Questão de Banco de Dados — Metadados e Metainformação — Quadrix 2024
Banco de Dados›Metadados e Metainformação
Código
qg347809
Banca
Quadrix
Órgão
COREN-PR
Ano
2024
Nível
Superior
Cargo
Analista de Tecnologia da Informação
No que diz respeito ao Modelo Entidade‑Relacionamento (ER), ao Data Warehouse, ao Data Lake e à normalização numérica, julgue o item seguinte.A normalização numérica desempenha um papel fundamental no tratamento de dados. A razão disso é o fato de não existir perda de informações.
CCerto
EErrado
Revelar gabarito e comentário▾
GabaritoE — Errado
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”.
Normalização numérica e perda de informações
Gabarito: ERRADO (letra E). A normalização numérica, embora fundamental no pré-processamento de dados, não garante a ausência de perda de informações — pelo contrário, técnicas como a normalização Min-Max podem perder informações quando novos dados extrapolam os limites originalmente observados, e a padronização Z-Score altera a distribuição original dos dados. A afirmação do item é, portanto, incorreta.
A normalização numérica é uma etapa do pré-processamento de dados que visa ajustar os valores de atributos para uma escala comum, geralmente entre 0 e 1 (Min-Max) ou com média 0 e desvio padrão 1 (Z-Score). O objetivo é evitar que atributos com magnitudes maiores dominem algoritmos sensíveis à escala, como redes neurais, SVM e k-NN. No entanto, essa transformação não é isenta de perdas:
Min-Max: a fórmula é . Se um novo dado, após a normalização, tiver valor fora do intervalo original, o valor normalizado ficará fora de [0,1], exigindo renormalização — e a informação sobre a distribuição original é distorcida.
Z-Score: a fórmula é . Essa transformação preserva a forma da distribuição, mas perde a informação sobre a média e o desvio padrão originais — dois conjuntos de dados com médias e desvios diferentes podem ter os mesmos Z-Scores.
Além disso, a normalização é uma transformação reversível (é possível recuperar os valores originais se os parâmetros forem conhecidos), mas isso não significa que não haja perda de informação no sentido estatístico: a transformação altera a representação dos dados, e a informação sobre a escala original é perdida a menos que os parâmetros sejam armazenados separadamente.
A banca explora aqui uma confusão comum: o candidato pode associar "normalização" a "não perder informações" por pensar em normalização de banco de dados (que visa reduzir redundância e anomalias, mas também não elimina completamente a perda de informação em todos os contextos). No entanto, o item fala explicitamente de normalização numérica, que é um conceito de pré-processamento de dados, não de modelagem relacional.
NÃO CAIA NESSA!
A banca troca o conceito de normalização numérica (pré-processamento, que pode perder informações) pelo de normalização de banco de dados (modelagem relacional, que reduz redundância). O item afirma que "não existe perda de informações", o que é falso para a normalização numérica — técnicas como Min-Max e Z-Score alteram a representação dos dados e podem perder informações sobre a distribuição original.
Critério
Normalização Numérica (Min-Max)
Normalização Numérica (Z-Score)
Normalização de Banco de Dados (Formas Normais)
Objetivo principal
Ajustar valores para escala [0,1]
Padronizar para média 0 e desvio padrão 1
Reduzir redundância e anomalias em esquemas relacionais
Perda de informação
Pode ocorrer — novos dados fora do intervalo original exigem renormalização; distribuição original é distorcida
Pode ocorrer — perde-se a escala original (média e desvio padrão); dois conjuntos distintos podem gerar os mesmos Z-Scores
Reduz redundância, mas não elimina toda perda em todos os contextos (ex.: perda de dependências funcionais em normalização excessiva)
Reversibilidade
Reversível apenas se os parâmetros (min/max) forem armazenados
Reversível apenas se μ e σ forem armazenados
Reversível por joins, mas pode haver perda semântica se mal aplicada
Contexto de aplicação
Pré-processamento de dados para ML (redes neurais, SVM, k-NN)
Pré-processamento de dados para algoritmos sensíveis à escala
Modelagem relacional (1FN, 2FN, 3FN, BCNF)
Efeito sobre outliers
Comprime outliers, reduzindo sua influência
Preserva a forma da distribuição, mas outliers ainda influenciam μ e σ
Não se aplica diretamente a valores numéricos, mas a dependências entre atributos
Item — ❌ ERRADO
A afirmação de que a normalização numérica "não existe perda de informações" é incorreta. A normalização numérica é uma transformação que altera a representação dos dados — e essa alteração pode implicar perda de informações, especialmente quando:
Novos dados extrapolam os limites usados na normalização (Min-Max);
A distribuição original é distorcida (Z-Score preserva a forma, mas perde a escala);
Valores discrepantes (outliers) são comprimidos, reduzindo sua influência relativa.
A normalização é reversível se os parâmetros forem conhecidos, mas isso não equivale a "não haver perda de informações" — a informação sobre a escala original é perdida a menos que seja explicitamente armazenada. Portanto, o item está errado.