Statistica descrittiva
Media, mediana, deviazione standard, quartili, distribuzioni, correlazioni, outlier, skewness
1Quale misura di tendenza centrale è la più appropriata per dati contenenti valori estremi (outlier)?
Quale misura di tendenza centrale è la più appropriata per dati contenenti valori estremi (outlier)?
Risposta
La mediana è la misura di tendenza centrale più robusta agli outlier perché rappresenta il valore centrale dei dati ordinati, senza essere influenzata dai valori estremi. A differenza della media che somma tutti i valori, la mediana considera solo la posizione. Ad esempio, per gli stipendi di un'azienda con alcuni dirigenti molto ben pagati, la mediana fornisce una migliore rappresentazione dello stipendio tipico rispetto alla media.
2Cos'è la varianza di un insieme di dati?
Cos'è la varianza di un insieme di dati?
Risposta
La varianza misura la dispersione dei dati attorno alla loro media. Si calcola come media dei quadrati degli scarti dalla media. Elevando al quadrato, otteniamo valori sempre positivi e amplifichiamo l'impatto dei valori distanti dalla media. L'unità della varianza è il quadrato dell'unità dei dati originali, motivo per cui spesso si usa la deviazione standard (radice quadrata della varianza) per interpretare la dispersione nell'unità originale.
3Qual è la relazione tra deviazione standard e varianza?
Qual è la relazione tra deviazione standard e varianza?
Risposta
La deviazione standard è la radice quadrata della varianza. Questa trasformazione riporta la misura di dispersione all'unità originale dei dati, facilitando l'interpretazione. Ad esempio, se i dati sono in euro, la varianza sarà in euro al quadrato (difficile da interpretare), mentre la deviazione standard sarà in euro. La deviazione standard è quindi preferita per comunicare la dispersione dei dati in modo intuitivo.
Cosa rappresenta il primo quartile (Q1) di una distribuzione?
Come interpretare un coefficiente di correlazione di Pearson pari a -0.85?
+17 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis