Introdução à Estatística e Data Science

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE 
Atividade 2 
 
Avelino de Oliveira 
Engenharia de Controle e Automação 
Universidade Anhembi Morumbi 
 
 
1 - 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): 
 
 
 
 
 
2 - Estudamos algoritmos preditivos com base em (1) modelos de regressão linear e 
(2) modelos de regressão logística. Esses modelos são aplicados em situações bem 
distintas, que dependem, essencialmente, da natureza da variável resposta, também 
chamada de variável dependente. 
 
Com esses dois modelos em mente, analise as afirmativas a seguir. 
1. Modelos de regressão logística simples são usados na predição de uma 
variável resposta qualitativa quando há mais do que uma variável de entrada. 
2. Modelos de regressão linear simples são usados na predição de uma variável 
resposta qualitativa quando se considera apenas uma variável de entrada. 
3. Um possível modelo de regressão logística simples para a predição da 
probabilidade de inadimplência é: 
 
 
 
 
em que e são os coeficientes do modelo, , o gasto médio mensal da pessoa 
com cartão de crédito e , o valor esperado para a probabilidade de a pessoa ficar 
ou não inadimplente com o pagamento das faturas do cartão. 
1. O método comumente usado para calcular os valores dos coeficientes e é 
o Método da Máxima Verossimilhança. Para isso, pode-se fazer uso do 
software estatístico R. 
 
Está correto o que se afirma em: 
 
 
 
3 - 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. 
 
 
4 - A atividade de venda de produtos financeiros por bancos, tais como cartões de 
crédito, requer que se faça uma avaliação do cliente. São focos dessa avaliação 
aprovar ou não um cartão de crédito para o cliente e, se aprovado, definir o limite do 
cartão, ou seja, o valor do crédito a conceder. 
 
Com base nessa introdução, analise as afirmativas a seguir. 
 
1. O primeiro foco da avaliação é um problema de regressão: aprovar (sim ou 
não) o cartão de crédito, uma variável qualitativa dicotômica, com dois níveis 
(classes). 
2. O primeiro foco da avaliação é um problema de classificação: aprovar (sim ou 
não) o cartão de crédito, uma variável qualitativa dicotômica, com dois níveis 
(classes). 
3. O segundo foco da avaliação é um problema de classificação, predizer o valor 
do limite (do crédito) do cartão. 
4. O segundo foco da avaliação é um problema de regressão, predizer o valor do 
limite (do crédito) do cartão. 
 
 
Está correto o que se afirma em: 
 
 
 
 
5 - 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: 
 
 
 
 
 
6 - 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: 
 
 
 
 
 
7 - Os dados cedidos pelo gerente do banco estavam bem organizados e livres de 
erros. A nossa jovem cientista de dados não precisou, portanto, fazer uma limpeza e 
pré-tratamento dos dados e pode prosseguir imediatamente para uma análise 
descritiva deles antes do desenvolvimento do modelo. 
Tendo isso em vista, analise as afirmativas a seguir e assinale V para a(s) 
Verdadeira(s) e F para a(s) Falsa(s). 
 
1. ( ) Chamamos de análise descritiva dos dados seus sumários (ou resumos) 
estatísticos dos mesmos e a sua visualização. Ambos, os sumários e as 
visualizações, nos ajudam a entender o comportamento dos dados e, através 
deles, do fenômeno ou processo estudado. 
2. ( ) São quatro as variáveis estudadas pela cientista de dados: renda mensal da 
pessoa, seus gastos médios com o cartão, se a pessoa tinha ou não um 
emprego estável ao longo do período amostrado e se ficou ou não 
inadimplente ao longo do deste período. 
3. ( ) Para criar sumários estatísticos das variáveis quantitativas, a renda mensal 
da pessoa e seus gastos com o cartão, a cientista de dados usou as funçõesmin(), mean() e max() do software estatístico R para calcular os valores 
mínimo, médio e máximo dos dados observados para essas variáveis. 
4. ( ) Para criar sumários estatísticos das variáveis qualitativas, se a pessoa tinha 
ou não um emprego estável e se tinha ou não ficado inadimplente com o 
pagamento das faturas do cartão ao longo do período amostrado, a cientista de 
dados usou a função table() do software estatístico R para calcular a 
frequência com que os níveis de cada uma dessas variáveis se manifestaram 
na amostra estudada. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
 
8 - 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: 
 
 
 
 
 
9 - Vimos que são muitos os algoritmos de classificação usados na estatística ou na 
ciência 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: 
 
 
 
 
10 - O ser humano tem enorme facilidade em agrupar, por similaridade, e classificar 
coisas, todos os tipos de coisas. Por conta disso, problemas de classificação são 
muito frequentes no mundo, mais frequentes que problemas de regressão. 
Fornecemos alguns exemplos de aplicação de métodos de classificação no mundo 
dos negócios. Dentre esses exemplos, encontramos: 
 
1. a Netflix usa classificadores para recomendar filmes. Para a Netflix, o valor 
desse tipo de aplicação é que, quanto mais filmes assistirmos, maior será a 
sua receita; 
2. o Facebook usa classificadores para recomendar novas amizades para a 
nossa rede de relacionamento. Para o Facebook, o valor desse tipo de 
aplicação é que, quanto maior nossa rede de relacionamento, maior será a sua 
receita; 
3. um banco de varejo usa classificadores para detectar se uma operação com 
cartão de débito ou crédito é ou não uma operação fraudulenta. Para o banco, 
o valor dessa aplicação é que, quanto antes operações fraudulentas forem 
detectadas, mais rapidamente o banco pode agir para impedir perdas para 
seus clientes e para ele próprio; 
4. uma concessionária de distribuição de energia elétrica usa classificadores para 
identificar casos potenciais de roubo de energia da rede, os famosos “gatos”. 
Para as concessionárias de distribuição de energia elétrica, o valor dessa 
aplicação é evitar prejuízo com o furto de energia da rede, além do relevante 
aspecto de prevenção de acidentes decorrentes de instalações clandestinas. 
 
 
Está correto o que se afirma em: