Questão 221032 · 52ª da prova
FGV 2026 – MPE-ES – Agente Especializado - Analista de Sistemas: Estatística descritiva (análise exploratória de dados)
- Banca
- FGV
- Órgão
- MPE-ES
- Ano
- 2026
- Cargo
- Agente Especializado - Analista de Sistemas
- Matéria
- Estatística
- Assunto
- Estatística descritiva (análise exploratória de dados) · Medidas de Posição - Tendência Central (Media, Mediana e Moda) · Análise Multivariada · Análise de Cluster
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
- Ao K-means centraliza automaticamente os dados na origem durante a inicialização.
- Bos centroides representam as médias dos grupos e, como os dados estão padronizados e não apresentam forte separação, essas médias tendem a permanecer próximas da média global zero.
- Co parâmetro random_state=0 força os centroides a convergirem para a origem.
- Da padronização elimina a variabilidade entre observações, tornando os centroides coincidentes.
- Eo número de clusters determina que a soma vetorial dos centroides seja nula.