Outliers são pontos ou observações em um conjunto de dados que diferem significativamente da maioria dos demais outros pontos. Eles podem ser resultados de variações na medição, erros de entrada de dados ou, ainda, podem indicar uma variação genuína da fonte de coleta. Em preparação para análise de um conjunto de dados, o tratamento de outliers
- A)é sempre necessário, independentemente do tamanho do conjunto de dados ou do objetivo da análise.
Errada, porque o tratamento de outliers nao é sempre necessario e depende do objetivo da analise e do significado dos valores extremos.
- B)é sempre uma tarefa simples que pode ser realizada por qualquer analista de dados, sem risco de perder informações valiosas.
Errada, porque tratar outliers pode ser trabalhoso e exige criterio para nao descartar informacao relevante.
- C)é sempre uma tarefa complexa que requer um conhecimento profundo de estatística e que independe do conjunto de dados e do objetivo da análise.
Errada, porque o tratamento nao é sempre complexo nem independe do conjunto de dados ou do objetivo da analise.
- D)deve ser realizado antes de realizar agregações, pois os outliers podem afetar os resultados da análise que inclua uma agregação.
Certa, porque outliers podem distorcer medidas agregadas, entao faz sentido analisa-los e trata-los antes das agregacoes.
- E)deve ser realizado após realizar agregações, pois os outliers podem obscurecer os resultados da agregação.
Errada, porque esperar a agregacao pode mascarar o efeito dos outliers e dificultar a identificacao da origem do problema.
Gabarito: D
Outliers sao aqueles pontos que fogem bastante do padrao do conjunto de dados. Eles podem surgir por erro de digitação, falha de medicao ou, em alguns casos, por representar um fato real e importante. Por isso, tratar outliers nao é simplesmente “apagar o diferente”: depende do objetivo da analise, do tamanho da amostra e do que aquele valor significa no contexto. Na pratica, o tratamento costuma vir antes de etapas que resumem os dados, como agregacoes, medias, somas e agrupamentos. Faz sentido: se voce calcula uma media ou um total com valores muito extremos sem olhar para eles antes, o resultado pode ficar distorcido e esconder o comportamento real do conjunto. E, depois que a agregacao foi feita, fica mais dificil identificar exatamente qual ponto causou o problema. E por isso que a alternativa D esta correta. Antes de agregar, voce consegue investigar melhor os valores extremos, decidir se sao erro, ruido ou informacao valida, e so entao seguir com uma analise mais confiavel. Isso é bem alinhado com a pratica de preparacao de dados em IA e ciencia de dados, em que limpeza e validacao antecedem a analise resumida. As demais alternativas caem em absolutos perigosos, que a banca adora: nem todo outlier deve ser removido, nem o tratamento é sempre simples, nem independe do contexto. Em dados reais, o segredo nao é ser radical, e sim ser criterioso.