Questão de Estatística — Conhecimentos de estatística — FGV 2024
Estatística›Conhecimentos de estatística
Código
fg084739
Banca
FGV
Órgão
EPE
Ano
2024
Nível
Superior
Cargo
Analista de Pesquisa Energética (Gás e Bioenergia - Bioenergia)
Os outliers são dados que se diferenciam drasticamente de todos os outros. Em outras palavras, um outliers é um valor que foge da normalidade e que pode causar anomalias nos resultados obtidos por meio de algoritmos e sistemas de análise Sobre o tema, analise as afirmativas a seguir.I. Uma das melhores formas de identificar dados outliers é utilizando gráficos, porque, ao plotar um gráfico, o analista consegue claramente perceber que existe algo diferente.II. A maneira mais complexa, mas bastante precisa, de encontrar outliers em uma análise de dados, é encontrar a distribuição estatística que mais se aproxima à distribuição dos dados e utilizar métodos estatísticos para detectar os pontos discrepantes.III. Os outliers podem ser excluídos do gráfico, uma vez que as estratégias de tratamento de outliers não têm impacto direto em negócios e aumentam o tempo e os custos do trabalho ou projeto.Está correto o que se afirma em
AI, apenas.
BI e II, apenas.
CI e III, apenas.
DII e III, apenas.
EI, II e III.
Revelar gabarito e comentário▾
GabaritoB — I e II, apenas.
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”.
Outliers: identificação e tratamento
Gabarito: letra B — corretos apenas os itens I e II. A afirmativa III está errada porque o tratamento de outliers tem impacto direto em negócios e, embora possa aumentar o tempo e os custos do trabalho, essa não é uma razão para simplesmente excluí-los do gráfico ou da análise — a decisão de tratar ou não outliers deve ser técnica e contextualizada, não uma regra de economia de esforço.
Outliers (ou valores atípicos, discrepantes, pontos exteriores) são observações que se afastam drasticamente do padrão geral dos dados. Eles podem distorcer medidas como a média e o desvio-padrão, comprometer modelos estatísticos e levar a conclusões equivocadas. Por isso, identificá-los e decidir como tratá-los é etapa essencial da análise exploratória de dados.
A identificação de outliers pode ser feita por duas grandes vias: (1) visual, por meio de gráficos — como o boxplot, o histograma e o gráfico de dispersão —, que permitem ao analista perceber rapidamente a presença de pontos destoantes; e (2) estatística, ajustando uma distribuição teórica aos dados e aplicando critérios objetivos, como os limites baseados em quartis: valores abaixo de ou acima de são considerados discrepantes (em que é a distância interquartílica).
A afirmativa II diz que essa segunda via é "a mais complexa, mas bastante precisa" — e é exatamente isso: modelar a distribuição e usar métodos estatísticos é mais trabalhoso, porém mais rigoroso e menos sujeito a subjetividade do que a simples inspeção visual.
Já a afirmativa III contém dois erros: primeiro, afirma que o tratamento de outliers "não tem impacto direto em negócios" — o que é falso, pois outliers podem representar fraudes, erros de medição, eventos raros de alto impacto ou simplesmente ruído, e ignorá-los pode levar a decisões erradas; segundo, sugere que eles "podem ser excluídos do gráfico" como regra, quando na verdade a exclusão deve ser criteriosa e justificada, e mesmo quando se decide excluir, isso não é feito apenas para "aumentar o tempo e os custos" — é uma decisão de qualidade da análise.
Item
Afirmação avaliada
Veredito
I
Gráficos são uma das melhores formas de identificar outliers
V
II
Método estatístico (ajustar distribuição) é mais complexo, porém preciso
V
III
Outliers podem ser excluídos; tratamento não impacta negócios
F
Item I — ✅ Correto
A afirmativa está correta. Gráficos são uma das melhores formas de identificar outliers, pois a visualização permite perceber imediatamente pontos que fogem ao padrão. O boxplot, por exemplo, foi criado justamente para evidenciar valores atípicos, com os limites e . O histograma e o gráfico de dispersão também revelam visualmente observações destoantes.
Item II — ✅ Correto
A afirmativa está correta. A abordagem estatística — ajustar uma distribuição teórica aos dados e usar métodos como o critério dos quartis, o escore-z ou testes de discordância — é mais complexa, porém mais precisa e objetiva do que a simples inspeção visual. Ela fornece critérios numéricos para decidir o que é ou não um outlier.
Item III — ❌ Incorreto
A afirmativa está errada. O tratamento de outliers tem impacto direto em negócios: outliers podem indicar fraudes, erros de coleta, eventos extremos ou oportunidades — e ignorá-los pode levar a previsões e decisões equivocadas. Além disso, a exclusão de outliers não é uma prática automática; deve ser feita com justificativa técnica, e o custo/tempo do trabalho não é motivo para simplesmente descartá-los. A banca explora aqui a ideia de que "excluir outliers é sempre ruim" ou "sempre bom" — na verdade, a decisão depende do contexto e do objetivo da análise.
NÃO CAIA NESSA!
A banca tenta fazer o candidato acreditar que outliers podem ser simplesmente excluídos do gráfico e que o tratamento não afeta os negócios. Na prática, a exclusão é uma decisão que deve ser justificada — um outlier pode ser um erro de medição (e deve ser corrigido/removido) ou um evento real de alto impacto (e deve ser estudado). O custo do tratamento não é argumento para ignorar o problema.
PEGA ESSA DICA!
Para identificar outliers na prova, lembre-se do critério do boxplot: valores abaixo de ou acima de são considerados discrepantes. Esse é o método mais cobrado em concursos. E desconfie de afirmativas que tratam outliers como "sempre excluíveis" ou "sem impacto" — a banca adora essa generalização.
Gabarito: letra B — corretos apenas os itens I e II.