Pular para o conteúdo principal

Questão de Estatística — Estatística descritiva (análise exploratória de dados) — FCC 2022

EstatísticaEstatística descritiva (análise exploratória de dados)
Código
fc064461
Banca
FCC
Órgão
TRT - 17ª Região (ES)
Ano
2022
Cargo
Analista Judiciário - Área Apoio Especializado - Especialidade Estatística
Considere as variáveis aleatórias X₁ e X₂ com matriz de covariância Em uma análise de componentes principais, as proporções de explicação dos componentes Y₁ e Y₂ são dadas por
  1. A3/4 e 1/4
  2. B6/7 e 1/7
  3. C4/5 e 1/5
  4. D3/5 e 2/5
  5. E1/2 e 1/2
Revelar gabarito e comentário

GabaritoB — 6/7 e 1/7

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 proporção de explicação

Gabarito: letra B. As proporções de explicação dos componentes principais são dadas pela razão entre cada autovalor da matriz de covariância e a soma de todos os autovalores (que é a variância total). Para a matriz de covariância dada, os autovalores são 6 e 1, logo as proporções são 6/7 e 1/7.

A Análise de Componentes Principais (PCA) é uma técnica de análise multivariada que transforma um conjunto de variáveis correlacionadas em um novo conjunto de variáveis não correlacionadas, chamadas de componentes principais. Cada componente principal é uma combinação linear das variáveis originais, e eles são ordenados de forma que o primeiro componente capture a maior variância possível, o segundo a segunda maior, e assim por diante.

A variância de cada componente principal é dada pelo autovalor correspondente da matriz de covariância (ou correlação) das variáveis originais. A proporção da variância total explicada por um componente é a razão entre o seu autovalor e a soma de todos os autovalores. Essa soma é igual à variância total dos dados, que é a soma das variâncias das variáveis originais.

Para resolver a questão, precisamos calcular os autovalores da matriz de covariância. A matriz de covariância fornecida é:

Σ=[5222]\Sigma = \begin{bmatrix} 5 & 2 \\ 2 & 2 \end{bmatrix}

Os autovalores são as raízes da equação característica det⁡(Σ−λI)=0\det(\Sigma - \lambda I) = 0:

det⁡[5−λ222−λ]=(5−λ)(2−λ)−4=λ2−7λ+6=0\det\begin{bmatrix} 5-\lambda & 2 \\ 2 & 2-\lambda \end{bmatrix} = (5-\lambda)(2-\lambda) - 4 = \lambda^2 - 7\lambda + 6 = 0

Resolvendo a equação do segundo grau, obtemos λ1=6\lambda_1 = 6 e λ2=1\lambda_2 = 1. A soma dos autovalores é 6+1=76 + 1 = 7, que é a variância total. Portanto, as proporções de explicação são:

  • Para Y1Y_1 (primeiro componente): 67\frac{6}{7}

  • Para Y2Y_2 (segundo componente): 17\frac{1}{7}

Assim, a alternativa correta é a letra B.

Componente Y1Componente Y26/71/70LEVELsoulevel.com.br
Proporção de explicação dos componentes — só Componente Y1: 6/7; só Componente Y2: 1/7; Componente Y1∩Componente Y2: 0

Alternativa A — ❌ Incorreta

Apresenta as proporções 3/4 e 1/4. Esses valores não correspondem aos autovalores calculados. A fração 3/4 poderia surgir se os autovalores fossem 3 e 1, mas não é o caso. A banca pode ter tentado induzir o candidato a usar diretamente as variâncias 5 e 2, mas a proporção correta exige o cálculo dos autovalores.

Alternativa B — ✅ Correta ⟵ GABARITO

As proporções 6/7 e 1/7 são exatamente as razões entre cada autovalor (6 e 1) e a soma dos autovalores (7). Isso está de acordo com a definição de proporção de variância explicada em PCA.

Alternativa C — ❌ Incorreta

Apresenta 4/5 e 1/5. Esses valores não correspondem aos autovalores calculados. A fração 4/5 poderia surgir se os autovalores fossem 4 e 1, mas não é o caso.

Alternativa D — ❌ Incorreta

Apresenta 3/5 e 2/5. Esses valores não correspondem aos autovalores calculados. A fração 3/5 poderia surgir se os autovalores fossem 3 e 2, mas não é o caso.

Alternativa E — ❌ Incorreta

Apresenta 1/2 e 1/2. Isso ocorreria se os autovalores fossem iguais, o que não acontece aqui. A banca pode ter tentado induzir o candidato a pensar que, como há duas variáveis, cada componente explicaria metade da variância, mas isso só é verdade se os autovalores forem iguais.

NÃO CAIA NESSA!

A banca explora a confusão entre usar as variâncias diretamente (5 e 2) e calcular os autovalores da matriz de covariância. Muitos candidatos somam as variâncias (5+2=7) e fazem 5/7 e 2/7, mas isso só funcionaria se a covariância fosse zero. Como há covariância 2, os autovalores são diferentes das variâncias individuais. Lembre-se: em PCA, a proporção de explicação é sempre baseada nos autovalores, não nas variâncias isoladas.

PEGA ESSA DICA!

Para resolver questões de PCA, siga o passo a passo: (1) monte a matriz de covariância; (2) calcule os autovalores resolvendo det⁡(Σ−λI)=0\det(\Sigma - \lambda I) = 0; (3) a proporção de cada componente é o autovalor dividido pela soma de todos os autovalores. Treine com matrizes 2x2 e 3x3 para ganhar velocidade.

Gabarito: letra B

Link permanente: /questoes/fc064461