Pular para o conteúdo principal

Questão de Estatística — Análise Multivariada — CESPE / CEBRASPE 2025

EstatísticaAnálise Multivariada
Código
ce223280
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Julgue o próximo item, no que se refere a métodos de análise multivariada e a técnicas para a redução de dimensionalidade e interpretação de dados complexos.A análise de componentes principais transforma um conjunto de variáveis correlacionadas em um conjunto menor de variáveis não correlacionadas (componentes principais) que retêm a maior parte da variância dos dados originais.
  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”.

Análise de Componentes Principais (PCA)

✅ CERTO. A afirmativa descreve com precisão o objetivo central da Análise de Componentes Principais (PCA): transformar um conjunto de variáveis correlacionadas em um conjunto menor de variáveis não correlacionadas — os componentes principais — que retêm a maior parte da variância dos dados originais. Essa é a definição clássica da técnica, amplamente aceita na literatura estatística.

A PCA é uma técnica de redução de dimensionalidade da análise multivariada. Ela parte de uma matriz de dados com pp variáveis possivelmente correlacionadas e, por meio de uma transformação linear (combinações lineares das variáveis originais), gera novos eixos — os componentes principais — que são ortogonais entre si, ou seja, não correlacionados. O primeiro componente captura a maior variância possível; o segundo, a maior variância remanescente, e assim por diante. Ao reter apenas os primeiros componentes, reduz-se a dimensionalidade com perda mínima de informação.

A distinção que importa aqui é entre PCA e Análise Fatorial (AF). Embora ambas sejam técnicas de redução de dimensionalidade, a PCA considera a variância total dos dados (comum + única + erro), enquanto a AF considera apenas a variância comum (compartilhada entre as variáveis). Essa diferença conceitual é frequentemente explorada em provas.

A pegadinha que a banca poderia explorar seria afirmar que a PCA aumenta a correlação entre as variáveis ou que os componentes são correlacionados — o oposto do que a técnica faz. Aqui, a afirmativa está correta ao dizer que os componentes são não correlacionados e retêm a maior parte da variância.

A razão pela qual a PCA funciona é matemática: os componentes principais são obtidos pela decomposição espectral da matriz de covariância (ou correlação) dos dados. Os autovetores dessa matriz definem as direções de máxima variância, e os autovalores correspondentes indicam a quantidade de variância explicada por cada componente. Ao ordenar os autovalores em ordem decrescente, o primeiro componente é o autovetor associado ao maior autovalor, e assim por diante.

Variáveis correlacionadasComponentes não correlacionadosoriginaisnovosretenção de variânciaLEVELsoulevel.com.br
Redução de dimensionalidade — só Variáveis correlacionadas: originais; só Componentes não correlacionados: novos; Variáveis correlacionadas∩Componentes não correlacionados: retenção de variância
PEGA ESSA DICA!

Para fixar, lembre-se do tripé da PCA: (1) transformação linear das variáveis originais; (2) componentes não correlacionados (ortogonais); (3) retenção da máxima variância em cada componente, em ordem decrescente. Se a alternativa falar em "correlacionados" ou "variância mínima", está errada.

Gabarito: ✅ CERTO.

Link permanente: /questoes/ce223280