Noções de Informática · CESPE / CEBRASPE · 2026 | Questão sqc-ce227900

Noções de InformáticaInteligência Artificial e Automação

Código: ce227900
Banca: CESPE / CEBRASPE
Órgão: SEFAZ-RN
Ano: 2026
Nível: Superior

Cargo: Auditor Fiscal de Receitas Estaduais - conhecimentos complementares

No âmbito do aprendizado de máquina não supervisionado, os algoritmos de agrupamento (clustering) apresentam diferentes abordagens para a organização de dados sem rótulos. Considerando as propriedades operacionais dos algoritmos k-means, DBSCAN e SOM (self-organizing maps), assinale a opção correta.

AO DBSCAN e o SOM operam sob a mesma função de custo baseada na minimização da soma dos erros quadráticos (SSE) em relação a um ponto central fixo.
BO k-means é um algoritmo de particionamento que minimiza a variância intracluster, sendo inerentemente robusto quanto à presença de outliers devido ao uso da média aritmética para o cálculo dos centroides.
CO DBSCAN fundamenta-se na densidade local de pontos, permitindo a identificação de agrupamentos de formas geométricas arbitrárias e a segregação de ruído, prescindindo da especificação prévia do número de clusters.
DO SOM utiliza uma arquitetura de rede neural competitiva para realizar a redução de dimensionalidade e o agrupamento, garantindo a preservação da topologia global sem a necessidade de definir uma vizinhança entre os neurônios.
EO k-means apresenta desempenho superior ao DBSCAN na detecção de agrupamentos não convexos ou com densidades significativamente distintas.

Revelar gabarito e comentário

GabaritoC — O DBSCAN fundamenta-se na densidade local de pontos, permitindo a identificação de agrupamentos de formas geométricas arbitrárias e a segregação de ruído, prescindindo da especificação prévia do número de clusters.

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”.

Noções de Informática — Inteligência Artificial e Automação: Algoritmos de Clustering

Gabarito: letra C. A alternativa C descreve corretamente o DBSCAN como um algoritmo baseado em densidade, que identifica clusters de formas arbitrárias, detecta ruídos e não exige o número de clusters pré-definido. As demais alternativas contêm incorreções: A confunde funções de custo; B ignora a sensibilidade do k-means a outliers; D erra ao dizer que o SOM não precisa de vizinhança; E inverte a capacidade de cada algoritmo.

A questão testa o conhecimento das propriedades operacionais dos principais algoritmos de agrupamento não supervisionado: k-means (particionamento), DBSCAN (densidade) e SOM (redes neurais competitivas).

Alternativa A — ❌ Incorreta

Afirma que DBSCAN e SOM operam sob a mesma função de custo baseada na minimização da soma dos erros quadráticos (SSE). O DBSCAN não utiliza SSE; ele agrupa pontos com base na densidade local (parâmetros eps e minPts). O SOM, embora minimize uma função de erro (distorção), não é baseado em SSE puro, e sim em um processo de atualização de pesos com preservação topológica. Portanto, a afirmação é falsa.

Alternativa B — ❌ Incorreta

Afirma que o k-means minimiza a variância intracluster e é inerentemente robusto a outliers devido ao uso da média aritmética. De fato, o k-means minimiza a soma dos quadrados intracluster (SSE), que corresponde à variância. Porém, o uso da média aritmética torna o algoritmo sensível a outliers, pois a média é influenciada por valores extremos. Algoritmos como k-medoids (PAM) são mais robustos. Logo, a afirmação é incorreta.

Alternativa C — ✅ Correta ⟵ GABARITO

A alternativa descreve corretamente o DBSCAN: fundamenta-se na densidade local de pontos (conceito de core points, border points e noise); permite identificar agrupamentos de formas arbitrárias (não apenas convexas); segrega ruído (pontos que não pertencem a nenhum cluster); e prescinde da especificação prévia do número de clusters, ao contrário do k-means. Essas características são consistentes com a literatura e com o material de apoio. Portanto, item correto.

Alternativa D — ❌ Incorreta

Afirma que o SOM garante a preservação da topologia global sem necessidade de definir uma vizinhança entre os neurônios. O SOM utiliza uma vizinhança (geralmente gaussiana ou retangular) para atualizar os neurônios adjacentes ao vencedor. A preservação topológica depende justamente da definição da vizinhança. Além disso, o SOM reduz dimensionalidade (mapeia dados para uma grade 2D), mas não "garante" a preservação global da topologia de forma absoluta. A afirmativa é falsa.

Alternativa E — ❌ Incorreta

Afirma que o k-means apresenta desempenho superior ao DBSCAN na detecção de agrupamentos não convexos ou com densidades distintas. Na verdade, o k-means é limitado a clusters convexos (esféricos) e de tamanhos/densidades similares, pois usa a distância Euclidiana e a média. O DBSCAN é superior para clusters de formas arbitrárias e densidades variadas. A afirmação inverte o quadro. Incorreta.

Gabarito: letra C.

Link permanente: /questoes/ce227900