ESTATÍSTICA APLICADA AO DATA SCIENCE A2

Prévia do material em texto

Dados podem aparecer na forma de textos, imagens, vídeos, sons, tabelas, listas, sequências, séries, 
etc. São muitos os dados que hoje coletamos de diferentes fontes, e muitas as formas de organizá-los 
e armazená-los. Uma dessas forma, talvez a mais importante delas, são os dados estruturados.
 
Relativamente a esse assunto, analise as afirmativas a seguir.
 
1.Dados estruturados são dados que não possuem uma estrutura regular e repetitiva, seguindo
um padrão comum adotado pelas ciências da computação, estatística e ciência dos dados.
2.A forma de organização básica dos dados, preferida na estatística e na ciência dos dados, é 
a forma tabular, na qual as variáveis são dispostas nas linhas e as observações são dispostas 
nas colunas.
3.Dados estruturados são dados que possuem uma estrutura regular e repetitiva, seguindo um 
padrão comum adotado pelas ciência da computação, estatística e ciência dos dados.
4.A forma de organização básica dos dados, preferida na estatística e na ciência dos dados, é 
a forma tabular, na qual as variáveis são dispostas nas colunas e as observações são 
dispostas nas linhas.
 
Está correto o que se afirma em:
 
Ao longo das nossas discussões, demos foco a um classificador chamado de regressão logística que, 
apesar do nome regressão (esse nome por razões históricas e por conta de algumas de suas 
características), é usado como um classificador. Mas também vimos que existem outros tipos de 
classificadores.
Relativamente a esse assunto de algoritmos de classificação, analise as afirmativas a seguir.
 
1.Regressão logística é o único método de aprendizagem supervisionada que é utilizado para 
classificação, todos outros métodos são métodos de regressão.
2.Apesar do nome regressão logística, o que acaba sendo um pouco confuso para iniciantes, 
na verdade este é um dos vários métodos de aprendizagem supervisionada utilizado para 
classificação.
3.Dentre os métodos utilizados para classificação se encontram regressão logística, análise 
discriminante linear (LDA = Linear Discriminant Analysis), árvores de decisão para 
classificação, máquinas de vetores de suporte (SVM = support vector machines) e k-vizinhos 
mais próximos (KNN = k-nearest neighbors).
4.Regressão linear não é um método de classificação, mas, sim, um dos métodos preditivos de
aprendizagem supervisionada usados na predição de valores de variáveis respostas 
quantitativas.
 
Está correto o que se afirma em:
 
O modelo de regressão logística simples desenvolvido por uma jovem cientista de dados para a 
predição da probabilidade de inadimplência com o cartão de crédito foi:
 
 
Tomando como base esse modelo, que foi ajustado aos dados da amostra cedida pelo gerente, 
podemos estimar o valor esperado para a probabilidade de inadimplência com cartão de crédito das 
pessoas. Por exemplo,  vamos considerar duas pessoas, uma com um gasto de médio mensal com o 
cartão de R$ 500,00, e a outra com um gasto médio mensal de R$ 1.000,00. Usando o modelo 
ajustado anterior, obtemos, respectivamente (assinale a alternativa correta):
Discutimos sobre classificadores determinísticos e probabilísticos. Demos, como exemplo, uma 
variável resposta qualitativa  com dois níveis (classes), o indivíduo está infectado pelo vírus HIV (
) ou não está infectado ( ), dado um conjunto de sintomas   que ele 
apresenta.
 
Reveja esse assunto e analise as afirmativas a seguir.
 
1.Um classificador determinístico vai dizer se o indivíduo está ou não está infectado, dados os 
sintomas que apresenta.
2.Um classificador probabilístico vai dizer qual é a probabilidade de o indivíduo estar ou não 
infectado, dados os sintomas que apresenta.
3.No jargão da estatística, escrever   significa que a variável aleatória  resultou no valor 
, em que   é um dos possíveis valores que a variável aleatória  pode assumir (ou seja, uma de
suas classes, no caso, das variáveis qualitativas).
4.Nesse mesmo jargão, escrever   significa a probabilidade de  ser igual a um 
dos seus possíveis valores  , quando a variável de entrada   é igual a   (dado que  ).
 
Está correto o que se afirma em:
A jovem cientista de dados, tendo em mãos os dados que lhe foram passados pelo gerente do banco, 
precisou denominá-los corretamente para a fase de treino (ajuste) do algoritmo preditivo. Ela escolheu 
a regressão logística como seu algoritmo preditivo, para classificar o potencial (a probabilidade) de 
uma pessoa ficar ou não inadimplente com o pagamento das faturas do cartão de crédito.
 
Analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
 
1.( ) A jovem cientista de dados escolheu como variável resposta a renda mensal da pessoa, e 
tratou as demais variáveis como variáveis de entrada.
2.( ) A jovem cientista de dados escolheu o gasto médio mensal da pessoa com cartão de 
crédito como a variável resposta, e tratou as demais como variáveis de entrada.
3.( ) A jovem cientista de dados não definiu qualquer das quatro variáveis como a variável 
resposta, e decidiu realizar uma análise baseada em aprendizagem não supervisionada.
4.( ) A jovem cientista de dados escolheu como variável resposta se a pessoa havia, ao longo 
do período pesquisado, ficado inadimplente com o pagamento das faturas do cartão ao menos 
uma vez (Sim ou Não), e tratou as demais variáveis como variáveis de entrada.
 
Assinale a alternativa que apresenta a sequência correta.
Entre as técnicas das quais lançou mão para a visualização dos dados da amostra, uma jovem 
cientista de dados usou boxplots (diagramas de caixas). Como cientista de dados, ela sabia 
exatamente em que situações empregar boxplots. E você, será que você também já sabe?
 
Analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
 
1.( ) Para examinar visualmente a relação entre duas variáveis, em que uma é quantitativa e a 
outra é qualitativa, não é possível a utilização de gráficos de dispersão.
2.( ) Boxplots são uma solução inteligente para a visualização da relação entre uma variável 
quantitativa e uma variável qualitativa, em que no eixo horizontal indicamos os níveis da 
variável qualitativa e no eixo vertical, a variação dos valores observados para a variável 
quantitativa.
3.( ) Para examinar visualmente a relação entre duas variáveis quantitativas, um dos gráficos 
preferidos é o diagrama de caixas, também conhecido como boxplot.
4.( ) Na construção de um boxplot, podemos representar no eixo vertical os níveis da variável 
qualitativa e no eixo horizontal, os valores da variável quantitativa. Nesse caso, a visualização 
da variação dos dados da variável quantitativa é exibida horizontalmente, e os níveis (classes) 
da variável qualitativa são exibidos verticalmente.
 
Assinale a alternativa que apresenta a sequência correta.
 
Discutimos o que são aprendizagem supervisionada e não supervisionada. Vimos que é na forma 
como tratamos as variáveis estudadas que se dá a diferença entre esses dois tipos de aprendizagens, 
supervisionada e não supervisionada. Esses dois tipos são os mais importantes dentre os diversos 
tipos de aprendizagem.
 
Relativamente a esse assunto, analise as afirmativas a seguir.
 
1.Na aprendizagem supervisionada, definimos uma das variáveis estudadas como sendo a 
variável resposta, a qual responde em função dos valores assumidos pelas outras variáveis, as
quais são chamadas de variáveis de entrada.
2.Especificamente na aprendizagem supervisionada, também denominamos uma variável 
resposta de variável de saída ou variável dependente.
3.Especificamente na aprendizagem supervisionada, também denominamos uma variável de 
entrada de variável regressora, variável preditora ou variável independente.
4.Na aprendizagem não supervisionada, tratamos todas as variáveis estudadas da mesma 
forma, sem procurar explicar o comportamento de uma delas em função dos valores assumidos
pelas outras.
 
 
Está correto o que se afirma em:
Vimos que são muitos os algoritmos de classificação usados na estatística ou naciência dos dados. 
Vimos também que podem ser divididos entre classificadores determinísticos ou probabilísticos, em 
que, dentre estes últimos, se encontra o modelo de regressão logística. Relativamente a modelos de 
regressão logística, que são aqui o nosso foco, analise as afirmativas a seguir.
 
1.Modelos de regressão logística são usados como modelos preditivos para casos em que a 
variável resposta é qualitativa, preferencialmente qualitativa dicotômica. As variáveis de 
entrada podem ser de qualquer tipo, quantitativas ou qualitativas.
2.Modelos de regressão logística são chamados de regressão logística simples, quando só há 
uma variável de entrada, também denominada de variável regressora, variável preditora ou 
variável independente.
3.Modelos de regressão logística são chamados de regressão logística múltipla, quando há 
mais do que uma variável de entrada, também denominadas de variáveis regressoras, 
variáveis preditoras ou variáveis independentes.
4.Modelos de regressão logística são classificadores probabilísticos. Por exemplo, para dados 
sintomas de um certo paciente, um modelo de regressão logística, depois de adequadamente 
treinado, fará a predição da probabilidade deste paciente estar ou não infectado com o vírus 
HIV.
 
Está correto o que se afirma em:
 
A estatística descritiva usa de métodos numéricos para resumir dados, também chamados de sumários
estatísticos, e de gráficos para a visualização dos dados. A jovem cientista de dados usou algumas 
técnicas de visualização de dados para analisar sua amostra, mas deixou outras de lado.
 
Analise as afirmativas a seguir e veja quais estão coerentes com sua análise descritiva dos dados.
 
1.Na sua análise descritiva dos dados da amostra, a jovem cientista de dados usou 
histogramas para a visualização dos dados quantitativos das amostras, que são a renda 
mensal das pessoas e seus gastos médios com o cartão de crédito.
2.Na sua análise descritiva dos dados da amostra, a jovem cientista de dados usou diagramas 
de barras para a visualização dos dados quantitativos das amostras, que são a renda mensal 
das pessoas e seus gastos médios com o cartão de crédito.
 
 
1.Histogramas e diagramas de barras são formas tradicionais de visualização gráfica de dados 
quantitativos e qualitativos, respectivamente, na estatística e na ciência dos dados.
2.A jovem cientista de dados usou, para este caso, apenas histogramas, e preferiu apenas 
lançar mão da função table() do software estatístico R, para determinar a frequência com que 
os níveis das variáveis qualitativas se manifestaram na amostra estudada, sem fazer uso de 
diagramas de barras, o que poderia ter feito, se quisesse.
 
Está correto o que se afirma em:
Vimos que uma jovem cientista de dados realizou o treino (ajuste) de um modelo de regressão 
logística múltipla aos dados da amostra. Os resultados que encontrou foram muito ricos, sugerindo 
uma série de explicações, aprendidas pelo algoritmo com base nos dados fornecidos. Veja que 
dizemos “explicações sugeridas”, pois qualquer resultado de um algoritmo deve ser confrontado com 
especialistas da área em estudo. Contudo, vamos rever o que o modelo de regressão múltipla treinado
pela jovem cientista de dados sugere. Para isso, analise as afirmativas a seguir.
 
1.A probabilidade da inadimplência cresce com o aumento dos gastos médios com o cartão de 
crédito. Isto, que nos parece óbvio, foi o que os dados “contaram” para o algoritmo de 
regressão logística múltipla.
2.A probabilidade da inadimplência cresce com o aumento da renda média mensal das 
pessoas. Isto não é tão óbvio e provavelmente não teríamos coragem de generalizar para 
outras situações, mas foi o que os dados da amostra do gerente do banco “contaram” para o 
algoritmo de regressão logística múltipla.
3.Para duas pessoas com a mesma renda mensal e o mesmo gasto mensal com cartão de 
crédito, a probabilidade de inadimplência com o cartão é maior para aquela sem emprego 
estável. Novamente, isto foi o que os dados amostrados “contaram” para o algoritmo de 
regressão logística múltipla.
4.O modelo de regressão logística múltipla, ajustado aos dados da amostra, consegue predizer
os efeitos da renda mensal da pessoa, do seu gasto médio mensal com cartão de crédito e se 
ela tem ou não um emprego estável, na probabilidade de a pessoa ficar inadimplente com o 
cartão de crédito. Um algoritmo desse tipo pode ajudar no processo decisório de um banco 
quanto à aprovação de cartão de crédito, ao lado de outros critérios e ferramentas analíticas 
disponíveis para o banco.
 
Está correto o que se afirma em: