diff --git a/exercicios/para-casa/casa.py b/exercicios/para-casa/casa.py
new file mode 100644
index 0000000..0d8b843
--- /dev/null
+++ b/exercicios/para-casa/casa.py
@@ -0,0 +1,74 @@
+import pandas as pd 
+import matplotlib.pyplot as plt
+
+
+# Carregar o DataFrame
+df = pd.read_csv(r"C:\Users\bruno\Desktop\REPROG\on33-python-s10-pandas-numpy-II\material\Employee.csv")
+
+# Verificar informações do DataFrame
+print(df.info())
+
+# Verificar e corrigir valores nulos
+print("Valores nulos antes do preenchimento:")
+print(df.isnull().sum())
+
+df.fillna(0, inplace=True)  # Preencher valores nulos com 0
+print("Valores nulos após o preenchimento:")
+print(df.isnull().sum())
+
+# Remover linhas duplicadas
+df.drop_duplicates(inplace=True)
+print("Número de duplicatas restantes:", df.duplicated().sum())
+
+# Filtrar empregados com mais de 5 anos na empresa
+df_more_than_5_years = df[df['ExperienceInCurrentDomain'] > 5]
+print("Empregados com mais de 5 anos na empresa:")
+print(df_more_than_5_years)
+
+# Agrupar por gênero e contar o número de empregados
+gender_counts = df['Gender'].value_counts()
+gender_counts.plot(kind='bar', title='Número de Empregados por Gênero')
+plt.xlabel('Gênero')
+plt.ylabel('Número de Empregados')
+plt.show()
+
+# Agrupar por faixa etária
+age_bins = [20, 30, 40, 50, 60, 70]
+age_groups = pd.cut(df['Age'], bins=age_bins)
+age_counts = age_groups.value_counts().sort_index()
+age_counts.plot(kind='bar', title='Número de Empregados por Faixa Etária')
+plt.xlabel('Faixa Etária')
+plt.ylabel('Número de Empregados')
+plt.show()
+
+# Encontrar a cidade com mais empregados
+city_counts = df['City'].value_counts()
+most_common_city = city_counts.idxmax()
+print(f"A cidade com mais empregados é: {most_common_city}")
+
+# Calcular a média do tempo de serviço por cidade
+average_years_by_city = df.groupby('City')['ExperienceInCurrentDomain'].mean()
+print("Média do tempo de serviço por cidade:")
+print(average_years_by_city)
+
+# Calcular a porcentagem de empregados que ainda trabalham na empresa
+percentage_still_working = 100 * (df['LeaveOrNot'] == 0).mean()
+print(f"Porcentagem de empregados que ainda trabalham na empresa: {percentage_still_working:.2f}%")
+
+# Contar número de empregados por PaymentTier
+payment_tier_counts = df['PaymentTier'].value_counts()
+print("Número de empregados por PaymentTier:")
+print(payment_tier_counts)
+
+# Gráfico de pizza para a coluna "EverBenched"
+ever_benched_counts = df['EverBenched'].value_counts()
+ever_benched_counts.plot(kind='pie', autopct='%1.1f%%', title='Distribuição de EverBenched')
+plt.ylabel('')  # Remove o rótulo do eixo y
+plt.show()
+
+# Gráfico de pizza para a coluna "LeaveOrNot"
+leave_or_not_counts = df['LeaveOrNot'].value_counts()
+leave_or_not_counts.plot(kind='pie', autopct='%1.1f%%', title='Distribuição de LeaveOrNot')
+plt.ylabel('')  # Remove o rótulo do eixo y
+plt.show()
+
diff --git a/exercicios/para-casa/teste.py b/exercicios/para-casa/teste.py
new file mode 100644
index 0000000..ec4dafb
--- /dev/null
+++ b/exercicios/para-casa/teste.py
@@ -0,0 +1,4 @@
+import matplotlib.pyplot as plt
+
+# Se não houver erros, matplotlib está instalado corretamente
+print("matplotlib foi importado com sucesso.")