No que se refere aos processos de ETL (extract, transform, load) e a técnicas de pré-processamento de dados para classificação e visualização de dados, julgue o próximo item.A análise PCA (análise de componentes principais) é utilizada para simplificar os dados e reduzir o ruído, pois tende a equilibrar as dimensões que têm valores mais extremos (outliers).
CCerto
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”.
Análise de Componentes Principais (PCA) e outliers
Gabarito: letra E (ERRADO). A PCA é uma técnica de redução de dimensionalidade que busca capturar a maior variabilidade dos dados em novas variáveis ortogonais (componentes principais), mas ela não tem como objetivo "equilibrar" ou reduzir o efeito de outliers — na verdade, a PCA é sensível a outliers, pois eles podem influenciar fortemente a direção dos componentes. A afirmação do item está incorreta ao atribuir à PCA uma finalidade que ela não possui.
A PCA (Análise de Componentes Principais) é uma técnica estatística multivariada de natureza descritiva e exploratória, utilizada principalmente para reduzir a dimensionalidade de um conjunto de dados, transformando um conjunto de variáveis possivelmente correlacionadas em um novo conjunto de variáveis não correlacionadas, chamadas de componentes principais. Esses componentes são combinações lineares das variáveis originais e são ordenados de forma que o primeiro componente capture a maior parcela da variância total, o segundo a segunda maior, e assim por diante.
O objetivo central da PCA é simplificar os dados, concentrando a informação em poucos componentes, o que facilita a visualização e a análise. No entanto, a PCA não é robusta a outliers. Como os componentes são calculados com base na matriz de covariância (ou correlação), valores extremos podem distorcer a direção dos componentes, puxando-os em direção aos outliers. Em outras palavras, a PCA pode ser fortemente influenciada por valores atípicos, e não o contrário.
A afirmação do item mistura conceitos: a PCA simplifica os dados e reduz a dimensionalidade, mas não "equilibra" dimensões com valores extremos. Na verdade, a presença de outliers pode comprometer a qualidade da PCA, e técnicas robustas (como PCA robusta) foram desenvolvidas justamente para lidar com esse problema. Portanto, o item está errado.
Análise de Componentes Principais — só Redução de Dimensionalidade: sim; só Tratamento de Outliers: não; Redução de Dimensionalidade∩Tratamento de Outliers: não
Alternativa E — ❌ Errado ⟵ GABARITO
A alternativa está errada porque a PCA não tende a "equilibrar" as dimensões com outliers. Pelo contrário, a PCA é sensível a outliers: como ela se baseia na variância (ou covariância), valores extremos podem dominar a direção dos componentes principais, fazendo com que eles capturem a variabilidade dos outliers em vez da estrutura geral dos dados. A PCA busca maximizar a variância, e outliers aumentam artificialmente a variância em certas direções, distorcendo os resultados.
Além disso, a PCA não é uma técnica de tratamento de outliers. Para lidar com outliers, utilizam-se métodos como a padronização robusta (usando mediana e MAD), a transformação de dados ou a remoção/tratamento dos valores atípicos antes da análise. A PCA, por si só, não "equilibra" nada — ela apenas projeta os dados em um novo sistema de coordenadas que maximiza a variância.
NÃO CAIA NESSA!
A banca tenta fazer o candidato acreditar que a PCA "equilibra" outliers, quando na verdade ela é influenciada por eles. Muitos alunos confundem a PCA com técnicas de pré-processamento que visam reduzir o impacto de outliers, como a padronização ou a transformação Box-Cox. Lembre-se: a PCA é uma técnica de redução de dimensionalidade, não de tratamento de outliers.
PEGA ESSA DICA!
Para questões sobre PCA, lembre-se dos três pilares: (1) redução de dimensionalidade — transforma variáveis correlacionadas em componentes ortogonais; (2) maximização da variância — o primeiro componente explica a maior parte da variabilidade; (3) sensibilidade a outliers — a PCA pode ser distorcida por valores extremos. Se a alternativa mencionar que a PCA "equilibra" ou "reduz" outliers, desconfie: ela está errada.