Pular para o conteúdo principal

Questão de Estatística — Análise Multivariada — FCC 2022

EstatísticaAnálise Multivariada
Código
fc065791
Banca
FCC
Órgão
TRT - 23ª REGIÃO (MT)
Ano
2022
Cargo
Analista Judiciário - Área Apoio - Estatística
Quanto à análise multivariada,
  1. Aum dos objetivos da análise de componentes principais é o aumento da dimensionalidade dos dados.
  2. Bna análise discriminante não é necessário conhecer previamente os grupos para obter uma função discriminante a ser usada para alocar os novos elementos.
  3. Cna regressão logística, uma premissa básica é a ausência de homoscedasticidade nos resíduos.
  4. Dna análise de conglomerados, uma forma de representar graficamente o processo de agrupamento hierárquico é por meio do dendrograma.
  5. Ena análise discriminante, não é considerado um pressuposto a ausência de multicolinearidade das variáveis explicativas.
Revelar gabarito e comentário

GabaritoD — na análise de conglomerados, uma forma de representar graficamente o processo de agrupamento hierárquico é por meio do dendrograma.

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 Multivariada: conceitos e técnicas

Gabarito: letra D. Na análise de conglomerados (cluster), o dendrograma é exatamente a representação gráfica do processo de agrupamento hierárquico, mostrando como os elementos vão sendo unidos em grupos progressivamente. As demais alternativas contêm erros conceituais: a análise de componentes principais reduz a dimensionalidade (não aumenta), a análise discriminante exige o conhecimento prévio dos grupos, a regressão logística não tem como premissa a ausência de homoscedasticidade (pelo contrário, admite heteroscedasticidade), e a análise discriminante pressupõe ausência de multicolinearidade.

A análise multivariada é o conjunto de técnicas estatísticas que analisam simultaneamente múltiplas variáveis, buscando entender relações, padrões e estruturas nos dados. Dentre as principais técnicas, destacam-se:

  • Análise de Componentes Principais (PCA): técnica de redução de dimensionalidade que transforma um conjunto de variáveis correlacionadas em um conjunto menor de variáveis não correlacionadas (componentes principais), que retêm a maior parte da variabilidade original. O objetivo é reduzir a dimensionalidade, simplificando a análise sem perder informação relevante.

  • Análise Discriminante: técnica de classificação que busca encontrar uma função (função discriminante) que melhor separa grupos previamente conhecidos. Para isso, é necessário conhecer os grupos a priori, pois a função é construída com base nas diferenças entre eles. Pressupõe, entre outros, a ausência de multicolinearidade entre as variáveis explicativas.

  • Regressão Logística: modelo de regressão utilizado quando a variável dependente é categórica (binária ou multinomial). Diferentemente da regressão linear, não exige homoscedasticidade dos resíduos; na verdade, admite-se heteroscedasticidade, pois a variância dos erros não é constante.

  • Análise de Conglomerados (Cluster): técnica de agrupamento que reúne elementos semelhantes em grupos (clusters), sem conhecimento prévio dos grupos. O dendrograma é a representação gráfica típica do agrupamento hierárquico, mostrando a hierarquia de fusões (ou divisões) dos elementos.

A banca explora a confusão entre os objetivos e pressupostos de cada técnica. O candidato que não domina os conceitos básicos de cada uma tende a marcar alternativas que misturam características de técnicas diferentes.

Técnica

Objetivo

Conhecimento prévio dos grupos

Pressuposto principal

Representação gráfica

Análise de Componentes Principais (PCA)

Reduzir a dimensionalidade

Não se aplica

Variáveis correlacionadas

Não especificada

Análise Discriminante

Classificar elementos

Necessário

Ausência de multicolinearidade

Função discriminante

Regressão Logística

Classificar (variável dependente categórica)

Não se aplica

Heteroscedasticidade admitida

Não especificada

Análise de Conglomerados (Cluster)

Agrupar elementos semelhantes

Não necessário

Não especificado

Dendrograma

1Componentes principais
Reduz dimensionalidade
Variáveis não correlacionadas
2Discriminante
Exige grupos prévios
Ausência de multicolinearidade
3Regressão logística
Variável dependente categórica
Admite heteroscedasticidade
4Conglomerados
Sem grupos prévios
Dendrograma (agrupamento hierárquico)
Técnicas multivariadas
LEVELsoulevel.com.br
Técnicas multivariadas: Componentes principais (Reduz dimensionalidade, Variáveis não correlacionadas); Discriminante (Exige grupos prévios, Ausência de multicolinearidade); Regressão logística (Variável dependente categórica, Admite heteroscedasticidade); Conglomerados (Sem grupos prévios, Dendrograma (agrupamento hierárquico))

Alternativa A — ❌ Incorreta

A análise de componentes principais tem como objetivo reduzir a dimensionalidade dos dados, não aumentá-la. Ela busca resumir a informação de muitas variáveis em poucos componentes, que capturam a maior parte da variância. A alternativa inverte o sentido: em vez de redução, fala em aumento.

Alternativa B — ❌ Incorreta

Na análise discriminante, é necessário conhecer previamente os grupos para construir a função discriminante. A função é estimada a partir das observações cujos grupos são conhecidos, e depois utilizada para classificar novos elementos. A alternativa afirma o contrário, o que é um erro conceitual.

Alternativa C — ❌ Incorreta

A regressão logística não tem como premissa a ausência de homoscedasticidade. Pelo contrário, ela admite heteroscedasticidade, pois a variância dos erros não é constante (depende da probabilidade estimada). A alternativa troca o pressuposto: a homoscedasticidade é uma premissa da regressão linear, não da logística.

Alternativa D — ✅ Correta ⟵ GABARITO

Na análise de conglomerados, o dendrograma é a representação gráfica do processo de agrupamento hierárquico. Ele mostra, em forma de árvore, como os elementos (ou grupos) vão sendo unidos (ou divididos) em cada etapa, permitindo visualizar a hierarquia dos agrupamentos. É exatamente o que a alternativa afirma.

Alternativa E — ❌ Incorreta

A análise discriminante pressupõe a ausência de multicolinearidade entre as variáveis explicativas. A multicolinearidade (alta correlação entre variáveis independentes) pode comprometer a estabilidade da função discriminante. A alternativa afirma que não é considerado um pressuposto, o que está errado.

NÃO CAIA NESSA!

A banca mistura os pressupostos e objetivos das técnicas multivariadas. O candidato que confunde, por exemplo, a redução de dimensionalidade da PCA com aumento, ou que acha que a regressão logística exige homoscedasticidade (como na regressão linear), cai nas alternativas A e C. Fique atento: cada técnica tem seus próprios pressupostos e objetivos.

PEGA ESSA DICA!

Para não errar, monte um quadro comparativo com as principais técnicas multivariadas: objetivo, necessidade de conhecimento prévio dos grupos, e principais pressupostos. Por exemplo: PCA (reduz dimensionalidade), discriminante (classifica com grupos conhecidos, exige ausência de multicolinearidade), logística (classifica sem exigir homoscedasticidade), cluster (agrupa sem conhecimento prévio, usa dendrograma). Revisar esse quadro antes da prova ajuda a fixar.

Gabarito: letra D

Link permanente: /questoes/fc065791