Durante o acompanhamento dos resultados pedagógicos de uma escola municipal, a equipe gestora (Direção e Coordenação Pedagógica) analisou a distribuição dos estudantes por padrão de desempenho em dois anos consecutivos, para apoiar decisões sobre reagrupamentos, reforço e ações de recomposição da aprendizagem.
O gráfico abaixo apresenta o percentual de estudantes em cada padrão de desempenho:

Descrição do Gráfico: Gráfico de barras verticais agrupadas, em tons de cinza, intitulado “Percentual de estudantes por padrão de desempenho (2024 versus 2025)”. No eixo horizontal aparecem as categorias Defasagem, Intermediário e Adequado; no eixo vertical, o percentual de estudantes (de 0 até cerca de 55%). Em cada categoria há duas barras: 2024 em cinza escuro e 2025 em cinza claro. Os valores são: Defasagem - 45% (2024) e 38% (2025); Intermediário - 35% (2024) e 37% (2025); Adequado - 20% (2024) e 25% (2025).
Com base no gráfico, a maior mudança de 2024 para 2025, em pontos percentuais, foi:

Em um setor administrativo, foram registrados os seguintes números de atendimentos realizados ao longo de 7 dias consecutivos: 10, 12, 14, 14, 14, 16 e 18. Com base nesses dados, a média aritmética simples, a moda e a mediana, respectivamente, são:

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:

Uma equipe de ciência de dados está desenvolvendo um modelo de classificação de inadimplência em um conjunto de dados tabular com informações numéricas e categóricas de clientes (renda, idade, histórico de crédito, limite etc.).
O conjunto está fortemente desbalanceado: apenas 3% dos registros pertencem à classe denominada inadimplente. O time deseja aumentar a quantidade de exemplos da classe minoritária sem simplesmente duplicar registros existentes, gerando novas amostras sintéticas entre os pontos reais da classe positiva, para reduzir o risco de overfitting associado ao oversampling ingênuo.
A técnica de balanceamento de classes adequada para esse cenário é:

Um cientista de dados treinou três modelos para prever evasão escolar usando dados de 12.000 alunos de 2019-2023: Random Forest, XGBoost e Regressão Logística. Para avaliar os modelos, dividiu o dataset em 70% treino e 30% teste, treinou cada modelo no conjunto de treino e reportou as seguintes acurácias no teste: RF=89%, XGBoost=91%, Logística=82%. Com base nesses resultados, foi recomendado o XGBoost para produção.
A avaliação dessa metodologia de validação é:

Um tribunal deseja prever o tempo de tramitação (em dias) de processos de uma determinada classe, desde a distribuição até a sentença em 1ª instância. Um cientista de dados ajustou um modelo de regressão usando variáveis como tipo de ação, vara, quantidade de partes e histórico de movimentações, e avaliou o modelo no conjunto de teste.

Como métrica principal, ele calculou a soma das diferenças absolutas dividida pelo número de observações, ou:

obtendo Erro = 18, que foi interpretado como: “em média, o modelo erra em 18 dias o tempo de tramitação dos processos”. A métrica utilizada pelo cientista de dados é:

O gráfico expressa a distribuição das respostas sobre como as pessoas pretendem se relacionar com o dinheiro no ano de 2026. Cada entrevistado escolheu apenas uma das opções disponíveis: economizar, reforma da casa e viajar.

Sabe-se que Reforma da casa foi a escolha de 95 pessoas e que 144° e 126° são, respectivamente, os ângulos centrais das respostas Economizar e Viajar.

Com base nessas informações, quantas pessoas pretendem investir em Viagem em 2026?

Na análise estatística de valores de referência laboratoriais, a distribuição que melhor se adequa a parâmetros bioquímicos como colesterol total é: