Pular para o conteúdo principal

Questão de Estatística — Análise Multivariada — CESPE / CEBRASPE 2025

EstatísticaAnálise Multivariada
Código
ce201587
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Ciências Exatas e da Terra – Subárea: Sistemas de Informação Geográfica (SIG) e Desenvolvimento Territorial
Julgue o próximo item, relativo à classificação digital de imagens.O classificador máxima verossimilhança gaussiana, um caso particular da análise discriminante quadrática, assume que as probabilidades a priori sejam idênticas para todas as classes.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Classificação digital de imagens: máxima verossimilhança gaussiana e probabilidades a priori

❌ ERRADO. O classificador de máxima verossimilhança gaussiana não assume, por definição, que as probabilidades a priori sejam idênticas para todas as classes. Ele é um caso particular da análise discriminante quadrática (QDA), que incorpora as probabilidades a priori P(Y=c)P(Y=c) na regra de decisão, podendo estas ser diferentes entre as classes. A suposição de igualdade das priori é uma simplificação opcional que pode ser adotada em algumas implementações, mas não é uma premissa intrínseca do método.

Para entender o erro, é preciso revisar a estrutura do classificador. Tanto na análise discriminante linear (LDA) quanto na quadrática (QDA), parte-se da suposição de que, condicionado à classe Y=cY=c, o vetor de características XX segue uma distribuição normal multivariada. A diferença crucial entre elas está na matriz de covariância: a LDA assume uma matriz de covariância comum a todas as classes (Σc=Σ\Sigma_c = \Sigma), enquanto a QDA permite que cada classe tenha sua própria matriz de covariância (Σc\Sigma_c).

A regra de classificação, em ambos os casos, é baseada na probabilidade a posteriori P(Y=c∣X=x)P(Y=c|X=x), calculada pelo teorema de Bayes:

P(Y=c∣X=x)=f(x∣Y=c)⋅P(Y=c)f(x)P(Y=c|X=x) = \frac{f(x|Y=c) \cdot P(Y=c)}{f(x)}

O classificador atribui a observação à classe que maximiza essa probabilidade. Como o denominador f(x)f(x) é comum a todas as classes, a decisão depende do produto f(x∣Y=c)⋅P(Y=c)f(x|Y=c) \cdot P(Y=c). Ou seja, as probabilidades a priori entram explicitamente na regra de decisão e não precisam ser iguais — elas podem refletir a frequência real de cada classe na população. A QDA, portanto, não assume priori idênticas; ela apenas as utiliza como parte do cálculo.

A confusão da banca está em associar a máxima verossimilhança gaussiana a uma suposição de priori iguais, quando na verdade essa igualdade é uma escolha do analista (por exemplo, quando não há informação prévia sobre as classes). O método em si é flexível quanto às priori, podendo incorporar tanto priori iguais quanto desiguais.

Premissa do item

O que o método assume

Papel das priori na QDA

Igualdade das priori

Veredito

"Assume priori idênticas"

Não assume por definição

Entram explicitamente na regra de decisão (produto com a verossimilhança)

É simplificação opcional, não premissa

Errado

"Caso particular da QDA"

Correto

Podem ser estimadas (ex.: proporção na amostra)

Podem ser diferentes entre classes

Errado

Item — ❌ Errado

A afirmação de que o classificador de máxima verossimilhança gaussiana assume que as probabilidades a priori sejam idênticas para todas as classes é incorreta. Como visto, a regra de decisão da QDA (da qual o classificador é caso particular) é:

g(x)=arg⁡max⁡c∈CP^(Y=c∣x)=arg⁡max⁡c∈Cf^(x∣Y=c)⋅P^(Y=c)g(x) = \arg\max_{c \in C} \hat{P}(Y=c|x) = \arg\max_{c \in C} \hat{f}(x|Y=c) \cdot \hat{P}(Y=c)

As priori P^(Y=c)\hat{P}(Y=c) são estimadas (por exemplo, pela proporção de cada classe na amostra de treinamento) e entram no cálculo, podendo ser diferentes entre as classes. A suposição de igualdade é uma simplificação opcional, não uma premissa do método. Portanto, a assertiva está errada.

NÃO CAIA NESSA!

A banca tenta confundir ao afirmar que a máxima verossimilhança gaussiana assume priori idênticas. Na verdade, a igualdade das priori é uma escolha do analista, não uma premissa do método. O classificador é flexível e pode incorporar priori desiguais, refletindo a frequência real das classes. Fique atento: a QDA não exige priori iguais — ela apenas as utiliza na regra de decisão.

PEGA ESSA DICA!

Para resolver questões sobre análise discriminante, lembre-se: a diferença entre LDA e QDA está na matriz de covariância (comum vs. específica por classe), e as probabilidades a priori são sempre incorporadas na regra de decisão, podendo ser iguais ou não. Se a questão afirmar que o método assume priori iguais, desconfie — isso é uma simplificação opcional, não uma premissa.

Gabarito: letra C — a afirmação está errada.

Link permanente: /questoes/ce201587