Questão de Estatística — Modelos lineares — FCC 2026
Estatística›Modelos lineares
Código
fc077678
Banca
FCC
Órgão
SEFAZ-SP
Ano
2026
Nível
Superior
Cargo
Auditor Fiscal da Receita Estadual - AFRE - Tecnologia da Informação e Comunicação - Conhecimentos Gerais (P1)
Durante uma auditoria de desempenho operacional, uma equipe pretende construir um modelo preditivo para explicar o tempo de processamento de operações fiscais (Y) a partir de 27 variáveis explicativas relacionadas a carga de trabalho, complexidade dos casos, perfil dos auditores e uso de sistemas internos. Como há suspeita de multicolinearidade elevada entre algumas variáveis, o auditor decide comparar dois métodos de regularização: Ridge e Lasso. Nesse contexto,
Ao método Ridge tende a zerar coeficientes de variáveis redundantes, realizando seleção automática; o Lasso apenas reduz magnitudes.
Bambos os métodos sempre zeram coeficientes de variáveis colineares, resultando na exclusão automática de variáveis.
Cambos os métodos geram modelos mais complexos do que a regressão linear simples, independentemente dos dados.
Dos métodos Lasso e Ridge utilizam exclusivamente penalização L2 para reduzir variáveis irrelevantes.
Eo método Lasso tende a realizar seleção de variáveis, reduzindo alguns coeficientes a zero; o Ridge apenas encolhe coeficientes, mas não os elimina.
Revelar gabarito e comentário▾
GabaritoE — o método Lasso tende a realizar seleção de variáveis, reduzindo alguns coeficientes a zero; o Ridge apenas encolhe coeficientes, mas não os elimina.
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”.
Regularização Ridge e Lasso em Regressão
Gabarito: letra E. O Lasso (penalização L1) tende a zerar coeficientes, realizando seleção de variáveis; o Ridge (penalização L2) apenas encolhe os coeficientes, sem eliminá-los. Essa é a distinção central entre os dois métodos de regularização.
A questão aborda métodos de regularização usados para lidar com multicolinearidade e overfitting em modelos de regressão. Quando há muitas variáveis explicativas e suspeita de correlação elevada entre elas, os coeficientes estimados por mínimos quadrados ordinários podem se tornar instáveis e com variância alta. A regularização adiciona um termo de penalidade à função de perda, controlando a magnitude dos coeficientes.
O Ridge utiliza a penalização L2, que é a soma dos quadrados dos coeficientes. Isso faz com que os coeficientes sejam reduzidos (encolhidos) em direção a zero, mas raramente se tornam exatamente zero. Portanto, o Ridge não realiza seleção de variáveis — todas as variáveis permanecem no modelo, embora com pesos menores.
O Lasso utiliza a penalização L1, que é a soma dos valores absolutos dos coeficientes. Essa penalidade tem a propriedade de forçar alguns coeficientes a serem exatamente zero, dependendo do valor do parâmetro de regularização. Assim, o Lasso realiza seleção de variáveis, eliminando aquelas que são menos relevantes.
A escolha entre Ridge e Lasso depende do objetivo: se a prioridade é reduzir a variância mantendo todas as variáveis, usa-se Ridge; se a prioridade é simplificar o modelo eliminando variáveis irrelevantes, usa-se Lasso. Em cenários com muitas variáveis correlacionadas, o Lasso tende a escolher uma delas e zerar as demais, enquanto o Ridge distribui o peso entre elas.
Método
Penalização
Efeito nos coeficientes
Seleção de variáveis
Ridge
L2 (soma dos quadrados)
Encolhe (reduz) em direção a zero, mas raramente zera
Não realiza
Lasso
L1 (soma dos valores absolutos)
Pode zerar exatamente alguns coeficientes
Realiza (elimina variáveis irrelevantes)
Regularização
1Lasso (L1)
Zera coeficientes
Seleção de variáveis
2Ridge (L2)
Encolhe coeficientes
Não elimina variáveis
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Inverte os papéis: afirma que o Ridge zera coeficientes e o Lasso apenas reduz magnitudes. Na verdade, é o Lasso que zera coeficientes (seleção de variáveis), enquanto o Ridge apenas encolhe. A banca troca os efeitos das duas penalizações.
Alternativa B — ❌ Incorreta
Afirma que ambos os métodos sempre zeram coeficientes de variáveis colineares. Isso é falso: o Ridge não zera coeficientes, apenas os reduz. Além disso, o comportamento depende do valor do parâmetro de regularização — não é um resultado garantido.
Alternativa C — ❌ Incorreta
Afirma que ambos geram modelos mais complexos que a regressão linear simples, independentemente dos dados. Isso é incorreto: a regularização tende a reduzir a complexidade do modelo, controlando o overfitting. O Lasso, ao zerar coeficientes, pode até gerar modelos mais simples.
Alternativa D — ❌ Incorreta
Afirma que ambos utilizam exclusivamente penalização L2. Isso é falso: o Lasso usa penalização L1, enquanto o Ridge usa L2. A alternativa confunde os dois métodos.
Alternativa E — ✅ Correta ⟵ GABARITO
Descreve corretamente a diferença: o Lasso tende a zerar coeficientes (seleção de variáveis), enquanto o Ridge apenas encolhe os coeficientes, sem eliminá-los. Essa é a distinção fundamental entre as penalizações L1 e L2.
NÃO CAIA NESSA!
A banca adora inverter os papéis do Ridge e do Lasso. Lembre-se: L1 (Lasso) = Lasso zera, L2 (Ridge) = Ridge reduz. Se a alternativa disser que o Ridge zera ou que o Lasso apenas encolhe, está errada.
PEGA ESSA DICA!
Para fixar, associe: Lasso começa com "La" e "seleção" — ele Lança fora variáveis (zera). Ridge começa com "Ri" e "reduz" — ele apenas Riduz os coeficientes. Essa associação ajuda a lembrar na hora da prova.