diff --git a/exercicios/para-casa/atvCasa.py b/exercicios/para-casa/atvCasa.py
new file mode 100644
index 0000000..3ce61f3
--- /dev/null
+++ b/exercicios/para-casa/atvCasa.py
@@ -0,0 +1,74 @@
+#Importando as bibliotecas 
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from datetime import datetime
+
+#Lendo os dados 
+df = pd.read_csv('Employee.csv')
+##df.head()
+
+#Fazendo a limpeza
+df_atualizado = df.drop_duplicates()
+df_atualizado
+
+#Valores nullos 
+valores_nullos = df_atualizado.isnull().sum()
+
+#Criação do Dataframe
+ano_atual = datetime.now().year  
+trabalhores_cinco_anos = df_atualizado[(ano_atual - df_atualizado['JoiningYear']) > 5 ]
+
+##Agrupe os empregados por gênero e idade e crie um gráfico para cada caso]
+genero_idade_agrupado = trabalhores_cinco_anos.groupby(['Gender', 'Age']).size().reset_index(name='Quantidade')
+
+# Filtrar por gênero masculino
+masculino = genero_idade_agrupado[genero_idade_agrupado['Gender'] == 'Male']
+
+# Criar gráfico de barras
+plt.bar(masculino['Age'], masculino['Quantidade'], color='pink')
+plt.title('Número de Empregados por Idade (Masculino)')
+plt.xlabel('Idade')
+plt.ylabel('Número de Empregados')
+plt.show()
+
+# Filtrar por gênero feminino
+mujer = genero_idade_agrupado[genero_idade_agrupado['Gender'] == 'Female']
+
+# Criar gráfico de barras
+plt.bar(mujer['Age'], mujer['Quantidade'], color='blue')
+plt.title('Número de Empregados por Idade (Masculino)')
+plt.xlabel('Idade')
+plt.ylabel('Número de Empregados')
+plt.show()
+
+##Veja qual a cidade que mais tem empregados e faça uma média do tempo de serviço dos empregados por cidade
+city_max_employee_value = df['City'].value_counts().idxmax()
+print(city_max_employee_value)
+
+##Faça a porcentagem de quantos empregados ainda trabalham na empresa (use a coluna `LeaveOrNot` do dataframe
+porcentagem_ainda_trabalhando = df_atualizado['LeaveOrNot'].mean() * 100
+contagem_payment_tier = df_atualizado['PaymentTier'].value_counts()
+print(porcentagem_ainda_trabalhando)
+
+##Substitua os valores da coluna `EverBenched` para `True` ou `False`
+df['EverBenched'] = df['EverBenched'].replace({'No': False, 'Yes': True})
+df.head()
+
+##Crie um gráfico de pizza com o resultado da coluna `EverBenched` e outro com `LeaveOrNot`
+
+# Gráfico de Pizza para 'EverBenched'
+resultado_everbenched = df['EverBenched'].value_counts()
+plt.figure(figsize=(8, 8))
+plt.pie(resultado_everbenched, labels=resultado_everbenched.index, autopct='%1.1f%%', colors=['Green', 'Black'])
+plt.axis('equal')
+plt.title('Resultado da Coluna EverBenched')
+plt.show()
+
+# Gráfico de Pizza para 'LeaveOrNot'
+resultado_leaveornot = df['LeaveOrNot'].value_counts()
+plt.figure(figsize=(8, 8))
+plt.pie(resultado_leaveornot, labels=resultado_leaveornot.index, autopct='%1.1f%%', colors=['Blue', 'Orange'])
+plt.axis('equal')
+plt.title('Resultado da Coluna LeaveOrNot')
+plt.show()
\ No newline at end of file