Estatística Aplicada ao Data Science

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE 
Atividade 4 
 
Avelino de Oliveira 
Engenharia de Controle e Automação 
Universidade Anhembi Morumbi 
 
1 - Na estatística ou, genericamente, na análise de dados, muito frequentemente 
analisamos dados ditos retangulares ou estruturados, onde as variáveis - quantitativas 
ou qualitativas - são dispostas nas colunas e as observações na linhas de uma tabela. 
Em algumas situações é vantajoso se fazer a padronização das variáveis 
quantitativas. 
 
Assinale a alternativa correta relativamente ao assunto de padronização de variáveis 
quantitativas na estatística: 
 
 
 
 
2 - 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. 
 
 
 
 
3 - 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: 
 
 
 
4 - A escolha de grupos formados por um algoritmo de agrupamento hierárquico pode 
ser feita por meio da leitura do dendrograma resultante. Escolhe-se a altura (Height) 
desejada, se traça uma linha horizontal a partir dessa altura, que cruzará com as 
linhas verticais dos grupos formados nesta altura. O cientista de dados decide se 
esses grupos são adequados para a sua análise. 
 
Veja, por exemplo, a figura abaixo. 
 
 
 
Figura - Dendrograma do agrupamento de oito estados 
Fonte: Elaborada pelo autor 
Com respeito da leitura deste dendrograma, analise as afirmativas a seguir e 
assinale V 
para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) A altura 4 cruza com duas linhas verticais, que indicam dois grupos, o primeiro 
deles formado pelos estados {Connecticut, Delaware}, e o segundo deles formado 
pelos estados {Colorado, Arizona, California, Alaska, Alabama, Arkansas}. 
II. ( ) A altura 4 cruza com três linhas verticais, que indicam três grupos, o primeiro 
deles formado pelos estados {Connecticut, Delaware}, o segundo deles formado pelos 
estados {Colorado, Arizona, California}, e o terceiro deles formado pelos estados 
{Alaska, Alabama, Arkansas}. 
III. ( ) A altura 3 cruza com duas linhas verticais, que indicam dois grupos, o primeiro 
deles formado pelos estados {Connecticut, Delaware}, e o segundo deles formado 
pelos estados {Colorado, Arizona, California, Alaska, Alabama, Arkansas}. 
IV. ( ) A altura 3 cruza com três linhas verticais, que indicam três grupos, o primeiro 
deles formado pelos estados {Connecticut, Delaware}, o segundo deles formado pelos 
estados {Colorado, Arizona, California}, e o terceiro deles formado pelos estados 
{Alaska, Alabama, Arkansas}. 
 
 
 
 
5 - 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 típico da 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. 
 
 
 
 
6 - 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. 
 
 
 
 
7 - 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: 
 
 
 
 
 
8 - O Margareth H. Duham, em seu livro Data Mining - Introductory and Advanced 
Topics, informa que tarefas de agrupamento, ou clustering em inglês, vêm sendo 
aplicadas em muitos domínios, incluindo a biologia, a medicina, a antropologia, o 
marketing e a economia. 
 
DUHAM, Margareth H. Data mining: introductory and advanced topics. Upper Saddle 
River (NJ): Pearson Education, 2003, p.126. 
 
A respeito desses domínios de aplicação de tarefas de agrupamento, analise as 
afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) Observar diferentes características de doenças em vários pacientes, e depois 
formar diferentes grupos de pacientes - por similaridade das características de suas 
doenças - é uma tarefa de agrupamento. 
II. ( ) Observar diferentes hábitos de consumo em várias milhares de pessoas, e 
depois formar grupos de pessoas - por similaridade de seus hábitos de consumo - é 
uma tarefa de agrupamento. 
III. ( ) Observar diferentes características das linguagens faladaspor membros de 
aldeias remotas, e depois formar grupos de linguagens - por similaridades das 
características das linguagens - é uma tarefa de agrupamento. 
IV. ( ) Observar diferentes característica de insetos em diversos biomas, e depois 
formar grupos de insetos - por similaridade de suas características - é uma tarefa de 
agrupamento. 
 
 
 
 
9 - 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. 
 
 
 
 
10 - 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.