Questão de Banco de Dados — Data Mining — FGV 2023
Banco de Dados›Data Mining
Código
fg060688
Banca
FGV
Órgão
CGE-SC
Ano
2023
Nível
Superior
Cargo
Auditor do Estado - Ciências da Computação - Tarde (Conhecimentos Específicos)
Sobre detecção de anomalias, analise as afirmativas a seguir.I. São exemplos de detecção de anomalias: detecção de fraude, detecção de intrusão, monitoramento de sistemas de saúde, qualidade de um produto.II. São métodos que conseguem lidar com detecção de anomalias: algoritmos baseados em densidade, análise de agrupamento, redes neurais recorrentes, redes bayesianas e modelos de Markov escondidos.III. A distribuição normal é a distribuição mais comum dos dados considerados dentro de uma normalidade, porém, podemos obter normalidade também por meio de outros tipos de distribuição como a distribuição de Bernoulli, distribuição uniforme, distribuição binomial e distribuição de Minkowski.IV. A métrica de avaliação desses métodos pode ajudar na identificação de dados fora do padrão. Portanto, as métricas de precisão, sensibilidade e medida-F1 são exemplos de métricas utilizadas para detecção de anomalias.Está correto o que se afirma em
AI e II, apenas.
BII e III, apenas.
CII, III e II, apenas.
DI, II e IV, apenas.
EI, III e IV, apenas.
Revelar gabarito e comentário▾
GabaritoD — I, II e IV, apenas.
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”.
Detecção de Anomalias (Anomaly Detection)
Gabarito: letra D. Estão corretas apenas as afirmativas I, II e IV. A afirmativa III é falsa por confundir conceitos de distribuições probabilísticas: as distribuições de Bernoulli, uniforme e binomial não geram normalidade — são tipos distintos de distribuição; além disso, "distribuição de Minkowski" não é uma distribuição conhecida.
A questão cobra o conhecimento básico sobre aplicações e técnicas de detecção de anomalias, bem como métricas de avaliação. Vamos analisar cada afirmativa.
Afirmativa I — ✅ Correta
A detecção de anomalias é amplamente aplicada em situações como detecção de fraudes (transações atípicas), detecção de intrusão em redes, monitoramento de sistemas de saúde (sinais vitais fora do normal) e controle de qualidade de produtos (peças defeituosas). Portanto, todos os exemplos listados são clássicos.
Afirmativa II — ✅ Correta
Os métodos mencionados são de fato empregados em detecção de anomalias:
Algoritmos baseados em densidade (ex.: LOF – Local Outlier Factor) identificam regiões de baixa densidade como anômalas.
Análise de agrupamento (clustering) como DBSCAN pode rotular pontos isolados como ruído.
Redes neurais recorrentes (RNN, LSTM) detectam anomalias em séries temporais.
Redes bayesianas modelam dependências probabilísticas e identificam instâncias improváveis.
Modelos de Markov escondidos (HMM) são usados em sequências (ex.: fala, gestão de sistemas) para detectar padrões fora do esperado.
Afirmativa III — ❌ Incorreta
NÃO CAIA NESSA!
A banca mistura distribuições que não produzem normalidade com a distribuição normal. A frase "obter normalidade por meio de outros tipos de distribuição" é enganosa: as distribuições de Bernoulli, uniforme e binomial não são normais e não geram normalidade por si só. A "distribuição de Minkowski" sequer existe (Minkowski é uma métrica de distância). Normalidade refere-se à distribuição gaussiana; transformações de dados podem torná-los aproximadamente normais, mas não por meio dessas distribuições.
Portanto, a afirmativa III está errada.
Afirmativa IV — ✅ Correta
Métricas de avaliação são essenciais para medir o quão bem o método identifica anomalias. Em problemas de classes desbalanceadas (típico em anomalias), as métricas clássicas são:
Precisão: proporção de verdadeiros positivos entre os classificados como anômalos.
Sensibilidade (Recall): proporção de anomalias reais detectadas.
F1-Score: média harmônica entre precisão e sensibilidade.
Essas métricas ajudam a calibrar o limiar de decisão e comparar modelos.
Conclusão: Afirmativas corretas: I, II e IV. Logo, a alternativa correta é a letra D.