342

0,706

0,611

0,467

0,529

0,032

0,531

 

 

 

 

 

 

 

 

 

 

 

FRANGO

 

 

 

 

 

 

 

 

 

 

Cascavel

336

0,782

1

0,311

0,687

0,622

0,502

0,566

0,015

0,538

Itaberaí

44

0,719

0,77

0,272

0,536

0,501

0,331

0,403

0,003

0,409

Santa Maria de Jetibá

42

0,671

0,6

0,264

0,557

0,513

0,314

0,439

0,049

0,417

Toledo

145

0,768

0,88

0,32

0,657

0,619

0,452

0,54

0,005

0,518

 

 

 

 

 

 

 

 

 

 

 

MILHO

 

 

 

 

 

 

 

 

 

 

Sorriso

95

0,744

0,99

0,28

0,622

0,61

0,425

0,483

0,002

0,484

Nova Mutum

48

0,758

0,98

0,278

0,591

0,508

0,382

0,389

0,002

0,43

Campo Novo do Parecis

37

0,734

0,82

0,287

0,56

0,63

0,338

0,388

0,002

0,441

Jatai

103

0,757

0,99

0,279

0,644

0,622

0,42

0,473

0,014

0,488


Habitan

IDH

Rend_Cap

Cap_Empr

Teci_Emr

Gov_Desenv.

Org_Prod

Ins_Compet

Edu_Empr

Geral

Habitantes         IDH         Rend_Cap          Cap_Empr          Teci_Emr             Gov_Descn        Org_Prod            Ins_Compet                Edu_Empr Geral

Piracicaba 439         0,785     1,14        0,54       0,695     0,796     0,598     0,761     0,004 0,7

 


Nenhum comentário:

Postar um comentário