Pular para o conteúdo principal

Questão de Estatística — Cálculo de Probabilidades — CESPE / CEBRASPE 2025

EstatísticaCálculo de Probabilidades
Código
ce202074
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Pesquisador – Área: Gestão da Informação – Subárea: Engenharia de Dados
Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir.O algoritmo Naive Bayes é inadequado para, por exemplo, a análise de dados de produção agrícola na previsão da qualidade de grãos de café, pois exige uma independência completa entre variáveis como pH do solo, umidade e temperatura, e não apresenta bons resultados quando essas variáveis são correlacionadas.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoE — Errado

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”.

Naive Bayes e a suposição de independência condicional

Gabarito: letra E — ERRADO. O item afirma que o Naive Bayes é inadequado para prever a qualidade de grãos de café porque exigiria independência completa entre as variáveis e não apresentaria bons resultados quando elas são correlacionadas. Essa afirmação é falsa: o Naive Bayes não exige independência completa entre as variáveis preditoras, mas sim a suposição de independência condicional — ou seja, que as variáveis sejam independentes dada a classe (a qualidade do grão). Na prática, o algoritmo funciona razoavelmente bem mesmo quando essa suposição é violada, sendo amplamente utilizado em problemas reais com variáveis correlacionadas, como pH do solo, umidade e temperatura.

O Naive Bayes é um classificador probabilístico baseado no Teorema de Bayes, que calcula a probabilidade de uma observação pertencer a cada classe dado o vetor de características. A "ingenuidade" do modelo está em assumir que, condicionado à classe, as características são independentes. Isso simplifica o cálculo da verossimilhança: em vez de estimar a distribuição conjunta de todas as variáveis, estima-se o produto das distribuições marginais de cada variável condicionada à classe. Essa simplificação reduz drasticamente a complexidade computacional e a quantidade de dados necessária para estimar os parâmetros.

Apesar da suposição frequentemente violada na prática, o Naive Bayes costuma apresentar bom desempenho em muitas tarefas de classificação, inclusive quando há correlação entre as variáveis. Isso ocorre porque, para fins de classificação, o que importa é a ordem relativa das probabilidades entre as classes, e não a precisão absoluta das probabilidades estimadas. Em outras palavras, mesmo que as probabilidades calculadas sejam "erradas" em termos absolutos, a classe com maior probabilidade frequentemente continua sendo a correta. Por isso, o algoritmo é considerado robusto à violação da suposição de independência.

No contexto do enunciado — previsão da qualidade de grãos de café a partir de variáveis como pH do solo, umidade e temperatura — o Naive Bayes pode ser perfeitamente adequado. Essas variáveis são, de fato, correlacionadas entre si (por exemplo, a umidade do solo influencia o pH e a temperatura), mas o modelo ainda pode produzir boas previsões. A banca explora a confusão entre "independência completa" e "independência condicional": o item troca o conceito correto por uma versão exagerada e incorreta, levando o candidato a concluir erroneamente que o algoritmo seria inadequado.

Premissa do item

Conceito correto (Naive Bayes)

Consequência prática

Veredito

Exige independência completa entre as variáveis preditoras

Exige apenas independência condicional, dado o valor da classe

Não exige que pH, umidade e temperatura sejam independentes entre si

Falso

Não apresenta bons resultados quando as variáveis são correlacionadas

É robusto à violação da suposição de independência

Mantém bom desempenho mesmo com variáveis correlacionadas

Falso

É inadequado para prever qualidade de grãos de café

Pode ser perfeitamente adequado nesse contexto

A ordem relativa das probabilidades entre classes tende a se preservar

Falso

Alternativa E — ❌ ERRADO ⟵ GABARITO

O item está errado porque afirma que o Naive Bayes exige "independência completa" entre as variáveis. O correto é que o algoritmo assume independência condicional entre as variáveis preditoras, dado o valor da classe. Essa é uma distinção fundamental: a independência condicional não exige que as variáveis sejam independentes entre si de forma absoluta, apenas que, dentro de cada classe, a correlação entre elas seja ignorada. Além disso, o item conclui que o algoritmo "não apresenta bons resultados quando essas variáveis são correlacionadas", o que também é falso — o Naive Bayes é conhecido por ser robusto à violação dessa suposição, mantendo bom desempenho mesmo com variáveis correlacionadas. Portanto, a afirmação é incorreta.

NÃO CAIA NESSA!

A banca troca o conceito de independência condicional (a suposição real do Naive Bayes) por independência completa (uma exigência muito mais forte e inexistente). O candidato que conhece apenas a ideia superficial de que "o Naive Bayes assume independência" pode cair na armadilha e marcar "Certo". Lembre-se: a independência é condicionada à classe, e o modelo funciona bem mesmo quando as variáveis são correlacionadas — essa é a essência da sua robustez.

Gabarito: letra E — ERRADO.

Link permanente: /questoes/ce202074