A1 - ESTATÍSTICA APLICADA AO DATA SCIENCE

Prévia do material em texto

Aluno:Kleison W. R. Viana
Curso: Engenharia de Produção
Polo: Anhembi Morumbi Piracicaba
ESTATÍSTICA APLICADA AO DATA SCIENCE
ATIVIDADE 1
	Uma fábrica de autopeças possuía duas linhas de produção idênticas para seu principal produto. Os gestores precisavam aumentar a capacidade de produção dessas linhas para atender a um novo contrato de fornecimento com uma grande montadora que passaria a vigorar em 6 meses. Eles precisavam decidir entre a alternativa de investir em duas máquinas novas, uma para cada linha de produção, ou se seria suficiente otimizar a produção fazendo um retrofitting das máquinas existentes, um novo layout para o fluxo da produção e um maior número de funcionários dedicados a cada linha. Eles também queriam ter maior flexibilidade em controlar a taxa de produção.
Fonte: Elaborada pelo autor
	Os gestores pediram a uma jovem engenheira de produção, recém-contratada, para ajudá-los na análise dessas alternativas. Essa jovem engenheira, após alguns testes, desenvolveu o seguinte modelo:
 
em que:
 
Com base no modelo descrito, responda às seguintes perguntas:
1) Quais foram as variáveis estudadas?
	As principais variáveis estudadas pelas máquinas foram a produção, layout, volume, velocidade nº de funcionários.
2) Qual o tipo de cada variável, quantitativa ou qualitativa? Se quantitativa, qual sua unidade de medida? Se qualitativa, que níveis ou classes podem assumir?
3) Como pode esse modelo de regressão linear múltipla ser usado para fazer predição de volume de produção de cada linha da fábrica?
	O modelo de regressão linear detém de uma series de variáveis com o intuito não só de encontrar qual o melhor cenário em que se deseja produzir, mas tambem fornecer o resultado de peças/hora. Dessa forma é factível a realizações de simulações de aumento ou diminuição do quadro de funcionários. Cada variável do modelo vai ser possível simular o melhor cenário para que seja implantado uma velocidade maior ou menor, e até mesmo na Modificação dos layouts. 
4) Reflita sobre situações similares em que você poderia aplicar essa mesma técnica (regressão linear múltipla) para gerar conhecimento a partir de dados. Descreva brevemente uma dessas situações que você pensou, identifique cada uma das variáveis de entrada e a variável resposta, descreva o tipo de cada uma delas (se quantitativa ou qualitativa) e forneça suas unidades de medida (se quantitativas) ou seus níveis ou classes (se qualitativas).
	Trazendo o modelo de regressão linear para o meu dia a dia, é possível fazer um controle do gasto calórico diário em comparação aos tipos e locais treinados, visto que as variáveis podem ser utilizadas como um cronograma da semana.
No caso das variáveis:
Y - Seria o tipo de treino - Variável qualitativa – 
Classe 0 = "Peito" 
Classe 1 = "Costa"
Classe 2 = “Pernas” e etc.
X1 - Seria a quantidade da ingestão de calorias – Variável Quantitativa – Medida em “Kcal”
X2 - Seria o local onde irá treinar - Variável qualitativa 
Classe 0 = "Academia", e 
Classe 1 = "Rua". 
X3 - Seria o nº de dias treinado no mês - Variável Quantitativa – Medidas em “Dias” 
10