A2 - Estatistica aplicada ao data science

Prévia do material em texto

• Pergunta 1 
1 em 1 pontos 
 
Entre as técnicas das quais lançou mão para a visualização dos dados da amostra, uma jovem 
cientista de dados usou boxplots (diagramas de caixas). Como cientista de dados, ela sabia 
exatamente em que situações empregar boxplots. 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. ( ) Para examinar visualmente a relação entre duas variáveis, em que uma é 
quantitativa e a outra é qualitativa, não é possível a utilização de gráficos de dispersão. 
2. ( ) Boxplots são uma solução inteligente para a visualização da relação entre uma 
variável quantitativa e uma variável qualitativa, em que no eixo horizontal indicamos os 
níveis da variável qualitativa e no eixo vertical, a variação dos valores observados para 
a variável quantitativa. 
3. ( ) Para examinar visualmente a relação entre duas variáveis quantitativas, um dos 
gráficos preferidos é o diagrama de caixas, também conhecido como boxplot. 
4. ( ) Na construção de um boxplot, podemos representar no eixo vertical os níveis da 
variável qualitativa e no eixo horizontal, os valores da variável quantitativa. Nesse caso, 
a visualização da variação dos dados da variável quantitativa é exibida horizontalmente, 
e os níveis (classes) da variável qualitativa são exibidos verticalmente. 
 
 
Assinale a alternativa que apresenta a sequência correta. 
 
 
 
Resposta Selecionada: 
V, V, F, V. 
Resposta Correta: 
V, V, F, V. 
Comentário 
da resposta: 
Resposta correta. A única asserção falsa é a que afirma que para examinar 
visualmente a relação entre duas variáveis quantitativas, um dos gráficos 
preferidos é o diagrama de caixas, também conhecido como boxplot. Para 
examinar visualmente a relação entre duas variáveis, em que uma é 
quantitativa e a outra é qualitativa, não é possível a utilização de gráficos 
de dispersão. Para isso, usamos boxplots, em que, no eixo horizontal, 
indicamos os níveis da variável qualitativa e, no eixo vertical, a variação 
dos valores observados para a variável quantitativa. Podemos inverter a 
posição desses eixos. 
 
 
• 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%. 
 
 
 
 
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 3 
1 em 1 pontos 
 
Continuando com o mesmo caso da questão anterior, relativa à aprovação, pelos bancos, de 
crédito na forma de cartão de crédito, como se fazia, no passado, a aprovação da concessão 
de cartões de crédito pelos bancos? E, hoje em dia, como os bancos fazem essa aprovação? 
 
Reflita sobre essas perguntas e suas respostas, analise as afirmativas a seguir e assinale V 
para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
 
1. ( ) No passado, os bancos faziam, e ainda fazem, ao menos em parte, a aprovação da 
concessão de cartões de crédito através da definição de regras que devem ser 
atendidas por cada cliente, tais como idade, emprego estável, renda fixa, dívidas 
pequenas, nome limpo e casa própria. 
2. ( ) Hoje em dia, dentre outras alternativas, uma que é frequentemente usada pelos 
bancos são algoritmos de aprendizagem supervisionada que classificam se o cliente é 
um potencial bom ou mau pagador. 
3. ( ) Para usarmos algoritmos de classificação com esse propósito de aprovar ou não 
cartões de crédito, precisamos de dados. Ensinamos ao algoritmo, com base nos dados 
que lhe são passados, a predizer clientes que são maus pagadores potenciais das 
faturas do cartão. Dessa forma, se o algoritmo, ao ser alimentado com os dados 
referentes a um novo cliente, classificar esse cliente como um mau pagador potencial, 
o banco não aprovará o cartão. 
4. ( ) Para equipes de análise de crédito, poder contar com a ajuda de um software com a 
capacidade de recomendar a aprovação ou não da concessão do cartão é de grande 
valor. 
5. ( ) A recomendação feita pelo software poderá ser tratada ao lado de outras regras de 
crédito para uma decisão final sobre a concessão de cartão para o cliente. 
 
 
 
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. No passado, os bancos faziam a aprovação da 
concessão de cartões de crédito através da definição de regras que 
deviam ser atendidas por cada cliente; hoje em dia, algoritmos de 
aprendizado de máquina classificam se o cliente é um potencial bom ou 
mau pagador. Para isso, dados são necessários. Poder contar com a ajuda 
de um software com a capacidade de recomendar a aprovação ou não da 
concessão do cartão é de grande valor para a equipe de análise de 
crédito. A recomendação feita pelo software poderá ser tratada ao lado de 
outras regras de crédito para uma decisão final sobre a concessão de 
cartão para o cliente. 
 
 
• Pergunta 4 
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. 
 
 
• Pergunta 5 
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 corretamentepara 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). 
 
3. ( ) A jovem cientista de dados escolheu como variável resposta a renda mensal da 
pessoa, e tratou as demais variáveis como variáveis de entrada. 
4. ( ) 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. 
5. ( ) 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. 
6. ( ) 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 6 
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). 
 
0. ( ) 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. 
1. ( ) 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 verificação visual, 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. 
2. ( ) 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. 
3. ( ) 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. 
Comentário 
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 7 
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). 
 
0. 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. 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. 
2. 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. 
3. 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 8 
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. 
 
0. 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. 
1. 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. 
2. 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. 
3. 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 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 9 
1 em 1 pontos 
 
Vimos que são muitosos 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. 
 
0. 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. 
1. 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. 
2. 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. 
3. 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 10 
1 em 1 pontos 
 
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: 
 
0. 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; 
1. 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; 
2. 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; 
3. 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: 
 
 
 
Resposta Selecionada: 
I, II, III e IV. 
Resposta Correta: 
 
I, II, III e IV. 
Comentário da 
resposta: 
Resposta correta. 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.