Ciência de dados, estatística aplicada e métricas de avaliação

Do zero

Ciência de dados é transformar dados brutos em respostas úteis. Pense em cozinhar: primeiro você compra os ingredientes (coleta), lava e descasca (limpeza), corta no tamanho certo (transformação), prova para ver como está (exploração) e só então cozinha (modelagem). No fim, alguém prova o prato e dá uma nota (avaliação). A maior parte do tempo vai para lavar e cortar: dados reais vêm com erros, lacunas e repetições.

Para avaliar um modelo que separa “suspeito” de “normal”, não basta perguntar “quantas vezes acertou?”. Imagine um detector de incêndio que nunca toca. Num prédio em que incêndio é raro, ele “acerta” 99,9% dos dias e é inútil. Por isso existem outras perguntas:

• Precisão: quando o alarme toca, quantas vezes há incêndio de verdade?
• Revocação (recall): de todos os incêndios, quantos o alarme percebeu?

Frase para guardar: acurácia engana quando a classe é rara; precisão olha os alarmes dados, revocação olha os casos reais.

Em 1 minuto

• Etapas: coleta, preparação e limpeza (ausentes, duplicados, erros, outliers), transformação (padronização, codificação), exploração, modelagem, avaliação e comunicação.
• Média é puxada por valores extremos; mediana (o valor do meio) é robusta. Desvio padrão mede a dispersão em torno da média.
• Matriz de confusão: VP (verdadeiro positivo), FP (falso positivo), FN (falso negativo), VN (verdadeiro negativo).
• Acurácia = (VP + VN) ÷ total. Precisão = VP ÷ (VP + FP). Revocação = VP ÷ (VP + FN). F1 = média harmônica de precisão e revocação.
• Correlação não é causalidade.

Exemplo concreto: o detector de notas fraudulentas

O modelo analisou 1.000 notas fiscais; 50 eram fraudes de verdade. Ele marcou 40 como fraude, e 30 dessas eram mesmo fraudes.

• Acurácia = (30 + 940) ÷ 1.000 = 97%.
• Precisão = 30 ÷ (30 + 10) = 75%: de cada 4 alertas, 3 eram fraude.
• Revocação = 30 ÷ (30 + 20) = 60%: o modelo achou 60% das fraudes e deixou passar 20.
• F1 = 2 × 0,75 × 0,60 ÷ (0,75 + 0,60) = 0,90 ÷ 1,35 ≈ 67%.
• Especificidade = 940 ÷ (940 + 10) ≈ 99%: quase nenhuma nota normal virou alerta.

Agora o “modelo preguiçoso”, que diz “normal” para tudo: acurácia de 950 ÷ 1.000 = 95% e revocação de 0%. A acurácia parece boa, mas ele não acha nenhuma fraude. É o que acontece em bases desbalanceadas.

Comparação: qual métrica priorizar

Métricas de regressão (quando o modelo prevê números): MAE (erro absoluto médio), MSE (erro quadrático médio, que pune mais os erros grandes), RMSE (raiz do MSE, na mesma unidade do dado) e R² (quanto da variação o modelo explica, até 1).

Estatística que cai

A média (10) não representa ninguém: foi puxada pelo salário de 34. A mediana (4) descreve melhor o grupo. Para identificar valores extremos (outliers), usa-se o intervalo interquartil (IQR = Q3 − Q1): é suspeito o que fica abaixo de Q1 − 1,5 × IQR ou acima de Q3 + 1,5 × IQR.

Preparação dos dados, em passos que a FCC pede: tratar valores ausentes (remover a linha ou preencher, por exemplo, com a mediana), remover duplicados, corrigir tipos e formatos (datas, CPF), padronizar escalas (normalização entre 0 e 1 ou padronização pela média e pelo desvio) e codificar categorias em números (one-hot).

Como a FCC cobra

• Fórmulas de acurácia, precisão, revocação, F1 e especificidade.
• Acurácia enganosa em base desbalanceada.
• Média × mediana na presença de outliers.
• Etapas de preparação e limpeza dos dados.
• Correlação × causalidade.

Pegadinhas

Explique com suas palavras

Explique a um gestor por que um modelo com 95% de acurácia pode ser inútil para achar fraudes, e o que são precisão e revocação.

1. Escreva sem olhar a lição, com frases curtas e um exemplo seu.
2. Onde travar ou precisar de jargão, há uma lacuna: releia só essa parte.
3. Compare com a explicação-modelo e reescreva o que faltou.

Sua explicação

Fica salva neste navegador.

Comparar com uma explicação-modelo

Se só 5% das notas são fraude, um modelo que diz “normal” para todas acerta 95% e não encontra nenhuma fraude. A acurácia conta os acertos no total, e o total é dominado pelas notas normais.

Por isso olhamos outras medidas. A precisão responde: dos alertas que o modelo deu, quantos eram fraude mesmo? A revocação responde: de todas as fraudes que existiam, quantas o modelo achou? Para a auditoria, deixar fraude passar costuma ser pior, então a revocação é a mais importante; mas, se a precisão for muito baixa, a equipe se afoga em alarmes falsos.

Teste-se

Mais duas questões deste tópico estão em Questões.

Flashcards gerados

Ligação com o estudo de caso

Num caso de uso de IA para priorizar auditorias, proponha como medir o modelo: separar dados de teste, montar a matriz de confusão e priorizar a revocação (não deixar irregularidades passarem), acompanhando a precisão para não sobrecarregar a equipe com alarmes falsos. Mencione a limpeza dos dados e o risco de viés nos dados históricos.

Fontes da lição

• Edital nº 01/2026, Anexo II, Inteligência Artificial, Ciência de Dados e Automação (fontes/edital-01-2026.txt).
• Aurélien Géron, Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras e TensorFlow (matriz de confusão, precisão, revocação e F1).
• Os números dos exemplos são inéditos; todas as contas foram conferidas no texto.