atividade 01 data science

Prévia do material em texto

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?
R: Foram estudadas 3 (três) variáveis, Velocidade da máquina, layout e números 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?
R: X1, variável velocidade da máquina é uma variável quantitativa com unidade de medida de rotação por minutos ou (rpm); X2, layout é uma variável qualitativa de dois níveis ou duas classes (antiga e nova); X3, números de funcionários é uma variável quantitativa porem está como uma variável qualitativa de duas classes ou dois níveis por estabelecer um parâmetro de classificação igual ao layout, ondem sua variável é demonstrada pela quantidade atual ou uma quantidade maior a atual usada para operar as máquinas.
3) Como pode esse modelo de regressão linear múltipla ser usado para fazer predição de volume de produção de cada linha da fábrica?
R: Esse modelo de regressão linear múltipla por ser utilizado para predição de volume de produção pois cada variável usada tem como saída a quantidade de peça feitas por hora, então ao fazer as variações em cada variável ela resultará em x peças feitas por hora e isso pode prever em qualquer umas das variáveis uma quantidade de peça feita devido a alteração realizada.
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).
R: Uma Lanchonete queria saber qual a quantidade máxima de Hotdogs ela poderia produzir em uma hora. Então o dono pediu para o gerente fazer esse cálculo pois ele tinha recebido uma proposta de vender X Hotdogs dia para uma empresa de fastfood, o gerente então começou a observar o tempo para cada ingrediente ficar pronto e o tempo que levava para passar de um processo para o outro. Após essa primeira analise ele identificou o processo e suas variáveis, sendo elas o X1 tempo para transformar a matéria prima em ingredientes do Hotdog (preparar e temperar os ingredientes usados no Hotdog) e usou a unidade de medida minutos por hora (m/h), o X2 tempo de preparo de cada ingrediente (assar e cozinhar os ingredientes do Hotdog) e também usou a unidade de medida minutos por hora (m/h), X3 Tempo de montagem e embalagem dos Hotdogs e aqui também usou a unidade de medida minutos por hora (m/h), tendo como resposta o Y a quantidade de Hotdogs produzidos por hora, tendo como unidade de medida o Hotdog por hora (H/h). Como todas as variáveis são quantitativas foi bem fácil de criar o algoritmo para prever se ele conseguiria ou não fabricar a quantidade de Hotdogs solicitadas ou se teria que fazer alguma alteração na quantidade de funcionários ou só mexer na forma de como era produzido o Hotdog.
image1.png
image2.png
image3.png