Questão de Estatística · FCC TRT23 2022 (nº 54)

A análise multivariada é um conjunto de técnicas estatísticas que nos permite estudar e entender as relações entre múltiplas variáveis (características) ao mesmo tempo, em vez de analisar cada uma isoladamente.

(A) Incorreta: O principal objetivo da Análise de Componentes Principais (ACP) é justamente a redução da dimensionalidade dos dados, transformando um grande número de variáveis correlacionadas em um conjunto menor de componentes não correlacionados, que retêm a maior parte da informação original.
(B) Incorreta: Na análise discriminante, é fundamental conhecer previamente os grupos aos quais as observações pertencem. Essa informação é usada para construir a função discriminante que, posteriormente, será aplicada para classificar novas observações em um dos grupos já definidos.
(C) Incorreta: Na regressão logística, a homoscedasticidade (variância constante dos resíduos) não é uma premissa do modelo. Na verdade, a variância dos resíduos na regressão logística é inerentemente heteroscedástica, pois depende da probabilidade prevista, que varia com as variáveis preditoras. Portanto, a ausência de homoscedasticidade não é uma premissa a ser verificada, mas sim uma característica esperada.
(D) Correta: O dendrograma é a representação gráfica padrão utilizada na análise de conglomerados hierárquicos. Ele ilustra visualmente o processo de agrupamento, mostrando como os objetos ou conglomerados são unidos (ou divididos) em diferentes níveis de similaridade ou distância.
(E) Incorreta: Na análise discriminante, assim como em muitos modelos de regressão, a ausência de multicolinearidade (ou seja, baixa correlação entre as variáveis explicativas) é um pressuposto desejável. A multicolinearidade pode levar a estimativas instáveis dos coeficientes da função discriminante e dificultar a interpretação dos resultados. A armadilha aqui é que a afirmação diz que a ausência de multicolinearidade não é considerada um pressuposto, o que é falso, pois ela é importante para a estabilidade e interpretabilidade do modelo.