ESTATÍSTICA APLICADA AO DATA SCIENCE - ATIVIDADE 2 (A2)

Prévia do material em texto

• Pergunta 1 
1 em 1 pontos 
 
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: 
 
 
 
Resposta Selecionada: 
I, II, III e IV. 
 
 
Resposta Correta: 
I, II, III e IV. 
 
 
Feedback 
da resposta: 
Resposta correta. Todas as asserções desta questão são verdadeiras. Para 
os dados analisados, probabilidade da inadimplência cresce com o aumento 
dos gastos médios com o cartão de crédito e com o aumento da renda média 
mensal das pessoas. 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. E o modelo de 
regressão logística múltipla é um modelo preditivo, um classificador 
probabilístico. 
 
 
• Pergunta 2 
1 em 1 pontos 
 
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 Selecionada: 
7% e 27%. 
 
 
 
 
Resposta Correta: 
7% e 27%. 
 
 
 
 
Feedback da 
resposta: 
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. 
 
 
• Pergunta 3 
1 em 1 pontos 
 
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 Selecionada: 
I, II, III e IV. 
 
 
 
Resposta Correta: 
I, II, III e IV. 
 
 
 
 
Feedback 
da 
resposta: 
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 ). 
 
• Pergunta 4 
1 em 1 pontos 
 
A amostra relativa aos dados de inadimplência com cartões tinha 200 observações de 4 variáveis: a renda 
mensal da pessoa (R$), seu gasto médio com cartão de crédito (R$), se a pessoa tinha um emprego estável 
(Sim ou Não) e se a pessoa havia, ao longo do período pesquisado, ficado inadimplente com o pagamento 
de faturas do cartão ao menos uma vez (Sim ou Não). 
Reflita sobre esse caso, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) 
Falsa(s). 
 
1. ( ) Todos os dados fornecidos pelo gerente do banco à jovem cientista de dados são dados relativos a 
variáveis quantitativas. 
2. ( ) Todos os dados fornecidos pelo gerente do banco à jovem cientista de dados são dados relativos a 
variáveis qualitativas. 
3. ( ) Dentre os dados fornecidos pelo gerente do banco à jovem cientista de dados, dois são relativos a uma 
variável quantitativa e dois são relativos a variáveis qualitativas. 
4. ( ) Dentre os dados fornecidos pelo gerente do banco à jovem cientista de dados, um é relativo a uma 
variável quantitativa e os outros são relativos a variáveis qualitativas. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
 
Resposta Selecionada: 
F, F, V, F. 
 
 
 
Resposta Correta: 
F, F, V, F. 
 
 
 
Feedback 
da resposta: 
Resposta correta. Dentre os dados fornecidos pelo gerente do banco à jovem 
cientista de dados, dois são quantitativos, a renda mensal da pessoa (R$) e 
seu gasto médio com cartão de crédito (R$), e dois são qualitativos, se a 
pessoa tinha emprego estável (Sim ou Não) e se a pessoa havia, ao longo do 
período pesquisado, ficado inadimplente com o pagamento de faturas do 
cartão ao menos uma vez (Sim ou Não). 
 
 
• Pergunta 5 
1 em 1 pontos 
 
Entre as técnicas das quais lançou mão para a visualização dos dados da amostra, uma jovem cientista de 
dados usou gráficos de dispersão. Como cientista de dados, ela sabia exatamente em que situações 
empregar gráficos de dispersão. 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. ( ) Gráficos de dispersão, em inglês chamados de scatter plots, só podem ser usados para a visualização de 
uma única variável, a qual deve ser obrigatoriamente uma variável qualitativa. 
2. ( ) Gráficos de dispersão são usados para a visualização da relação entre duas variáveis quantitativas, em 
que os dados das duas variáveis são plotados aos pares. Permite, dessa forma, a verificaçãovisual, pelo 
estatístico ou pelo cientista de dados, se há uma tendência de uma variável aumentar quando a outra 
aumenta, diminuir quando a outra diminui, ou se não há uma relação aparente entre as duas. 
3. ( ) Um gráfico de dispersão foi usado para exibir, em pares, a relação entre o valor do imóvel e a sua área. 
Esse tipo de gráfico é chamado, em inglês, de scatter plot. 
4. ( ) Um gráfico de dispersão foi usado para exibir, em pares, a relação entre o valor do imóvel e o seu andar. 
Esse tipo de gráfico é chamado, em inglês, de scatter plot. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
 
Resposta Selecionada: 
F, V, V, V. 
Resposta Correta: 
F, V, V, V. 
Feedback 
da resposta: 
Resposta correta. A única asserção falsa é a que afirma que gráficos de 
dispersão só podem ser usados para a visualização de uma única variável, a 
qual deve ser obrigatoriamente uma variável qualitativa. É correto dizer que 
são usados para a visualização da relação entre duas variáveis quantitativas, 
permitindo a verificação visual de tendência de uma variável aumentar quando 
a outra aumenta, diminuir quando a outra aumenta, ou se não há uma relação 
aparente entre as duas. Sendo assim, puderam ser usados para exibir, em 
pares, a relação entre o valor do imóvel e a sua área e o valor do imóvel e o 
seu andar. 
 
 
• Pergunta 6 
1 em 1 pontos 
 
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 Selecionada: 
II e III, apenas. 
Resposta Correta: 
II e III, apenas. 
 
Feedback da 
resposta: 
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. 
 
• Pergunta 7 
1 em 1 pontos 
 
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. 
 
1. 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. 
2. Especificamente na aprendizagem supervisionada, também denominamos uma variável resposta de variável 
de saída ou variável dependente. 
3. Especificamente na aprendizagem supervisionada, também denominamos uma variável de entrada de 
variável regressora, variável preditora ou variável independente. 
4. 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. 
 
 
 
Está correto o que se afirma em: 
 
 
Resposta Selecionada: 
I, II, III e IV. 
Resposta Correta: 
I, II, III e IV. 
Feedback 
da resposta: 
Resposta correta. 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; na aprendizagem supervisionada, também chamamos 
a variável resposta de variável de saída ou variável dependente e as variáveis 
de entrada, de variáveis regressoras, preditoras ou independentes. 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. 
 
 
• Pergunta 8 
1 em 1 pontos 
 
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. 
 
4. 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 Selecionada: 
II, III e IV, apenas. 
Resposta Correta: 
II, III e IV, apenas. 
Feedback 
da resposta: 
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. 
 
 
• Pergunta 9 
1 em 1 pontos 
 
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. 
 
4. Regressão logística é o único método de aprendizagem supervisionada que é utilizado para classificação, 
todos outros métodos são métodos de regressão. 
5. 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. 
6. 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). 
7. 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 Selecionada: 
II, III e IV, apenas. 
 
 
 
Resposta Correta: 
II, III e IV, apenas. 
 
 
 
 
Feedback da 
resposta: 
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. 
 
• Pergunta 10 
1 em 1 pontos 
 
A jovem cientista de dados, tendo em mãos os dados que lhe foram passados pelo gerente do banco,precisou denominá-los corretamente para a fase de treino (ajuste) do algoritmo preditivo. Ela escolheu a 
regressão logística como seu algoritmo preditivo, para classificar o potencial (a probabilidade) de uma 
pessoa ficar ou não inadimplente com o pagamento das faturas do cartão de crédito. 
 
Analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
0. ( ) A jovem cientista de dados escolheu como variável resposta a renda mensal da pessoa, e tratou as 
demais variáveis como variáveis de entrada. 
1. ( ) A jovem cientista de dados escolheu o gasto médio mensal da pessoa com cartão de crédito como a 
variável resposta, e tratou as demais como variáveis de entrada. 
2. ( ) A jovem cientista de dados não definiu qualquer das quatro variáveis como a variável resposta, e decidiu 
realizar uma análise baseada em aprendizagem não supervisionada. 
3. ( ) A jovem cientista de dados escolheu como variável resposta se a pessoa havia, ao longo do período 
pesquisado, ficado inadimplente com o pagamento das faturas do cartão ao menos uma vez (Sim ou Não), e 
tratou as demais variáveis como variáveis de entrada. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
 
Resposta Selecionada: 
F, F, F, V. 
Resposta Correta: 
F, F, F, V. 
Feedback da 
resposta: 
Resposta correta. A jovem cientista de dados escolheu como variável resposta 
se a pessoa havia, ao longo do período pesquisado, ficado inadimplente com 
o pagamento das faturas do cartão ao menos uma vez (Sim ou Não), e tratou 
as demais variáveis como variáveis de entrada.