Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNP - UNIVERSIDADE POTIGUAR BACHARELADO EM ESTATÍSTICA DISCIPLINA: ESTATÍSTICA APLICAD AO DATA SCIENCE UNIDADE 1 – PREDIÇÕES COM MODELOS DE REGRESSÃO LINEAR AUTOR: Ph.D. ANTONIO GOMES DE MATTOS NETO REVISOR: ANTONIO DO NASCIMENTO ALVES Atividade 1 N1, apresentada ao curso bacharelado em Estatística, ofertado pela Universidade Potiguar, como requisito avaliativo complementar da primeira avaliação da disciplina Estatística Aplicada ao Data Science – Predições com Modelos de Regressão Linear. ALUNO: EBERSON COSTA – MATRÍCULA 2020201380 BENEVIDES – PARÁ 2021 ESTATÍSTICA APLICADA AO DATA SCIENCE PREDIÇÕES COM MODELOS DE REGRESSÃO LINEAR UNIDADE 1 ATIVIDADE 1 (A1) Uma fábrica de autopeças possuía duas linhas de produção idênticas para seu principal produto. Os gestores precisavam aumentar a capacidade de produção dessas linhas para atender a um novo contrato de fornecimento com uma grande montadora que passaria a vigorar em 6 meses. Eles precisavam decidir entre a alternativa de investir em duas máquinas novas, uma para cada linha de produção, ou se seria suficiente otimizar a produção fazendo um retrofitting das máquinas existentes, um novo layout para o fluxo da produção e um maior número de funcionários dedicados a cada linha. Eles também queriam ter maior flexibilidade em controlar a taxa de produção. Os gestores pediram a uma jovem engenheira de produção, recém-contratada, para ajudá-los na análise dessas alternativas. Essa jovem engenheira, após alguns testes, desenvolveu o seguinte modelo: Com base no modelo descrito, responda às seguintes perguntas: 1 – Quais foram as variáveis estudadas? Percebeu-se que as variáveis estudadas foram: máquinas, layout, funcionários e produção. 2 - Qual o tipo de cada variável, quantitativa ou qualitativa? Se quantitativa, qual sua unidade de medida? Se qualitativa, que níveis ou classes podem assumir? A variável Máquina é do tipo quantitativa e sua unidade de medida corresponde ao número de máquinas ou seja, às unidades. A variável Layout é do tipo qualitativa e sua unidade de medida corresponde aos aspectos de novo ou antigo. A variável Funcionários é do tipo quantitativa e sua unidade de medida corresponde ao número de funcionários. A variável Produção é do tipo quantitativa e sua unidade de medida corresponde ao número de peças produzidas por hora. 3 – Como pode esse modelo de regressão linear múltipla ser usado para fazer predição de volume de produção de cada linha da fábrica? Percebe-se que esse modelo pode ser usado para fazer predições nos fatores influenciadores do custo de produção analisando-se as correlações e suas variáveis nos diversos cenários. Assim sendo o gestor poderá analisar estas informações (custos e benefícios) e realizar a tomada de decisão modificando as variáveis. 4 – Reflita sobre situações similares em que você poderia aplicar essa mesma técnica (regressão linear múltipla) para gerar conhecimento a partir de dados. Descreva brevemente uma dessas situações que você pensou, identifique cada uma das variáveis de entrada e a variável resposta, descreva o tipo de cada uma delas (se quantitativa ou qualitativa) e forneça suas unidades de medida (se quantitativas) ou seus níveis ou classes (se qualitativas). Entende-se que essa mesma técnica pode ser aplicada, por exemplo, em sorveterias, onde se fazem presentes as variáveis e suas respectivas unidades de medidas correspondentes: Máquinas (quantitativa – números de máquinas); Funcionários (quantitativa – números de funcionários); Layout (qualitativo – novos ou antigos); Vendas (quantitativo – unidades vendidas). REFERÊNCIAS MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de Janeiro: LTC, 2013. OLIVEIRA, P. F. de; GUERRA, S.; MCDONNEL, R. Ciência dos Dados com R:Introdução. Brasília: IBPAD, 2018. Disponível em: https://cdr.ibpad.com.br/cdr- intro.pdf. Acesso em: 25 nov. 2019. RITTER, M. do N.; THEY, N. H. Introdução ao software estatístico R. Imbé: CECLIMAR/UFRGS,,2019.,Disponível,em:https://lume.ufrgs.br/bitstream/handle/101 83/188778/001087242.pdf?sequence=1&isAllowed=y. Acesso em: 4dez. 2019. SILVA, L. A. da; PERES, S. M.; BOSCARIOLI, C. Introdução à mineração dedados: com aplicações em R. Rio de Janeiro: Elsevier, 2016. WICKHAM, H.; GROLEMUND, G. R for data science: import, tidy, transform,visualize, and model data. Sebastopol: O’Reilly Media, 2017.
Compartilhar