Pular para o conteúdo principal

Questão de Estatística — Análise Multivariada — FGV 2025

EstatísticaAnálise Multivariada
Código
fg121761
Banca
FGV
Órgão
TCE-PI
Ano
2025
Nível
Superior
Cargo
Auditor de Controle Externo - Controle Externo - Específica de Tecnologia da Informação - Sistemas, Engenharia de Dados e Ciência de Dados (Manhã)
No campo da mineração de dados existem alguns problemas fundamentais que costumam aparecer com frequência em variados cenários de aplicação. O estudo desses problemas fornece ferramentas ao analista de dados que são aplicáveis em diferentes projetos de mineração de dados. Nesse conjunto se encontram os problemas de determinação de padrões, classificação de dados, segmentação de dados (clustering) e detecção de valores discrepantes (outliers).Considerando os problemas citados, analise as afirmativas a seguir.I. Em uma tabela binária esparsa, que representa uma base de dados de transações de clientes, em que as colunas representam cada produto e as linhas cada transação, verifica-se que, frequentemente, três das colunas apresentam simultaneamente o valor 1 para vários registros. Este tipo de análise é um problema de detecção de valores discrepantes.II. A identificação de consumidores que são similares entre si, para uso no contexto de aplicação de promoções orientadas, constitui um problema de segmentação de dados.III. O problema de classificação de dados pode ser considerado como supervisionado, pelo fato das relações entre as classes definidas e os demais atributos dos dados serem “aprendidas” pelo modelo.Está correto o que se afirma em
  1. AI, apenas.
  2. BI e II, apenas.
  3. CI e III, apenas.
  4. DII e III, apenas.
  5. EI, II e III.
Revelar gabarito e comentário

GabaritoD — II e III, 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”.

Mineração de dados: problemas fundamentais

Gabarito: letra D — corretos os itens II e III. A afirmativa I descreve, na verdade, um problema de determinação de padrões (associação frequente entre produtos), não de detecção de outliers; já a segmentação de consumidores similares é clustering e a classificação é aprendizado supervisionado — exatamente o que dizem II e III.

A questão cobra a distinção entre os quatro grandes problemas da mineração de dados: determinação de padrões, classificação, segmentação (clustering) e detecção de outliers. Cada um responde a uma pergunta diferente sobre os dados, e a banca mistura essas respostas para testar se você sabe separá-las.

  • Determinação de padrões (regras de associação): busca relações frequentes entre itens — o clássico exemplo da "cesta de compras": se o cliente leva pão, tende a levar manteiga. A afirmativa I descreve exatamente isso: três produtos (colunas) que aparecem juntos (valor 1) em várias transações (linhas) indicam uma associação frequente, não um valor discrepante.

  • Segmentação (clustering): agrupa registros similares entre si e diferentes dos demais grupos, sem rótulos prévios — é aprendizado não supervisionado. A afirmativa II é a definição literal: agrupar consumidores parecidos para promoções orientadas.

  • Classificação: atribui rótulos/classes a novos registros a partir de um modelo treinado com dados já rotulados — por isso é supervisionado. A afirmativa III captura isso: as relações entre classes e atributos são "aprendidas" pelo modelo.

  • Detecção de outliers: identifica registros que destoam do padrão geral — valores extremos, raros ou anômalos. Nada a ver com a afirmativa I.

A pegadinha está em I: a banca descreve um padrão de associação e o chama de detecção de outliers. Quem confunde "padrão frequente" com "valor discrepante" marca a alternativa errada.

CorretosIncorretosII, IIIILEVELsoulevel.com.br
Problemas de mineração de dados — só Corretos: II, III; só Incorretos: I; Corretos∩Incorretos:

Item I — ❌ Incorreto

O texto descreve três colunas que frequentemente apresentam valor 1 juntas — isso é uma regra de associação (padrão frequente), típica de análise de cestas de compras. Outlier é o oposto: um valor raro, que foge ao comportamento típico. A banca inverteu os conceitos: padrão frequente ≠ valor discrepante.

Item II — ✅ Correto

Agrupar consumidores similares entre si para promoções orientadas é a definição clássica de segmentação (clustering) — aprendizado não supervisionado que particiona os dados em grupos homogêneos. A afirmativa está correta.

Item III — ✅ Correto

A classificação é supervisionada porque o modelo aprende a relação entre as classes (rótulos) e os demais atributos a partir de um conjunto de treinamento rotulado. A afirmativa está correta.

Conclusão: corretos apenas II e III → letra D.

Gabarito: letra D

Link permanente: /questoes/fg121761