Questão de Estatística — Conhecimentos de estatística — FGV 2026
Estatística›Conhecimentos de estatística
Código
fg133944
Banca
FGV
Órgão
TJ-RJ
Ano
2026
Nível
Superior
Cargo
Analista Judiciário - Tecnologia da Informação - Arquiteto de Dados
O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:
Ao aumento do parâmetro de regularização (lambda ou alpha) reduz o viés do modelo ao permitir que ele capture padrões mais complexos, sendo recomendado para corrigir problemas de underfitting em redes neurais profundas;
Ba regularização L1 (Lasso) e a regularização L2 (Ridge) produzem resultados idênticos em termos de seleção de features, diferindo apenas na velocidade de convergência do algoritmo de otimização durante o treinamento;
Ca validação cruzada (cross-validation) é uma técnica de regularização que modifica a função de perda adicionando um termo de penalização aos coeficientes do modelo, reduzindo assim a variância sem alterar o viés;
Dmodelos com sobreajuste apresentam alto viés e baixa variância, razão pela qual técnicas de regularização são aplicadas para aumentar a complexidade do modelo e melhorar seu desempenho no conjunto de treinamento;
Eo aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.
Revelar gabarito e comentário▾
GabaritoE — o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.
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”.
Compensação viés-variância e regularização em aprendizado de máquina
Gabarito: letra E. O aumento do parâmetro de regularização (lambda ou alpha) reduz a complexidade efetiva do modelo, o que aumenta o viés e reduz a variância — exatamente o que a alternativa E afirma. Essa é a essência da compensação viés-variância: regularizar demais leva ao underfitting, e regularizar de menos deixa o overfitting. As demais alternativas invertem conceitos ou atribuem efeitos incorretos à regularização.
O equilíbrio entre viés e variância é o coração do aprendizado de máquina. Viés é o erro sistemático introduzido por simplificações do modelo; variância é a sensibilidade do modelo a pequenas flutuações nos dados de treinamento. Um modelo com alto viés ignora padrões relevantes (underfitting); um com alta variância memoriza ruído (overfitting). A regularização atua justamente nesse trade-off: ao penalizar coeficientes grandes, ela reduz a variância, mas aumenta o viés. O parâmetro de regularização controla essa troca — quanto maior, mais simples o modelo.
A banca explora aqui a confusão clássica entre os efeitos da regularização e os sintomas de underfitting/overfitting. Vamos analisar cada alternativa.
Alternativa
Afirmação sobre regularização/viés-variância
Efeito real (aumentar λ/α)
Veredito
A
Aumentar λ/α reduz viés e permite padrões mais complexos
Aumenta viés, reduz complexidade
❌ Incorreta
B
L1 e L2 idênticos em seleção de features, diferem só na velocidade
L1 zera coeficientes; L2 apenas encolhe
❌ Incorreta
C
Validação cruzada é regularização que modifica a função de perda
Validação cruzada avalia desempenho; não penaliza perda
Afirma que aumentar o parâmetro de regularização reduz o viés e permite capturar padrões mais complexos. É o oposto: aumentar lambda/alpha aumenta o viés e reduz a complexidade do modelo. A regularização não serve para corrigir underfitting — ela o agrava. Para corrigir underfitting, seria necessário reduzir a regularização ou aumentar a complexidade do modelo.
Alternativa B — ❌ Incorreta
Afirma que L1 (Lasso) e L2 (Ridge) produzem resultados idênticos em seleção de features, diferindo apenas na velocidade de convergência. Isso é falso: L1 tende a zerar coeficientes, realizando seleção de features de forma esparsa; L2 apenas encolhe os coeficientes, sem zerá-los. A diferença é estrutural, não de velocidade de convergência.
Alternativa C — ❌ Incorreta
Afirma que a validação cruzada é uma técnica de regularização que modifica a função de perda. A validação cruzada é uma técnica de avaliação de desempenho — ela estima o erro de generalização particionando os dados em treino e validação. Não adiciona penalização à função de perda; isso é papel da regularização (L1/L2).
Alternativa D — ❌ Incorreta
Afirma que modelos com sobreajuste apresentam alto viés e baixa variância. É o inverso: overfitting é caracterizado por baixo viés e alta variância — o modelo se ajusta demais aos dados de treinamento. A regularização, então, é aplicada para reduzir a complexidade, não para aumentá-la, e melhora o desempenho em dados novos, não no conjunto de treinamento.
Alternativa E — ✅ Correta ⟵ GABARITO
Afirma que o aumento do parâmetro de regularização reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância — estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente. Isso está perfeitamente alinhado com a teoria da compensação viés-variância: regularização forte simplifica demais o modelo, sacrificando o ajuste aos dados de treinamento (aumento de viés) em troca de maior estabilidade (menor variância).
NÃO CAIA NESSA!
A banca inverte os efeitos da regularização e os sintomas de under/overfitting. Cuidado: aumentar lambda/alpha → mais viés, menos variância, modelo mais simples (pode causar underfitting). Diminuir lambda/alpha → menos viés, mais variância, modelo mais complexo (pode causar overfitting). Memorize essa relação e você não cai nessas trocas.
PEGA ESSA DICA!
Para questões de viés-variância, monte uma tabela mental: underfitting = alto viés, baixa variância, modelo simples; overfitting = baixo viés, alta variância, modelo complexo. Regularização move o modelo da direita para a esquerda nesse espectro. Se a alternativa disser que regularização "aumenta complexidade" ou "reduz viés", está errada.
Gabarito: letra E — a única que descreve corretamente o efeito da regularização sobre viés e variância.