Questão de Estatística — Estatística descritiva (análise exploratória de dados) — CESPE / CEBRASPE 2025
Estatística›Estatística descritiva (análise exploratória de dados)
Código
ce198720
Banca
CESPE / CEBRASPE
Órgão
EMBRAPA
Ano
2025
Nível
Superior
Cargo
Analista - Área: Gestão da Informação - Subárea: Avaliação de Impactos
Julgue o item a seguir, no que se refere à ciência de dados e à inteligência artificial.Em um conjunto de dados sobre renda familiar, um valor extremamente alto pode representar uma pessoa com renda muito superior à média, e, portanto, deve sempre ser removido, independentemente de sua relevância para a análise.
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”.
Tratamento de outliers em análise de dados
❌ ERRADO. A afirmação de que um valor extremamente alto "deve sempre ser removido, independentemente de sua relevância para a análise" é falsa. A decisão de remover um outlier depende do contexto, do objetivo da análise e da causa do valor atípico — não existe regra automática de remoção. O tratamento adequado envolve investigar a origem do dado, avaliar seu impacto e, somente então, decidir entre manter, transformar ou excluir.
A análise exploratória de dados (AED) busca justamente examinar os dados antes de aplicar qualquer técnica estatística, identificando padrões, tendências e comportamentos anômalos. Os outliers são observações que se afastam significativamente das demais e podem ser:
Erros de medição ou digitação — nesse caso, a correção ou remoção é justificável.
Observações legítimas — como uma renda familiar realmente muito alta, que pode ser justamente o objeto de estudo (ex.: análise de concentração de renda).
Remover um outlier sem análise prévia pode:
Distorcer as conclusões, eliminando informação relevante.
Mascarar fenômenos importantes, como desigualdade ou cauda da distribuição.
Viesar estimativas, se o valor for representativo da população.
A decisão deve considerar a relevância do outlier para a pergunta de pesquisa. Por exemplo, em um estudo sobre desigualdade de renda, os valores extremos são essenciais; em um modelo de previsão de gastos médios, pode-se optar por técnicas robustas (como mediana em vez de média) em vez de simplesmente excluir.
Portanto, a palavra "sempre" torna a assertiva incorreta, pois o tratamento de outliers é contextual e criterioso, não automático.
Caso
Premissa (remover sempre)
Contexto/Relevância
Decisão correta
Resultado
1
Outlier = erro de medição/digitação
Irrelevante para a análise
Remover ou corrigir
Remoção justificável
2
Outlier = observação legítima (ex.: renda alta real)
Relevante (ex.: estudo de desigualdade)
Manter
Remoção inadequada
3
Outlier = observação legítima
Irrelevante para o objetivo
Transformar ou usar método robusto
Remoção não automática
4
Afirmação com "sempre"
Generalização absoluta
Investigar antes de decidir
Afirmação falsa
Alternativa C — ❌ Incorreta
A alternativa afirma que o valor extremo "deve sempre ser removido, independentemente de sua relevância". O erro está na generalização absoluta ("sempre") e na desconsideração da relevância. A prática estatística exige investigar a causa do outlier e avaliar seu impacto antes de qualquer decisão. Um outlier legítimo pode ser a informação mais importante do conjunto de dados.
Alternativa E — ✅ Correta ⟵ GABARITO
A alternativa correta é a letra E (Errado), pois a remoção de outliers não é automática. A decisão depende da natureza do dado, do objetivo da análise e da relevância do valor atípico. O analista deve usar técnicas de diagnóstico (boxplot, z-score, distância de Cook) e, se necessário, optar por métodos robustos ou transformações, em vez de simplesmente excluir.
NÃO CAIA NESSA!
A banca explora a generalização indevida com o termo "sempre". O candidato pode achar que outlier é sempre erro e deve ser removido, mas a estatística moderna trata outliers como observações que merecem investigação — podem ser erros ou podem ser dados legítimos e valiosos. Lembre-se: outlier ≠ erro.
PEGA ESSA DICA!
Na prova, desconfie de afirmações com "sempre", "nunca", "todo" — elas costumam ser falsas quando o tema envolve análise de dados. Para outliers, lembre-se do fluxo: identificar → investigar → decidir (manter, transformar ou remover).