Questão de Estatística — Análise Multivariada — CESPE / CEBRASPE 2025
- Código
- ce202072
- Banca
- CESPE / CEBRASPE
- Órgão
- EMBRAPA
- Ano
- 2025
- Nível
- Superior
- Cargo
- Pesquisador – Área: Gestão da Informação – Subárea: Engenharia de Dados
- CCerto
- EErrado
GabaritoC — Certo
Gabarito: letra C (CERTO). A afirmação descreve com precisão as principais características do algoritmo K-means: ele exige a definição prévia do número de clusters (parâmetro K), é computacionalmente eficiente em grandes conjuntos de dados, mas é sensível a outliers e tende a funcionar bem apenas para clusters esféricos e de densidade semelhante. Essas são propriedades amplamente reconhecidas na literatura de análise de agrupamentos.
O K-means é um algoritmo de agrupamento não hierárquico (particional) que particiona os dados em K grupos, onde K é um parâmetro de entrada definido pelo usuário. O algoritmo funciona iterativamente: inicializa K centróides, atribui cada observação ao centróide mais próximo (geralmente pela distância euclidiana) e recalcula os centróides como a média dos pontos de cada cluster, repetindo até a convergência. Essa dependência do parâmetro K é uma característica central — o usuário precisa especificar quantos clusters espera encontrar, e a escolha inadequada de K pode levar a resultados subótimos.
A eficiência computacional é outra vantagem conhecida: o K-means tem complexidade aproximadamente linear em relação ao número de observações, o que o torna adequado para grandes conjuntos de dados, especialmente quando comparado a métodos hierárquicos, que exigem o cálculo de uma matriz de dissimilaridade e têm custo quadrático.
No entanto, o algoritmo tem limitações importantes. A sensibilidade a outliers decorre do fato de que os centróides são calculados como médias aritméticas — um valor extremo pode deslocar significativamente o centróide de seu cluster, distorcendo a partição. Além disso, o K-means assume implicitamente que os clusters têm formato aproximadamente esférico (devido ao uso da distância euclidiana) e tamanhos/densidades semelhantes; quando os clusters têm formatos alongados, aninhados ou densidades muito diferentes, o algoritmo tende a produzir partições inadequadas, dividindo clusters reais ou fundindo clusters distintos.
A banca explora aqui o conhecimento consolidado sobre as propriedades do K-means. A afirmação é uma síntese fiel das vantagens e desvantagens do método, sem qualquer inversão ou exagero. O candidato que domina os fundamentos da análise de agrupamentos reconhece imediatamente que todos os elementos da frase estão corretos.
A banca poderia facilmente inverter alguma característica — por exemplo, afirmar que o K-means é robusto a outliers ou que funciona bem com clusters de formatos arbitrários. Aqui, porém, a afirmação é fiel à teoria. O erro comum seria marcar "Errado" por desconfiar de uma pegadinha que não existe — a frase é uma descrição correta e completa do algoritmo.
✅ CERTO.
Link permanente: /questoes/ce202072