Ciência e Análise de Dados — Material

Sumário

1. O que são dados e por que importam?
2. Ciência de Dados vs Análise de Dados
3. Os 4 Tipos de Analytics
4. O caminho do dado: do bruto ao insight
5. Limpeza de dados na prática
6. Análise Exploratória (EDA)
7. Visualização: contando histórias com dados
8. Estatística sem mistério
9. SQL: a língua universal dos dados
10. Python: seu canivete suíço para dados
11. Ferramentas de BI: do dado ao dashboard
12. IAs para análise de dados: o novo copiloto
13. Machine Learning: quando o computador aprende
14. Casos reais: como grandes empresas usam dados
15. Dados no mercado de seguros
16. Cultura Data-Driven
17. Carreira em Dados
18. Vídeos Recomendados
19. Exercícios Práticos
20. Referências

---

1. O que são dados e por que importam?

Antes de falar sobre ciência ou análise, vale entender o que estamos chamando de "dados". Em termos simples, dados são registros de fatos. Cada vez que você faz uma compra no cartão, abre um aplicativo, responde uma pesquisa ou até caminha com o celular no bolso, você está gerando dados.

Uma padaria de bairro que anota seus pedidos num caderno tem dados. Uma multinacional que processa milhões de transações por segundo também. A diferença não está em ter ou não ter dados — está no que você faz com eles.

Um exemplo do dia a dia

Imagine que você tem uma planilha simples das vendas de uma loja de café:

Só com essa tabela simples, já conseguimos responder perguntas de negócio:

• "Qual o produto mais vendido?" → Cappuccino (5 unidades)
• "Quem é o cliente mais frequente?" → Maria e João (2 visitas cada)
• "Qual o faturamento do período?" → R$ 78,00
• "Qual dia vendeu mais?" → Dia 02 (R$ 33,00)

Isso é análise de dados na sua forma mais pura. Não precisa de inteligência artificial, big data ou nuvem. Precisa de uma pergunta clara e dados organizados.

O dado sozinho não vale nada. "01/03, Cappuccino, 2, 18" é apenas um registro. O valor aparece quando você faz uma pergunta: "Devo comprar mais cappuccino para a próxima semana?" — aí o dado vira informação, que vira decisão, que vira ação.

O volume de dados no mundo

Em 2025, o mundo gera cerca de 181 zettabytes de dados por ano. Para ter uma noção: se cada byte fosse um grão de areia, 181 zettabytes seriam 181 trilhões de praias de Copacabana. A maioria desses dados (80-90%) é não estruturada — textos, imagens, vídeos, logs — e a grande maioria nunca é analisada.

Empresas que conseguem transformar seus dados em decisões têm vantagem competitiva real. A Amazon recomenda 35% de suas vendas via algoritmos de dados. O Netflix estima que seu sistema de recomendação vale US$ 1 bilhão por ano em retenção de assinantes.

---

2. Ciência de Dados vs Análise de Dados

Esses dois termos aparecem em todo lugar e são frequentemente confundidos. Vamos separar de forma clara.

Análise de Dados

Pense no analista de dados como um detetive. Ele pega os dados que já existem, organiza, limpa e investiga para responder perguntas do negócio. "Quanto vendemos mês passado?", "Por que o cancelamento aumentou?", "Qual região performa melhor?".

O analista trabalha principalmente com o passado e o presente. Sua entrega são relatórios, dashboards e insights que ajudam gestores a tomar decisões informadas.

Ciência de Dados

O cientista de dados é mais como um inventor. Ele cria modelos matemáticos e algoritmos que aprendem padrões nos dados para prever o futuro ou automatizar decisões. "Qual a chance desse cliente cancelar?", "Quanto vamos vender no próximo trimestre?", "Esse e-mail é spam?".

O cientista trabalha com o futuro. Sua entrega são modelos preditivos, sistemas de recomendação e algoritmos que funcionam sozinhos.

Ponto importante: Análise de dados não é "menos" que ciência de dados. São complementares. Muitas empresas precisam mais de bons analistas do que de cientistas de dados, especialmente quando ainda não têm dados limpos e processos básicos organizados.

Outros papéis no ecossistema de dados

---

3. Os 4 Tipos de Analytics

A consultoria Gartner criou um modelo que classifica a maturidade analítica de uma organização em 4 níveis. Pense neles como uma escada: cada degrau agrega mais valor, mas também exige mais maturidade de dados e técnica.

Nível 1: Analytics Descritiva — "O que aconteceu?"

É o ponto de partida. A maioria das empresas opera aqui. Você olha para o passado e resume o que aconteceu.

Na prática: Um dashboard no Power BI mostrando o faturamento mensal, o número de sinistros por trimestre, a taxa de conversão do site.

Nível 2: Analytics Diagnóstica — "Por que aconteceu?"

Aqui você investiga as causas. Não basta saber que as vendas caíram — você quer entender por quê.

Na prática: Fazer drill-down nos dados, cruzar variáveis, comparar períodos e segmentos até encontrar a causa raiz.

Nível 3: Analytics Preditiva — "O que vai acontecer?"

Agora usamos o passado para projetar o futuro. É aqui que Machine Learning entra com força. Modelos aprendem padrões nos dados históricos e estimam probabilidades.

Nível 4: Analytics Prescritiva — "O que devemos fazer?"

O nível mais avançado. Não apenas prevê, mas recomenda a melhor ação. Combina previsão com otimização.

A diferença na prática:

• Preditiva: "Há 70% de chance de esse cliente cancelar."
• Prescritiva: "Ofereça 20% de desconto no plano anual para esse cliente — isso reduz a chance de cancelamento para 25%, com ROI positivo em 3 meses."

---

4. O caminho do dado: do bruto ao insight

Imagine que dados são como petróleo bruto. Você não coloca petróleo direto no carro — ele precisa ser extraído, transportado, refinado e distribuído. Com dados é a mesma coisa.

Repare que a limpeza consome a maior parte do tempo. Isso surpreende muita gente que imagina que o trabalho com dados é 100% criar gráficos bonitos e treinar modelos de IA. Na realidade, a parte "glamurosa" é uma fatia pequena — o grosso do trabalho é preparar dados confiáveis.

"Garbage in, garbage out." Se os dados que entram são ruins, o resultado será ruim — não importa quão sofisticada seja a análise ou o modelo. Uma IA treinada com dados sujos é apenas uma IA confiante nas respostas erradas.

---

5. Limpeza de dados na prática

Vamos ver como a limpeza funciona com um exemplo concreto. Imagine que você recebeu uma planilha de clientes de uma seguradora e encontrou isso:

Consegue identificar os problemas? Vamos por partes:

Problema 1: Duplicatas

Maria Silva aparece duas vezes com o mesmo CPF. Precisamos manter apenas uma entrada.

# Remover linhas duplicadas baseado no CPF, mantendo a última ocorrência
df = df.drop_duplicates(subset=['cpf'], keep='last')

Problema 2: Valores ausentes

João não tem renda preenchida e Pedro não tem CPF. São situações diferentes:

• CPF vazio: É um campo obrigatório — sem ele, não conseguimos identificar o cliente. Melhor remover a linha.
• Renda vazia: Podemos preencher com a mediana das rendas existentes, que é mais robusta que a média (não é afetada por outliers).

# Remover linhas sem CPF (campo obrigatório)
df = df.dropna(subset=['cpf'])

# Preencher renda vazia com a mediana
df['renda'] = df['renda'].fillna(df['renda'].median())

Problema 3: Inconsistência de estado

"sp", "São Paulo" e "SP" representam a mesma coisa, mas o computador trata como três valores diferentes.

# Padronizar para sigla maiúscula
df['estado'] = df['estado'].str.upper().str.strip()

# Para casos como "São Paulo", precisamos de um mapeamento
mapa_estados = {'SÃO PAULO': 'SP', 'RIO DE JANEIRO': 'RJ', 'MINAS GERAIS': 'MG'}
df['estado'] = df['estado'].replace(mapa_estados)

Problema 4: Formato de data inconsistente

Uma data está como "2024-01-15" e outra como "15/01/2024". Precisamos padronizar.

# Converter para formato de data, tentando múltiplos formatos
df['data_cadastro'] = pd.to_datetime(df['data_cadastro'], dayfirst=True)

Problema 5: Outlier suspeito

Ana tem renda de R$ 999.999. Pode ser real (uma executiva), mas parece erro de digitação. Precisamos investigar antes de decidir.

# Ver estatísticas de renda para entender o contexto
print(df['renda'].describe())

# Se for erro, podemos tratar como nulo e preencher com mediana
# Se for real, mantemos

Resultado após a limpeza

A Maria duplicada sumiu, o Pedro sem CPF foi removido, o João ganhou a mediana como renda, e os estados estão padronizados. Agora sim podemos confiar nos dados para análise.

---

6. Análise Exploratória (EDA)

EDA é como conhecer alguém antes de tomar uma grande decisão juntos. Você não modela dados que não entende — assim como não faz sociedade com alguém que acabou de conhecer. Primeiro, explore.

O estatístico John Tukey formalizou a EDA nos anos 1970. Sua ideia central: olhe para os dados com curiosidade antes de testar hipóteses. Muitos erros em análise vêm de pular essa etapa.

As perguntas que a EDA responde

Imagine que você recebeu um dataset de vendas de uma loja. Antes de qualquer análise ou modelo, responda:

import pandas as pd

df = pd.read_csv('vendas.csv')

# Quantos dados temos?
print(df.shape)        # (15000, 8) → 15 mil linhas, 8 colunas

# Que colunas existem e de que tipo são?
print(df.info())       # nome, produto, valor, data, região...

# Estatísticas resumidas dos números
print(df.describe())

Só com esse resumo, já aprendemos muito:

• Temos 15 mil vendas com 8 variáveis
• O valor médio de venda é R$ 89,50, mas a mediana é R$ 82 — a distribuição é um pouco assimétrica para a direita
• A coluna "desconto" tem 12.800 registros (vs 15.000) — há 2.200 valores ausentes (14.7%)
• O valor máximo é R$ 980 — pode ser outlier, precisa investigar
• 90% de desconto parece anormalmente alto — investigar

Regra de ouro: Nunca modele sem antes fazer EDA. O modelo mais sofisticado do mundo falha se os dados estão sujos ou enviesados. A EDA é seu seguro contra surpresas desagradáveis.

---

7. Visualização: contando histórias com dados

Um gráfico bem feito substitui páginas de texto. O cérebro humano processa imagens muito mais rápido que números — por isso, a visualização de dados é a etapa em que o insight vira comunicação e a comunicação vira ação.

Qual gráfico usar?

A escolha errada de gráfico pode confundir em vez de esclarecer. Aqui vai um guia prático:

Princípios de boa visualização

• 5 segundos: O gráfico deve ser compreensível em 5 segundos. Se não é, está complexo demais.
• Honestidade: Eixos de barras devem começar em zero. Escalas não devem enganar o olho.
• Foco: Destaque o insight principal. Remova tudo que não ajuda a entender a mensagem (linhas de grade excessivas, decorações, 3D).
• Título explicativo: Em vez de "Vendas 2024", use "Vendas caíram 15% no Q3 por atraso logístico no Sul".

---

8. Estatística sem mistério

Estatística pode parecer intimidante, mas no fundo ela responde perguntas simples: "Qual é o número típico?", "Quanto os dados variam?" e "Esse resultado é real ou pode ser sorte?".

Média, mediana e moda — por que existem três?

Imagine os salários (em R$ mil) de 10 funcionários de uma startup:

• Média: (3+3+4+4+4+5+5+5+8+50) ÷ 10 = R$ 9,1 mil
• Mediana: valor do meio (entre 4 e 5) = R$ 4,5 mil
• Moda: valor mais frequente = R$ 4 mil e R$ 5 mil

Percebe o problema? A média diz R$ 9,1 mil, mas 9 dos 10 funcionários ganham menos que isso. O salário do CEO (R$ 50 mil) puxa a média para cima, distorcendo a realidade. A mediana (R$ 4,5 mil) é muito mais representativa do salário "típico" nesse caso.

Quando usar cada uma: Use a média quando os dados são simétricos e sem valores extremos. Use a mediana quando há outliers (salários, preços de imóveis, tempos de espera). Use a moda para dados categóricos ("qual a cor mais vendida?").

Desvio padrão — o quanto os dados "espalham"

Duas turmas podem ter a mesma média de nota (7,0), mas uma ter todos os alunos entre 6 e 8 (baixo desvio padrão) e outra ter alunos de 2 a 10 (alto desvio padrão). O desvio padrão mede esse espalhamento.

Correlação vs Causalidade

Um dos erros mais comuns e mais perigosos em análise de dados.

• Correlação: Duas coisas variam juntas. Consumo de sorvete e afogamentos sobem no verão.
• Causalidade: Uma coisa causa a outra. Sorvete não causa afogamentos — o calor (variável confundidora) causa ambos.

Exemplos famosos de correlações espúrias:

• Vendas de guarda-chuva correlacionam com acidentes de carro (confundidora: chuva)
• Número de filmes de Nicolas Cage correlaciona com afogamentos em piscina (pura coincidência estatística)
• Países com mais consumo de chocolate têm mais prêmios Nobel per capita (riqueza é a confundidora)

---

9. SQL: a língua universal dos dados

Se existe uma habilidade que todo profissional de dados precisa ter, é SQL. Criada em 1974 pela IBM, SQL (Structured Query Language) é a linguagem para conversar com bancos de dados. E ela está em toda parte: sistemas bancários, e-commerces, ERPs, data warehouses, ferramentas de BI.

O mais interessante é que SQL é declarativa — você diz o que quer, e o banco decide como buscar. É como pedir um café: você não explica como moer o grão, esquentar a água e filtrar. Você só diz "quero um café".

Seu primeiro SELECT

Imagine que temos uma tabela de clientes em um banco de dados:

Para ver todos os clientes de São Paulo:

SELECT nome, idade, plano
FROM clientes
WHERE cidade = 'São Paulo';

Leia assim: "Selecione o nome, idade e plano da tabela clientes, onde a cidade é São Paulo."

GROUP BY: o poder das agregações

Agora imagine uma tabela de vendas:

Queremos saber: "Quanto vendemos por região, e quantas vendas cada uma teve?"

SELECT
    regiao,
    COUNT(*) AS total_vendas,
    SUM(valor) AS faturamento,
    AVG(valor) AS ticket_medio
FROM vendas
GROUP BY regiao
ORDER BY faturamento DESC;

Com uma única query, descobrimos que o Sudeste lidera em faturamento e ticket médio. Esse é o tipo de resposta que gestores precisam diariamente — e SQL entrega em segundos.

JOIN: combinando tabelas

No mundo real, os dados estão espalhados em várias tabelas. JOIN é como conectar peças de LEGO — combina dados de tabelas diferentes usando uma coluna em comum.

-- Quero ver o nome do cliente junto com seus pedidos
SELECT
    clientes.nome,
    vendas.produto,
    vendas.valor
FROM clientes
JOIN vendas ON clientes.id = vendas.cliente_id
WHERE vendas.valor > 1000;

Leia assim: "Pegue o nome dos clientes e os produtos/valores das vendas, combinando pelo ID, mas só onde o valor é maior que R$ 1.000."

Quando usar SQL vs outras ferramentas

---

10. Python: seu canivete suíço para dados

Se SQL é a língua para conversar com bancos de dados, Python é o canivete suíço para tudo o que SQL não faz: limpeza complexa, visualização, automação, Machine Learning e muito mais.

Python é a linguagem mais usada em ciência de dados por três razões: sintaxe legível (parece inglês), ecossistema gigante (milhares de bibliotecas prontas) e comunidade ativa (qualquer dúvida já foi respondida no Stack Overflow).

Pandas: sua planilha turbinada

Pandas é a biblioteca mais importante para análise de dados em Python. Pense nela como uma planilha do Excel com superpoderes — capaz de lidar com milhões de linhas e fazer operações complexas em uma linha de código.

import pandas as pd

# Carregar um arquivo CSV (como abrir uma planilha)
df = pd.read_csv('vendas_2024.csv')

# Ver as primeiras 5 linhas (como olhar o topo da planilha)
print(df.head())

Agora, digamos que você quer a mesma análise que fizemos em SQL — faturamento por região:

# Agrupar por região e calcular totais
resultado = df.groupby('regiao').agg(
    total_vendas=('valor', 'count'),
    faturamento=('valor', 'sum'),
    ticket_medio=('valor', 'mean')
).sort_values('faturamento', ascending=False)

print(resultado)

Visualizando com Matplotlib e Seaborn

Depois de analisar os números, queremos visualizar. Em Python, Matplotlib é a base e Seaborn adiciona gráficos estatísticos bonitos.

import matplotlib.pyplot as plt
import seaborn as sns

# Gráfico de barras: faturamento por região
plt.figure(figsize=(10, 6))
sns.barplot(data=df, x='regiao', y='valor', estimator=sum)
plt.title('Faturamento Total por Região — 2024')
plt.xlabel('Região')
plt.ylabel('Faturamento (R$)')
plt.show()

# Histograma: distribuição dos valores de venda
plt.figure(figsize=(10, 6))
df['valor'].hist(bins=30, color='#1863dc', edgecolor='white')
plt.title('Distribuição dos Valores de Venda')
plt.xlabel('Valor (R$)')
plt.ylabel('Frequência')
plt.show()

As bibliotecas essenciais

SQL ou Python? Os dois.

Não é uma escolha — são complementares:

• SQL para buscar e agregar dados direto no banco (rápido e eficiente)
• Python para limpeza complexa, visualização, modelagem e automação

O fluxo mais comum no mercado é: extrair dados com SQL → carregar em Python com Pandas → limpar, analisar e visualizar → apresentar insights.

---

11. Ferramentas de BI: do dado ao dashboard

BI (Business Intelligence) são ferramentas que permitem criar dashboards e relatórios interativos sem programar. Você arrasta campos, escolhe o gráfico e o dashboard se atualiza automaticamente quando novos dados chegam.

São o principal veículo de entrega de analytics descritiva e diagnóstica nas empresas — o caminho entre o dado e a decisão do gestor.

Para o mercado brasileiro: Power BI domina amplamente (~70% das vagas de BI). Se você vai trabalhar com dados no Brasil, Power BI é aposta segura. Mas lembre-se: os conceitos de modelagem (star schema, fatos vs dimensões) são transferíveis entre todas as ferramentas.

---

12. IAs para análise de dados: o novo copiloto

Nos últimos anos, surgiu uma nova categoria de ferramentas que está mudando a forma como pessoas interagem com dados: IAs conversacionais para análise. Em vez de escrever código ou arrastar campos, você simplesmente pergunta em português: "Qual o faturamento por região nos últimos 3 meses?" — e a IA gera o código, executa a análise e mostra o gráfico.

Essas ferramentas não substituem SQL ou Python — mas são um acelerador brutal, especialmente para quem está começando ou precisa de respostas rápidas sem montar todo o pipeline manualmente.

Julius AI — seu analista de dados pessoal

Julius AI é uma das ferramentas mais populares dessa categoria. Você faz upload de um CSV, uma planilha ou conecta um banco de dados, e conversa com seus dados em linguagem natural.

Como funciona na prática

1. Você sobe um arquivo (ex: vendas_2024.csv)
2. Pergunta: "Qual a tendência de vendas mês a mês?"
3. Julius gera código Python por trás, executa e retorna um gráfico de linhas com a tendência
4. Você refina: "Agora separa por região e mostra só o Sudeste e Sul"
5. Julius ajusta o código e gera um novo gráfico

Quando usar Julius AI

Outras IAs para análise de dados

Cuidado importante: IAs para dados são copilotOs, não pilotos. Elas podem gerar código com erros, interpretar dados de forma equivocada ou produzir análises estatisticamente incorretas. Sempre revise os resultados — especialmente antes de apresentar para stakeholders ou tomar decisões. A IA acelera, mas a responsabilidade pela análise continua sendo sua.

Quando usar IA vs ferramentas tradicionais

---

13. Machine Learning: quando o computador aprende

Machine Learning (ML) é quando ensinamos o computador a aprender padrões nos dados em vez de dar todas as regras manualmente. Em vez de programar "se o cliente tem menos de 25 anos E menos de 1 ano de conta E fez reclamação, então risco alto", você dá milhares de exemplos de clientes que ficaram ou cancelaram, e o algoritmo descobre os padrões sozinho.

Os três tipos de aprendizado

Imagine que você está ensinando uma criança:

Algoritmos mais usados no dia a dia

---

14. Casos reais: como grandes empresas usam dados

Cada setor usa dados de formas diferentes. Vamos ver casos concretos para entender onde e como a análise e ciência de dados criam valor real.

---

15. Dados no mercado de seguros

O setor de seguros é um dos mais intensivos em dados do mundo — e não é coincidência. A operação inteira depende de calcular probabilidades e riscos. Afinal, uma seguradora vende, essencialmente, uma promessa matemática: "se X acontecer, pagamos Y. O preço dessa promessa é calculado com base na probabilidade de X acontecer."

A distribuição de Poisson: a base matemática dos seguros

Se historicamente ocorrem em média 5 sinistros de incêndio por mês numa carteira, qual a chance de ocorrerem 10 ou mais no próximo mês? A distribuição de Poisson responde exatamente isso — ela modela a contagem de eventos raros em intervalos fixos.

from scipy.stats import poisson

# Média histórica: 5 sinistros por mês
media = 5

# Probabilidade de exatamente 3 sinistros
print(f"P(X=3): {poisson.pmf(3, media):.2%}")   # 14.04%

# Probabilidade de 10 ou mais (cauda - cenário de estresse)
print(f"P(X>=10): {1 - poisson.cdf(9, media):.2%}")  # 3.18%

Essas probabilidades são a base para calcular prêmios e provisionar reservas. Se a chance de um cenário extremo é de 3%, a seguradora precisa ter reserva suficiente para cobri-lo.

---

16. Cultura Data-Driven

Ter um time de dados e ferramentas caras não torna uma empresa data-driven. Cultura data-driven é quando decisões em todos os níveis — do CEO ao analista júnior — são informadas por evidências, não apenas por intuição ou hierarquia.

Os 4 pilares

• Acessibilidade: Dados disponíveis para quem precisa tomar decisões. Se o gerente comercial precisa pedir um relatório ao TI e esperar 3 semanas, não é data-driven.
• Literacia: Pessoas sabem interpretar dados e questionar análises. Não precisam ser programadoras — precisam entender o que um gráfico ou métrica significam.
• Governança: Uma fonte da verdade. Se cada departamento calcula o faturamento de forma diferente, ninguém confia nos números.
• Ação: Insights viram decisões reais. O ciclo se fecha. Dashboard que ninguém consulta é decoração de parede digital.

Antipadrões que matam a cultura de dados

• "Eu acho que..." sem consultar dados disponíveis
• Dashboard bonito que ninguém consulta após a primeira semana
• Dados em silos: cada área com sua "verdade" diferente
• Relatório de 50 páginas que ninguém lê
• Investir em IA/ML sem ter dados limpos e governança básica

Empresas com planilhas bem organizadas e cultura de decisão baseada em dados são analiticamente mais maduras que empresas com cluster Spark e zero governança. Maturidade analítica não é tecnologia — é comportamento.

---

17. Carreira em Dados

Roadmap sugerido para começar

A habilidade mais subestimada: comunicação

O melhor insight do mundo é inútil se você não consegue explicá-lo para quem toma a decisão. Storytelling com dados — a capacidade de construir uma narrativa clara a partir de números — é o que separa profissionais bons de profissionais excelentes.

Em vez de mostrar uma tabela com 50 métricas, conte uma história: "Perdemos 12% dos clientes do plano básico no último trimestre. A causa principal foi tempo de espera no suporte acima de 15 minutos. Recomendo investir em 3 atendentes adicionais para o turno noturno — o custo é X e o impacto estimado é reduzir o churn para metade."

---

18. Vídeos Recomendados

Vídeos curtos e técnicos para aprofundar cada tema. Todos os canais abaixo são referências reconhecidas.

Fundamentos de Data Science e Analytics

Estatística e Probabilidade

SQL

Python e Pandas

Machine Learning

Visualização e BI

Carreira e Storytelling

---

19. Exercícios Práticos

Exercício 1 — Identificar tipos de analytics

Classifique cada pergunta como Descritiva, Diagnóstica, Preditiva ou Prescritiva:

1. Quantos clientes cancelaram o plano no último trimestre?
2. Por que as vendas na região Norte caíram 20%?
3. Qual a probabilidade de um cliente com perfil X cancelar nos próximos 30 dias?
4. Devemos oferecer desconto de 10% ou 20% para reter clientes em risco?
5. Qual foi o ticket médio por canal de venda em 2024?

Exercício 2 — SQL na prática

Considere a tabela de vendas que vimos na seção de SQL. Escreva queries para:

1. Encontrar os 5 produtos com maior faturamento total
2. Calcular o ticket médio por mês de 2024
3. Listar regiões que venderam mais de R$ 1 milhão

Exercício 3 — Interpretação estatística

Uma empresa tem os seguintes salários (em R$ mil): 2, 3, 3, 4, 4, 4, 5, 5, 8, 50.

1. Calcule a média, mediana e moda
2. Qual medida melhor representa o "salário típico"? Justifique
3. Identifique o outlier e explique seu impacto na média

Exercício 4 — Projeto integrador

Escolha um dataset do Kaggle ou dados.gov.br e faça:

1. Carregue os dados com Pandas e faça EDA: shape, describe, nulos, distribuições
2. Crie pelo menos 3 visualizações que contem uma história
3. Identifique um padrão e investigue a causa (análise diagnóstica)
4. Escreva um parágrafo com o insight principal, como se fosse apresentar para um diretor

---

20. Referências

Livros

• "Storytelling with Data" — Cole Nussbaumer Knaflic. A referência em comunicação visual de dados.
• "Python for Data Analysis" — Wes McKinney (criador do Pandas). O guia definitivo de Pandas.
• "Naked Statistics" — Charles Wheelan. Estatística sem fórmulas, com exemplos do mundo real.
• "An Introduction to Statistical Learning" — James, Witten, Hastie, Tibshirani. ML com rigor estatístico, disponível gratuitamente online.
• "The Signal and the Noise" — Nate Silver. Sobre previsões, probabilidade e por que erramos.

Cursos online (gratuitos)

• Kaggle Learn: Micro-cursos de Python, Pandas, SQL, ML — práticos e curtos
• Mode SQL Tutorial: Tutorial interativo de SQL para analytics
• fast.ai: Curso prático de Machine Learning e Deep Learning
• Microsoft Learn — Power BI: Trilha oficial gratuita da Microsoft
• Khan Academy — Estatística e Probabilidade: Fundamentos em vídeo

Comunidades

• Kaggle: Competições, datasets e notebooks da comunidade
• DataTalksClub: Comunidade com cursos gratuitos de Eng. de Dados e ML
• dbt Community: Analytics Engineering e modelagem de dados

Sites úteis

• Spurious Correlations — Tyler Vigen — Correlações espúrias divertidas
• Kaggle Datasets — Repositório de datasets para prática
• dados.gov.br — Portal de dados abertos do governo brasileiro