Com base na discussão proposta em sala e também nos ferramentais quantitativos abordados responda: quais exemplos de situação poderiam ilustrar:
A necessidade prévia de tratamento no conjunto de dados disponível para uma análise indutiva a partir dos resultados de uma análise descritiva?
A necessidade prévia de tratamento no conjunto de dados disponível para uma análise indutiva a partir dos resultados de uma análise descritiva?
Passo 1
O enunciado pede que a partir de casos práticos mostremos situações em que, depois de uma análise descritiva, se revela a necessidade de um pré-tratamento dos dados (limpeza, imputação, transformação, padronização, codificação etc.) antes de partirmos para uma análise indutiva (testes de hipótese, regressão, classificação).
Passo 2
Suponha uma pesquisa de satisfação em que
das respostas a uma pergunta-chave estão em branco. A análise descritiva aponta esse alto índice de missing. Sem decidir como imputar (média, mediana, MICE) ou excluir essas observações, qualquer teste de média ou comparação entre grupos ficará enviesado.
Passo 3
Imagine um banco de dados de faturamento mensal de clientes onde a maioria varia entre
e
, mas há alguns registros acima de
. Esses outliers inflacionam média e variância e atrapalham, por exemplo, um teste t ou a estimação de coeficientes em regressão. Antes da análise indutiva, é preciso detectar (método IQR ou Z-score) e tratar (winsorização, truncamento ou remoção).
Passo 4
Num modelo de regressão com variáveis como idade (anos), renda (milhares) e índice de massa corporal
, as escalas são muito diferentes. A análise descritiva revela dispersões díspares. Para não distorcer os coeficientes, exige-se padronização
ou normalização
antes de aplicar PCA ou métodos sensíveis à escala.
Passo 5
Em crédito bancário, a variável tipo de emprego com categorias {CLT, Autônomo, Desempregado} não entra direto em regressão logística ou SVM. A análise descritiva mostra frequência de cada categoria, mas é preciso codificar (one-hot encoding ou label encoding) para gerar variáveis binárias e viabilizar o modelo indutivo.
Passo 6
Ao estudar tempos de espera em um call center, a análise descritiva revela distribuição fortemente assimétrica à direita. Para aplicar testes t, ANOVA ou construir intervalos de confiança paramétricos, faz sentido transformar a variável com
ou raiz quadrada, aproximando a normalidade.
Resposta
- Pesquisa de satisfação com
de dados ausentes, exigindo imputação ou exclusão. - Série de faturamento com outliers acima de
, demandando detecção e winsorização. - Variáveis em escalas distintas (idade, renda, IMC), necessitando padronização ou normalização.
- Variável categórica “tipo de emprego”, precisando de codificação (one-hot).
- Tempo de espera assimétrico, requerendo transformação logarítmica ou raiz quadrada.