ESTATÍSTICA APLICADA AO DATA SCIENCE ATIV 4

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE – ATIV 4
________________________________________________________________________________________________
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: 
Resposta correta. A alternativa está correta, pois entender se há similaridade entre observações (indivíduos) de uma 
amostra é o mesmo que tentar agrupar os indivíduos similares, o que é um problema de aprendizagem não 
supervisionada. Todos os demais problemas propostos são problemas de aprendizagem supervisionada, em que há 
uma variável resposta supervisora, quantitativa ou qualitativa, para o treinamento do algoritmo preditivo.
RES.: Desejamos entender se há similaridade entre observações (indivíduos) de uma certa amostra de dados. 
________________________________________________________________________________________________
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. 
Resposta correta. A alternativa está correta, pois mesmo que algoritmos de agrupamento sejam parte dos métodos da 
aprendizagem não supervisionada, e não serem modelos preditivos, como afirmado na asserção II, depois que 
formamos e nomeamos os grupos (classificamos os grupos), podemos usar essas classes como variáveis respostas e, a 
partir desse ponto, executar tarefas preditivas com algoritmos de classificação. Ou seja, a asserção I é falsa.
RES.:A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 
________________________________________________________________________________________________
O texto em referência apresenta como exemplo de agrupamento uma companhia de vendas online que deseja agrupar 
seus clientes com base em suas características comuns (renda, idade, número de filhos, estado civil, grau de educação, 
etc.). Com o resultado do agrupamento, eles definirão campanhas de marketing e de divulgação específicas para cada 
um dos diferentes grupos que vierem a ser definidos.
DUHAM, Margareth H. Data mining: introductory and advanced topics. Upper Saddle River, NJ: Pearson Education, 
2003, p.125.
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. ( ) Algoritmos de agrupamento só conseguem lidar com variáveis quantitativas. Sendo assim, parte das variáveis 
disponíveis para esse caso são irrelevantes.
II. ( ) Algoritmos de agrupamento são especializados no tratamento de conjuntos de dados exclusivamente 
qualitativos.
III. ( ) Algoritmos de agrupamento podem ter as suas soluções verificadas por um supervisor e, dessa forma, 
saberemos se o resultado é bom ou ruim.
IV. ( ) Seres humanos não possuem habilidade natural para agrupar e depois classificar, já que isso só pode ser 
realizado por meio de algoritmos. 
Resposta correta. A sequência está correta. Há algoritmos de agrupamento que lidam variáveis quantitativas, ou 
qualitativas, ou mistas. Portanto, as asserções I e II são falsas. Algoritmos de agrupamento não podem ter as suas 
soluções verificadas por um supervisor, pois fazem parte dos métodos de aprendizagem não supervisionada. E seres 
humanos possuem habilidade natural para agrupar e depois classificar. Portanto, as asserções III e IV também são 
falsas.
RES.: F, F, F, F. 
________________________________________________________________________________________________
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. 
Sua resposta está incorreta. A sequência está incorreta. Todas correlações são positivas, indicando que, para todas 
variáveis quantitativas dessa amostra, quando uma aumenta, a outra também aumenta. Uma correlação igual a 1 
entre uma variável e ela mesma apenas indica uma correlação perfeita dela com ela mesma. A maior correlação 
positiva entre essas variáveis é aquela entre Murder e Assault, cujo valor é de 0,80. E, finalmente, a segunda maior 
correlação positiva entre essas variáveis é aquela entre Rape e Assault, mas o valor é 0,67 e não 0,56, que se refere à 
correlação entre as variáveis Murder e Rape.
RES.: F, V, V, V. 
RES. CORRETA: V, V, V, V. 
________________________________________________________________________________________________
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. 
Resposta correta. A sequência está correta. É correto afirmar que uma correlação positiva indica que quando uma das 
variáveis aumenta a outra variável também aumenta, e que uma correlação negativa indica que quando uma das 
variáveis aumenta a outra variável diminui. É incorreto afirmar que uma correlação positiva indica que quando uma 
das variáveis aumenta a outra variável diminui, ou que uma correlação negativa indica que quando uma das variáveis 
diminuia outra também diminui.
RES.: F, V, V, F. 
________________________________________________________________________________________________
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: 
Resposta correta. A alternativa está correta. O dendrograma resultante de uma análise de agrupamento hierárquico 
representa todos os agrupamentos possíveis, desde os grupos formados por observações individuais (no exemplo, 
cada um dos cinco estados) até o topo com um único grupo formado por todas as observações (no exemplo, um único 
grupo com os cinco estados). Cabe ao cientista de dados escolher o agrupamento que faz mais sentido para a sua 
análise. As demais alternativas estão erradas, como se pode verificar de uma leitura direta do próprio dendrograma.
RES.: É um dendrograma, ou seja, um gráfico na forma de uma árvore, que representa os vários grupos 
formados em cada estágio do processo de agrupamento hierárquico. 
________________________________________________________________________________________________
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:
I. 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.
II. Especificamente na aprendizagem supervisionada, também denominamos uma variável resposta de variável de 
saída ou variável dependente.
III. Especificamente na aprendizagem supervisionada, também denominamos uma variável de entrada de variável 
regressora, variável preditora, variável explanatória ou variável independente.
IV. 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. 
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.
RES.: I, II, III e IV. 
________________________________________________________________________________________________
Leia o excerto a seguir:
“Normalização: É comum normalizar (padronizar) variáveis contínuas através da subtração da média e divisão pelo 
desvio-padrão, ou então as variáveis com grande escala dominarão o processo de agrupamento (veja Padronização 
(Normalização, Escores Z), no Capítulo 6).”
BRUCE, Peter; BRUCE, Andrew. Estatística prática para cientistas de dados: 50 conceitos iniciais. Rio de Janeiro: Alta 
Books, 2019, p. 265.
A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas.
I. Sabemos que, na estatística ou na ciência dos dados, é comum normalizar (padronizar) variáveis quantitativas, ou 
variáveis contínuas, antes da realização de uma análise de agrupamento.
Pois
II. No conjunto de dados observados (a amostra de dados), podem existir variáveis que estão em uma escala muito 
maior que as outras, e a medida de distância entre observações dessas variáveis dominarão o resultado da análise de 
agrupamento, na formação dos grupos de observações similares entre si. 
Resposta correta. A alternativa está correta. Na estatística ou na ciência dos dados, é comum normalizar (padronizar) 
variáveis quantitativas, ou variáveis contínuas, antes da realização de uma análise de agrupamento, pois no conjunto 
de dados observados podem existir variáveis que estão em uma escala muito maior que as outras, e a medida de 
distância entre observações dessas variáveis dominarão o resultado final da análise de agrupamento se a padronização 
não for feita antes.
RES.: As asserções I e II são proposições verdadeiras, e a II é uma justificativa correta da I. 
________________________________________________________________________________________________
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): 
Resposta correta. A alternativa está correta, pois machine learning são algoritmos desenvolvidos, principalmente, pela 
ciência da computação, e são usados na estatística, na ciência de dados e na mineração de dados, e 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. Também sabemos que a 
mineração de dados e ciência de dados são áreas relacionadas, e que é importante conhecer o ambiente em que os 
dados são produzidos e que tipo de conhecimento esse ambiente necessita e espera receber.
RES.: I e II apenas; 
________________________________________________________________________________________________
Leia o excerto a seguir sobre as ideias-chave para agrupamento hierárquico:
“Começa com todos os registros. Progressivamente, os grupos são unidos aos grupos próximos até que todos os 
registros pertençam a um único grupo. O histórico de aglomeração é retido e plotado, e o usuário pode visualizar o 
número e a estrutura dos grupos em diferentes estágios. As distâncias intergrupos são calculadas de jeitos diferentes, 
todas baseadas no conjunto de distância inter-registros.”
BRUCE, Peter; BRUCE, Andrew. Estatística prática para cientistas de dados: 50 conceitos iniciais. Rio de Janeiro: Alta 
Books, 2019, p. 278.
A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas.
I. No agrupamento hierárquico, o usuário deve obrigatoriamenteespecificar o número de grupos que deseja ver o 
algoritmo formar.
Pois
II. O algoritmo começa com grupos formados por registros individuais e, progressivamente, os grupos são unidos aos 
grupos mais próximos, até que todos os registros pertençam a um único grupo. 
Resposta correta. A alternativa está correta, pois no agrupamento hierárquico, diferentemente do que se requer para o 
agrupamento por k-médias, o usuário não especifica o número de grupos que o algoritmo deve formar. Em estágios 
progressivos, se parte de tantos grupos quanto o número de registros (observações) do conjunto de dados, formam-se 
sequencialmente vários agrupamentos, por fusão entre grupos mais similares entre si, até se formar um único grupo, 
ao final, com todos os registro do conjunto de dados analisado. Ao usuário cabe examinar essa estrutura, e decidir que 
agrupamentos fazem mais sentido para a sua análise.
RES.: A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 
________________________________________________________________________________________________