Carregando...
Carregando...
Ajude a melhorar a plataforma
Uma das aplicações mais conhecidas de algoritmos probabilísticos é o teste de primalidade de números grandes, como o algoritmo Miller-Rabin. Esses métodos baseados em probabilidades tornam verificações rápidas possíveis, mesmo para números com centenas de dígitos. Embora não garantam precisão absoluta, o erro pode ser reduzido ajustando o número de iterações.
Diante do apresentado, sobre os tipos de conhecimento de redes bayesianas, observe as afirmativas a seguir:
I. O conhecimento causal representa como os efeitos dependem de suas causas e é frequentemente usado para prever consequências.
II. O conhecimento diagnóstico se baseia em como as causas explicam os efeitos e é usado para prever causas a partir de evidências observadas.
III. Em uma Rede Bayesiana, os dois tipos de conhecimento (causal e diagnóstico) são mutuamente exclusivos e não podem coexistir no mesmo modelo.
Está correto o que se afirma em:
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
🎓 Gabarito
A alternativa correta é B
JUSTIFICATIVA:
A afirmativa I está correta: o conhecimento causal (ou inferência preditiva) segue a direção das arestas no grafo, partindo da causa para o efeito. A afirmativa II está correta: o conhecimento diagnóstico (ou inferência diagnóstica) permite realizar o raciocínio inverso, inferindo a probabilidade de uma causa dada a observação de um efeito (evidência). A afirmativa III está incorreta porque uma Rede Bayesiana permite que ambos os tipos de raciocínio (e também o raciocínio intercausal) coexistam e sejam realizados sobre a mesma estrutura de grafo.