Estatística descritiva
Média, mediana, desvio padrão, quartis, distribuições, correlações, outliers, skewness
1Qual medida de tendência central é mais apropriada para dados contendo valores extremos (outliers)?
Qual medida de tendência central é mais apropriada para dados contendo valores extremos (outliers)?
Resposta
A mediana é a medida de tendência central mais robusta contra outliers porque representa o valor central dos dados ordenados, sem ser afetada por valores extremos. Diferente da média que soma todos os valores, a mediana considera apenas a posição. Por exemplo, para salários de uma empresa com alguns executivos muito bem pagos, a mediana dá uma melhor representação do salário típico que a média.
2O que é a variância de um conjunto de dados?
O que é a variância de um conjunto de dados?
Resposta
A variância mede a dispersão dos dados em torno da sua média. É calculada como a média dos quadrados dos desvios em relação à média. Ao elevar ao quadrado, obtemos valores sempre positivos e amplificamos o impacto dos valores distantes da média. A unidade da variância é o quadrado da unidade original dos dados, por isso frequentemente usamos o desvio padrão (raiz quadrada da variância) para interpretar a dispersão na unidade original.
3Qual é a relação entre o desvio padrão e a variância?
Qual é a relação entre o desvio padrão e a variância?
Resposta
O desvio padrão é a raiz quadrada da variância. Essa transformação traz a medida de dispersão de volta à unidade original dos dados, facilitando a interpretação. Por exemplo, se os dados estão em euros, a variância estará em euros quadrados (difícil de interpretar), enquanto o desvio padrão estará em euros. Por isso o desvio padrão é preferido para comunicar a dispersão dos dados de forma intuitiva.
O que representa o primeiro quartil (Q1) de uma distribuição?
Como interpretar um coeficiente de correlação de Pearson igual a -0.85?
+17 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis