ESTATÍSTICA APLICADA AO DATA SCIENCE ATIV 2

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE – ATIV 2
________________________________________________________________________________________________
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: 
Resposta correta. A única asserção incorreta desta questão é a primeira, que afirma que regressão logística é o único 
método de aprendizagem supervisionada que é utilizado para classificação, todos outros métodos são métodos de 
regressão.
RES.: II, III e IV, apenas. 
________________________________________________________________________________________________
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: 
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.
RES.: I, III e IV apenas. 
________________________________________________________________________________________________
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): 
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. 
RES.: 7% e 27%.
________________________________________________________________________________________________
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 variável resposta 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: 
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.
RES.: II e III, apenas. 
________________________________________________________________________________________________
Continuando com o mesmo caso da questão anterior, relativa à aprovação, pelos bancos, de crédito na forma de 
cartão de crédito, como se fazia, no passado, a aprovação da concessão de cartões de crédito pelos bancos? E, hoje em 
dia, como os bancos fazem essa aprovação?
Reflita sobre essas perguntas e suas respostas, analise as afirmativas a seguir e assinale V
para a(s) Verdadeira(s) e F para a(s) Falsa(s).
1.( ) No passado, os bancos faziam, e ainda fazem, ao menos em parte, a aprovação da concessão de cartões 
de crédito através da definição de regras que devem ser atendidas por cada cliente, tais como idade, emprego 
estável, renda fixa, dívidas pequenas, nome limpo e casa própria.
2.( ) Hoje em dia, dentre outras alternativas, uma que é frequentemente usada pelos bancos são algoritmos 
de aprendizagem supervisionada que classificam se o cliente é um potencial bom ou mau pagador.
3.( ) Para usarmos algoritmos de classificação com esse propósito de aprovar ou não cartões de crédito, 
precisamos de dados. Ensinamos ao algoritmo, com base nos dados que lhe são passados, a predizer clientes 
que são maus pagadores potenciais das faturas do cartão. Dessa forma, se o algoritmo, ao ser alimentado 
com os dados referentes a um novo cliente, classificar esse cliente como um mau pagador potencial, o banco 
não aprovará o cartão.
4.( ) Para equipes de análise de crédito, poder contar com a ajuda de um software com a capacidade de 
recomendar a aprovação ou não da concessão do cartão é de grande valor.
5.( ) A recomendação feita pelo software poderá ser tratada ao lado de outras regras de crédito para uma 
decisão final sobre a concessão de cartão para o cliente.
Assinale a alternativa que apresenta a sequência correta. 
Resposta correta. No passado, os bancos faziam a aprovação da concessão de cartões de crédito através da definição 
de regras que deviam ser atendidas por cada cliente; hoje em dia, algoritmos de aprendizado de máquina classificam 
se o cliente é um potencial bom ou mau pagador. Para isso, dados são necessários. Poder contar com a ajuda de um 
software com a capacidade de recomendar a aprovação ou não da concessão do cartão é de grande valor para a 
equipe de análise de crédito. A recomendação feita pelosoftware poderá ser tratada ao lado de outras regras de 
crédito para uma decisão final sobre a concessão de cartão para o cliente.
RES.: V, V, V, V.
________________________________________________________________________________________________
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 funções min(), 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. 
Resposta correta. Chamamos de análise descritiva dos dados seus sumários (ou resumos) e a sua visualização por meio 
de gráficos. São quatro as variáveis estudadas pela cientista de dados. Para criar sumários estatísticos das variáveis 
quantitativas, a cientista de dados usou as funções min(), mean() e max() do software estatístico R, e para os sumários 
estatísticos das variáveis qualitativas, usou a função table() do mesmo software, e assim calculou a frequência com que 
os níveis de cada uma dessas variáveis se manifestaram na amostra analisada.
RES.: V, V, V, V. 
________________________________________________________________________________________________
Tarefas de classificação são muitos comuns na estatística e na ciência dos dados, por serem muito comuns em todas 
atividades humanas, na ciência, na vida social ou nos negócios.
Especificamente, discutimos aplicações de modelos preditivos de classificação baseados em modelos de regressão 
logística simples ou múltipla.
Com isso em mente, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
1.Regressão logística pode ser empregada na predição do peso médio (massa corporal média) de uma pessoa 
em função de sua altura, idade e sexo.
2.Regressão logística pode ser empregada na predição do consumo médio de combustível de um carro em 
função da potência do seu motor e do seu peso.
3.Regressão logística pode ser empregada na predição da probabilidade de uma pessoa votar em um 
determinado candidato e não nos outros em função de sua escolaridade, idade, sexo e classe social.
4.Regressão logística pode ser empregada na predição da probabilidade de a pessoa ser diabética em função 
de um conjunto de sintomas clínicos que apresenta.
Assinale a alternativa que apresenta a sequência correta. 
Resposta correta. As duas primeiras situações se referem à predição de variáveis resposta quantitativas, o que não é 
possível com modelos de regressão logística; já as duas últimas situações são adequadas ao emprego de modelos de 
regressão logística.
RES.: F, F, V, V. 
________________________________________________________________________________________________
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: 
Resposta correta. Modelo de regressão logística é dito simples quanto se considera apenas uma variável de entrada; o 
modelo exposto nesta questão é, de fato, aquele adotado pela cientista de dados, e o método que ela usou para 
determinar os coeficientes do modelo foi o Método da Máxima Verossimilhança, através do software estatístico R.
RES.: II, III e IV, apenas. 
________________________________________________________________________________________________
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: 
Resposta correta. Um classificador determinístico vai dizer se o indivíduo está ou não está infectado, dados os 
sintomas que apresenta; já um classificador probabilístico vai dizer qual é a probabilidade de o indivíduo estar ou não 
infectado; 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) e, nesse mesmo jargão, escrever significa a probabilidade de ser 
igual a um dos seus possíveis valores quando a variável de entrada é igual a (dizemos: dado que
). 
RES.: I, II, III e IV.
________________________________________________________________________________________________
Dados podem aparecer na forma de textos, imagens, vídeos, sons, tabelas, listas, sequências, séries, etc. São muitos os 
dados que hoje coletamos de diferentes fontes, e muitas as formas de organizá-los e armazená-los. Uma dessas forma, 
talvez a mais importante delas, são os dados estruturados.
Relativamente a esse assunto, analise as afirmativas a seguir.
1.Dados estruturados são dados que não possuem uma estrutura regular e repetitiva, seguindo um padrão 
comum adotado pelas ciências dacomputação, estatística e ciência dos dados.
2.A forma de organização básica dos dados, preferida na estatística e na ciência dos dados, é a forma tabular, 
na qual as variáveis são dispostas nas linhas e as observações são dispostas nas colunas.
3.Dados estruturados são dados que possuem uma estrutura regular e repetitiva, seguindo um padrão 
comum adotado pelas ciência da computação, estatística e ciência dos dados.
4.A forma de organização básica dos dados, preferida na estatística e na ciência dos dados, é a forma tabular, 
na qual as variáveis são dispostas nas colunas e as observações são dispostas nas linhas.
Está correto o que se afirma em: 
Resposta correta. Dados estruturados são dados que possuem uma estrutura regular e repetitiva, seguindo um padrão 
comum adotado pelas ciência da computação, estatística e ciência dos dados. Também está correto dizer que a forma 
de organização básica dos dados, preferida na estatística e na ciência dos dados, é a forma tabular, na qual as variáveis 
são dispostas nas colunas e as observações são dispostas nas linhas.
RES.: III e IV, apenas. 
________________________________________________________________________________________________