Julgue o próximo item, no que se refere a métodos de análise multivariada e a técnicas para a redução de dimensionalidade e interpretação de dados complexos. 

A análise de componentes principais transforma um conjunto de variáveis correlacionadas em um conjunto menor de variáveis não correlacionadas (componentes principais) que retêm a maior parte da variância dos dados originais. 

Considerando que o quadro acima mostra os resultados referentes às três primeiras componentes principais, julgue o item a seguir. 

O desvio padrão da segunda componente principal é igual a 1,5.

Considerando que o quadro acima mostra os resultados referentes às três primeiras componentes principais, julgue o item a seguir. 

A carga fatorial da variável X₅, em relação à segunda componente principal é igual a 0,16.

Considerando que o quadro acima mostra os resultados referentes às três primeiras componentes principais, julgue o item a seguir. 

O percentual da variação explicada pelas três primeiras componentes principais é superior a 80%.

Considerando que o quadro acima mostra os resultados referentes às três primeiras componentes principais, julgue o item a seguir. 

O primeiro autovetor associado ao maior autovalor define a direção da primeira componente principal (CP1), e suas coordenadas indicam as combinações lineares das variáveis originais que maximizam a variância total dos dados.

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. 

A partir dessa situação hipotética, julgue o seguinte item.

Na análise das componentes principais, os elementos dos autovetores representam a associação entre as variáveis originais e as componentes, o que ajuda a interpretar quais variáveis contribuem mais para cada componente.

A partir dessa situação hipotética, julgue o seguinte item.

A análise discriminante procura maximizar a separação entre classes que definem a qualidade do ar (boa, moderada ou ruim) e utiliza combinações lineares dos níveis de poluentes e fatores meteorológicos.

A partir dessa situação hipotética, julgue o seguinte item.

Na análise de componentes principais, o percentual da variância total explicada (70%) é dado pela razão entre o número de componentes explicativas (3) pela quantidade de variáveis presentes na base de dados (10). 

A partir dessa situação hipotética, julgue o seguinte item.

A análise fatorial permite determinar fatores latentes que poderiam representar variáveis não observáveis, como indicadores de poluição atmosférica e indicadores de condições climáticas, com base nas correlações entre os níveis de poluentes e os fatores meteorológicos, permitindo-se reduzir a dimensionalidade do problema. 

A respeito dessa situação hipotética, julgue o próximo item.  

Se o p-valor do teste de esfericidade for igual a 0,001, então a hipótese nula desse teste — de que os resíduos seguem uma distribuição normal — deve ser rejeitada sob nível de significância igual a 2%.

Com base nessas informações, julgue o próximo item.

A soma das variâncias das 5 variáveis métricas envolvidas no estudo foi igual ou inferior a 30.

Com base nessas informações, julgue o próximo item.

Os autovalores representam as cargas fatoriais das componentes principais.

Com base nessas informações, julgue o próximo item.

A primeira componente principal explica 44% da variação total dos dados.

Com base nessas informações, julgue o próximo item.

A extração dos fatores componentes foi efetuada a partir de uma matriz de correlações.

Com base nessas informações, julgue o próximo item.

O desvio padrão da terceira componente principal é igual a 2.

Com referência à análise de componentes principais (PCA, na sigla em inglês) e sua aplicação na redução de dimensionalidade, julgue o item subsequente. 

A PCA pode ser usada para prever novas observações a partir de componentes principais. 

Com referência à análise de componentes principais (PCA, na sigla em inglês) e sua aplicação na redução de dimensionalidade, julgue o item subsequente. 

A PCA transforma variáveis correlacionadas em componentes principais não correlacionados, preservando a máxima variabilidade dos dados. 

A respeito de modelos de regressão e testes estatísticos utilizados na análise multivariada, julgue o item que se segue. 

A regressão logística pode ser usada para prever variáveis dependentes contínuas. 

Julgue o item a seguir, referente a conceitos e técnicas estatísticas aplicadas à análise multivariada.

A regressão linear múltipla é uma técnica de análise multivariada usada para modelar a relação entre uma variável dependente e múltiplas variáveis independentes.