Questão de Engenharia de Software — Inteligencia Artificial — CESPE / CEBRASPE 2026
Engenharia de Software›Inteligencia Artificial
Código
ce228767
Banca
CESPE / CEBRASPE
Órgão
TCE-MG
Ano
2026
Nível
Superior
Cargo
Analista de Controle Externo - Especialidade: Ciência da Computação
Amplamente utilizado em tarefas de clusterização, o algoritmo k-means
Aignora valores extremos, uma vez que o cálculo do centroide é baseado em medianas.
Btende a produzir clusters esféricos, sendo sensível à escala dos atributos.
Cencontra agrupamentos independentemente da inicialização e converge para a solução global ótima.
Dproduz como saída, durante sua execução, o valor ótimo de k.
Eé adequado para dados categóricos, pois calcula centroides usando a moda das categorias.
Revelar gabarito e comentário▾
GabaritoB — tende a produzir clusters esféricos, sendo sensível à escala dos atributos.
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”.
K-means e suas propriedades
Gabarito: Letra B. O k-means é um algoritmo de agrupamento não supervisionado que divide os dados em K clusters, onde cada cluster é representado pelo centroide (média dos pontos). Ele tende a produzir clusters esféricos (devido ao uso da distância euclidiana) e é sensível à escala dos atributos – atributos com magnitudes maiores dominam o cálculo da distância, exigindo normalização. As demais alternativas apresentam erros conceituais.
Alternativa A — ❌ Incorreta
Afirma que o k-means ignora valores extremos porque o centroide é baseado em medianas. Na verdade, o centroide do k-means é a média aritmética dos pontos, o que o torna sensível a outliers. Quem usa medianas como centro é o algoritmo k-medoids (PAM). A banca troca o conceito de medida de tendência central.
Alternativa B — ✅ Correta ⟵ GABARITO
Correta. O k-means minimiza a soma dos quadrados intra-clusters, o que favorece clusters esféricos e de tamanhos semelhantes. Além disso, a distância euclidiana é afetada pela escala: atributos com maior variância contribuem mais, por isso a normalização dos dados é recomendada.
Alternativa C — ❌ Incorreta
Diz que o k-means encontra agrupamentos independentemente da inicialização e converge para a solução global ótima. Na realidade, o algoritmo é sensível à inicialização dos centroides e converge para um ótimo local, não global. Para mitigar isso, usa-se repetições múltiplas (ex.: k-means++).
Alternativa D — ❌ Incorreta
Afirma que o k-means produz como saída o valor ótimo de k. Isso é falso: o número de clusters K deve ser definido previamente pelo usuário. O algoritmo apenas atribui os pontos aos K clusters dados, não descobre o K ideal. Métodos como o método do cotovelo (elbow) ajudam a escolher K, mas não fazem parte do k-means.
Alternativa E — ❌ Incorreta
Sugere que o k-means é adequado para dados categóricos porque calcula centroides usando a moda. Na verdade, o k-means trabalha com dados numéricos e calcula médias. A adaptação para dados categóricos é o k-modes, que usa modas e distância de Hamming (conforme o material de apoio). A banca confunde os dois algoritmos.
NÃO CAIA NESSA!
A banca explora trocas clássicas: (A) troca média por mediana, que remete ao k-medoids; (E) troca médias por modas, remetendo ao k-modes. Fique atento: k-means = média (numérico), k-medoids = medoide (ponto real), k-modes = moda (categórico).