Com relação a imagens térmicas, tratamento e análise de sinais, processamento de imagens e espectroscopia de emissão por plasma induzido por laser (LIBS), julgue o próximo item. 

Métodos como a análise de componentes principais (PCA) ou a análise de componentes independentes (ICA) são usados para reduzir a dimensionalidade de grandes conjuntos de dados espectrais, facilitar a visualização e identificar padrões ocultos para a caracterização de substâncias.

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

A PCA (análise de componentes principais) é uma técnica que transforma variáveis correlacionadas em componentes principais ortogonais, o que permite a redução da dimensionalidade dos dados; a seleção dos componentes principais é realizada com base na variância explicada por cada componente. 

Acerca de técnicas utilizadas na ciência de dados, julgue o item a seguir. 

O K-means exige a definição do número de clusters como parâmetro de entrada e tem um desempenho eficiente em grandes conjuntos de dados, mas é sensível a outliers e só funciona bem para clusters esféricos e de densidade semelhante. 

Após a extração dos fatores em uma análise fatorial, pode ser calculado o grau de adaptação das variáveis aos fatores por meio das cargas fatoriais. Normalmente, o que acontece é que a maior parte das variáveis tem cargas altas no fator mais importante e cargas baixas nos outros fatores, tornando a interpretação mais difícil. Nesse sentido, a técnica de rotação de fatores é utilizada para atingir uma melhor distinção entre os fatores. Nesse contexto, analise as afirmativas a seguir.
I. A rotação quartimax visa maximizar a dispersão da carga dos fatores de uma variável por todos os fatores, geralmente acarretando em muitas variáveis com cargas altas em um único fator.
II. A rotação varimax facilita a interpretação das cargas fatoriais.
III. A rotação promax é um método rápi... Ver mais

A Análise de Componentes Principais (PCA) é uma técnica de transformação de dados que tem como objetivo encontrar as direções de maior variação nos dados, geralmente representadas pelos chamados componentes principais, e gerar novas representações dos dados.
Assinale o objetivo principal dessa técnica. 

Em relação à distribuição Normal, assinale V para a afirmativa verdadeira e F para a falsa.
( ) Se X segue uma distribuição Normal, então a média é igual à mediana e igual à moda.
( ) Quando o tamanho da amostra é grande, a distribuição normal serve como aproximação da distribuição binomial.
( ) Quanto menor a variância, mais achatada é a função densidade de probabilidade da distribuição Normal.
As afirmativas são, respectivamente,

Suponha X = (X1, X2, X3, X4)t uma distribuição normal multivariada com matriz de covariância



A variância de X1, X2, X3, X4 é:

O gestor de uma grande sociedade empresária, para definir metas e indicadores de desempenho, cria uma base de dados com os resultados da última avaliação realizada com os funcionários. Essa avaliação formou uma base que pretende ser utilizada para tomada de decisões como promoções, aumentos salariais, transferências e até demissões.
Cada funcionário foi avaliado segundo os critérios de pontualidade, assiduidade, motivação, satisfação no trabalho e cumprimento das tarefas designadas, recebendo uma nota de 0 a 10 pontos para cada critério. Para simplificar a análise, agruparam-se os funcionários por similaridade de acordo com os critérios mencionados.
A técnica de análise multivariada mais adequada para criar os grupos e analisar o desempenho dos funcionários é:

Considere o conjunto de valores: {?8, ?225, ?0,25, ?0,125, ?135}. Qual o valor modal desse conjunto? 

Quanto à análise multivariada,