UNIDADE 1- A1 N1 ESTATÍSTICA APLICADA AO DATA SCIENCE

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.