Atividade 2 - ESTATÍSTICA APLICADA AO DATA SCIENCE

Prévia do material em texto

• Pergunta 1 
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). 
 
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. 
 
 
 
Resposta Selecionada: 
F, F, F, V. 
Resposta Correta: 
F, F, F, V. 
Comentário 
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. 
 
 
• Pergunta 2 
1 em 1 pontos 
 
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. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
Resposta Selecionada: 
F, F, V, V. 
Resposta Correta: 
F, F, V, V. 
Comentário 
da resposta: 
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. 
 
 
• Pergunta 3 
1 em 1 pontos 
 
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. 
 
 
Está correto o que se afirma em: 
 
 
Resposta Selecionada: 
I, II, III e IV. 
 
 
Resposta Correta: 
I, II, III e IV. 
 
 
Comentário 
da resposta: 
Resposta correta. 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 4 
1 em 1 pontos 
 
Os dados cedidos pelo gerente do banco estavam bem organizados e livres 
de erros. A nossa jovem cientista de dados não precisou, portanto, fazer uma 
limpeza e pré-tratamento dos dados e pode prosseguir imediatamente para 
uma análise descritiva deles antes do desenvolvimento do modelo. 
Tendo isso em vista, analise as afirmativas a seguir e assinale V para a(s) 
Verdadeira(s) e F para a(s) Falsa(s). 
 
1. ( ) Chamamos de análise descritiva dos dados seus sumários (ou resumos) 
estatísticos dos mesmos e a sua visualização. Ambos, os sumários e as 
visualizações, nos ajudam a entender o comportamento dos dados e, através 
deles, do fenômeno ou processo estudado. 
2. ( ) São quatro as variáveis estudadas pela cientista de dados: renda mensal 
da pessoa, seus gastos médios com o cartão, se a pessoa tinha ou não um 
emprego estável ao longo do período amostrado e se ficou ou não 
inadimplente ao longo do deste período. 
3. ( ) Para criar sumários estatísticos das variáveis quantitativas, a renda 
mensal da pessoa e seus gastos com o cartão, a cientista de dados usou as 
funções min(), mean() e max() do software estatístico R para calcular os 
valores mínimo, médio e máximo dos dados observados para essas 
variáveis. 
4. ( ) Para criar sumários estatísticos das variáveis qualitativas, se a pessoa 
tinha ou não um emprego estável e se tinha ou não ficado inadimplente com 
o pagamento das faturas do cartão ao longo do período amostrado, a 
cientista de dados usou a função table() do software estatístico R para 
 
calcular a frequência com que os níveis de cada uma dessas variáveis se 
manifestaram na amostra estudada. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
Resposta Selecionada: 
V, V, V, V. 
Resposta Correta: 
V, V, V, V. 
Comentário 
da resposta: 
Resposta correta. Chamamos de análise descritiva dos dados 
seus sumários (ou resumos) e a sua visualização por meio de 
gráficos. São quatro as variáveis estudadas pela cientista de 
dados. Para criar sumários estatísticos das variáveis 
quantitativas, a cientista de dados usou as funções min(), 
mean() e max() do software estatístico R, e para os sumários 
estatísticos das variáveis qualitativas, usou a função table() 
do mesmo software, e assim calculou a frequência com que 
os níveis de cada uma dessas variáveis se manifestaram na 
amostra analisada. 
 
 
• Pergunta 5 
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 diversostipos 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. 
Comentário 
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 6 
1 em 1 pontos 
 
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. 
 
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. 
 
 
Está correto o que se afirma em: 
 
 
 
Resposta Selecionada: 
II e IV, apenas. 
Resposta Correta: 
II e IV, apenas. 
Comentário 
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 7 
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%. 
 
 
 
 
Comentário 
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 8 
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. 
 
1. Regressão logística é o único método de aprendizagem supervisionada que 
é utilizado para classificação, todos outros métodos são métodos de 
regressão. 
2. 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. 
3. 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). 
4. 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. 
 
 
 
Comentário 
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 9 
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. 
 
 
Comentário 
da resposta: 
Resposta correta. Todas asasserções 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 10 
1 em 1 pontos 
 
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: 
 
 
Resposta Selecionada: 
I, III e IV apenas. 
Resposta Correta: 
I, III e IV apenas. 
Comentário 
da resposta: 
Resposta correta. Histogramas e diagramas de barras são 
formas tradicionais de visualização gráfica de dados 
quantitativos e qualitativos, respectivamente, na estatística e 
na ciência dos dados, e a jovem cientista de dados não 
lançou mão de diagramas de barras. Neste caso, para 
visualizar os dados qualitativos, poderia ter feito isso, se 
quisesse. Diagramas de barras são usados para a 
visualização de dados qualitativos, não quantitativos.