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?

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 \,30\% 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 5{,}000 e 10{,}000, mas há alguns registros acima de 10^6. 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 \mathrm{kg}/\mathrm{m}^2, as escalas são muito diferentes. A análise descritiva revela dispersões díspares. Para não distorcer os coeficientes, exige-se padronização
\frac{x - \bar x}{s_x}
ou normalização
\frac{x - \min(x)}{\max(x) - \min(x)}
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
\log(x + 1)
ou raiz quadrada, aproximando a normalidade.

Resposta

  • Pesquisa de satisfação com \,30\% de dados ausentes, exigindo imputação ou exclusão.
  • Série de faturamento com outliers acima de 10^6, 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.

Exercícios relacionados