Em análise de conglomerados, por muitos chamada de análise de clusters, cita-se dois métodos conhecidos: o método hierárquico e o k-médias ( k-means ). Sobre o método hierárquico, pode-se afirmar:

Em análise de conglomerados, também conhecida como análise de clusters, dois métodos se destacam: o hierárquico e o k-means. Sobre o método hierárquico, a alternativa correta é a B), que afirma que ele exige recursos computacionais elevados para ser aplicado em grandes amostras.

O método hierárquico é amplamente utilizado em estatística e mineração de dados, mas sua natureza computacionalmente intensiva o torna menos eficiente quando lidamos com conjuntos de dados extensos. Isso ocorre porque ele calcula e armazena matrizes de distâncias entre todos os pontos, o que demanda grande capacidade de processamento e memória à medida que o número de observações aumenta.

As demais alternativas apresentam afirmações incorretas sobre o método:

• A) O método hierárquico não é necessariamente mais subjetivo que o k-means;
• C) A análise de conglomerados não examina relações de dependência entre variáveis;
• D) Ao contrário do k-means, o método hierárquico não requer a definição prévia do número de clusters;
• E) A padronização das variáveis é geralmente recomendada na análise de clusters.

Portanto, a limitação computacional para grandes amostras é de fato uma característica relevante do método hierárquico de agrupamento, tornando a alternativa B a correta.