Atividade 04

Prévia do material em texto

Informações do teste 
Descrição 
Instruções 
Várias tentativas Não permitido. Este teste só pode ser feito uma 
vez. 
Forçar conclusão Este teste pode ser salvo e retomado 
posteriormente. 
 Estado de Conclusão da Pergunta: 
1 2 3 4 5 6 7 8 9 10 
PERGUNTA 1 
1. 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 
2. 
 
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. 
 
 
 
 F, V, V, V. 
 
 F, V, V, F. 
 
 F, F, V, V. 
 
 V, V, V, F. 
 
 F, V, F, V. 
1 pontos 
PERGUNTA 2 
1. Em uma análise de agrupamento examinamos os dados observados (as linhas da tabela com 
os dados) e procuramos identificar, através de algum critério de similaridade, aquelas que 
estão mais próximas entre si, e formamos grupos com essas observações similares. Quando 
são apenas 2 variáveis e poucas observações (tamanho da amostra pequeno), por exemplo 
10, podemos tentar fazer o agrupamento visualmente. 
 
Analise a figura adiante e assinale a alternativa que indica a menor quantidade de grupos que 
você naturalmente formaria para este caso: 
 
Figura - Massa corporal (kg) versus comprimento (m) dos animais 
Fonte: Elaborada pelo autor 
 
 
 Quatro grupos, um com 5 indivíduos, dois com 1 indivíduo cada, e um com 4 
indivíduos. 
 
 Três grupos, um com 5 indivíduos, um com 1 indivíduo, e um com 4 
indivíduos. 
 
 Dois grupos, um com 1 indivíduo e um com 9 indivíduos. 
 
 Dois grupos com 5 indivíduos cada. 
 
 Dois grupos, um com 6 indivíduos e outro com 4 indivíduos. 
1 pontos 
PERGUNTA 3 
1. 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. 
 
 
 
 
 I, II, III e IV. 
 
 I, III e IV, apenas. 
 
 I, II e IV, apenas. 
 
 
 
 II e III, apenas. 
 
 II, III e IV, apenas. 
1 pontos 
PERGUNTA 4 
1. 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. 
 
 As asserções I e II são proposições verdadeiras, e a II é uma justificativa 
correta da I. 
 
 A asserção I é uma proposição verdadeira e a asserção II é uma proposição 
falsa. 
 
 A asserção I é uma proposição falsa, e a II é uma proposição verdadeira. 
 
 As asserções I e II são proposições falsas. 
 
 As asserções I e II são proposições verdadeiras, mas a II não é uma 
justificativa correta da I. 
1 pontos 
PERGUNTA 5 
1. 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. 
 
 F, F, F, F. 
 
 V, V, F, F. 
 
 V, V, F, V. 
 
 V, V, V, V. 
 
 F, V, F, V. 
1 pontos 
PERGUNTA 6 
1. 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): 
 
 I, II e IV apenas. 
 
 II e III apenas; 
 
 I, II e III apenas; 
 
 I e II apenas; 
 
 II, III e IV apenas; 
1 pontos 
PERGUNTA 7 
1. A estatística, a ciência da computação, a mineração de dados e a ciência dos dados são áreas 
correlacionadas. Dentre essas, a mais antiga é a estatística, seguida da ciência da 
computação, depois da mineração de dados, e finalmente da ciência dos dados, a mais nova 
dessas quatro áreas de conhecimento. 
 
Com referência ao relacionamento entre essas quatro áreas de conhecimento humano, analise 
as afirmativas a seguir: 
 
I. Algoritmos de machine learning nasceram na ciência da computação. Hoje são usados na 
estatística, na mineração de dados e na ciência dos dados. 
II. Dentre as diversas áreas citadas, é a estatística que possui os melhores fundamentos para a 
interpretação de fenômenos aleatórios. 
III. A estatística é considerada a mais sutil, e a mais ampla, quando nos referimos a análise de 
dados. É aplicada a todas áreas de atividade humana. 
IV. Sabemos que, na ciência dos dados, podem-se utilizar de muitos termos diferentes, 
herdados das outras áreas, para se referir a um mesmo conceito. 
 
 
 
 II e III apenas. 
 
 I, II e IV apenas. 
 
 I, II e III apenas. 
 
 I, III e IV apenas. 
 
 I, II, III e IV. 
1 pontos 
PERGUNTA 8 
1. Quando acontece de haver várias variáveis quantitativas em uma determinada amostra de 
dados, é comum a realização da análise da (possível) relação entre essas variáveis por meio 
do cálculo de suas correlações. Neste caso, o cálculo de suas correlações sempre é feito de 
duas em duas variáveis. Comumente, também se apresenta a correlação de cada variável com 
ela mesma, o que sempre resulta em uma correlação perfeita, igual a 1. 
 
A tabela adiante mostra o resultado do cálculo das correlações entre 5 variáveis quantitativas 
de uma determinada amostra. 
 
 x1 x2 x3 x4 x5 
x1 1,00 - 0,85 - 0,78 - 0,87 0,42 
x2 - 0,85 1,00 0,79 0,89 - 0,43 
x3 - 0,78 0,79 1,00 0,66 - 0,71 
x4 - 0,87 0,89 0,66 1,00 - 0,17 
x5 0,42 - 0,43 - 0,71 - 0,17 1,00 
2. 
 
Quadro: Correlações cruzadas entre as variáveis quantitativas x1, x2, x3, x4 e x5 
Fonte: Elaborado pelo autor. 
 
Com respeito a essa tabela de correlações, analise as afirmativas a seguir e assinale V para 
a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) Os valores 1,00 apenas indicam a correlação perfeita que existe entre uma variável e ela 
mesma, uma informação de pouco valor prático. 
II. ( ) A maior correlação positiva é aquela entre as variáveis x2 e x4, no valor de 0,89, que 
indica uma forte associação entre essas duas variáveis, e que uma aumenta com um aumento 
da outra. 
III. ( ) A maior (em valor absoluto) correlação negativa é aquela entre as variáveis x1 e x4, no 
valor de - 0,87, que indica uma forte associação entre essas duas variáveis, e que uma diminui 
quanto a outra aumenta. 
IV. ( ) A menor (em valor absoluto) correlação negativa é aquela entre as variáveis x4 e x5, no 
valor de - 0,17, que indica uma fraca associação entre essas duas variáveis, e que uma diminui 
quando a outra aumenta. 
 
 F, F, F, F. 
 
 F, V, V, F. 
 
 F, F, V, V. 
 
 V, F, F, V. 
 
 V, V, V, V. 
1 pontos 
PERGUNTA 9 
1. O texto em referência fornece os seguintes exemplos de agrupamento: análise de perfil de 
usuários e perfil de itens para sistemas de recomendação; análise de padrões de 
comportamento de multidões; identificação de grupos de risco para empresas seguradoras; 
análise de emoções em redes sociais; reconhecimento de padrões em imagens de satélites ou 
imagens médicas; análise de padrões em cliques em páginas da internet, etc. 
 
SILVA, L. A. da; PERES, S. M.; BOSCARIOLI, C. Introdução à mineração de dados : com 
aplicações em R. Rio de Janeiro: Elsevier, 2016, p.146. 
A respeito dos campos de aplicação da análise de agrupamento, analise as afirmativas a seguir 
e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) A análise de emoções por meio de agrupamento pode servir ao propósito de averiguar o 
índice de aceitação de um candidato a um cargo eletivo público por região. 
II. ( ) O reconhecimento de padrões em imagens de satélites pode servir ao propósito de 
averiguar regiões com processos acelerados de desertificação. 
III. ( ) A identificação de grupos de risco para empresas seguradoras pode servir ao propósito 
de precificação correta do valor do seguro para cada grupo de risco. 
IV. ( ) A análise de padrões em cliques em páginas da internet pode servir ao propósito de 
identificar a procura de páginas da web por cada bairro de um município. 
 
 F, V, V, F. 
 
 V, V, V, F. 
 
 V, V, F, F. 
 
 V, F, F, V. 
 
 V, V, V, V. 
1 pontos 
PERGUNTA 10 
1. O Margareth H. Duham, em seu livro Data Mining - Introductory and Advanced Topics, informa 
que tarefas de agrupamento, ou clustering em inglês, vêm sendo aplicadas em muitos 
domínios, incluindo a biologia, a medicina, a antropologia, o marketing e a economia. 
 
DUHAM, Margareth H. Data mining : introductory and advanced topics. Upper Saddle River 
(NJ): Pearson Education, 2003, p.126. 
 
A respeito desses domínios de aplicação de tarefas de agrupamento, analise as afirmativas a 
seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) Observar diferentes características de doenças em vários pacientes, e depois formar 
diferentes grupos de pacientes - por similaridade das características de suas doenças - é uma 
tarefa de agrupamento. 
II. ( ) Observar diferentes hábitos de consumo em várias milhares de pessoas, e depois formar 
grupos de pessoas - por similaridade de seus hábitos de consumo - é uma tarefa de 
agrupamento. 
III. ( ) Observar diferentes características das linguagens faladas por membros de aldeias 
remotas, e depois formar grupos de linguagens - por similaridades das características das 
linguagens - é uma tarefa de agrupamento. 
IV. ( ) Observar diferentes característica de insetos em diversos biomas, e depois formar 
grupos de insetos - por similaridade de suas características - é uma tarefa de agrupamento. 
 
 
 F, V, V, F. 
 
 V, V, V, V. 
 
 V, V, V, F. 
 
 V, V, F, F. 
 
 V, V, F, V. 
 
Todos exercícios já estão corrigidos.