Questão de Estatística — Análise Multivariada — FCC 2026
Estatística›Análise Multivariada
Código
fc077170
Banca
FCC
Órgão
SEFAZ-MT
Ano
2026
Nível
Superior
Cargo
Fiscal de Tributos Estaduais
Uma Administração Tributária desenvolveu um modelo de aprendizado supervisionado para prever o risco de inadimplência tributária de contribuintes, com o objetivo de priorizar ações de fiscalização. Observou-se que o modelo apresenta excelente desempenho no conjunto de treinamento, mas desempenho significativamente inferior quando aplicado a novos contribuintes (conjunto de teste). Nesse caso, está ocorrendo
Amulticolinearidade, pois as variáveis explicativas são correlacionadas.
Berro de amostragem, pois a amostra é pequena.
Cunderfitting, pois o modelo é excessivamente simples.
Doverfitting, pois o modelo capturou ruído específico da base de treino.
Eheterocedasticidade, pois a variância dos erros não é constante.
Revelar gabarito e comentário▾
GabaritoD — overfitting, pois o modelo capturou ruído específico da base de treino.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Overfitting e Underfitting em Aprendizado Supervisionado
Gabarito: letra D. O modelo apresenta excelente desempenho no treinamento, mas desempenho inferior no teste — isso é a assinatura clássica do overfitting: o modelo capturou ruído específico da base de treino, decorando os dados em vez de aprender o padrão geral. A alternativa D descreve exatamente esse fenômeno.
O overfitting ocorre quando um modelo de aprendizado supervisionado se ajusta excessivamente aos dados de treinamento, memorizando particularidades (ruído) que não se generalizam para novos dados. Isso é o oposto do underfitting, que acontece quando o modelo é simples demais para capturar a estrutura subjacente dos dados, resultando em desempenho ruim tanto no treino quanto no teste. A distinção fundamental está no comportamento relativo entre os dois conjuntos: no overfitting, o erro de treino é baixo e o de teste é alto; no underfitting, ambos são altos.
A banca explora a confusão entre esses conceitos e outros problemas estatísticos. Multicolinearidade, heterocedasticidade e erro de amostragem são fenômenos distintos que não explicam a discrepância entre treino e teste descrita no enunciado. A chave é reconhecer que o sintoma apresentado — bom desempenho no treino, mau desempenho no teste — é a definição operacional de overfitting.
Desempenho do Modelo por Conjunto — só Treinamento: Alto; só Teste: Baixo; Treinamento∩Teste: —
Alternativa A — ❌ Incorreta
A multicolinearidade refere-se a correlações elevadas entre variáveis explicativas, o que pode inflar a variância dos coeficientes, mas não causa, por si só, a queda de desempenho entre treino e teste. O enunciado não menciona correlação entre variáveis preditoras; o sintoma descrito é de generalização, não de instabilidade dos coeficientes.
Alternativa B — ❌ Incorreta
Erro de amostragem decorre de a amostra não representar bem a população, mas o problema descrito é de generalização do modelo, não de representatividade da amostra. Uma amostra pequena pode agravar o overfitting, mas o erro de amostragem não é a causa direta do fenômeno descrito.
Alternativa C — ❌ Incorreta
Underfitting é o oposto: o modelo é excessivamente simples e não captura nem o padrão do treino, resultando em desempenho ruim em ambos os conjuntos. Aqui, o desempenho no treino é excelente, o que descarta underfitting.
Alternativa D — ✅ Correta ⟵ GABARITO
O overfitting é exatamente o que o enunciado descreve: o modelo se ajusta tão bem aos dados de treinamento que captura ruído específico dessa base, perdendo capacidade de generalização para novos contribuintes. O desempenho no treino é alto, mas no teste cai — a marca registrada do overfitting.
Alternativa E — ❌ Incorreta
Heterocedasticidade é a não constância da variância dos erros, um problema de pressuposto de regressão, mas não explica a discrepância entre desempenho no treino e no teste. O enunciado não menciona variância dos erros; o sintoma é de generalização.
NÃO CAIA NESSA!
A banca troca overfitting por underfitting — o candidato que confunde os dois erra a questão. Lembre: overfitting = modelo complexo demais, bom no treino, ruim no teste; underfitting = modelo simples demais, ruim nos dois. Se o desempenho no treino é excelente, não pode ser underfitting.
PEGA ESSA DICA!
Para identificar overfitting em questões, procure a combinação "bom desempenho no treino + mau desempenho no teste". Se ambos forem ruins, é underfitting. Essa dicotomia resolve a maioria das questões sobre o tema.