ESTATÍSTICA APLICADA AO DATA SCIENCE - Atividade 1

Prévia do material em texto

ESTATÍSTICA APLICADA AO DATA SCIENCE - Atividade 1 
1) Vimos que uma jovem cientista de dados realizou o treino (ajuste) de um modelo de 
regressão logística múltipla aos dados da amostra. Os resultados que encontrou foram muito 
ricos, sugerindo uma série de explicações, aprendidas pelo algoritmo com base nos dados 
fornecidos. Veja que dizemos “explicações sugeridas”, pois qualquer resultado de um algoritmo 
deve ser confrontado com especialistas da área em estudo. Contudo, vamos rever o que o 
modelo de regressão múltipla treinado pela jovem cientista de dados sugere. Para isso, analise 
as afirmativas a seguir. 
 
1. A probabilidade da inadimplência cresce com o aumento dos gastos médios com o 
cartão de crédito. Isto, que nos parece óbvio, foi o que os dados “contaram” para o 
algoritmo de regressão logística múltipla. 
2. A probabilidade da inadimplência cresce com o aumento da renda média mensal das 
pessoas. Isto não é tão óbvio e provavelmente não teríamos coragem de generalizar 
para outras situações, mas foi o que os dados da amostra do gerente do banco 
“contaram” para o algoritmo de regressão logística múltipla. 
3. Para duas pessoas com a mesma renda mensal e o mesmo gasto mensal com cartão 
de crédito, a probabilidade de inadimplência com o cartão é maior para aquela sem 
emprego estável. Novamente, isto foi o que os dados amostrados “contaram” para o 
algoritmo de regressão logística múltipla. 
4. O modelo de regressão logística múltipla, ajustado aos dados da amostra, consegue 
predizer os efeitos da renda mensal da pessoa, do seu gasto médio mensal com cartão 
de crédito e se ela tem ou não um emprego estável, na probabilidade de a pessoa ficar 
inadimplente com o cartão de crédito. Um algoritmo desse tipo pode ajudar no 
processo decisório de um banco quanto à aprovação de cartão de crédito, ao lado de 
outros critérios e ferramentas analíticas disponíveis para o banco. 
Está correto o que se afirma em: 
 
 
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: 
 
 
3)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: 
 
 
4) 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): 
 
 
5) 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: 
 
 
6)Entre as técnicas das quais lançou mão para a visualização dos dados da amostra, uma 
jovem cientista de dados usou boxplots (diagramas de caixas). Como cientista de dados, ela 
sabia exatamente em que situações empregar boxplots. 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. ( ) Para examinar visualmente a relação entre duas variáveis, em que uma é 
quantitativa e a outra é qualitativa, não é possível a utilização de gráficos de dispersão. 
2. ( ) Boxplots são uma solução inteligente para a visualização da relação entre uma 
variável quantitativa e uma variável qualitativa, em que no eixo horizontal indicamos os 
níveis da variável qualitativa e no eixo vertical, a variação dos valores observados para 
a variável quantitativa. 
3. ( ) Para examinar visualmente a relação entre duas variáveis quantitativas, um dos 
gráficos preferidos é o diagrama de caixas, também conhecido como boxplot. 
4. ( ) Na construção de um boxplot, podemos representar no eixo vertical os níveis da 
variável qualitativa e no eixo horizontal, os valores da variável quantitativa. Nesse caso, 
a visualização da variação dos dados da variável quantitativa é exibida 
horizontalmente, e os níveis (classes) da variável qualitativa são exibidos 
verticalmente. 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
7)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 da computação, 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: 
 
8) 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. 
I. 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). 
II. 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). 
III. O segundo foco da avaliação é um problema de classificação, predizer o valor do limite 
(do crédito) do cartão. 
IV. 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: 
 
 
 
9) 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: 
 
 
10) 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.