Questão de Estatística — Estatística descritiva (análise exploratória de dados) — FCC 2026
Estatística›Estatística descritiva (análise exploratória de dados)
Código
fc077597
Banca
FCC
Órgão
SEFAZ-SP
Ano
2026
Nível
Superior
Cargo
Auditor Fiscal da Receita Estadual - AFRE - Tecnologia da Informação e Comunicação - Conhecimentos Especificos (P3)
Uma Secretaria da Fazenda estadual recebeu dados de todos os lançamentos de ICMS dos últimos 5 anos (valores, setores econômicos, municípios, regime tributário e situação do contribuinte). Antes de construir modelos preditivos de risco ou definir novas regras de fiscalização, a equipe decide realizar apenas uma etapa sistemática de resumo, visualização e detecção de padrões e outliers nos dados, sem ainda formular hipóteses formais ou treinar modelos. Esse trabalho inicial é caracterizado como
Aum exemplo de analytics prescritivo, pois o objetivo principal é recomendar ações específicas de fiscalização para cada contribuinte.
Buma etapa de mineração de dados preditiva, focada em gerar automaticamente modelos de classificação de contribuintes de alto risco.
Cum processo típico de OLAP, em que se navega em cubos com dados consolidados, sem foco em gráficos e exploração detalhada de outliers.
Duma etapa de análise exploratória de dados, focada em medidas-resumo e visualizações para entender distribuições e relações entre variáveis.
Euma tarefa de aprendizado supervisionado, pois pressupõe rótulos de “fraude” ou “não fraude” para cada lançamento tributário.
Revelar gabarito e comentário▾
GabaritoD — uma etapa de análise exploratória de dados, focada em medidas-resumo e visualizações para entender distribuições e relações entre variáveis.
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”.
Análise Exploratória de Dados (AED)
Gabarito: letra D. A etapa descrita — resumo, visualização e detecção de padrões e outliers, sem formular hipóteses formais nem treinar modelos — é a definição clássica de análise exploratória de dados (AED), que antecede qualquer modelagem ou inferência. As demais alternativas confundem AED com analytics prescritivo, mineração preditiva, OLAP ou aprendizado supervisionado, que são fases posteriores ou abordagens distintas.
A análise exploratória de dados é a abordagem que emprega grande variedade de técnicas gráficas e quantitativas para analisar dados, com a finalidade de examiná-los previamente à aplicação de qualquer técnica estatística, descobrindo tendências, relações e padrões ocultos. Ela se contrapõe à análise confirmatória (inferência estatística), que testa hipóteses formais. O material de apoio reforça: "A finalidade da Análise Exploratória de Dados é examinar os dados previamente à aplicação de qualquer técnica estatística" e destaca o uso de tabelas de frequência, histogramas, diagramas de dispersão e diagramas de caixa.
A banca explora a confusão entre as etapas do processo de análise de dados. O enunciado descreve exatamente o que a AED faz: resumir (medidas-resumo), visualizar (gráficos) e detectar padrões e outliers. Não há formulação de hipóteses (isso é inferência), não há treinamento de modelos (isso é aprendizado de máquina), não há recomendação de ações (isso é analytics prescritivo) e não há navegação em cubos consolidados (isso é OLAP).
Análise Exploratória de Dados — só Resumo: medidas-resumo; só Visualização: gráficos; Resumo∩Visualização: padrões e outliers
Alternativa A — ❌ Incorreta
O analytics prescritivo vai além da exploração: ele recomenda ações específicas, usando modelos otimizados para sugerir o que fazer. O enunciado diz explicitamente que a equipe ainda não formula hipóteses nem treina modelos — logo, não há recomendação de fiscalização. A alternativa troca a etapa exploratória pela fase final do ciclo analítico.
Alternativa B — ❌ Incorreta
Mineração de dados preditiva foca em gerar modelos de classificação (como identificar contribuintes de alto risco), o que exige treinamento e validação. O enunciado afirma que a equipe não treina modelos — a etapa descrita é anterior, de conhecimento dos dados. A alternativa confunde exploração com modelagem preditiva.
Alternativa C — ❌ Incorreta
OLAP (On-line Analytical Processing) é uma tecnologia de banco de dados para consultas multidimensionais em dados consolidados, típica de business intelligence. O enunciado descreve uma etapa estatística de exploração com gráficos e outliers, não navegação em cubos. A alternativa troca o contexto estatístico pelo contexto de banco de dados.
Alternativa D — ✅ Correta ⟵ GABARITO
A análise exploratória de dados é exatamente isso: "focada em medidas-resumo e visualizações para entender distribuições e relações entre variáveis". O enunciado descreve resumo, visualização e detecção de padrões e outliers — as três atividades centrais da AED. O material de apoio confirma: a AED usa tabelas de frequência, histogramas, diagramas de dispersão e diagramas de caixa para examinar os dados antes de qualquer técnica estatística.
Alternativa E — ❌ Incorreta
Aprendizado supervisionado exige rótulos (como "fraude" ou "não fraude") para treinar modelos de classificação. O enunciado diz que a equipe não formula hipóteses nem treina modelos — e não menciona rótulos. A alternativa confunde a etapa exploratória (não supervisionada) com a modelagem supervisionada.
NÃO CAIA NESSA!
A banca mistura as etapas do ciclo de análise de dados para confundir. O candidato pode achar que "detectar padrões" já é mineração preditiva ou que "recomendar fiscalização" é o objetivo — mas o enunciado é claro: a equipe ainda está na fase inicial, sem hipóteses formais e sem modelos. A palavra-chave é "apenas uma etapa sistemática de resumo, visualização e detecção" — isso é AED, não modelagem. 💪
PEGA ESSA DICA!
Para acertar esse tipo de questão, identifique o que o enunciado NÃO menciona: se não há hipóteses formais, não é inferência; se não há treinamento, não é aprendizado de máquina; se não há recomendação de ação, não é prescritivo. A AED é sempre a etapa que vem primeiro, de conhecimento dos dados.