ESTATÍSTICA APLICADA AO DATA SCIENCE ATIV 1

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE – ATIV 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?
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?
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).
________________________________________________________________________________________________
RES.:
Variáveis estudadas:
• x1x1 = Velocidade da máquina (rpm)
• x2x2 = Layout (0 para antigo, 1 para novo)
• x3x3 = Número de funcionários (0 para atual, 1 para maior)
• YY = Volume de produção da linha (peça/hora)
2. Tipo de cada variável:
• x1x1 (velocidade da máquina): Quantitativa (contínua), medida em rotações por minuto (rpm).
• x2x2 (layout): Qualitativa (categórica), assumindo os valores 0 (antigo) ou 1 (novo).
• x3x3 (número de funcionários): Qualitativa (categórica), assumindo os valores 0 (atual) ou 1 (maior).
• YY (volume de produção): Quantitativa (contínua), medida em peças por hora.
3. Uso do modelo de regressão linear múltipla para predição:
• O modelo permite prever o volume de produção da linha com base nas variáveis independentes 
fornecidas (x1,x2,x3x1,x2,x3). Para fazer uma predição, basta inserir os valores desejados para 
x1,x2,x3x1,x2,x3 na equação e calcular YY. Isso é útil para os gestores avaliarem o impacto das 
diferentes configurações de máquina, layout e número de funcionários na produção da linha.
4. Aplicação em situações similares:
• Situação: Em uma empresa de tecnologia, deseja-se entender o impacto das horas de treinamento 
(x1x1), o tipo de software utilizado (x2x2), e a experiência prévia dos funcionários (x3x3) no número 
de erros em projetos de desenvolvimento de software (YY).
• Variáveis:
• x1x1: Horas de treinamento (Quantitativa, medida em horas).
• x2x2: Tipo de software (Qualitativa, por exemplo, 0 para software antigo e 1 para novo).
• x3x3: Experiência prévia dos funcionários (Qualitativa, por exemplo, 0 para pouca 
experiência e 1 para muita experiência).
• YY: Número de erros em projetos (Quantitativa, contagem de erros).
• O modelo de regressão linear múltipla poderia ser utilizado para predizer o número de erros em 
projetos com base nas horas de treinamento, tipo de software e experiência prévia dos funcionários.