Questão de Estatística — Conhecimentos de estatística — FGV 2026
Estatística›Conhecimentos de estatística
Código
fg133972
Banca
FGV
Órgão
TJ-RJ
Ano
2026
Nível
Superior
Cargo
Analista Judiciário - Tecnologia da Informação - Cientista 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: regularização é uma estratégia contra overfitting, mas em excesso pode levar a underfitting. As demais alternativas invertem os conceitos ou atribuem à regularização efeitos que ela não possui.
A compensação viés-variância é um dos conceitos centrais em aprendizado de máquina. O viés mede o erro sistemático introduzido por simplificações do modelo; a variância mede a sensibilidade do modelo a pequenas flutuações nos dados de treinamento. Modelos muito simples (alto viés) tendem a subajustar (underfitting), não capturando padrões relevantes. Modelos muito complexos (alta variância) tendem a sobreajustar (overfitting), memorizando ruído em vez de generalizar. O objetivo é encontrar o ponto de equilíbrio que minimize o erro total, que é a soma de viés², variância e ruído irredutível.
A regularização atua justamente nesse equilíbrio: ela adiciona um termo de penalização à função de perda, que cresce com a magnitude dos coeficientes. Ao aumentar o parâmetro de regularização (lambda ou alpha), o modelo é forçado a manter os coeficientes menores, o que reduz a complexidade efetiva. Isso aumenta o viés (o modelo fica mais simples) e reduz a variância (fica menos sensível ao ruído). Por isso, a regularização é uma ferramenta eficaz contra overfitting, mas se aplicada em excesso, pode levar a underfitting.
A banca explora aqui a confusão clássica entre os efeitos da regularização: muitos candidatos associam "regularização" a "mais complexidade" ou a "seleção de features" de forma equivocada. Vamos analisar cada alternativa.
Caso
Afirmação sobre regularização/viés-variância
Resultado
A
Aumentar λ/α reduz viés e é recomendado para underfitting
Incorreta
B
L1 e L2 idênticos em seleção de features, diferem só na convergência
Incorreta
C
Validação cruzada é regularização que modifica a função de perda
Incorreta
D
Overfitting tem alto viés e baixa variância; regularização aumenta complexidade
Incorreta
E
Aumentar λ/α reduz complexidade, aumenta viés, reduz variância; eficaz contra overfitting, mas pode causar underfitting
Afirma que aumentar o parâmetro de regularização reduz o viés e permite capturar padrões mais complexos, sendo recomendado para underfitting. Isso é o oposto do que ocorre: aumentar lambda/alpha aumenta o viés (o modelo fica mais simples) e reduz a variância. A regularização é usada para combater overfitting, não underfitting. 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: a diferença fundamental é que L1 tende a zerar coeficientes, realizando seleção de features, enquanto L2 apenas os encolhe (sem zerar). A diferença está na natureza da penalização (norma L1 vs. norma L2), não na velocidade de convergência.
Alternativa C — ❌ Incorreta
Afirma que validação cruzada é uma técnica de regularização que modifica a função de perda adicionando penalização. Isso é um erro conceitual: validação cruzada é uma técnica de avaliação/validação do modelo, usada para estimar o erro de generalização e escolher hiperparâmetros. Ela não modifica a função de perda nem adiciona penalização aos coeficientes. A regularização é que adiciona o termo de penalização.
Alternativa D — ❌ Incorreta
Afirma que modelos com sobreajuste apresentam alto viés e baixa variância. Isso é o inverso: overfitting é caracterizado por baixo viés e alta variância (o modelo se ajusta demais aos dados de treinamento). Além disso, a regularização reduz a complexidade, não a aumenta, e o objetivo é melhorar o desempenho em dados novos (generalização), 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, sendo eficaz contra overfitting, mas podendo levar a underfitting se aplicado excessivamente. Isso está perfeitamente alinhado com a teoria da compensação viés-variância: regularização controla a complexidade, e o trade-off é exatamente esse.
NÃO CAIA NESSA!
A banca inverte os efeitos da regularização nas alternativas A e D. Muitos candidatos pensam que "regularizar" significa "deixar o modelo mais complexo" ou que overfitting tem alto viés. Lembre-se: regularização → menos complexidade → mais viés, menos variância. Overfitting → baixo viés, alta variância. Com esse mapa mental, você elimina as alternativas erradas rapidamente 💪.
PEGA ESSA DICA!
Para questões de viés-variância, monte uma tabela mental rápida: Underfitting = alto viés, baixa variância, modelo simples; Overfitting = baixo viés, alta variância, modelo complexo; Regularização = aumenta viés, reduz variância, combate overfitting. Se a alternativa falar em "aumentar complexidade" para combater overfitting, está errada.