ESTATÍSTICA APLICADA AO DATA SCIENCE A4

Prévia do material em texto

Quando acontece de haver várias variáveis quantitativas em uma determinada amostra de dados, é 
comum a realização da análise da (possível) relação entre essas variáveis por meio do cálculo de suas
correlações. Neste caso, o cálculo de suas correlações sempre é feito de duas em duas variáveis. 
Comumente, também se apresenta a correlação de cada variável com ela mesma, o  que sempre 
resulta em uma correlação perfeita, igual a 1.
 
A tabela adiante mostra o resultado do cálculo das correlações entre 5 variáveis quantitativas de uma 
determinada amostra.
 
  x1 x2 x3 x4 x5
x1 1,00 - 0,85 - 0,78 - 0,87 0,42
x2 - 0,85 1,00 0,79 0,89 - 0,43
x3 - 0,78 0,79 1,00 0,66 - 0,71
x4 - 0,87 0,89 0,66 1,00 - 0,17
x5 0,42 - 0,43 - 0,71 - 0,17 1,00
 
Quadro: Correlações cruzadas entre as variáveis quantitativas x1, x2, x3, x4 e x5
Fonte: Elaborado pelo autor.
 
Com respeito a essa tabela de correlações, analise as afirmativas a seguir e assinale V para a(s) 
Verdadeira(s) e F para a(s) Falsa(s).
 
I. ( ) Os valores 1,00 apenas indicam a correlação perfeita que existe entre uma variável e ela mesma, 
uma informação de pouco valor prático.
II. ( ) A maior correlação positiva é aquela entre as variáveis x2 e x4, no valor de 0,89, que indica uma 
forte associação entre essas duas variáveis, e que uma aumenta com um aumento da outra.
III. ( ) A maior (em valor absoluto) correlação negativa é aquela entre as variáveis x1 e x4, no valor de -
0,87, que indica uma forte associação entre essas duas variáveis, e que uma diminui quanto a outra 
aumenta.
IV. ( ) A menor (em valor absoluto) correlação negativa é aquela entre as variáveis x4 e x5, no valor de 
- 0,17, que indica uma fraca associação entre essas duas variáveis, e que uma diminui quando a outra 
aumenta.
Um jovem cientista de dados realizou uma análise de agrupamento de apenas cinco estados 
americanos parte do famoso conjunto de dados USArrests, o qual possue 50 observações (50 estados 
americanos) de 4 variáveis (Murder, Assault, UrbanPop e Rape).
 
Obteve o resultado exibido na figura exibida adiante:
 
Figura - Dendrograma do agrupamento dos cinco estados
Fonte: Elaborada pelo autor
 
Relativamente à interpretação desta figura, assinale a alternativa correta:
 
 
Depois que formamos grupos de observações de um conjunto de dados (amostra), por meio de um 
algoritmo de agrupamento, podemos dar nomes aos mesmos, e cada indivíduo de cada grupo será 
classificado de acordo com esse nome. O ser humano faz isso com naturalidade, primeiro agrupar e, 
depois de formados os grupos, dar nomes aos grupos. Por exemplo, animais vertebrados ou 
invertebrados, carros ou aviões, homens ou mulheres.
 
A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas. e assinale a 
alternativa correta:
 
I.  Ao usarmos de algoritmos de agrupamento, depois que formados e nomeados (classificados) os 
grupos de observações resultantes do algoritmo, não é possível usar essas classes como variáveis 
respostas e, a partir desse ponto, executar tarefas preditivas com algoritmos de classificação.
Pois
II. Algoritmos de agrupamento fazem parte dos métodos da chamada aprendizagem não 
supervisionada. Não são modelos preditivos.
 
Na estatística, quanto duas variáveis quantitativas comportam-se uma em relação à outra de forma 
aproximadamente linear, é comum se calcular a correlação entre elas. Esse cálculo, entretanto, ao 
estudo da relação entre duas variáveis qualitativas, ou entre uma variável quantitativa e uma variável 
qualitativa.
 
A respeito do cálculo da correlação entre duas variáveis quantitativas, analise as afirmativas a seguir e 
assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
 
I. ( ) Uma correlação positiva indica que quando uma das variáveis aumenta a outra variável diminui.
II. ( ) Uma correlação positiva indica que quando uma das variáveis aumenta a outra variável também 
aumenta.
III. ( ) Uma correlação negativa indica que quando uma das variáveis aumenta a outra variável diminui.
IV. ( ) Uma correlação negativa indica que quando uma das variáveis diminui a outra também diminui.
 
Quando os dados se referem a múltiplas variáveis quantitativas, é possível exibir múltiplos gráficos de 
dispersão entre pares dessas variáveis, duas a duas. No software estatístico R, isto pode ser feito com
a função gráfica pairs(). Adiante apresentamos um output típico da função pairs() quando aplicada a 
quatro variáveis quantitativas de um determinado conjunto de dados.
 
 
Figura 4: Múltiplos gráficos de dispersão entre as variáveis de USArrest
Fonte: Elaborada pelo autor.
 
A respeito deste output típico da função gráfica pairs() do software estatístico R, para a exibição de 
múltiplos gráficos de dispersão entre variáveis quantitativas, analise as afirmativas a seguir e 
assinale V para a(s) Verdadeira(s) e
F para a(s) Falsa(s).
 
I. ( ) O gráfico de y = Murder versus x = Assault mostra uma tendência de aumento de Murder para um 
aumento de Assault.
II. ( ) O gráfico de y = Murder versus x = UrbanPop mostra uma grande dispersão dos pontos sem uma
tendência clara de subida ou descida.
III. ( ) O gráfico de y = Murder versus x = Rape mostra uma tendência de aumento de Murder para um 
aumento  de Assault, porém com uma dispersão dos pontos um pouco maior que para o caso de y = 
Murder versus x = Assault.
IV. ( ) Como são quatro variáveis quantitativas (Murder, Assault, UrbanPop e Rape), então ao total são 
12 gráficos de dispersão, de cada uma delas contra as outras três.
Os métodos de aprendizagem estatística (statistical learning, em inglês) são divididos em métodos de 
aprendizagem supervisionada e métodos de aprendizagem não supervisionada. Para cada uma 
dessas diferentes abordagens, há uma coleção relativamente grande de diferentes métodos, cada um 
com seu próprio jeito de funcionamento.
 
Assinale a alternativa que indica um problema de aprendizagem não supervisionada:
 
 
O texto em referência explica que o processo de descoberta com a mineração de dados possui tanto 
um sentido romântico (um processo emocionante e prazeroso), quanto técnico (um estudo criterioso 
sobre dados). Também defende a ideia que é preciso conhecer o ambiente em que os dados são 
produzidos e que tipo de conhecimento esse ambiente necessita e espera receber.. Ou seja, o que as 
pessoas necessitam e esperam receber.Lei
 
SILVA, L. A. da; PERES, S. M.; BOSCARIOLI, C. Introdução à mineração de dados: com aplicações 
em R. Rio de Janeiro: Elsevier, 2016, p.3.
 
Considerando as ideias apresentadas acima e o que sabemos sobre ciência dos dados, mineração de 
dados e machine learning, analise as afirmativas a seguir:
 
I. Machine learning são algoritmos desenvolvidos, principalmente, pela ciência da computação. São 
usados na estatística, na ciência de dados e na mineração de dados.
II. O processo de descoberta de padrões e geração de conhecimento por meio de dados tem um 
sentido romântico, por ser emocionante e prazeroso, e um sentido técnico, pois demanda estudos 
técnicos criteriosos.
III. A estatística, a ciência da computação e a ciência de dados são áreas relacionadas, mas a 
mineração de dados e ciência de dados são áreas independentes, sem nenhuma relação.
IV. Não é importante conhecer o ambiente em que os dados são produzidos e que tipo de 
conhecimento esse ambiente necessita e espera receber.
 
Assinale a alternativa que apresenta a(s) afirmativa(s) correta(s):
Quando os dados se referem a múltiplas variáveis quantitativas, é possível calcular a correlação entre 
pares dessas variáveis, duas a duas. No software estatístico R, isto pode ser feito com a função cor(). 
Adiante apresentamos um output típico da função cor() quando aplicada ao cálculo da correlação entre
quatro variáveis quantitativas de um determinado conjunto de dados.
  Murder Assault UrbanPop Rape
Murder  1.00 0.80 0.07 0.56
Assault 0.80 1.00 0.26 0.67
UrbanPop   0.07 0.26 1.00 0.41
Rape      0.56 0.67 0.41 1.00
                                  
A respeito deste output típicoda função cor() do software estatístico R, para o cálculo da correlação 
entre múltiplas variáveis quantitativas, analise as afirmativas a seguir e assinale V para a(s) 
Verdadeira(s) e F para a(s) Falsa(s).
 
I. ( ) Todas correlações são positivas, o que indica que, para todas variáveis quantitativas dessa 
amostra, quando uma aumenta, a outra também aumenta.
II. ( ) Uma correlação igual a 1 entre uma variável e ela mesma apenas indica uma correlação perfeita 
dela com ela mesma.
III. ( ) A maior correlação positiva entre essas variáveis é aquela entre Murder e Assault, cujo valor é de
0,80.
IV. ( ) A segunda maior correlação positiva entre essas variáveis é aquela entre Rape e Assault, cujo 
valor é de 0,67 e não de 0,56.
Leia o excerto a seguir:
“Exploração de dados é a arte de olhar os seus dados, rapidamente gerar hipóteses sobre eles, e 
rapidamente testar essas hipóteses. E repetir isso outra vez, outra vez, outra vez. O objetivo da 
exploração de dados é a geração de pistas sobre o que os dados nos revelam, pistas que você poderá
explorar, mais tarde, em maior profundidade.”
WICKHAM, Hadley; GROLEMUN, Garret. R for data science: import, tidy, transform, visualize, and 
model dada. Sebastopol (CA): O’Reilly Media, 2017, p.1.
 
A respeito das fontes que originaram os contos de fadas, analise as afirmativas a seguir e 
assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
 
I. ( ) Análise estatística descritiva é parte da análise exploratória de dados, frequentemente entendida 
como a exploração inicial dos dados.
II. ( ) Além dos métodos da estatística descritiva, algoritmos de agrupamento também são parte da 
análise exploratória de dados.
III. ( ) A análise exploratória dos dados permite a geração de hipóteses sobre os dados, para posterior 
investigação mais detalhada.
IV. ( ) Gerar hipóteses sobre dados significa gerar afirmações sobre possíveis padrões e descobertas 
reveladas pelos dados, a serem melhor investigadas e comprovadas.
Leia o excerto a seguir:
“A ciência dos dados é uma fusão de múltiplas disciplinas, incluindo estatística, ciência da computação,
tecnologia da informação e campos de domínios específicos. Consequentemente, podem-se utilizar de
muitos termos diferentes para se referir a um dado conceito.”
 
BRUCE, Peter; BRUCE, Andrew. Estatística prática para cientistas de dados: 50 conceitos iniciais. 
Rio de Janeiro: Alta Books, 2019, p. xv.
 A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas.
 
I.  Sabemos que, na ciência dos dados, podem-se utilizar de muitos termos diferentes para se referir a 
um dado conceito.
Pois
II. A estatística usa, de forma profunda, a matemática como pilar do seu desenvolvimento. É 
considerada a ciência mais sutil, e a mais ampla, quanto o assunto são dados. É usada por todas 
áreas científicas.