ESTATÍSTICA APLICADA AO DATA SCIENCE - ATV 2

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA 
SCIENCE – ATV 2 
1 - 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: 
II E IV APENAS 
Resposta correta. 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); o 
segundo foco da avaliação é um problema de regressão, ou seja, predizer o valor do limite (de 
crédito) do cartão a ser concedido para o cliente. Esse valor é uma variável quantitativa, cuja 
predição é feita por algoritmos de regressão. 
 
2 - 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. 
I. 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 
II. 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. 
III. Histogramas e diagramas de barras são formas tradicionais de visualização gráfica 
de dados quantitativos e qualitativos, respectivamente, na estatística e na ciência dos 
dados. 
IV. 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: 
I, III e IV apenas 
Resposta correta. Histogramas e diagramas de barras são formas tradicionais de visualização 
gráfica de dados quantitativos e qualitativos, respectivamente, na estatística e na ciência dos 
dados, e a jovem cientista de dados não lançou mão de diagramas de barras. Neste caso, para 
visualizar os dados qualitativos, poderia ter feito isso, se quisesse. Diagramas de barras são 
usados para a visualização de dados qualitativos, não quantitativos. 
 
3 - 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): 
7% e 27% 
Resposta correta. Esses valores são aqueles calculados pela simples substituição da 
variável de entrada pelos valores R$ 500,00 e R$ 1.000,00, respectivamente, na 
equação do modelo. 
 
4 - 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: 
I, II, III e IV 
Resposta correta. Todos os exemplos listados nesta questão são problemas de classificação, 
os quais, como dissemos no enunciado, são muito frequentes no mundo. Em todos eles, a 
variável resposta é uma variável qualitativa, ou dicotômica, ou politômica. 
 
5- 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: 
I, II, III e IV 
Resposta correta. Modelos de regressão logística são usados quando a variável resposta é 
qualitativa, preferencialmente qualitativa dicotômica. Regressão logística simples e múltipla 
são, respectivamente, quanto só há uma ou há várias variáveis de entrada. Modelos de 
regressão logística são classificadores probabilísticos. Ou seja, todas as asserções são 
verdadeiras. 
 
6-Entre as técnicas das quais lançou mão para a visualização dos dados da amostra, 
uma jovem cientista de dados usou gráficos de dispersão. Como cientistade dados, 
ela sabia exatamente em que situações empregar gráficos de dispersão. 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. ( ) Gráficos de dispersão, em inglês chamados de scatter plots, só podem ser 
usados para a visualização de uma única variável, a qual deve ser 
obrigatoriamente uma variável qualitativa. 
2. ( ) Gráficos de dispersão são usados para a visualização da relação entre duas 
variáveis quantitativas, em que os dados das duas variáveis são plotados aos 
pares. Permite, dessa forma, a verificação visual, pelo estatístico ou pelo 
cientista de dados, se há uma tendência de uma variável aumentar quando a 
outra aumenta, diminuir quando a outra diminui, ou se não há uma relação 
aparente entre as duas. 
3. ( ) Um gráfico de dispersão foi usado para exibir, em pares, a relação entre o 
valor do imóvel e a sua área. Esse tipo de gráfico é chamado, em inglês, de 
scatter plot. 
4. ( ) Um gráfico de dispersão foi usado para exibir, em pares, a relação entre o 
valor do imóvel e o seu andar. Esse tipo de gráfico é chamado, em inglês, de 
scatter plot. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
F,V,V,V 
Resposta correta. A única asserção falsa é a que afirma que gráficos de dispersão só podem ser 
usados para a visualização de uma única variável, a qual deve ser obrigatoriamente uma 
variável qualitativa. É correto dizer que são usados para a visualização da relação entre duas 
variáveis quantitativas, permitindo a verificação visual de tendência de uma variável aumentar 
quando a outra aumenta, diminuir quando a outra aumenta, ou se não há uma relação 
aparente entre as duas. Sendo assim, puderam ser usados para exibir, em pares, a relação 
entre o valor do imóvel e a sua área e o valor do imóvel e o seu andar. 
 
7 - Naturalmente, dados ocupam uma posição central, tanto na estatística quanto na 
ciência dos dados. Entendê-los, saber da sua natureza, o que representam, é de suma 
importância, antes da realização de qualquer análise ou projeto. Os dados são 
divididos entre quantitativos e qualitativos, na estatística e na ciência dos dados. 
Relativamente aos qualitativos, analise as afirmativas a seguir e assinale V para a(s) 
Verdadeira(s) e F para a(s) Falsa(s). 
 
1. ( ) Dados qualitativos dicotômicos são dados observados de variáveis 
qualitativas que podem assumir apenas dois níveis (também chamados de 
classes) como seus valores, tais como sexo (feminino ou masculino), ocupação 
(empregado ou desempregado), localização (bairro ou centro), emprego 
estável (sim ou não), inadimplente (sim ou não). 
2. ( ) Dados qualitativos politômicos são aqueles oriundos de variáveis qualitativas 
que podem assumir três ou mais níveis como seus valores, tais como classe 
social (A, B, C, D e E), escolaridade (fundamental, médio, superior), gravidade 
da doença (baixa, média, alta). 
3. ( ) A função table() do R permite a contagem da frequência de cada nível 
assumido por uma variável qualitativa em uma dada amostra, e foi usada pela 
jovem cientista de dados para contar a frequência de pessoas com ou sem 
emprego estável e se ficaram ou não inadimplentes com o pagamento das 
faturas do cartão no período amostrado. 
4. ( ) Um mosaicplot permite a visualização gráfica da relação entre duas 
variáveis qualitativas. Foi usado por uma jovem cientista de dados para 
examinar a possível relação entre duas variáveis qualitativas dicotômicas: 
pessoas com ou sem emprego estável e se ficaram ou não inadimplentes com 
o pagamento das faturas do cartão de crédito ao longo do período amostrado. 
Ela percebeu, ao ver o gráfico resultante (ver figura adiante), que parece haver 
um maior nível de inadimplência com o cartão entre aquelas que não têm 
emprego estável. 
 
 
 
 
Assinale a alternativa que apresenta a sequência correta. 
V,V,V,V 
Resposta correta. Todas asserções desta questão são verdadeiras. Dados qualitativos 
dicotômicos são dados observados de variáveis qualitativas que podem assumir apenas dois 
níveis. Dados qualitativos politômicos são aqueles oriundos de variáveis qualitativas que 
podem assumir três ou mais níveis como seus valores. A função table() do R permite a 
contagem da frequência de cada nível assumido por uma variável qualitativa em uma dada 
amostra. O mosaicplot permite a visualização gráfica da relação entre duas variáveis 
qualitativas. 
 
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: 
I,II,III,IV 
 
 
9 - 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: 
I, II, III, IV 
Resposta correta. 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; na 
aprendizagem supervisionada, também chamamos a variável resposta de variável de 
saída ou variável dependente e as variáveis de entrada, de variáveis regressoras, 
preditoras ou independentes. 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. 
 
10 - Vimos que há dois principais tipos de aprendizagem supervisionada: problema de 
regressão e problema de classificação. São os tipos de variáveis resposta dos dados 
em análise que distinguem esses dois tipos entre si. 
 
Relativamente a esses dois tipos, analise as afirmativas a seguir. 
 
1. Na aprendizagem supervisionada, um problema de regressão é um no qual a 
variável resposta é qualitativa. 
2. Na aprendizagem supervisionada, um problema de regressão é um no qual a 
variável resposta é quantitativa. 
3. Na aprendizagem supervisionada, um problema de classificação é um no qual 
a variávelresposta é qualitativa. 
4. Na aprendizagem supervisionada, um problema de classificação é um no qual 
a variável resposta é quantitativa. 
 
 
Está correto o que se afirma em: 
II e III, apenas 
Resposta correta. Na aprendizagem supervisionada, um problema de regressão é um 
no qual a variável resposta é quantitativa e um problema de classificação é um no qual 
a variável resposta é qualitativa.