Questão de Estatística — Análise Multivariada — FGV 2025
Estatística›Análise Multivariada
Código
fg121400
Banca
FGV
Órgão
TCE-PE
Ano
2025
Nível
Superior
Cargo
Analista de Gestão - Julgamento
Com relação à detecção de anomalias, avalie as afirmativas a seguir e assinale (V) para verdadeira e (F) para falsa.( ) A detecção de valor discrepante corresponde à identificação de uma observação, evento ou ponto de dados que representa um espaço vetorial multidimensional convexo e fixo, tornando-o inconsistente em relação ao resto do conjunto de dados.( ) O aprendizado de máquina e a inteligência artificial são empregados para identificar automaticamente alterações inesperadas no comportamento normal de um conjunto de dados.( ) As anomalias costumam ser raras e as características do comportamento normal podem ser complexas e dinâmicas, o que torna a detecção desafiadora.As afirmativas são, respectivamente,
AF – F – V.
BV – F – F.
CF – V – V.
DV – F – V.
EF – V – F.
Revelar gabarito e comentário▾
GabaritoC — F – V – V.
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: conceitos fundamentais
Gabarito: letra C — a sequência correta é F – V – V. A primeira afirmativa está falsa porque define valor discrepante como um "espaço vetorial multidimensional convexo e fixo", o que não corresponde ao conceito; as duas últimas estão verdadeiras, pois descrevem corretamente o papel do aprendizado de máquina e a natureza desafiadora da detecção de anomalias.
A detecção de anomalias (ou detecção de outliers) é uma área da análise de dados que busca identificar observações que se desviam significativamente do comportamento esperado do restante do conjunto. Essas observações podem indicar erros, fraudes, falhas ou eventos raros de interesse. O conceito central é a inconsistência em relação ao padrão normal dos dados, e não a pertença a um espaço vetorial convexo fixo.
A primeira afirmativa tenta confundir o candidato ao misturar o conceito de valor discrepante com noções de geometria computacional (espaço vetorial convexo). Na prática, um outlier é simplesmente um ponto que não segue o padrão geral — pode estar distante da nuvem de dados, violar restrições esperadas ou apresentar comportamento atípico. Não há qualquer definição que o associe a um "espaço vetorial multidimensional convexo e fixo".
A segunda afirmativa está correta: técnicas de aprendizado de máquina e inteligência artificial são amplamente empregadas para detectar anomalias automaticamente. Algoritmos como Isolation Forest, One-Class SVM, redes neurais e métodos baseados em distância ou densidade são exemplos de como o ML pode identificar padrões inesperados sem intervenção humana direta.
A terceira afirmativa também está correta e captura a essência do desafio: anomalias são, por definição, raras — o que torna difícil coletar exemplos suficientes para treinar modelos supervisionados. Além disso, o comportamento "normal" dos dados pode mudar ao longo do tempo (conceito de concept drift), exigindo modelos adaptativos. Essa combinação de raridade e dinamismo é o que torna a detecção de anomalias um problema particularmente difícil.
Afirmativa
Avaliação
Justificativa
Afirmativa 1
F
Define outlier como "espaço vetorial multidimensional convexo e fixo" — contrassenso; outlier é desvio do padrão, não pertença a espaço geométrico.
Afirmativa 2
V
ML e IA são ferramentas centrais na detecção automática de anomalias (ex.: Isolation Forest, One-Class SVM).
Afirmativa 3
V
Anomalias são raras e o comportamento normal pode ser complexo/dinâmico (concept drift), tornando a detecção desafiadora.
Afirmativa 1 — ❌ Falsa
A afirmativa define valor discrepante como "um espaço vetorial multidimensional convexo e fixo", o que é um contrassenso. Um outlier é uma observação que se desvia do padrão, não um espaço geométrico. A definição correta envolve a noção de distância ou densidade em relação ao restante dos dados. A banca mistura conceitos de geometria computacional com o de outlier para induzir o erro.
Afirmativa 2 — ✅ Verdadeira
O aprendizado de máquina e a IA são, de fato, ferramentas centrais na detecção automática de anomalias. Modelos não supervisionados (como clustering e One-Class SVM) e supervisionados (quando há dados rotulados) são usados para identificar alterações inesperadas no comportamento normal dos dados. A afirmativa está correta.
Afirmativa 3 — ✅ Verdadeira
A afirmativa destaca duas características reais das anomalias: são raras e o comportamento normal pode ser complexo e dinâmico. A raridade dificulta a obtenção de dados de treinamento, e a complexidade/dinamismo exige modelos que se adaptem. Isso torna a detecção desafiadora, exatamente como afirma o enunciado.
NÃO CAIA NESSA!
A banca tenta confundir o candidato na primeira afirmativa ao usar o termo "espaço vetorial multidimensional convexo e fixo", que nada tem a ver com outlier. O candidato que não domina o conceito pode marcar V por associar a termos técnicos. Lembre-se: outlier é sobre desvio do padrão, não sobre pertencer a um espaço geométrico.
PEGA ESSA DICA!
Para questões de detecção de anomalias, foque nos conceitos de desvio, raridade e dinamismo. Na prova, desconfie de definições que misturam termos de áreas diferentes (como geometria computacional) — a banca adora criar distratores com jargões técnicos fora de contexto.