Estatística · FGV · 2026 | Questão sqc-fg133791

EstatísticaConhecimentos de estatística

Código: fg133791
Banca: FGV
Órgão: TJ-RJ
Ano: 2026
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial

Uma equipe de análise de risco de um tribunal implanta modelos de classificação para identificar processos com alta probabilidade de resultado desfavorável para a administração, trabalhando com bases historicamente desbalanceadas (poucos casos críticos em relação aos não críticos). Na fase de avaliação, discute-se o uso de validação cruzada, métricas baseadas em limiar de decisão e curvas de desempenho.Com base nas boas práticas de avaliação de modelos de aprendizado de máquina, inclusive em cenários com classes desbalanceadas, analise as afirmativas a seguir, considerando (V) para a(s) afirmativa(s) verdadeira(s) e (F) para a(s) falsa(s).( ) Na validação cruzada k-fold estratificada, cada partição de treino e teste preserva aproximadamente a mesma proporção de classes do conjunto original, o que contribui para estimativas de desempenho mais estáveis em problemas com desbalanceamento de classes.( ) Curvas ROC e a métrica AUC-ROC são tipicamente mais informativas do que curvas precision-recall em cenários com classes fortemente desbalanceadas, justamente porque destacam com maior sensibilidade o comportamento do classificador em relação à classe minoritária.( ) A métrica F1-score corresponde ao dobro do produto entre precisão (precision) e sensibilidade (recall) dividido pela soma de ambos, de modo que valores muito discrepantes entre precisão e recall tendem a produzir um F1-score relativamente baixo.( ) Ao diminuir o limiar de decisão de um classificador binário (por exemplo, de 0,7 para 0,3), a precisão tende a aumentar, pois mais exemplos positivos são corretamente identificados como tal, ainda que isso geralmente ocorra às custas de uma redução no recall.A sequência correta é:

AV, V, F e F;
BV, F, V e F;
CV, F, F e V;
DF, V, V e F;
EF, V, F e V.

Revelar gabarito e comentário

GabaritoB — V, F, V e F;

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”.

Avaliação de Modelos de Classificação com Classes Desbalanceadas

Gabarito: letra B — corretas as afirmativas I e III (V, F, V, F). A validação cruzada estratificada preserva a proporção de classes em cada partição, e o F1-score é a média harmônica entre precisão e recall, penalizando valores discrepantes. A afirmativa II inverte a recomendação: em dados desbalanceados, a curva precision-recall é mais informativa que a ROC. A afirmativa IV troca os efeitos do limiar: diminuí-lo aumenta o recall e reduz a precisão.

A questão cobra três pilares da avaliação de modelos de aprendizado de máquina: a estratégia de validação, as métricas de desempenho e o efeito do limiar de decisão. Em bases desbalanceadas — como a do enunciado, com poucos casos críticos — cada escolha precisa ser feita com cuidado, pois métricas como acurácia podem enganar. Vamos analisar cada afirmativa.

Afirmativa	Conteúdo avaliado	Valor lógico
I	Validação cruzada k-fold estratificada preserva proporção de classes	V
II	Curva ROC é mais informativa que precision-recall em desbalanceamento	F
III	F1-score é média harmônica entre precisão e recall	V
IV	Diminuir limiar aumenta precisão e reduz recall	F

Afirmativa I — ✅ Verdadeira

A validação cruzada k-fold estratificada divide o conjunto em k partes mantendo, em cada uma, aproximadamente a mesma proporção de classes do conjunto original. Isso é essencial em problemas desbalanceados, pois evita que uma partição fique sem exemplos da classe minoritária, o que distorceria a estimativa de desempenho. A estratificação reduz a variância das estimativas e é uma boa prática recomendada nesses cenários.

Afirmativa II — ❌ Falsa

A afirmativa inverte a recomendação: em cenários com classes fortemente desbalanceadas, a curva precision-recall é tipicamente mais informativa do que a ROC. A curva ROC pode parecer otimista porque a taxa de falsos positivos é dominada pela classe majoritária, mascarando o desempenho na classe minoritária. A precision-recall foca diretamente na classe positiva (minoritária), destacando com mais sensibilidade o comportamento do classificador em relação a ela.

Afirmativa III — ✅ Verdadeira

O F1-score é a média harmônica entre precisão e recall, dada por $F1 = 2 \times \frac{precisão \times recall}{precisão + recall}$ . Como a média harmônica é mais sensível a valores baixos, se precisão e recall forem muito discrepantes, o F1-score tende a ser relativamente baixo, refletindo o desequilíbrio entre as duas métricas.

Afirmativa IV — ❌ Falsa

Ao diminuir o limiar de decisão, o classificador classifica mais exemplos como positivos. Isso tende a aumentar o recall (mais positivos verdadeiros são capturados), mas reduz a precisão, pois mais falsos positivos também são incluídos. A afirmativa inverte os efeitos: a precisão tende a diminuir, não aumentar.

Conclusão: corretas as afirmativas I e III → sequência V, F, V, F → letra B.

NÃO CAIA NESSA!

A banca adora inverter os efeitos do limiar de decisão e a recomendação de curva em dados desbalanceados. Lembre-se: diminuir o limiar aumenta o recall e reduz a precisão; e em desbalanceamento, a precision-recall é mais informativa que a ROC. Com treino, você enxerga essas trocas de longe 💪.

PEGA ESSA DICA!

Para memorizar a relação limiar-métricas, pense: limiar baixo = "classificar mais como positivo" = mais recall, menos precisão. E para curvas, em desbalanceamento, a precision-recall é a escolha certa.

Gabarito: letra B

Link permanente: /questoes/fg133791