Logo Passei Direto
Buscar

ATIVIDADE 2 - ESTATISTICA APLICADA AO DATA SCIENC

Ferramentas de estudo

Questões resolvidas

O ser humano tem enorme facilidade em agrupar, por similaridade, e classificar coisas, todos os tipos de coisas. Por conta disso, problemas de classificação são muito frequentes no mundo, mais frequentes que problemas de regressão. Fornecemos alguns exemplos de aplicação de métodos de classificação no mundo dos negócios.
Dentre esses exemplos, encontramos:
1. a Netflix usa classificadores para recomendar filmes. Para a Netflix, o valor desse tipo de aplicação é que, quanto mais filmes assistirmos, maior será a sua receita;
2. o Facebook usa classificadores para recomendar novas amizades para a nossa rede de relacionamento. Para o Facebook, o valor desse tipo de aplicação é que, quanto maior nossa rede de relacionamento, maior será a sua receita;
3. um banco de varejo usa classificadores para detectar se uma operação com cartão de débito ou crédito é ou não uma operação fraudulenta. Para o banco, o valor dessa aplicação é que, quanto antes operações fraudulentas forem detectadas, mais rapidamente o banco pode agir para impedir perdas para seus clientes e para ele próprio;
4. uma concessionária de distribuição de energia elétrica usa classificadores para identificar casos potenciais de roubo de energia da rede, os famosos “gatos”. Para as concessionárias de distribuição de energia elétrica, o valor dessa aplicação é evitar prejuízo com o furto de energia da rede, além do relevante aspecto de prevenção de acidentes decorrentes de instalações clandestinas.
III e IV, apenas.
I, II, III e IV.

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.
1. 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.
2. 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.
3. Histogramas e diagramas de barras são formas tradicionais de visualização gráfica de dados quantitativos e qualitativos, respectivamente, na estatística e na ciência dos dados.
4. 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.
I e IV, apenas.
I, III e IV apenas.

Vimos que são muitos os algoritmos de classificação usados na estatística ou na ciência dos dados. Vimos também que podem ser divididos entre classificadores determinísticos ou probabilísticos, em que, dentre estes últimos, se encontra o modelo de regressão logística. Relativamente a modelos de regressão logística, que são aqui o nosso foco, analise as afirmativas a seguir.
1. Modelos de regressão logística são usados como modelos preditivos para casos em que a variável resposta é qualitativa, preferencialmente qualitativa dicotômica. As variáveis de entrada podem ser de qualquer tipo, quantitativas ou qualitativas.
2. Modelos de regressão logística são chamados de regressão logística simples, quando só há uma variável de entrada, também denominada de variável regressora, variável preditora ou variável independente.
3. Modelos de regressão logística são chamados de regressão logística múltipla, quando há mais do que uma variável de entrada, também denominadas de variáveis regressoras, variáveis preditoras ou variáveis independentes.
4. Modelos de regressão logística são classificadores probabilísticos. Por exemplo, para dados sintomas de um certo paciente, um modelo de regressão logística, depois de adequadamente treinado, fará a predição da probabilidade deste paciente estar ou não infectado com o vírus HIV.
II e III, apenas.
I, II, III e IV.

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.
II e IV, apenas.
II e IV, apenas.

Tarefas de classificação são muitos comuns na estatística e na ciência dos dados, por serem muito comuns em todas atividades humanas, na ciência, na vida social ou nos negócios. Especificamente, discutimos aplicações de modelos preditivos de classificação baseados em modelos de regressão logística simples ou múltipla.
Com isso em mente, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
1. Regressão logística pode ser empregada na predição do peso médio (massa corporal média) de uma pessoa em função de sua altura, idade e sexo.
2. Regressão logística pode ser empregada na predição do consumo médio de combustível de um carro em função da potência do seu motor e do seu peso.
3. Regressão logística pode ser empregada na predição da probabilidade de uma pessoa votar em um determinado candidato e não nos outros em função de sua escolaridade, idade, sexo e classe social.
4. Regressão logística pode ser empregada na predição da probabilidade de a pessoa ser diabética em função de um conjunto de sintomas clínicos que apresenta.
F, F, V, V.
F, F, V, V.

Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Questões resolvidas

O ser humano tem enorme facilidade em agrupar, por similaridade, e classificar coisas, todos os tipos de coisas. Por conta disso, problemas de classificação são muito frequentes no mundo, mais frequentes que problemas de regressão. Fornecemos alguns exemplos de aplicação de métodos de classificação no mundo dos negócios.
Dentre esses exemplos, encontramos:
1. a Netflix usa classificadores para recomendar filmes. Para a Netflix, o valor desse tipo de aplicação é que, quanto mais filmes assistirmos, maior será a sua receita;
2. o Facebook usa classificadores para recomendar novas amizades para a nossa rede de relacionamento. Para o Facebook, o valor desse tipo de aplicação é que, quanto maior nossa rede de relacionamento, maior será a sua receita;
3. um banco de varejo usa classificadores para detectar se uma operação com cartão de débito ou crédito é ou não uma operação fraudulenta. Para o banco, o valor dessa aplicação é que, quanto antes operações fraudulentas forem detectadas, mais rapidamente o banco pode agir para impedir perdas para seus clientes e para ele próprio;
4. uma concessionária de distribuição de energia elétrica usa classificadores para identificar casos potenciais de roubo de energia da rede, os famosos “gatos”. Para as concessionárias de distribuição de energia elétrica, o valor dessa aplicação é evitar prejuízo com o furto de energia da rede, além do relevante aspecto de prevenção de acidentes decorrentes de instalações clandestinas.
III e IV, apenas.
I, II, III e IV.

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.
1. 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.
2. 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.
3. Histogramas e diagramas de barras são formas tradicionais de visualização gráfica de dados quantitativos e qualitativos, respectivamente, na estatística e na ciência dos dados.
4. 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.
I e IV, apenas.
I, III e IV apenas.

Vimos que são muitos os algoritmos de classificação usados na estatística ou na ciência dos dados. Vimos também que podem ser divididos entre classificadores determinísticos ou probabilísticos, em que, dentre estes últimos, se encontra o modelo de regressão logística. Relativamente a modelos de regressão logística, que são aqui o nosso foco, analise as afirmativas a seguir.
1. Modelos de regressão logística são usados como modelos preditivos para casos em que a variável resposta é qualitativa, preferencialmente qualitativa dicotômica. As variáveis de entrada podem ser de qualquer tipo, quantitativas ou qualitativas.
2. Modelos de regressão logística são chamados de regressão logística simples, quando só há uma variável de entrada, também denominada de variável regressora, variável preditora ou variável independente.
3. Modelos de regressão logística são chamados de regressão logística múltipla, quando há mais do que uma variável de entrada, também denominadas de variáveis regressoras, variáveis preditoras ou variáveis independentes.
4. Modelos de regressão logística são classificadores probabilísticos. Por exemplo, para dados sintomas de um certo paciente, um modelo de regressão logística, depois de adequadamente treinado, fará a predição da probabilidade deste paciente estar ou não infectado com o vírus HIV.
II e III, apenas.
I, II, III e IV.

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.
II e IV, apenas.
II e IV, apenas.

Tarefas de classificação são muitos comuns na estatística e na ciência dos dados, por serem muito comuns em todas atividades humanas, na ciência, na vida social ou nos negócios. Especificamente, discutimos aplicações de modelos preditivos de classificação baseados em modelos de regressão logística simples ou múltipla.
Com isso em mente, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s).
1. Regressão logística pode ser empregada na predição do peso médio (massa corporal média) de uma pessoa em função de sua altura, idade e sexo.
2. Regressão logística pode ser empregada na predição do consumo médio de combustível de um carro em função da potência do seu motor e do seu peso.
3. Regressão logística pode ser empregada na predição da probabilidade de uma pessoa votar em um determinado candidato e não nos outros em função de sua escolaridade, idade, sexo e classe social.
4. Regressão logística pode ser empregada na predição da probabilidade de a pessoa ser diabética em função de um conjunto de sintomas clínicos que apresenta.
F, F, V, V.
F, F, V, V.

Prévia do material em texto

Pergunta 1
Resposta Selecionada: 
Resposta Correta: 
Comentário
da resposta:
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:
 
I, II, III e IV.
I, II, III e IV.
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 2
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:
 
1 em 1 pontos
0 em 1 pontos
Resposta Selecionada: 
Resposta Correta: 
Comentário
da resposta:
 
 
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:
 
 
III e IV, apenas.
II, III e IV, apenas.
Sua resposta está incorreta. 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 3
Resposta Selecionada: 
Resposta Correta: 
O ser humano tem enorme facilidade em agrupar, por similaridade, e classificar coisas,
todos os tipos de coisas. Por conta disso, problemas de classificação são muito frequentes
no mundo, mais frequentes que problemas de regressão. Fornecemos alguns exemplos de
aplicação de métodos de classificação no mundo dos negócios. Dentre esses exemplos,
encontramos:
 
1. a Netflix usa classificadores para recomendar filmes. Para a Netflix, o valor desse tipo
de aplicação é que, quanto mais filmes assistirmos, maior será a sua receita;
2. o Facebook usa classificadores para recomendar novas amizades para a nossa rede
de relacionamento. Para o Facebook, o valor desse tipo de aplicação é que, quanto
maior nossa rede de relacionamento, maior será a sua receita;
3. um banco de varejo usa classificadores para detectar se uma operação com cartão
de débito ou crédito é ou não uma operação fraudulenta. Para o banco, o valor dessa
aplicação é que, quanto antes operações fraudulentas forem detectadas, mais
rapidamente o banco pode agir para impedir perdas para seus clientes e para ele
próprio;
4. uma concessionária de distribuição de energia elétrica usa classificadores para
identificar casos potenciais de roubo de energia da rede, os famosos “gatos”. Para as
concessionárias de distribuição de energia elétrica, o valor dessa aplicação é evitar
prejuízo com o furto de energia da rede, além do relevante aspecto de prevenção de
acidentes decorrentes de instalações clandestinas.
 
Está correto o que se afirma em:
 
 
III e IV, apenas.
I, II, III e IV.
0 em 1 pontos
Comentário
da resposta:
Sua resposta está incorreta. Todos os exemplos listados nesta questão são problemas de
classificação, os quais, como dissemos no enunciado, são muito frequentes no mundo. Em
todos eles, a variável resposta é uma variável qualitativa, ou dicotômica, ou politômica. 
 
 
Pergunta 4
Resposta Selecionada:
 
Resposta Correta: 
Comentário
da resposta:
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.
 
1. 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.
2. 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.
 
 
3. Histogramas e diagramas de barras são formas tradicionais de visualização gráfica
de dados quantitativos e qualitativos, respectivamente, na estatística e na ciência dos
dados.
4. 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:
 
 
I e IV, apenas. 
 
 
 
 
I, III e IV apenas.
Sua resposta está incorreta. Histogramas e diagramas de barras são formas tradicionais de
visualização gráfica de dados quantitativos e qualitativos, respectivamente, na estatística e na
ciência dos dados, o que está coerente com o que declaram as asserções I e III, e a jovem
cientista de dados não lançou mão de diagramas de barras, neste caso, para visualizar os
dados qualitativos, mas poderia ter feito isso, se quisesse. Diagramas de barras são usados
para a visualização de dados qualitativos, não quantitativos.
Pergunta 5
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
0 em 1 pontos
1 em 1 pontos
Resposta Selecionada:
 
Resposta Correta:
 
Comentário
da resposta:
muito ricos, sugerindo uma série de explicações, aprendidas pelo algoritmo com base nos
dados fornecidos. Veja que dizemos “explicações sugeridas”, poisqualquer 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:
 
 
I, II, III e IV. 
 
 
I, II, III e IV.
 
 
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 6
Vimos que são muitos os algoritmos de classificação usados na estatística ou na ciência
dos dados. Vimos também que podem ser divididos entre classificadores determinísticos
ou probabilísticos, em que, dentre estes últimos, se encontra o modelo de regressão
logística. Relativamente a modelos de regressão logística, que são aqui o nosso foco,
analise as afirmativas a seguir.
 
1. Modelos de regressão logística são usados como modelos preditivos para casos em
que a variável resposta é qualitativa, preferencialmente qualitativa dicotômica. As
variáveis de entrada podem ser de qualquer tipo, quantitativas ou qualitativas.
2. Modelos de regressão logística são chamados de regressão logística simples,
quando só há uma variável de entrada, também denominada de variável regressora,
variável preditora ou variável independente.
3. Modelos de regressão logística são chamados de regressão logística múltipla,
quando há mais do que uma variável de entrada, também denominadas de variáveis
0 em 1 pontos
Resposta Selecionada: 
Resposta Correta:
 
Comentário
da resposta:
regressoras, variáveis preditoras ou variáveis independentes.
4. Modelos de regressão logística são classificadores probabilísticos. Por exemplo, para
dados sintomas de um certo paciente, um modelo de regressão logística, depois de
adequadamente treinado, fará a predição da probabilidade deste paciente estar ou
não infectado com o vírus HIV.
 
Está correto o que se afirma em:
 
 
II e III, apenas.
I, II, III e IV.
 
 
Sua resposta está incorreta. Modelos de regressão logística são usados quando a variável
resposta é qualitativa, preferencialmente qualitativa dicotômica. Regressão logística simples e
múltipla são, respectivamente, quanto só há uma ou há várias variáveis de entrada. Modelos de
regressão logística são classificadores probabilísticos. Ou seja, todas as asserções são
verdadeiras. 
 
Pergunta 7
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.
 
1 em 1 pontos
Resposta Selecionada: 
Resposta Correta: 
Comentário
da resposta:
 
 
 
Assinale a alternativa que apresenta a sequência correta.
 
 
V, V, V, V.
V, V, V, V.
Resposta correta. Todas asserções desta questão são verdadeiras. Dados qualitativos
dicotômicos são dados observados de variáveis qualitativas que podem assumir apenas dois
níveis. Dados qualitativos politômicos são aqueles oriundos de variáveis qualitativas que podem
assumir três ou mais níveis como seus valores. A função table() do R permite a contagem da
frequência de cada nível assumido por uma variável qualitativa em uma dada amostra. O
mosaicplot permite a visualização gráfica da relação entre duas variáveis qualitativas.
Pergunta 8
Resposta Selecionada: 
Resposta Correta: 
Comentário
1. 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).
2. 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).
3. O segundo foco da avaliação é um problema de classificação, predizer o valor do
limite (do crédito) do cartão.
4. O segundo foco da avaliação é um problema de regressão, predizer o valor do limite
(do crédito) do cartão.
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.
 
 
Está correto o que se afirma em:
 
 
II e IV, apenas.
II e IV, apenas.
1 em 1 pontos
da resposta: Resposta correta. 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); o segundo foco da avaliação é um problema de regressão,ou
seja, predizer o valor do limite (de crédito) do cartão a ser concedido para o cliente.
Esse valor é uma variável quantitativa, cuja predição é feita por algoritmos de
regressão.
Pergunta 9
Resposta Selecionada: 
Resposta Correta: 
Comentário
da resposta:
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). 
 
1. ( ) A jovem cientista de dados escolheu como variável resposta a renda mensal da
pessoa, e tratou as demais variáveis como variáveis de entrada.
2. ( ) 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.
3. ( ) 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.
4. ( ) 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.
 
 
F, F, F, V.
F, F, F, V.
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.
Pergunta 10
Tarefas de classificação são muitos comuns na estatística e na ciência dos dados, por
serem muito comuns em todas atividades humanas, na ciência, na vida social ou nos
negócios. 
Especificamente, discutimos aplicações de modelos preditivos de classificação baseados
em modelos de regressão logística simples ou múltipla. 
Com isso em mente, analise as afirmativas a seguir e assinale V para a(s) Verdadeira(s)
e Fpara a(s) Falsa(s). 
 
1. Regressão logística pode ser empregada na predição do peso médio (massa corporal
média) de uma pessoa em função de sua altura, idade e sexo.
1 em 1 pontos
1 em 1 pontos
Terça-feira, 6 de Abril de 2021 20h50min16s BRT
Resposta Selecionada: 
Resposta Correta: 
Comentário
da resposta:
2. Regressão logística pode ser empregada na predição do consumo médio de
combustível de um carro em função da potência do seu motor e do seu peso.
3. Regressão logística pode ser empregada na predição da probabilidade de uma
pessoa votar em um determinado candidato e não nos outros em função de sua
escolaridade, idade, sexo e classe social.
4. Regressão logística pode ser empregada na predição da probabilidade de a pessoa
ser diabética em função de um conjunto de sintomas clínicos que apresenta.
 
Assinale a alternativa que apresenta a sequência correta.
 
 
F, F, V, V.
F, F, V, V.
Resposta correta. As duas primeiras situações se referem à predição de variáveis resposta
quantitativas, o que não é possível com modelos de regressão logística; já as duas últimas
situações são adequadas ao emprego de modelos de regressão logística.

Mais conteúdos dessa disciplina