Questão de Estatística — Análise Multivariada — FGV 2026

Técnicas de balanceamento de classes em problemas desbalanceados

Gabarito: letra A. A técnica adequada é o SMOTE (Synthetic Minority Over-sampling Technique), pois gera amostras sintéticas da classe minoritária interpolando entre pontos reais dessa classe, exatamente o que o enunciado descreve: "gerar novas amostras sintéticas entre os pontos reais da classe positiva". As demais alternativas ou apenas duplicam registros (oversampling aleatório), ou descartam dados (undersampling), ou não geram dados sintéticos (class weights).

O problema de classificação com classes desbalanceadas é um dos mais frequentes em ciência de dados aplicada — pense em detecção de fraude, diagnóstico de doenças raras ou, como aqui, inadimplência bancária. Quando apenas 3% dos registros são da classe de interesse (a positiva, inadimplente), o modelo tende a aprender a "chutar" a classe majoritária e obter alta acurácia sem nunca acertar um inadimplente. Para corrigir isso, existem três grandes famílias de abordagens: re-amostragem dos dados (oversampling, undersampling, SMOTE), ajuste do algoritmo (class weights) e métricas/limiares adequados (precision, recall, F1, AUC).

A questão pede especificamente uma técnica que aumente a quantidade de exemplos da classe minoritária sem simplesmente duplicar registros existentes, gerando novas amostras sintéticas entre os pontos reais. Isso é a definição literal do SMOTE. Vamos entender cada alternativa e por que apenas a letra A atende ao pedido.

Alternativa A — ✅ Correta ⟵ GABARITO

O SMOTE (Synthetic Minority Over-sampling Technique) é um método de oversampling sintético. Ele funciona assim: para cada exemplo da classe minoritária, escolhe-se um de seus k-vizinhos mais próximos (também da classe minoritária) e cria-se um novo ponto ao longo do segmento de reta que liga os dois. Matematicamente, se $x_i$ é um ponto real e $x_{zi}$ é um vizinho, o novo ponto sintético é $x_{novo} = x_i + \lambda \cdot (x_{zi} - x_i)$, com $\lambda$ sorteado uniformemente em $[0,1]$. Isso gera exemplos plausíveis dentro da região de densidade da classe, reduzindo o overfitting que ocorre quando simplesmente copiamos os mesmos registros. É exatamente o que o enunciado descreve: "gerar novas amostras sintéticas entre os pontos reais da classe positiva".

Alternativa B — ❌ Incorreta

O oversampling aleatório da classe minoritária consiste em duplicar aleatoriamente exemplos existentes da classe minoritária até equilibrar as proporções. O enunciado é explícito: "sem simplesmente duplicar registros existentes". Essa alternativa é o oposto do que se pede — é o oversampling ingênuo que o SMOTE veio melhorar. A duplicação não adiciona informação nova e aumenta o risco de overfitting, pois o modelo passa a ver os mesmos exemplos repetidos.

Alternativa C — ❌ Incorreta

O undersampling aleatório da classe majoritária descarta aleatoriamente exemplos da classe majoritária (os 97% não inadimplentes) para equilibrar as classes. O enunciado pede para aumentar a quantidade de exemplos da classe minoritária, não para diminuir a classe majoritária. Além disso, descartar dados pode jogar fora informação valiosa — em um conjunto com apenas 3% de positivos, descartar negativos reduz drasticamente o volume de treino e pode piorar o desempenho.

Alternativa D — ❌ Incorreta

A data augmentation baseada em ruído gaussiano adiciona perturbações aleatórias (ruído) aos exemplos da classe minoritária, gerando variações. Embora crie amostras sintéticas, ela não é a técnica descrita no enunciado, que fala em "gerar novas amostras sintéticas entre os pontos reais" — ou seja, interpolação entre pontos, não adição de ruído. Além disso, para dados tabulares com variáveis categóricas (como histórico de crédito), adicionar ruído gaussiano pode gerar valores impossíveis (ex.: renda negativa, categoria inexistente). O SMOTE, por sua vez, opera no espaço das features e é a técnica clássica para esse fim.

Alternativa E — ❌ Incorreta

O ajuste de pesos de classe (class weights) é uma abordagem ao nível do algoritmo, não de geração de dados. Ele atribui um peso maior aos erros na classe minoritária durante o treinamento, fazendo o modelo "prestar mais atenção" nela. Não aumenta a quantidade de exemplos nem gera amostras sintéticas — apenas altera a função de custo. É uma técnica válida e complementar, mas não atende ao requisito do enunciado de "aumentar a quantidade de exemplos da classe minoritária".

Gabarito: letra A.