Estatistica Aplicada ao Data Science - Atividade 04

Prévia do material em texto

• Pergunta 1 
1 em 1 pontos 
 
A escolha de grupos formados por um algoritmo de agrupamento hierárquico pode ser feita por meio 
da leitura do dendrograma resultante. Escolhe-se a altura (Height) desejada, se traça uma linha 
horizontal a partir dessa altura, que cruzará com as linhas verticais dos grupos formados nesta altura. 
O cientista de dados decide se esses grupos são adequados para a sua análise. 
 
Veja, por exemplo, a figura abaixo. 
 
 
 
Figura - Dendrograma do agrupamento de oito estados 
Fonte: Elaborada pelo autor 
Com respeito da leitura deste dendrograma, analise as afirmativas a seguir e assinale V 
para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. ( ) A altura 4 cruza com duas linhas verticais, que indicam dois grupos, o primeiro deles formado 
pelos estados {Connecticut, Delaware}, e o segundo deles formado pelos estados {Colorado, Arizona, 
California, Alaska, Alabama, Arkansas}. 
II. ( ) A altura 4 cruza com três linhas verticais, que indicam três grupos, o primeiro deles formado pelos 
estados {Connecticut, Delaware}, o segundo deles formado pelos estados {Colorado, Arizona, 
California}, e o terceiro deles formado pelos estados {Alaska, Alabama, Arkansas}. 
III. ( ) A altura 3 cruza com duas linhas verticais, que indicam dois grupos, o primeiro deles formado 
pelos estados {Connecticut, Delaware}, e o segundo deles formado pelos estados {Colorado, Arizona, 
California, Alaska, Alabama, Arkansas}. 
IV. ( ) A altura 3 cruza com três linhas verticais, que indicam três grupos, o primeiro deles formado 
pelos estados {Connecticut, Delaware}, o segundo deles formado pelos estados {Colorado, Arizona, 
California}, e o terceiro deles formado pelos estados {Alaska, Alabama, Arkansas}. 
 
 
Resposta Selecionada: 
V, F, F, V. 
Resposta Correta: 
V, F, F, V. 
 
Feedback 
da resposta: 
Resposta correta. A sequência está correta. A altura 4 cruza com duas 
linhas verticais, que indicam dois grupos, o primeiro deles formado pelos 
estados {Connecticut, Delaware}, e o segundo deles formado pelos 
estados {Colorado, Arizona, California, Alaska, Alabama, Arkansas}. A 
altura 3 cruza com três linhas verticais, que indicam três grupos, o 
primeiro deles formado pelos estados {Connecticut, Delaware}, o segundo 
deles formado pelos estados {Colorado, Arizona, California}, e o terceiro 
deles formado pelos estados {Alaska, Alabama, Arkansas}. 
 
• Pergunta 2 
1 em 1 pontos 
 
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 
 
 
Resposta Selecionada: 
Dois grupos, um com 6 indivíduos e outro com 4 indivíduos. 
Resposta Correta: 
Dois grupos, um com 6 indivíduos e outro com 4 indivíduos. 
Feedback 
da resposta: 
Resposta correta. A alternativa está correta. A questão solicita a 
alternativa com o menor número de grupos que você naturalmente 
 
formaria. Há três alternativas com dois grupos, porém aquela que parece 
ser a mais natural é a que agrupa 6 indivíduos do lado esquerdo do 
gráfico e 4 indivíduos do lado direito, pois as outras alternativas com dois 
grupos não são tão naturais quanto essa opção. 
 
• Pergunta 3 
1 em 1 pontos 
 
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. 
 
 
 
Resposta Selecionada: 
I, II, III e IV. 
Resposta Correta: 
I, II, III e IV. 
Feedback 
da resposta: 
Resposta correta. A alternativa está correta, pois algoritmos de machine 
learning nasceram na ciência da computação e hoje são usados na 
estatística, na mineração de dados e na ciência dos dados. De fato, é a 
estatística que possui os melhores fundamentos para a interpretação de 
fenômenos aleatórios, e é considerada a mais sutil, e a mais ampla, 
quando nos referimos a análise de dados. Já há muitos anos é aplicada 
a todas áreas de atividade humana. Por outro lado, também sabemos 
que, na ciência dos dados, podem-se utilizar de muitos termos 
diferentes, herdados das outras áreas, para se referir a um mesmo 
conceito. 
 
 
• Pergunta 4 
1 em 1 pontos 
 
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): 
Resposta Selecionada: 
I e II apenas; 
Resposta Correta: 
I e II apenas; 
Feedback 
da 
resposta: 
Resposta correta. A alternativa está correta, pois machine learning são 
algoritmos desenvolvidos, principalmente, pela ciência da computação, 
e são usados na estatística, na ciência de dados e na mineração de 
dados, e 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. Também sabemos que a mineração de dados e 
ciência de dados são áreas relacionadas, e que é importante conhecer o 
ambiente em que os dados são produzidos e que tipo de conhecimento 
esse ambiente necessita e espera receber. 
 
 
• Pergunta 5 
1 em 1 pontos 
 
Leia o excerto a seguir sobre as ideias-chave para agrupamento hierárquico: 
 
“Começa com todos os registros. Progressivamente, os grupos são unidos aos grupos próximosaté 
que todos os registros pertençam a um único grupo. O histórico de aglomeração é retido e plotado, e 
o usuário pode visualizar o número e a estrutura dos grupos em diferentes estágios. As distâncias 
intergrupos são calculadas de jeitos diferentes, todas baseadas no conjunto de distância inter-
registros.” 
 
BRUCE, Peter; BRUCE, Andrew. Estatística prática para cientistas de dados : 50 conceitos 
iniciais. Rio de Janeiro: Alta Books, 2019, p. 278. 
 A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas. 
 
I. No agrupamento hierárquico, o usuário deve obrigatoriamente especificar o número de grupos que 
deseja ver o algoritmo formar. 
Pois 
II. O algoritmo começa com grupos formados por registros individuais e, progressivamente, os grupos 
são unidos aos grupos mais próximos, até que todos os registros pertençam a um único grupo. 
 
 
Resposta 
Selecionada: 
 
A asserção I é uma proposição falsa, e a II é uma proposição 
verdadeira. 
Resposta Correta: 
A asserção I é uma proposição falsa, e a II é uma proposição 
verdadeira. 
Feedback 
da 
resposta: 
Resposta correta. A alternativa está correta, pois no agrupamento 
hierárquico, diferentemente do que se requer para o agrupamento por k-
médias, o usuário não especifica o número de grupos que o algoritmo 
deve formar. Em estágios progressivos, se parte de tantos grupos 
quanto o número de registros (observações) do conjunto de dados, 
formam-se sequencialmente vários agrupamentos, por fusão entre 
grupos mais similares entre si, até se formar um único grupo, ao final, 
com todos os registro do conjunto de dados analisado. Ao usuário cabe 
examinar essa estrutura, e decidir que agrupamentos fazem mais 
sentido para a sua análise. 
 
 
• Pergunta 6 
1 em 1 pontos 
 
Na estatística ou, genericamente, na análise de dados, muito frequentemente analisamos dados ditos 
retangulares ou estruturados, onde as variáveis - quantitativas ou qualitativas - são dispostas nas 
colunas e as observações na linhas de uma tabela. Em algumas situações é vantajoso se fazer a 
padronização das variáveis quantitativas. 
 
Assinale a alternativa correta relativamente ao assunto de padronização de variáveis quantitativas na 
estatística: 
 
 
 
Resposta 
Selecionada: 
 
Na padronização, se subtrai de cada variável sua média, e depois 
se divide o resultado pelo seu desvio padrão. 
Resposta Correta: 
Na padronização, se subtrai de cada variável sua média, e depois 
se divide o resultado pelo seu desvio padrão. 
Feedback 
da resposta: 
Resposta correta. A alternativa está correta. Na estatística, assim como 
nas suas ciências correlatas, como a ciência dos dados e a mineração 
de dados, a padronização de uma variável quantitativa é feita 
subtraindo-se dessa variável a sua média e depois dividindo-se o 
resultado pelo seu desvio padrão. 
 
 
• Pergunta 7 
1 em 1 pontos 
 
Os métodos de aprendizagem estatística (statistical learning, em inglês) são divididos em métodos de 
aprendizagem supervisionada e métodos de aprendizagem não supervisionada. Para cada uma 
dessas diferentes abordagens, há uma coleção relativamente grande de diferentes métodos, cada 
um com seu próprio jeito de funcionamento. 
 
 
Assinale a alternativa que indica um problema de aprendizagem não supervisionada: 
 
 
Resposta 
Selecionada: 
 
Desejamos entender se há similaridade entre observações 
(indivíduos) de uma certa amostra de dados. 
Resposta Correta: 
Desejamos entender se há similaridade entre observações 
(indivíduos) de uma certa amostra de dados. 
Feedback 
da 
resposta: 
Resposta correta. A alternativa está correta, pois entender se há 
similaridade entre observações (indivíduos) de uma amostra é o mesmo 
que tentar agrupar os indivíduos similares, o que é um problema de 
aprendizagem não supervisionada. Todos os demais problemas 
propostos são problemas de aprendizagem supervisionada, em que há 
uma variável resposta supervisora, quantitativa ou qualitativa, para o 
treinamento do algoritmo preditivo. 
 
 
• Pergunta 8 
1 em 1 pontos 
 
 Depois que formamos grupos de observações de um conjunto de dados (amostra), por meio de um 
algoritmo de agrupamento, podemos dar nomes aos mesmos, e cada indivíduo de cada grupo será 
classificado de acordo com esse nome. O ser humano faz isso com naturalidade, primeiro agrupar e, 
depois de formados os grupos, dar nomes aos grupos. Por exemplo, animais vertebrados ou 
invertebrados, carros ou aviões, homens ou mulheres. 
 
A partir do apresentado, analise as asserções a seguir e a relação proposta entre elas. e assinale a 
alternativa correta: 
 
I. Ao usarmos de algoritmos de agrupamento, depois que formados e nomeados (classificados) os 
grupos de observações resultantes do algoritmo, não é possível usar essas classes como variáveis 
respostas e, a partir desse ponto, executar tarefas preditivas com algoritmos de classificação. 
Pois 
II. Algoritmos de agrupamento fazem parte dos métodos da chamada aprendizagem não 
supervisionada. Não são modelos preditivos. 
 
 
Resposta 
Selecionada: 
 
A asserção I é uma proposição falsa, e a II é uma proposição 
verdadeira. 
Resposta Correta: 
A asserção I é uma proposição falsa, e a II é uma proposição 
verdadeira. 
Feedback 
da 
resposta: 
Resposta correta. A alternativa está correta, pois mesmo que algoritmos 
de agrupamento sejam parte dos métodos da aprendizagem não 
supervisionada, e não serem modelos preditivos, como afirmado na 
asserção II, depois que formamos e nomeamos os grupos 
(classificamos os grupos), podemos usar essas classes como variáveis 
 
respostas e, a partir desse ponto, executar tarefas preditivas com 
algoritmos de classificação. Ou seja, a asserção I é falsa. 
 
• Pergunta 9 
1 em 1 pontos 
 
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 
 
 
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. 
 
Resposta Selecionada: 
V, V, V, F. 
Resposta Correta: 
V, V, V, F. 
Feedback 
da resposta: 
Resposta correta. A sequência está correta. Todas correlações são 
positivas, indicando que, para todas variáveis quantitativas dessa 
amostra, quando uma aumenta, a outra também aumenta. Uma 
correlação igual a 1 entre uma variável e ela mesma apenas indica uma 
correlação perfeita dela com ela mesma. A maior correlação positiva 
entre essas variáveis é aquela entre Murder e Assault, cujo valor é de 
0,80. E, finalmente, a segunda maior correlação positiva entre essas 
variáveis é aquela entre Rape e Assault, mas o valor é 0,67 e não 0,56, 
que se refere à correlação entre as variáveis Murder e Rape. 
 
 
• Pergunta 10 
1 em 1 pontos 
 
Quando os dados se referem a múltiplas variáveis quantitativas, é possível exibir múltiplos gráficosde dispersão entre pares dessas variáveis, duas a duas. No software estatístico R, isto pode ser feito 
com a função gráfica pairs(). Adiante apresentamos um output típico da função pairs() quando 
aplicada a quatro variáveis quantitativas de um determinado conjunto de dados. 
 
 
 
 
Figura 4: Múltiplos gráficos de dispersão entre as variáveis de USArrest 
Fonte: Elaborada pelo autor. 
 
A respeito deste output típico da função gráfica pairs() do software estatístico R, para a exibição de 
múltiplos gráficos de dispersão entre variáveis quantitativas, analise as afirmativas a seguir e 
assinale V para a(s) Verdadeira(s) e 
F para a(s) Falsa(s). 
 
I. ( ) O gráfico de y = Murder versus x = Assault mostra uma tendência de aumento de Murder para 
um aumento de Assault. 
II. ( ) O gráfico de y = Murder versus x = UrbanPop mostra uma grande dispersão dos pontos sem 
uma tendência clara de subida ou descida. 
III. ( ) O gráfico de y = Murder versus x = Rape mostra uma tendência de aumento de Murder para 
um aumento de Assault, porém com uma dispersão dos pontos um pouco maior que para o caso de 
y = Murder versus x = Assault. 
IV. ( ) Como são quatro variáveis quantitativas (Murder, Assault, UrbanPop e Rape), então ao total 
são 12 gráficos de dispersão, de cada uma delas contra as outras três. 
Resposta Selecionada: 
V, V, V, V. 
 
Resposta Correta: 
V, V, V, V. 
 
Feedback 
da resposta: 
Resposta correta. A sequência está correta. O gráfico de y = Murder 
versus x = Assault de fato mostra uma tendência de aumento de Murder 
para um aumento de Assault, assim como gráfico de y = Murder versus 
x = UrbanPop mostra uma grande dispersão dos pontos sem uma 
tendência clara de subida ou descida. O gráfico de y = Murder versus x 
 
= Rape mostra uma tendência de aumento de Murder para um 
aumento de Assault, porém com uma dispersão dos pontos um pouco 
maior que para o caso de y = Murder versus x = Assault e, como são 
quatro variáveis quantitativas, então ao total são 12 gráficos de 
dispersão, de cada uma delas contra as outras três.