Apostila Profissional Júnior Transpetro - Ciência de Dados — Concurso Transpetro/BR 2026

Conhecimentos Básicos

LÍNGUA PORTUGUESA

• Compreensão e Interpretação de textos
• Ortografia oficial e Acentuação Gráfica
• Mecanismos de coesão textual
• Semântica: Significação das palavras
• Morfologia: Emprego e flexão das classes de palavras
• Verbos: Emprego de tempos e modos verbais
• Sintaxe: Períodos compostos por coordenação e por subordinação
• Pontuação: Emprego dos sinais de pontuação
• Concordância verbal e nominal
• Regência verbal e nominal
• Crase: Emprego do sinal indicativo de crase
• Colocação dos pronomes átonos (Próclise, Ênclise e Mesóclise)

INGLÊS

• Compreensão de texto escrito em língua inglesa
• Itens gramaticais relevantes para a compreensão dos conteúdos semânticos

RACIOCÍNIO LÓGICO E MATEMÁTICA

• Cálculo Diferencial e Integral: Funções, limites e derivadas
• Cálculo Avançado: Derivadas parciais, máximos e mínimos e integrais
• Álgebra Linear: Vetores e matrizes (operações e tipos)
• Espaços Vetoriais: Transformações lineares, espaços e subespaços de Rn
• Sistemas de equações lineares
• Normas: L1, L2, infinita, p-generalizada, Minkowksi e Chebyshev
• Decomposição Matricial: Autovalores e autovetores
• Decomposição de Matrizes: Cholesky e Singular Value Decomposition (SVD)

ESTATÍSTICA

• Fundamentos de Probabilidade: Definições básicas, axiomas e probabilidade condicional
• Variáveis Aleatórias: Funções de probabilidade discretas e contínuas
• Principais Distribuições: Uniforme, Binomial, Normal, Poisson, Bernoulli e Exponencial
• Estatística Descritiva: Medidas de tendência central (média, mediana, moda)
• Medidas de Dispersão: Variância, desvio padrão e amplitude
• Medidas de Posição: Percentis e quartis
• Teoremas Fundamentais: Independência de eventos e Teorema de Bayes
• Leis Estatísticas: Teorema da probabilidade total, Lei dos grandes números e Teorema central do limite
• Distribuições Amostrais: Média, proporção, Qui-quadrado, t de Student e Distribuição F
• Inferência Estatística: Estimação pontual e intervalar (Intervalos de confiança)
• Testes de Hipóteses: Formulação, tipos de erros (I e II) e poder do teste
• Testes Paramétricos e Não Paramétricos: Testes z e t para médias e proporções
• Testes de Aderência e Independência: Qui-quadrado (Goodness-of-Fit) e Teste A/B
• Correlação e Causalidade: Correlação de Pearson, Spearman e correlação parcial

Conhecimentos Específicos

CIÊNCIA DE DADOS

• Conceitos Fundamentais: Dados, informação e conhecimento
• Tipos de Dados: Qualitativos (nominal, ordinal) e quantitativos (discretos, contínuos)
• Tidy Data e Formatos de Arquivos de Dados: txt, csv, xlsx, xml e json
• Introdução a Bases de Dados: O que são bases de dados e metadados
• Introdução ao Armazenamento de Dados: Armazenamento de arquivos e armazenamento na nuvem
• Estruturas de Armazenamento Analítico: Data Warehouse, Data Mart, Data Lake e Data Lakehouse — diferenças conceituais e casos de uso
• Sistemas Gerenciadores de Bases de Dados (SGBDs): Definição, principais funções, tipos (SQL e NoSQL), transações, índices, controle de acesso e regras de integridade
• Modelo de Dados: Entidade-Relacionamento (ER), modelo relacional (tabelas, esquemas, chaves primária e estrangeira, consultas) e dados estruturados, semiestruturados e não estruturados
• Modelos Não Relacionais: Chave-valor, colunar, orientado a documentos e orientado a grafos
• Big Data: Conceito, técnicas e ferramentas para grandes volumes (Spark, Hadoop, Parquet, HDFS e MapReduce)
• Ciclo de vida de projetos de ciência de dados
• Metodologias de Gestão de Projetos de Dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN e princípios de métodos ágeis (Scrum/Kanban)
• Metadados e Qualidade de Dados: Importância para avaliação da qualidade e linhagem de dados
• Coleta de Dados: Fontes comuns internas e externas e técnicas de web scraping
• Problemas Comuns de Qualidade de Dados: Valores ausentes, duplicatas, outliers, desbalanceamento e erros de imputação
• Preparação de Dados: Técnicas de tratamento e limpeza, detecção de vieses e data profiling
• Pré-processamento de Dados: Normalização, padronização, discretização e codificação de variáveis categóricas (encoding)
• Feature Engineering: Enriquecimento de dados, criação e seleção de features relevantes e transformações matemáticas e estatísticas
• Divisão de Dados: Técnicas de amostragem, divisão entre treinamento, validação e teste e abordagens para cross-validation
• Pipeline de treinamento de modelos e suas etapas
• Otimização de Hiperparâmetros: Grid search, random search, algoritmos de otimização avançados, automl, autotuning e autofeature engineering
• Métricas para Avaliação de Regressão: MSE, RMSE, MAE, R² e R² ajustado
• Métricas para Avaliação de Classificação: Accuracy, precision, recall, F1-score, ROC-AUC e análise de matriz de confusão
• Trade-off entre viés e variância: Detecção de overfitting e underfitting
• Técnicas de Regularização: Lasso, ridge, elastic net, dropout, early stopping e batch normalization
• Dados Desbalanceados: Oversampling, undersampling, dados sintéticos e ajuste de pesos
• Validação de Modelos: K-fold cross-validation, leave-one-out cross-validation e bootstrap
• Modelagem de IA centrada em dados (data-centric)
• Redução de Dimensionalidade: Principal Component Analysis (PCA), LDA, ICA, T-SNE e autoencoders
• Técnicas de Clusterização: K-Means, agrupamento hierárquico, Gaussian Mixture Models e DBSCAN
• Técnicas de Classificação: Regressão logística, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Decision Trees (CART), Naive-Bayes (Binomial-Beta, Poisson-Gama, Normal-Normal) e Florestas Aleatórias (Random Forest)
• Introdução à Regressão: Linear simples e múltipla, hipóteses clássicas e método dos mínimos quadrados
• Diagnóstico e Avaliação de Modelos de Regressão: F-test, coeficiente de determinação, análise de resíduos, testes de significância, intervalos de confiança, análise ANOVA e modelos não lineares (log-log, lin-log, log-lin e inverso)
• Ensembling de Modelos: Bagging, boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost) e stacking
• Sistemas de Recomendação: Filtragem colaborativa (usuários ou itens), baseada em conteúdo, sistemas híbridos e problemas comuns (cold start, escalabilidade e data sparsity)
• Séries Temporais: Definição, componentes (tendência, sazonalidade, ciclos e ruído), autocorrelação e autocorrelação parcial
• Modelos de Séries Temporais: Estacionaridade e seus testes, cointegração, modelos AR, ARMA, ARIMA, ARIMAX, suavização exponencial e modelos de decomposição
• Tópicos em Regressão: Dados em painel, GLM, regressão espacial, regressão quantílica, regressão de Poisson, modelos VAR, ECM e GARCH
• Introdução a Modelos Causais: Fundamentos de causalidade estatística, experimentos e quase-experimentos, desenho de descontinuidade de regressão, variáveis instrumentais, diferenças em diferenças e métodos de pareamento
• Redes Neurais Artificiais: Arquitetura, funções de ativação, treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização, épocas e batch size
• Deep Learning: Embeddings, redes profundas, Redes Neurais Convolucionais (CNNs) e Recorrentes (RNNs), LSTM, GRU, GAN e modelos multimodais
• Pré-processamento de Texto em NLP: Limpeza, normalização, remoção de stop words, stemming e lematização
• Representação de Texto: N-grams, CBoW, TF-IDF, word embeddings (Word2Vec e GloVe) e document embeddings (Doc2Vec, BERT e ELMo)
• Modelagem de Tópicos: Latent Dirichlet Allocation (LDA) e Non-negative Matrix Factorization (NMF)
• Modelos de Linguagem: Tradicionais, redes neurais recorrentes, redes neurais convolucionais e transformers
• Tarefas Básicas em NLP: Classificação de texto, análise de sentimento, extração de informação (NER e REL), similaridade textual, sumarização, POS-tagging e tradução automática
• Python: Sintaxe básica, operadores, variáveis e estruturas de dados (dataframes, listas, matrizes, dicionários e conjuntos)
• Python: Estruturas de controle de fluxo, funções, escopo, métodos, paralelização de rotinas, serialização e desserialização
• Bibliotecas Python para Manipulação e Visualização: Pandas, NumPy, Matplotlib e Seaborn
• Bibliotecas Python para Modelagem: TensorFlow, Keras, PyTorch, Scikit-learn, XGBoost, NLTK, spaCy, huggingface, PySpark, Beautiful Soup e Streamlit
• Linguagem SQL: Conceitos introdutórios, comandos de consulta (inserção, atualização e exclusão) e análise de dados (funções de agregação, filtros, joins e subconsultas)
• Microsoft Power BI: Conexão e importação de dados, modelagem, medidas e colunas calculadas, visualizações, interações, relatórios e painéis
• Tipos de Visualizações e Gráficos: Tabela, barras, linhas, pizza, dispersão, histograma, área, boxplot, bolhas, radar, mapas cartográficos e mapa de calor
• Visualização de Dados: Princípios de design de gráficos efetivos, codificação visual, interatividade e acessibilidade
• Dashboards: Construção de interfaces e layout, escolha de designs, organização de elementos visuais, seleção de gráficos, interatividades, drill-downs e acessibilidade
• Storytelling com Dados: Construção de narrativas visuais, contextualização e componentes de um storytelling efetivo
• Governança de Dados (DMBOK): Conceitos, objetivos, técnicas de qualidade e integridade de dados e princípios de privacidade e proteção a dados
• Governança de IA: Conceitos, objetivos e gestão de riscos em IA
• Riscos e Vulnerabilidades em IA: Viés algorítmico, exposição de dados sensíveis, envenenamento de dados de treinamento, ataques adversariais, manipulação e roubo de modelos, ataque de inferência e alucinações
• Aplicação de IA Responsável: Definição, ética, transparência, justiça e equidade, responsabilização, segurança cibernética e compliance regulatório

Legislação

LEGISLAÇÃO

• Lei nº 13.709/2018 - Lei Geral de Proteção de Dados Pessoais (LGPD)