Manual de Análise de Dados | Fávero e Belfiore
Nova edição
Incluindo R® e Python®
Consagrado por sua metodologia hands-on, o livro abre a caixa de cada um dos algoritmos e traz diversas aplicações práticas
Edição totalmente revista e atualizada
Por que ter o novo Manual de Análise de Dados?
O livro apresenta as principais técnicas estatísticas, de modelagem multivariada e de machine learning.
Seu princípio básico consiste em explicitar, a todo instante, a hierarquia entre dados, informação e conhecimento neste novo cenário em que vivemos.
Os 18 capítulos são divididos em três partes:
Parte I: Estatística Aplicada
- Estatística descritiva
- Probabilidade
- Inferência
Parte II: Técnicas Multivariadas Exploratórias
- Análise de agrupamento
- Análise fatorial por componentes principais
- Análise de correspondência
Parte III: Técnicas Multivariadas Confirmatórias: Modelos de Regressão
- Modelos de regressão linear e não linear (simples e múltipla)
- Modelos logísticos de classificação (binários e multinomiais)
- Modelos de contagem (Poisson, binomial negativo e zero-inflated)
- Modelos de dados de painel (longitudinais e multinível)
- Modelos de análise de sobrevivência e de correlação canônica
Estrutura dos capítulos
Cada capítulo está estruturado dentro de uma mesma lógica de apresentação, com o objetivo de contextualizar e integrar teoria e aplicações.
- Introdução dos conceitos pertinentes a cada técnica estatística ou multivariada, sempre acompanhados da resolução algébrica de exercícios práticos – muitas vezes em Excel® –, a partir de bases de dados elaboradas prioritariamente com foco didático.
- Na sequência, os mesmos exercícios são resolvidos nos pacotes estatísticos Stata Statistical Software® e IBM SPSS Statistics Software®.
- Inclusão de códigos completos em R® e Python® para a resolução dos exercícios e obtenção dos outputs e gráficos apresentados, com acesso via QR Code ao final de cada capítulo.
Depoimentos
Sobre os autores
Luiz Paulo Fávero
Professor titular e livre-docente (ênfase em Métodos Quantitativos e Modelagem Econométrica) da Faculdade de Economia, Administração, Contabilidade e Atuária da Universidade de São Paulo (FEA/USP), além de orientador nos programas de mestrado e doutorado nessa instituição e na Escola Politécnica da USP (Poli-USP), onde leciona disciplinas de Análise de Dados, Machine Learning e Modelagem Multivariada.
Tem pós-doutorado em Econometria e Modelagem de Dados pela Columbia University, em Nova York. É, ainda, mestre e doutor em Administração (ênfase em Economia das Organizações) pela FEA/USP, tendo recebido menção honrosa por ambos os trabalhos. É também engenheiro civil formado pela Poli-USP e pós-graduado em Administração pela Escola de Administração de Empresas de São Paulo da Fundação Getúlio Vargas (EAESP/FGV).
Patrícia Belfiore
Professora associada da Universidade Federal do ABC (UFABC), onde leciona disciplinas de Estatística, Modelagem Multivariada, Pesquisa Operacional, Planejamento e Controle de Produção e Logística para o curso de Engenharia de Gestão. É mestre em Engenharia Elétrica e doutora em Engenharia de Produção pela Escola Politécnica da Universidade de São Paulo (Poli-USP). Possui pós-doutorado em Pesquisa Operacional e Machine Learning pela Columbia University, em Nova York. Lecionou disciplinas de Pesquisa Operacional, Análise Multivariada de Dados e Gestão de Operações e Logística em cursos de graduação e mestrado no Centro Universitário da FEI e na Escola de Artes, Ciências e Humanidades da Universidade de São Paulo (EACH/USP).
Possui vasta experiência e participa de diversos projetos de pesquisa e consultoria em planejamento, programação, otimização combinatória, heurísticas, controle de processos, simulação, deep learning, machine learning e inteligência artificial.
