Outros

Transpetro — Profissional de Nível Superior (Área: Ciência de Dados): matérias e conteúdo programático

Concurso Público da Petrobras Transporte S.A. (Transpetro) — Edital nº 04-TRANSPETRO/PSP/TERRA/NÍVEL SUPERIOR-2026.4 (banca Cesgranrio), publicado em 11/08/2026, com retificações até 28/08/2026. Cargo de Profissional Transpetro de Nível Superior, ênfase Ciência de Dados — 1 vaga imediata no Rio de Janeiro (reservada a pessoas negras) mais cadastro de reserva, 16 vagas no total. Exige graduação de nível superior reconhecida pelo MEC, sem curso específico exigido (outras formações aceitas mediante certidão do Conselho de Classe atestando as atribuições da ênfase). Remuneração: salário básico de R$ 8.647,34, com garantia de remuneração mínima de R$ 14.973,62. Prova de Qualificação Técnica com 70 questões objetivas: 50 de Conhecimentos Específicos (Fase 1, eliminatória e classificatória — é ela que rankeia para a Fase 2) mais 20 de Conhecimentos Gerais (Fase 2: 10 de Língua Portuguesa e 10 de Língua Inglesa, também eliminatória, mínimo de 50% de aproveitamento em cada fase). Prova prevista para 29/11/2026. O edital está mapeado em 6 matérias e 26 tópicos. Ao criar uma conta gratuita e escolher este concurso, o sistema distribui esses tópicos num plano de estudos diário e agenda sozinho as revisões de cada um deles.

Montar meu plano de estudos grátis Ver outros concursos

Matérias do edital

Cada matéria vira uma fila de tópicos: o sistema avança um tópico por vez, alternando entre matérias para você não passar dias seguidos no mesmo assunto.

Língua Portuguesa

Básica12 tópicos · aprovação a partir de 60%

Compreensão de textos
Ortografia oficial
Mecanismos de coesão textual
Significação das palavras
Emprego de tempos e modos verbais
Emprego das classes de palavras
Coordenação e subordinação de orações
Emprego dos sinais de pontuação
Concordância verbal e nominal
Regência verbal e nominal
Emprego do sinal indicativo de crase
Colocação dos pronomes átonos

Língua Inglesa

Básica2 tópicos · aprovação a partir de 60%

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

Fundamentos Quantitativos

Específica2 tópicos · aprovação a partir de 70%

Cálculo Básico: funções; limites; derivadas; derivadas parciais; máximos e mínimos; integrais. Álgebra Linear: vetores e matrizes; operações com vetores e matrizes; tipos de matrizes; transformações lineares; espaços e subespaços vetoriais de Rn; sistemas de equações lineares; normas (L1, L2, infinita, p-generalizada, Minkowksi e Chebyshev), autovalores e autovetores; decomposição matricial (Cholesky e Singular Value Decomposition (SVD)).
Fundamentos de probabilidade: definições básicas de probabilidade; axiomas; probabilidade condicional. Variáveis aleatórias e distribuições de probabilidades: variáveis aleatórias; funções de probabilidade; principais distribuições discretas e contínuas (Uniforme, Binomial, Normal, Poisson, Bernoulli e Exponencial). Estatísticas Descritivas: medidas de tendência central (média, mediana e moda); medidas de dispersão (variância, desvio padrão e amplitude); medidas de posição (percentis e quartis). Teoremas fundamentais da probabilidade: independência de eventos; teorema de Bayes; teorema da probabilidade total; lei dos grandes números; teorema central do limite. Distribuições amostrais: distribuição amostral da média; distribuição amostral da proporção; distribuição qui-quadrado; distribuição t de Student; distribuição F. Inferência estatística: estimação pontual e intervalar; intervalos de confiança; testes de hipóteses (formulação, tipos de erros, e poder do teste); testes z e t para médias; testes de proporções; testes qui-quadrado para independência e ajuste de Goodness-of-Fit; teste A/B. Correlação: correlação e causalidade; correlação de Pearson; correlação de Spearman; correlação parcial.

Dados, Bases e Qualidade da Informação

Específica3 tópicos · aprovação a partir de 70%

Conceitos fundamentais de dados, informação e conhecimento; dados qualitativos (nominal, ordinal) e quantitativos (discretos, contínuos); tidy data; formatos de arquivos de dados comuns (txt, csv, xlsx, xml e json). Introdução a Bases de Dados: o que são bases de dados; metadados. Introdução ao armazenamento de dados: armazenamento de arquivos; principais estruturas de armazenamento de dados analíticos (data warehouse, data mart, data lake, data lakehouse), suas diferenças conceituais e casos de uso; armazenamento na nuvem. Sistemas Gerenciadores de Base de Dados (SGBDs): definição de SGBD; principais funções; principais tipos de SGBDs (SQL e NoSQL) e suas diferenças; transações e índices; controle de acesso; regras de integridade. Modelo de dados: modelo de entidade-relacionamento (ER); modelo relacional: tabelas, esquemas, chaves (primária e estrangeira), consultas; dados estruturados, semiestruturados e não estruturados; modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos. Big Data: conceito de big data; conceitos gerais sobre técnicas e ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, Parquet, HDFS e MapReduce).
Ciclo de vida de projetos de ciência de dados. Metodologias de gestão de projetos de ciência de dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN; princípios de métodos ágeis (Scrum/Kanban).
Metadados: a sua importância para avaliação da qualidade de dados; linhagem de dados. Coleta de dados: fontes comuns de dados (internas e externas); técnicas de web scraping. Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. Preparação de dados: técnicas de tratamento e limpeza de dados; técnicas detecção de vieses; data profiling. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis categóricas (encoding). Feature engineering: processos para enriquecimento de dados, com criação e seleção de features relevantes; transformações matemáticas e estatísticas comuns em variáveis. Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation.

Modelagem e Aprendizado de Máquina

Específica3 tópicos · aprovação a partir de 70%

Pipeline de treinamento de modelos e suas etapas. Otimização de hiperparâmetros: grid search; random search; algoritmos de otimização avançados; automl; autotuning; autofeature engineering. Métricas para avaliação e seleção de modelos: métricas para regressão (MSE; RMSE; MAE; R²; R² ajustado); métricas para classificação (accuracy, precision, recall, F1-score e ROC-AUC); 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; batch normalization. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos. Validação de Modelos: K-fold cross-validation; leave-one-out cross-validation; bootstrap. Modelagem de IA centrada em dados (data-centric).
Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. Técnicas de classificação: Regressão logística; K-Nearest Neighbors (KNN); Suport Vector Machines (SVM); Decision Trees (CART); classificadores Naive-Bayes (Binomial-Beta, Poisson-Gama, Normal-Normal); Florestas Aleatórias (Random Forest). Introdução à regressão: regressão linear simples e múltipla; hipóteses clássicas, método dos mínimos quadrados, diagnóstico e avaliação de modelos de regressão (F-test, coeficiente de determinação, análise de resíduos e demais), testes de significância, intervalos de confiança, análise ANOVA, modelos não lineares (log-log, lin-log, log-lin e inverso). Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). Modelos de séries temporais: definição; componentes (tendência, sazonalidade, ciclos e ruído); autocorrelação e autocorrelação parcial; conceito e testes de estacionaridade; cointegração; modelos AR, ARMA e ARIMA; modelos de suavização exponencial; modelos de decomposição; modelos de regressão com variáveis temporais (ARIMAX). Tópicos em regressão: modelos de 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, modelos de variáveis instrumentais, diferenças em diferenças, métodos de pareamento. Redes neurais: Introdução a Redes Neurais Artificiais (arquitetura, funções de ativação, treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização, épocas, batch size e demais); embeddings; redes profundas (deep learning); Redes Neurais Convolucionais (CNNs) e Recorrentes (RNNs); LSTM; GRU; GAN; modelos multimodais.
Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e demais) e document embeddings (Doc2Vec, BERT, ELMo e demais). Modelagem de tópicos: latent dirichlet allocation (LDA); non-negative matrix factorization (NMF). Modelos de linguagem: modelos de linguagem tradicionais; redes neurais recorrentes; redes neurais convolucionais; transformers. Tarefas básicas em NLP: classificação de texto; análise de sentimento; extração de informação (NER; REL); similaridade textual; sumarização de texto; rotulação de partes do discurso (POS-tagging) e tradução automática.

Programação, Visualização e Governança

Específica4 tópicos · aprovação a partir de 70%

Linguagem de programação Python: sintaxe básica; operadores; variáveis; estruturas de dados (dataframes, listas, matrizes, dicionários e conjuntos); estruturas de controle de fluxo; funções; escopo; método; paralelização de rotinas; serialização e desserialização. Bibliotecas Python: Pandas (manipulação; limpeza; transformação e pré-processamento de dado); NumPy (operações de arrays); Matplotlib e Seaborn (visualização de dados); TensorFlow; Keras e PyTorch (redes neurais); Scikit-learn e XGBoost (aprendizado de máquina); NLTK e spaCy (processamento de linguagem natural); huggingface (LLM); PySpark (Big data); Beautiful Soup (web scraping); Streamlit (data apps). Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados) e para análise de dados (como funções de agregação, filtros, joins, subconsultas e demais). Microsoft Power BI: conexão e importação de dados; modelagem de dados; criação de medidas e colunas calculadas; visualizações e gráficos; interações entre visualizações; criação de relatórios e painéis.
Principais tipos de visualizações e gráficos: tabela; gráfico de barras; linhas; pizza; dispersão; histograma; área; boxplot; bolhas; radar; mapas cartográficos; mapa de calor. Visualização de dados: princípios de design de gráficos efetivos; principais conceitos de codificação visual; interatividade; acessibilidade em gráficos. Dashboards: técnicas para construção de interfaces e layout; abordagens para escolha de designs; organização de elementos visuais e gráficos; seleção de gráficos e visualizações; interatividades e drill-downs; acessibilidade. Storytelling com dados: construção de narrativas visuais e contextualizações; componentes de um storytelling efetivo.
Noções de governança de dados (DMBOK): conceitos e objetivos da governança de dados; principais técnicas de qualidade e integridade de dados; princípios de privacidade e proteção a dados.
Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques adversariais; ataques de manipulação de modelos; roubo de modelos; ataque de inferência; alucinações. Aplicação de IA responsável: definição; ética; transparência; justiça e equidade; responsabilização; segurança cibernética; compliance regulatório.

Quer estudar tudo isso sem se perder?

O calendário organiza esses 26 tópicos em blocos diários, cobra questões para aprovar cada um e agenda as revisões automaticamente. Gratuito, sem cartão, pronto em menos de um minuto.

Criar conta grátis

Perguntas frequentes sobre o edital de Transpetro — Profissional de Nível Superior (Área: Ciência de Dados)

Quantas matérias e tópicos tem o edital de Transpetro — Profissional de Nível Superior (Área: Ciência de Dados)?

O edital de Transpetro — Profissional de Nível Superior (Área: Ciência de Dados) está mapeado em 6 matérias e 26 tópicos no total.

Este edital tem mais matérias básicas ou específicas?

O edital de Transpetro — Profissional de Nível Superior (Área: Ciência de Dados) tem 6 matérias: 2 básicas, 4 específicas.

Qual a nota mínima de aprovação nas matérias deste edital?

Varia por matéria: de 60% a 70% de acerto, dependendo da matéria — as básicas costumam pedir menos, as mais específicas pedem mais.