INTRODUÇÃO À ORGANIZAÇÃO DE DADOS PARA ANÁLISE MULTIVARIADA

Prévia do material em texto

Resumo do curso: INTRODUÇÃO À ORGANIZAÇÃO DE DADOS PARA ANÁLISE MULTIVARIADA
O curso foi ministrado por:
HENRIQUE MARTINS ROCHA - Pós-doutor em Projetos e Desenvolvimento de Novos Produtos pela Universidade Estadual Paulista.
Doutor em Engenharia Mecânica pela Universidade Estadual Paulista. 
O curso foi feito na plataforma de cursos extracurriculares da FGV - Educação Executiva online. O curso foi desenvolvido totalmente online 
O curso INTRODUÇÃO À ORGANIZAÇÃO DE DADOS PARA ANÁLISE MULTIVARIADA
Demonstra que as informações a serem extraídas da massa de dados são mais complexas: pequenas nuances ou perturbações nos dados podem significar o início de fenômenos de grande abrangência, exigindo plena e rápida compreensão dos gestores para suporte às decisões de negócio a serem tomadas.
Nesse sentido, as ferramentas estatísticas que lidam com inúmeros dados, oriundos de fontes diversas e em diferentes formatos, são recursos importantes quando o assunto é oferecer suporte aos processos de tomada de decisão em negócios.
Desenvolvimento do curso:
1. EXAME TABULAR E GRÁFICO DOS DADOS
Ao utilizar ferramentas como tabelas e gráficos, simples e de uso rotineiro no ambiente de negócios, facilitam muito a verificação prévia dos dados que serão processados. Sabendo utilizá-las, podemos identificar eventuais inconsistências, evitando análises e conclusões incorretas provocadas por problemas nos dados selecionados.
Os recursos visuais na análise de dados como cálculos, planilhas, gráficos permitem-nos perceber fenômenos diversos na administração da empresa e na rápida tomada de decisão.
2. DADOS PERDIDOS E DADOS DERIVADOS
Em termos práticos, dificilmente utilizamos todos os dados necessários a determinada análise. Isso acontece por diferentes motivos, como a influência de algum fator externo durante a coleta, alterando significativamente o seu valor, ou a ocorrência de alguma falha momentânea no próprio processo de coleta.
É importante saber lidar com tais situações, de forma a garantir que as conclusões oriundas das análises realizadas não sejam contaminadas por deficiências no material processado.
3. OBSERVAÇÕES ATÍPICAS
Outro aspecto que deve ser observado pelo pesquisador nos dados existentes, antes de aplicar as ferramentas de análise, é a das chamadas observações atípicas. Elas são medidas que, nitidamente, destoam das demais, seja por apresentarem valores muito mais altos ou muito mais baixos do que os demais, ou parecerem não fazer parte do grupo de medidas que foram coletadas. 
4. TESTES DE SUPOSIÇÕES
Uma vez que tenham sido analisados os dados perdidos e as observações atípicas, temos uma base de dados “limpa”, pronta para análise. No entanto, ainda é necessário testar os dados quanto à aderência dos mesmos às premissas (suposições) das inferências estatísticas contidas nas técnicas multivariadas: normalidade, homocedasticidade, linearidade e ausência de erros correlacionados.
As técnicas partem da seguinte premissa 
· Normalidade - Deve ser analisada a existência de curtose (elevação ou achatamento da distribuição) e assimetria (não ser centrada ou sem o mesmo formato em ambos os lados).
· Homocedasticidade - Supõe-se que a variação dos valores analisados mantém-se constante ao longo do tempo, isto é, exibe um valor constante de variância. Em outras palavras, o efeito de causas comuns não sofreria alterações ao longo da análise do fenômeno e, dessa forma, alterações perceptíveis ocorreriam somente mediante causas especiais.
· Linearidade - Uma vez que as correlações estabelecem apenas associações lineares entre variáveis, a existência de relações não lineares não é considerada nos cálculos de correlação, o que pode subestimar o seu valor.
· Ausência de erros correlacionados- Pressupõe-se que os dados coletados sejam independentes entre si, isto é, que um resultado coletado como amostra não tenha influência sobre o seguinte.
5. TRANSFORMAÇÕES DE DADOS
Transformação de dados não se trata, exatamente, de alterar os dados coletados, mas algo como “utilizar outra escala” para permitir que a análise possa ser desenvolvida de forma adequada.
A transformação dos dados, que pode acontecer por meio de inversão, radiciação ou exponenciação, por exemplo, pode contornar as dificuldades em algumas situações específicas.