Questões de Concurso
Sobre análise de cluster em estatística
Foram encontradas 30 questões
Q4403138
Estatística
A Análise de Agrupamentos tem como
objetivo particionar um conjunto de observações
em grupos de forma que os elementos dentro de
um mesmo grupo sejam os mais semelhantes
possíveis, e os elementos de grupos diferentes
sejam os mais distintos possíveis.
A respeito das propriedades e características dos métodos de agrupamento, analise as afirmativas de I a VI abaixo:
I. O método K-means é classificado como um método de agrupamento hierárquico e tem como principal vantagem a dispensa da definição prévia do número de grupos (clusters) pelo pesquisador.
II. O método do vizinho mais próximo (ou ligação simples) define a distância entre dois agrupamentos como a distância mínima entre qualquer par de observações, um de cada agrupamento, sendo altamente suscetível ao efeito de encadeamento (chaining).
III. O método do vizinho mais distante (ou ligação completa) calcula a distância entre os grupos considerando a distância máxima entre os seus pontos, o que tende a produzir agrupamentos mais compactos e de tamanhos similares.
IV. No método do centroide, a distância entre dois clusters é a distância entre as médias das observações de cada grupo. Uma de suas vantagens é a garantia matemática de que o dendrograma nunca apresentará inversões (reversões).
V. O algoritmo K-means funciona iterativamente para minimizar a variância intragrupo, contudo é bastante sensível à presença de outliers (valores atípicos), que podem deslocar drasticamente a posição dos centroides.
VI. Os métodos do vizinho mais próximo, vizinho mais distante e centroide são algoritmos hierárquicos aglomerativos, enquanto o K-means é essencialmente um método de partição nãohierárquico.
Assinale a ÚNICA alternativa que apresenta todos os itens CORRETOS.
A respeito das propriedades e características dos métodos de agrupamento, analise as afirmativas de I a VI abaixo:
I. O método K-means é classificado como um método de agrupamento hierárquico e tem como principal vantagem a dispensa da definição prévia do número de grupos (clusters) pelo pesquisador.
II. O método do vizinho mais próximo (ou ligação simples) define a distância entre dois agrupamentos como a distância mínima entre qualquer par de observações, um de cada agrupamento, sendo altamente suscetível ao efeito de encadeamento (chaining).
III. O método do vizinho mais distante (ou ligação completa) calcula a distância entre os grupos considerando a distância máxima entre os seus pontos, o que tende a produzir agrupamentos mais compactos e de tamanhos similares.
IV. No método do centroide, a distância entre dois clusters é a distância entre as médias das observações de cada grupo. Uma de suas vantagens é a garantia matemática de que o dendrograma nunca apresentará inversões (reversões).
V. O algoritmo K-means funciona iterativamente para minimizar a variância intragrupo, contudo é bastante sensível à presença de outliers (valores atípicos), que podem deslocar drasticamente a posição dos centroides.
VI. Os métodos do vizinho mais próximo, vizinho mais distante e centroide são algoritmos hierárquicos aglomerativos, enquanto o K-means é essencialmente um método de partição nãohierárquico.
Assinale a ÚNICA alternativa que apresenta todos os itens CORRETOS.
Ano: 2026
Banca:
FGV
Órgão:
DATAPREV
Prova:
FGV - 2026 - DATAPREV - Analista de Tecnologia da Informação – Inteligência da Informação |
Q4389058
Estatística
No contexto do Aprendizado de Máquina não supervisionado, os
Modelos de Mistura Gaussiana (Gaussian Mixture Models)
representam uma abordagem probabilística para a tarefa de
agrupamento (clustering).
Acerca das características e do funcionamento dessa técnica, analise os itens a seguir. I. De acordo com a técnica, cada gaussiana no modelo de mistura possui três parâmetros principais: média, peso e matriz de covariância. II. O modelo calcula para cada instância a probabilidade de ela ter sido gerada por cada um dos componentes da mistura. III. Os agrupamentos gerados por essa técnica são matematicamente limitados a formatos esféricos, impossibilitando a modelagem de distribuições elípticas ou com volumes distintos no espaço de dados. Está correto o que se afirma em
Acerca das características e do funcionamento dessa técnica, analise os itens a seguir. I. De acordo com a técnica, cada gaussiana no modelo de mistura possui três parâmetros principais: média, peso e matriz de covariância. II. O modelo calcula para cada instância a probabilidade de ela ter sido gerada por cada um dos componentes da mistura. III. Os agrupamentos gerados por essa técnica são matematicamente limitados a formatos esféricos, impossibilitando a modelagem de distribuições elípticas ou com volumes distintos no espaço de dados. Está correto o que se afirma em
Ano: 2026
Banca:
FGV
Órgão:
DATAPREV
Prova:
FGV - 2026 - DATAPREV - Analista de Tecnologia da Informação – Inteligência da Informação |
Q4389057
Estatística
O algoritmo K-Means (K-Médias, em português), usado em
Aprendizado de Máquina, pode ser descrito como um método
Ano: 2026
Banca:
CESPE / CEBRASPE
Órgão:
SEPLAG-AL
Prova:
CESPE / CEBRASPE - 2026 - SEPLAG-AL - Analista Previdenciário - Área: Tecnologia da Informação |
Q4370750
Estatística
Acerca de análise de agrupamentos e detecção de anomalias, julgue o próximo item.
A análise de agrupamentos (clusterização) é um método de aprendizado não supervisionado que agrupa dados em clusters baseado em similaridade, sem requerer rótulos prévios, sendo útil para a descoberta de padrões naturais e estruturas ocultas nos dados.
Ano: 2026
Banca:
FGV
Órgão:
TCE-PE
Prova:
FGV - 2026 - TCE-PE - Analista de Gestão - Administração - REAPLICAÇÃO |
Q4282408
Estatística
A área de gestão de um Tribunal de Contas pretende planejar
ações de desenvolvimento organizacional para suas unidades.
Para cada unidade, foram consolidados indicadores relativos a:
• volume de demandas recebidas; • proporção de demandas concluídas no prazo;
• tempo médio de atendimento;
• taxa de absenteísmo;
• horas de capacitação por servidor;
• proporção de postos de trabalho não ocupados.
Não existem categorias previamente definidas para classificar as unidades, nem registros anteriormente rotulados que indiquem o perfil de cada uma.
Após o tratamento necessário para tornar comparáveis os indicadores, a área pretende identificar conjuntos de unidades com combinações semelhantes desses indicadores, a fim de subsidiar diagnósticos e ações de gestão.
Para atender à finalidade apresentada, o procedimento adequado consiste em
Para cada unidade, foram consolidados indicadores relativos a:
• volume de demandas recebidas; • proporção de demandas concluídas no prazo;
• tempo médio de atendimento;
• taxa de absenteísmo;
• horas de capacitação por servidor;
• proporção de postos de trabalho não ocupados.
Não existem categorias previamente definidas para classificar as unidades, nem registros anteriormente rotulados que indiquem o perfil de cada uma.
Após o tratamento necessário para tornar comparáveis os indicadores, a área pretende identificar conjuntos de unidades com combinações semelhantes desses indicadores, a fim de subsidiar diagnósticos e ações de gestão.
Para atender à finalidade apresentada, o procedimento adequado consiste em
Ano: 2026
Banca:
IDECAN
Órgão:
AL-CE
Prova:
IDECAN - 2026 - AL-CE - Analista Legislativo - Análise de Dados |
Q4255268
Estatística
Uma equipe de inteligência legislativa recebeu a tarefa de identificar perfis de atuação parlamentar a partir de informações
históricas relacionadas à apresentação de proposições, participação em comissões, frequência em sessões, temas de interesse
e padrões de votação. Como não existiam categorias previamente definidas para os parlamentares analisados, optou-se pela
utilização de técnicas de agrupamento para identificar estruturas naturalmente presentes nos dados. Durante os testes, foi necessário
selecionar um método adequado para particionar os registros em grupos representados por centroides calculados iterativamente.
Assinale a alternativa que apresenta uma característica tecnicamente associada ao algoritmo K-means.
Assinale a alternativa que apresenta uma característica tecnicamente associada ao algoritmo K-means.
Ano: 2026
Banca:
IDECAN
Órgão:
AL-CE
Prova:
IDECAN - 2026 - AL-CE - Analista Legislativo - Análise de Dados |
Q4255229
Estatística
Uma equipe de análise de dados da Assembleia Legislativa
recebeu a missão de identificar padrões de atuação parlamentar
a partir de milhares de registros que continham informações
sobre proposições apresentadas, votações realizadas,
participação em comissões, temas recorrentes e indicadores de
atividade legislativa. Como não existia uma classificação prévia
dos parlamentares nem categorias definidas antecipadamente,
optou-se pela utilização de técnicas de aprendizado não
supervisionado para explorar possíveis agrupamentos naturais
presentes na base de dados. Durante os testes, observou-se
que alguns parlamentares possuíam comportamento muito
distinto dos demais, formando pequenos grupos isolados em
regiões de baixa densidade.
Assinale a alternativa que apresenta a técnica de agrupamento adequada para identificar agrupamentos de formatos arbitrários e, simultaneamente, reconhecer observações isoladas como potenciais ruídos.
Assinale a alternativa que apresenta a técnica de agrupamento adequada para identificar agrupamentos de formatos arbitrários e, simultaneamente, reconhecer observações isoladas como potenciais ruídos.
Ano: 2026
Banca:
FCC
Órgão:
SEFAZ-CE
Prova:
FCC - 2026 - SEFAZ-CE - Auditor Fiscal da Receita Estadual - Área de Conhecimento: Gestão Fazendária - Conhecimentos Específicos |
Q4221495
Estatística
Auditores de uma Secretaria da Fazenda receberam a incumbência de analisar milhões de registros de notas fiscais eletrônicas,
declarações tributárias e movimentações econômicas de contribuintes. O objetivo era identificar grupos de contribuintes com
comportamentos semelhantes, verificar a evolução da arrecadação ao longo dos últimos anos e estimar possíveis cenários futuros
para subsidiar ações de fiscalização e planejamento institucional. Nesse contexto, a afirmação tecnicamente correta é que
Ano: 2026
Banca:
FGV
Órgão:
MPE-ES
Prova:
FGV - 2026 - MPE-ES - Agente Especializado - Cientista de Dados e Inteligência de Negócios |
Q4218179
Estatística
Um cientista de dados está desenvolvendo um modelo de
segmentação para classificar procedimentos com base em
características quantitativas.
Para garantir a comparabilidade entre variáveis, ele aplicou a padronização por escore z (z-score) em um conjunto de dados multivariados, de modo que todas as variáveis passassem a apresentar média 0 e desvio-padrão 1.
Após a padronização, verificou-se que os dados não apresentavam forte separação entre grupos naturais. Em seguida, foi aplicado o algoritmo K-means em Python:
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
kmeans = KMeans(n_clusters=3, n_init=10, random_state=0)
kmeans.fit(X_scaled)
print(kmeans.cluster_centers_)
Observou-se que os centroides obtidos apresentam valores próximos de zero em todas as dimensões.
Considerando o contexto descrito, esse resultado ocorre porque
Para garantir a comparabilidade entre variáveis, ele aplicou a padronização por escore z (z-score) em um conjunto de dados multivariados, de modo que todas as variáveis passassem a apresentar média 0 e desvio-padrão 1.
Após a padronização, verificou-se que os dados não apresentavam forte separação entre grupos naturais. Em seguida, foi aplicado o algoritmo K-means em Python:
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
kmeans = KMeans(n_clusters=3, n_init=10, random_state=0)
kmeans.fit(X_scaled)
print(kmeans.cluster_centers_)
Observou-se que os centroides obtidos apresentam valores próximos de zero em todas as dimensões.
Considerando o contexto descrito, esse resultado ocorre porque
Ano: 2026
Banca:
Instituto Consulplan
Órgão:
Prefeitura de Vitória - ES
Prova:
Instituto Consulplan - 2026 - Prefeitura de Vitória - ES - Analista em Gestão Pública - Estatístico |
Q4210726
Estatística
Considere as seguintes técnicas frequentemente utilizadas em aprendizado de máquina:
I. Regressão logística. II. K-means. III. Random Forest. IV. Análise de Componentes Principais (PCA).
Em relação à classificação dessas técnicas em métodos supervisionados e não supervisionados, assinale a alternativa correta.
I. Regressão logística. II. K-means. III. Random Forest. IV. Análise de Componentes Principais (PCA).
Em relação à classificação dessas técnicas em métodos supervisionados e não supervisionados, assinale a alternativa correta.
Ano: 2026
Banca:
Instituto Consulplan
Órgão:
Prefeitura de Vitória - ES
Prova:
Instituto Consulplan - 2026 - Prefeitura de Vitória - ES - Analista em Gestão Pública - Estatístico |
Q4210724
Estatística
Determinada secretaria municipal de planejamento urbano está desenvolvendo um sistema de apoio à decisão para
organizar regiões da cidade com perfis socioeconômicos semelhantes, visando melhor alocação de recursos públicos. Para
isso, um analista de dados propôs o uso de diferentes técnicas de análise de agrupamentos (clusterização). Nesse contexto,
assinale a afirmativa INCORRETA.
Q4186547
Estatística
Um pesquisador dispõe de uma matriz de dados com 100 observações e 50 variáveis socioeconômicas. Ele aplica as seguintes técnicas: análise fatorial por máxima verossimilhança (AF), análise discriminante linear (LDA) e clusterização hierárquica. Em relação às propriedades e diferenças entre esses métodos, julgue os itens a seguir:
I. Na análise fatorial (método de máxima verossimilhança), assume-se que as variáveis observadas são combinações lineares de poucos fatores latentes comuns mais termos de erro únicos (especificidades), não correlacionados entre si. A solução dos loadings não é única, podendo ser rotacionada (ex.: varimax) sem alterar a comunalidade total.
II. A análise discriminante linear (LDA) para classificação assume que as covariâncias dentro dos grupos são homogêneas e que os dados seguem distribuição normal multivariada. Quando essas suposições são violadas, a LDA ainda é robusta e geralmente supera a regressão logística em termos de acurácia.
III. A clusterização hierárquica aglomerativa com ligação simples (single linkage) define a distância entre dois clusters como a distância mínima entre qualquer ponto de um cluster e qualquer ponto do outro. Esse método tende a produzir clusters alongados e é sensível a outliers, podendo gerar o efeito de "cadeia".
IV. Diferentemente da LDA, a análise fatorial não utiliza informação sobre grupos predefinidos; ela é uma técnica não supervisionada. No entanto, os escores fatoriais obtidos podem ser usados posteriormente como variáveis de entrada em uma LDA para classificação.
V. A clusterização hierárquica com ligação completa (complete linkage) é monotônica (não produz inversões no dendrograma) e tende a formar clusters compactos. Se os dados contiverem outliers, a ligação completa é mais afetada do que a ligação simples porque um outlier isolado forma um cluster de tamanho 1 a uma distância muito grande dos demais. Assinale a alternativa com a sequência CORRETA (V/F):
Ano: 2026
Banca:
INSTITUTO AOCP
Órgão:
IF-CE
Prova:
INSTITUTO AOCP - 2026 - IF-CE - Professor EBTT - Teoria da Computação |
Q4098366
Estatística
Um Professor do IFCE solicita que os alunos
analisem dados numéricos coletados por sensores
no campus, sem rótulos ou categorias prédefinidas.
O objetivo é identificar automaticamente
agrupamentos naturais nos dados, revelando
padrões de similaridade sem utilizar informações
externas. Para isso, o docente orienta que os
estudantes escolham, entre os algoritmos
estudados, aquele adequado para realizar
clusterização em contexto não supervisionado.
Diante desse contexto, assinale a alternativa que
apresenta corretamente o algoritmo que os alunos
devem escolher.
Q4089520
Estatística
Na análise de agrupamentos, existem várias
medidas que podem ser utilizadas como medidas
de distância ou dissemelhança entre os elementos
de uma matriz de dados. Além dessas medidas, é
possível ter uma visualização do processo de
agrupamento hierárquico por meio de gráficos.
Nesse sentido, é correto afirmar que o dendograma
pode ser feito aplicando
Ano: 2026
Banca:
FCC
Órgão:
SEFAZ-GO
Prova:
FCC - 2026 - SEFAZ-GO - Auditor Fiscal da Receita Estadual - Conhecimentos Específicos |
Q4067464
Estatística
Uma Secretaria Estadual analisa contribuintes do ICMS com variáveis numéricas contínuas padronizadas (faturamento, variação
intermensal, frequência de retificações e uso de créditos), sem conhecimento prévio do número de grupos, e deseja obter uma
estrutura hierárquica interpretável para priorização de auditorias. A combinação técnica que atende ao cenário descrito é
Ano: 2025
Banca:
CESPE / CEBRASPE
Órgão:
Polícia Federal
Prova:
CESPE / CEBRASPE - 2025 - Polícia Federal - Perito Criminal Federal - Área 1: Contábil-Financeira |
Q3530165
Estatística
A respeito das regras de associação e da análise de agrupamentos
na exploração de dados, julgue o item subsequente.
O algoritmo k-means é um método de clusterização do tipo particional que requer a definição prévia do número de clusters e utiliza a média dos elementos como critério para a atualização dos centroides.
O algoritmo k-means é um método de clusterização do tipo particional que requer a definição prévia do número de clusters e utiliza a média dos elementos como critério para a atualização dos centroides.
Ano: 2025
Banca:
CESPE / CEBRASPE
Órgão:
EMBRAPA
Prova:
CESPE / CEBRASPE - 2025 - EMBRAPA - Analista - Área: Métodos Quantitativos Avançados - Subárea: Métodos Quantitativos |
Q3280839
Estatística
Texto associado
Um pesquisador organizou um conjunto de dados
contendo 100 observações de 10 variáveis relacionadas à
qualidade do ar em uma cidade. As variáveis incluem medições
de poluentes atmosféricos, como CO, NO2, SO2, e fatores
meteorológicos, como temperatura, umidade, e velocidade do
vento. Para entender a estrutura dos dados e reduzir sua
dimensionalidade, esse pesquisador realizou algumas análises e
concluiu que:
• as três componentes principais explicam 70% da variância
total dos dados;
• as variáveis CO, NO2 e SO2 apresentam altas cargas nas duas
primeiras componentes principais;
• há três clusters proeminentes, que descrevem diferentes
padrões da qualidade do ar em função dos níveis de poluentes
e condições meteorológicas;
• é possível prever, com boa acurácia, a qualidade do ar como
boa, moderada ou ruim com base nos níveis de poluentes e
em fatores meteorológicos.
A partir dessa situação hipotética, julgue o seguinte item.
A análise de clusters é uma técnica multivariada que permite prever a qualidade do ar (boa, moderada ou ruim), com base em variáveis independentes como, por exemplo, os níveis de poluentes e em fatores meteorológicos.
Ano: 2025
Banca:
FGV
Órgão:
TCE-PI
Prova:
FGV - 2025 - TCE-PI - Auditor de Controle Externo - Controle Externo - Específica de Tecnologia da Informação - Sistemas, Engenharia de Dados e Ciência de Dados (Manhã) |
Q3154825
Estatística
No campo da mineração de dados existem alguns problemas
fundamentais que costumam aparecer com frequência em
variados cenários de aplicação. O estudo desses problemas
fornece ferramentas ao analista de dados que são aplicáveis em
diferentes projetos de mineração de dados. Nesse conjunto se
encontram os problemas de determinação de padrões,
classificação de dados, segmentação de dados (clustering) e
detecção de valores discrepantes (outliers).
Considerando os problemas citados, analise as afirmativas a seguir.
I. Em uma tabela binária esparsa, que representa uma base de dados de transações de clientes, em que as colunas representam cada produto e as linhas cada transação, verifica-se que, frequentemente, três das colunas apresentam simultaneamente o valor 1 para vários registros. Este tipo de análise é um problema de detecção de valores discrepantes.
II. A identificação de consumidores que são similares entre si, para uso no contexto de aplicação de promoções orientadas, constitui um problema de segmentação de dados.
III. O problema de classificação de dados pode ser considerado como supervisionado, pelo fato das relações entre as classes definidas e os demais atributos dos dados serem “aprendidas” pelo modelo.
Está correto o que se afirma em
Considerando os problemas citados, analise as afirmativas a seguir.
I. Em uma tabela binária esparsa, que representa uma base de dados de transações de clientes, em que as colunas representam cada produto e as linhas cada transação, verifica-se que, frequentemente, três das colunas apresentam simultaneamente o valor 1 para vários registros. Este tipo de análise é um problema de detecção de valores discrepantes.
II. A identificação de consumidores que são similares entre si, para uso no contexto de aplicação de promoções orientadas, constitui um problema de segmentação de dados.
III. O problema de classificação de dados pode ser considerado como supervisionado, pelo fato das relações entre as classes definidas e os demais atributos dos dados serem “aprendidas” pelo modelo.
Está correto o que se afirma em
Ano: 2024
Banca:
IBFC
Órgão:
TRF - 5ª REGIÃO
Prova:
IBFC - 2024 - TRF - 5ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3171142
Estatística
A Análise de grupos, também conhecida como
agrupamento de dados, é um termo genérico
usado para designar um amplo espectro de
métodos numéricos de análise de dados
multivariados com o objetivo de descobrir
grupos homogêneos de objetos. O
agrupamento de objetos em diferentes grupos
pode simplesmente representar uma forma
conveniente de organizar grandes bases de
dados de maneira que elas sejam mais
facilmente compreendidas ou pesquisadas e,
também, para realizar tarefas muito mais
sofisticadas, como tomada de decisão em
processos críticos. Diante do exposto, assinale
a alternativa correta em relação aos itens que
apresentam um algoritmo de agrupamento.
Ano: 2024
Banca:
FGV
Órgão:
TRF - 1ª REGIÃO
Prova:
FGV - 2024 - TRF - 1ª REGIÃO - Analista Judiciário - Área Apoio Especializado - Especialidade: Análise de Dados |
Q3029120
Estatística
Duas instâncias A e B de um dataset de tweets são
representadas, respectivamente, por intermédio dos vetores
xA = [2, −2, 0, 1,] e xB = [−4, 0, 2, −4].
Os valores da similaridade de cosseno e da distância de Manhattan entre essas duas instâncias são, respectivamente:
xA = [2, −2, 0, 1,] e xB = [−4, 0, 2, −4].
Os valores da similaridade de cosseno e da distância de Manhattan entre essas duas instâncias são, respectivamente:
Conheça nossos planos