Pular para o conteúdo principal

Questão de Estatística — Estatística descritiva (análise exploratória de dados) — CESPE / CEBRASPE 2025

EstatísticaEstatística 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.
  1. CCerto
  2. 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).

Gabarito: letra E (Errado).

Link permanente: /questoes/ce198720