Uma técnica usual para compreender a variabilidade de dados de séries temporais espaçados irregularmente em um mapa é conhecida como Empirical Orthogonal Function (EOF). Sobre a referida análise, assinale a opção correta.

Em relação às diferenças conceituais e aplicações da Análise de Componentes Principais (PCA) e da Análise Fatorial (AF), julgue os itens a seguir:

I. A PCA busca combinações lineares (componentes principais) que retêm a máxima variância total dos dados observados, sem postular um modelo de erros ou fatores latentes; já a Análise Fatorial assume que as variáveis observadas são funções lineares de fatores latentes comuns acrescidos de erros únicos (especificidades).

II. Na PCA, os componentes são ortogonais e ordenados por variância explicada; na Análise Fatorial, os fatores podem ser rotacionados (ex.: varimax) para facilitar a interpretação, e a comunalidade representa a proporção da variância de cada variável explicada pelos fatores comuns.

III. Uma diferença prática importante é que a PCA é frequentemente usada para redução de dimensionalidade quando o interesse é reter a maior parte da informação, enquanto a Análise Fatorial é mais adequada para identificar estruturas latentes subjacentes (ex.: traços de personalidade, construtos socioeconômicos).

IV. A PCA é invariante a rotações ortogonais dos componentes, ou seja, qualquer rotação dos eixos principais produz a mesma solução; já na Análise Fatorial, a rotação é essencial para tornar os fatores interpretáveis, e diferentes métodos de rotação podem levar a diferentes soluções fatoriais.

V. A PCA pressupõe que os dados seguem uma distribuição normal multivariada e que não há outliers, caso contrário os resultados são sempre inválidos; a Análise Fatorial, por outro lado, é robusta a qualquer tipo de distribuição e não requer normalidade.

Assinale a alternativa com a sequência CORRETA (V/F): 

Sobre conceitos e técnicas de Processamento de Linguagem Natural (PLN), analise as afirmativas a seguir.
I. Representações baseadas em n-gramas utilizam sequências contíguas de n itens textuais, podendo capturar padrões locais de palavras em documentos. II. Técnicas de redução de dimensionalidade, como Análise de Componentes Principais (PCA), podem ser utilizadas para representar textos em espaços vetoriais de menor dimensão. III. Modelagem de tópicos latentes, como LDA (Latent Dirichlet Allocation), é frequentemente utilizada para identificar temas recorrentes em coleções de documentos.
Está correto o que se afirma em

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. 

O setor de inteligência de um Tribunal de Justiça deseja analisar o perfil de produtividade das Comarcas do Estado.
O banco de dados contém múltiplas variáveis correlacionadas, como o número de novos processos, o tempo médio de tramitação, a taxa de congestionamento e o número de magistrados.
O objetivo inicial é simplificar o conjunto de dados, transformando essas variáveis originais em um número menor de índices sintéticos que retenham a maior parte da variação original, facilitando a criação de um ranking de eficiência sem a redundância das informações correlacionadas.

Assinale a opção que apresenta o método de Estatística Multivariada mais apropriado para o objetivo especificado.