Questão de Banco de Dados — Banco de Dados — FGV 2025
Banco de Dados›Banco de Dados
Código
fg121748
Banca
FGV
Órgão
TCE-PI
Ano
2025
Nível
Superior
Cargo
Auditor de Controle Externo - Controle Externo - Específica de Tecnologia da Informação - Sistemas, Engenharia de Dados e Ciência de Dados (Manhã)
Com relação às técnicas de Detecção de Outliers, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.( ) A Distância de Mahalanobis é uma técnica eficaz para detectar outliers em dados multivariados, pois leva em consideração a média e a covariância dos dados, permitindo identificar pontos que são outliers em relação à distribuição conjunta das variáveis.( ) Modelos de Misturas Gaussianas (GMM) não devem ser utilizados para detectar outliers com distribuições não normais, pois levam em consideração apenas distribuições Gaussianas.( ) A Transformação Logarítmica é uma técnica comum e eficiente para remover outliers de forma definitiva em conjuntos de dados simétricos e assimétricos.As afirmativas são, respectivamente,
AV – V – V.
BV – V – F.
CV – F – F.
DF – F – F.
EF – V – V.
Revelar gabarito e comentário▾
GabaritoB — V – V – F.
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”.
Detecção de Outliers
Gabarito: letra B – V, V, F. A primeira afirmativa (Distância de Mahalanobis) é verdadeira, a segunda (GMM) é verdadeira e a terceira (Transformação Logarítmica) é falsa. A combinação V-V-F corresponde à alternativa B.
A questão avalia o conhecimento de três técnicas comuns de detecção de outliers: Distância de Mahalanobis, Modelos de Misturas Gaussianas (GMM) e Transformação Logarítmica. É essencial entender o que cada método realmente faz e suas limitações.
Afirmativa 1 — ✅ Verdadeira
A Distância de Mahalanobis é uma medida estatística que considera a média e a matriz de covariância dos dados, sendo sensível à correlação entre variáveis. Ela é eficaz para identificar outliers em dados multivariados, pois detecta pontos que se distanciam do centro da distribuição conjunta, ao contrário da distância Euclidiana que ignora a estrutura de covariância.
Afirmativa 2 — ✅ Verdadeira
Modelos de Misturas Gaussianas (GMM) assumem que os dados são gerados por uma combinação de distribuições Gaussianas. Para detectar outliers em dados com distribuições não normais, o GMM não é adequado, pois seu pressuposto fundamental é a normalidade. Embora existam adaptações, a afirmativa está correta ao afirmar que não devem ser utilizados nesse contexto.
Afirmativa 3 — ❌ Falsa
A Transformação Logarítmica é uma técnica comum para reduzir assimetria e estabilizar a variância, mas não remove outliers de forma definitiva. Ela apenas comprime a escala, podendo tornar outliers menos extremos, porém não os elimina. Outliers podem persistir mesmo após a transformação.
Alternativa A — ❌ Incorreta
Sequência V-V-V: a terceira afirmativa é falsa, portanto essa sequência não corresponde à verdade.
Alternativa B — ✅ Correta ⟵ GABARITO
Sequência V-V-F: reflete exatamente a veracidade das três afirmativas.
Alternativa C — ❌ Incorreta
Sequência V-F-F: a segunda afirmativa é verdadeira (e não falsa), logo a sequência está errada.
Alternativa D — ❌ Incorreta
Sequência F-F-F: a primeira e a segunda afirmativas são verdadeiras, não falsas.
Alternativa E — ❌ Incorreta
Sequência F-V-V: a primeira afirmativa é verdadeira e a terceira é falsa, portanto a sequência está incorreta.
NÃO CAIA NESSA!
A banca explora a falsa crença de que a transformação logarítmica remove outliers. Ela apenas atenua a assimetria; a eliminação definitiva de outliers requer outras técnicas, como corte por quartis ou métodos de distância. Fique atento: transformações não eliminam outliers, apenas os disfarçam.