Resumo do livroEstatística ao Vivo, de Charles Wheelan

Resumo de 1 páginaResumo de 1 página do livro “Naked Statistics”

Wheelan inicia *Naked Statistics* admitindo que, por vezes, tinha dificuldade em perceber a relevância do que estava aprendendo enquanto estudante de matemática. Por isso, ele coloca a relevância da estatística em primeiro plano no livro, estruturando sua abordagem de cada conceito estatístico em torno da razão pela qual devemos conhecê-lo. Melhor ainda, Wheelan demonstra que a estatística não precisa ser intimidante, ao explicar a matemática subjacente à estatística em termos acessíveis e ilustrar os conceitos com exemplos com os quais o leitor se identifica, que são relevantes e até mesmo bem-humorados.

Este guia concentra-se principalmente em dois temas centrais do livro *Naked Statistics*. Em primeiro lugar, abordamos o significado de muitas estatísticas comuns, como interpretá-las e por que são importantes. Assim como Wheelan, utilizamos exemplos reais e fictícios para contextualizar cada estatística abordada. Em segundo lugar, examinamos a discussão de Wheelan sobre as consequências do viés e da aplicação e interpretação incorretas das estatísticas, a fim de defender que todos deveriam desenvolver conhecimentos básicos de estatística.

Estatística: Organização de dados

Contamos com os dados para compreender o mundo, mas, sem estatísticas, os conjuntos de dados seriam praticamente inúteis. Imagine perguntar a um vendedor de carros qual é o consumo de combustível de um carro, apenas para receber uma planilha de 100 páginas com cada quilômetro rodado por aquele carro e quanto combustível ele consumiu a cada quilômetro! Embora a planilha possa ser abrangente, ela também é bastante inútil se você esperava uma resposta rápida. Com a estatística, podemos pegar conjuntos de dados difíceis de manejar e transformá-los em valores significativos e úteis, como a média de quilômetros por litro.

As estatísticas que resumem conjuntos de dados são chamadas de estatísticas descritivas. Duas das estatísticas descritivas mais conhecidas e comumente utilizadas são a média (a média aritmética) e a mediana (o valor no meio quando se ordena todos os dados numericamente). A média e a mediana são chamadas de medidas de tendência central e, embora ambas nos informem sobre o “meio” de um conjunto de dados, Wheelan explica que elas podem transmitir mensagens muito diferentes. Com um entendimento básico de estatística, podemos aprender quando usar uma em vez da outra e identificar quando alguém pode estar relatando a média em vez da mediana (ou vice-versa) para promover uma agenda.

Suponhamos que as autoridades de uma praia fictícia estivessem coletando dados sobre o número de picadas de água-viva sofridas por banhistas a cada semana durante o verão. Os dados poderiam ser algo como isto:

(Observação: Neste exemplo, o conjunto de dados já está ordenado, portanto, não precisamos ordená-lo para determinar a mediana.)

A média de picadas de água-viva é de 42. A mediana de picadas é zero. As autoridades responsáveis pela praia poderiam dizer:

A) “Venha conhecer nossa praia! A média semanal de picadas por 500 banhistas durante todo o verão é de apenas 42!”

ou

B) “Venha conhecer nossa praia! A média semanal de picadas durante todo o verão é de zero!”

Nenhuma dessas afirmações está incorreta, mas elas transmitem uma mensagem diferente aos possíveis banhistas. As autoridades da praia certamente promoverão a opção B em vez da opção A, pois a opção B faz com que a praia pareça mais atraente. Como estudantes perspicazes de estatística, devemos questionar qual medida de tendência central melhor captura a “história” do conjunto de dados e estar cientes de que nenhuma estatística isolada pode transmitir plenamente a complexidade do mundo real.

A utilidade da tendência central

As medidas de tendência central são fundamentais para a forma como interpretamos e comunicamos os dados. Mas, como adverte Wheelan e como ilustra nosso exemplo das águas-vivas, se não forem utilizadas com cuidado, podem ser inúteis ou até mesmo perigosas.

Uma palestra TED intitulada“O Mito da Média”destaca como a aplicação incorreta da tendência central afetou a Força Aérea dos Estados Unidos na década de 1950. Apesar de contar com pilotos bem treinados e as aeronaves mais avançadas da época, a Força Aérea estava insatisfeita com o desempenho dos pilotos. Pesquisas sobre as dimensões de milhares de pilotos revelaram que as cabines projetadas para o piloto de “tamanho médio” não se adaptavam bem a nenhum piloto, e as cabines mal ajustadas impediam os pilotos de voar da melhor maneira possível. Em resposta, a Força Aérea mudou seu foco de projeto: em vez de fabricar cabines que se adaptassem à pessoa média, passou a fabricar cabines capazes de acomodar as dimensões humanas mais extremas. Essa mudança melhorou o desempenho dos pilotos existentes e permitiu que a Força Aérea recrutasse o grupo mais diversificado de pilotos de caça do mundo.

A lição deste exemplo é que uma ferramenta projetada para o usuário médio provavelmente não será ideal para ninguém. Em muitos casos, como no caso de uma tesoura, podemos aceitar facilmente esse compromisso. No entanto, quando se trata de situações que podem mudar vidas, como pilotar um avião, talvez devêssemos repensar os projetos baseados em uma média.

As estatísticas revelam e descrevem relações

A estatística descritiva também pode esclarecer e descrever as relações entre variáveis em um conjunto de dados. Como explica Wheelan, **a análise da correlação entre duas variáveis pode nos indicar se uma mudança em...

Resumo de "Naked Statistics " Introdução resumida

Wheelan explica que aprender estatística pode nos tornar consumidores mais críticos de informação e nos ajudar a tomar decisões bem fundamentadas. Como estudantes de estatística, podemos aprender a avaliar as informações que nos são apresentadas em campanhas políticas e de marketing, no noticiário, em publicações científicas e assim por diante, e contextualizá-las de forma útil. Aprender estatística também nos ajudará a identificar usos enganosos ou equivocados de dados e estatísticas, em vez de sermos levados a acreditar neles.

Graças a Charles Wheelan, as estatísticas não precisam ser intimidadoras. O livro *Naked Statistics* traduz a matemática por trás das estatísticas em termos acessíveis e explica conceitos estatísticos com exemplos com os quais é fácil se identificar, relevantes e até mesmo bem-humorados. Os leitores também se beneficiam das reflexões sociopolíticas adicionais apresentadas no livro, já que Wheelan usa histórias reais para explorar como as estatísticas podem orientar a tomada de decisões coletivas.

Sobre o autor

Charles J. Wheelan é professor do Dartmouth College e ex-professor da Universidade de Chicago, com especialização em políticas públicas. É bacharel pelo Dartmouth College, mestre em Assuntos Públicos pela Universidade de Princeton e doutor em Políticas Públicas pela...

Resumo de “Naked Statistics” Por que aprender estatística?

A segunda parte do título de *Naked Statistics* , *Stripping the Dread From the Data*(Tirando o medo dos dados), explica aos leitores por que o livro de Wheelan é uma boa escolha para quem tem curiosidade sobre estatística, mas receio de um livro baseado em matemática. Wheelan, autor best-seller do New York Times, professor sênior do Dartmouth College e ex-professor sênior da Universidade de Chicago, usa suas habilidades como professor e contador de histórias para tornar a análise de dados acessível, compreensível e divertida.

Como explica Wheelan, a estatística é uma ferramenta poderosa para resumir informações e tirar conclusões a partir dos dados. Ele observa que, sem ela, as pessoas teriam dificuldade em extrair significado da enorme quantidade de dados que nossa sociedade gera diariamente. Portanto, a estatística torna os dados significativos e úteis.

Os insights que geramos com a estatística ajudam a fazer funcionar a sociedade tal como a conhecemos. Por exemplo, as melhores práticas na medicina e na educação são estabelecidas por meio de análises estatísticas de dados. Os legisladores utilizam dados para fundamentar suas políticas. Os entusiastas do esporte usam dados para discutir a habilidade e o potencial de seus jogadores e times favoritos, e a lista continua. Utilizamos a estatística de tantas maneiras que Wheelan nos lembra que ela influencia nosso dia a dia...

Resumo de Estatística Desnuda: Utilização de Estatística Descritiva para Descrever Medidas de Tendência Central

Agora que já esclarecemos por que é importante aprender estatística, vamos examinar alguns termos e conceitos básicos da área, começando pela estatística descritiva. Como o próprio nome sugere, a estatística descritiva utiliza as informações de um conjunto de dados e as resume em um valor significativo, como uma média ou um percentil.

Ao utilizar estatísticas descritivas para resumir dados, Wheelan explica que sempre fazemos uma escolha entre complexidade e utilidade. Sempre que pegamos dados do mundo real e os condensamos em um único valor, obtemos uma visão geral dos dados como um todo, mas perdemos algumas das nuances e a “história” por trás desses dados.

Por exemplo, digamos que a escola primária da sua região tenha implementado um novo programa de leitura que melhorou as habilidades gerais de leitura dos alunos em 15%. Que ótimo! No entanto, uma análise mais aprofundada pode revelar que esses ganhos se concentraram nos alunos de famílias de alta renda, enquanto as habilidades de leitura dos alunos de baixa renda permaneceram praticamente as mesmas. À luz desse panorama mais completo, parece claro que o programa precisa ser modificado.

Como mostra o exemplo do nosso programa de leitura, as estatísticas descritivas que escolhemos ao resumir os dados têm um impacto determinante na história que...

Resumo de Estatística Nua: Utilizando Estatística Descritiva para Resumir a Distribuição dos Dados

Como vimos, as medidas de tendência central não nos dão uma visão completa de um conjunto de dados. Podemos obter uma visão mais clara dessa história combinando a tendência central com uma descrição da distribuição dos dados.

A Distribuição Normal

A distribuição normal é um conceito fundamental em estatística. Uma distribuição normal refere-se a um conjunto de dados que forma uma curva em forma de sino perfeitamente simétrica em torno da média quando representada graficamente como uma distribuição de frequência (uma representação visual dos dados em que a altura das barras representa o número de vezes que um resultado específico ocorre).

(Observe que a média e a mediana serão iguais em uma distribuição perfeitamente simétrica.)

Quando um conjunto de dados apresenta o mesmo aspecto em ambos os lados da média, dizemos que é simétrico. As distribuições simétricas parecem intuitivamente familiares porque, como explica Wheelan, ocorrem constantemente na vida real. Por exemplo, a maioria dos bebês começa a engatinhar entre os seis e os 12 meses, com uma média de cerca de nove meses. Alguns engatinham antes dos seis meses e outros depois dos 12 meses, mas o pico da nossa frequência...

Exercício breve: Identifique estatísticas enganosas

Wheelan explica que qualquer pessoa com vontade e um programa de computador adequado pode realizar análises estatísticas. Essa acessibilidade, combinada com a facilidade e a rapidez do compartilhamento de informações em nossa cultura orientada para a tecnologia, facilita que estatísticas enganosas entrem em nossas vidas e influenciem nossas opiniões ou decisões.

Pense na última vez em que leu ou ouviu falar de uma estatística que chamou sua atenção. Qual foi sua primeira impressão sobre a validade dessa estatística?

Resumo de “Naked Statistics”: Usando a probabilidade para tomar decisões

A probabilidade é outra forma de utilizar a estatística descritiva para tomar decisões fundamentadas.

A probabilidade é uma razão matemática que indica a chance de um determinado evento ocorrer em relação a todos os outros resultados possíveis. A probabilidade nos permite lidar com a incerteza, medindo riscos e colocando os resultados possíveis em perspectiva. Wheelan explica que compreender a probabilidade pode ser especialmente relevante para o nosso dia a dia, pois tomamos decisões com base na nossa percepção da probabilidade o tempo todo.

No entanto, nossa percepção dos resultados prováveis costuma ser matematicamente irracional. Por exemplo, a probabilidade de sofrer um acidente de carro ao dirigir até a praia é muito maior do que a probabilidade de ser atacado por um tubarão lá, mas muitas vezes — de forma irracional — tememos mais o risco de um ataque de tubarão.

A seguir, discutiremos alguns dos conceitos básicos e aplicações da probabilidade.

A probabilidade não é intuitiva

Existem várias razões para nossa percepção matematicamente irracional da probabilidade, incluindo:

• Viés de confirmação: é quando nos concentramos no que esperamos e ignoramos o...

Resumo de “Naked Statistics”: “Suposições Seguras ” com Estatística Inferencial

Analisamos como a estatística descritiva nos ajuda a resumir e descrever dados, caracterizar relações e fazer previsões. A seguir, passaremos à estatística inferencial, que nos permite extrapolar além dos dados que coletamos e fazer inferências sobre como o mundo funciona.

Wheelan descreve a estatística inferencial como a combinação de dados e probabilidade. Assim como a probabilidade nunca é uma garantia de um resultado, não há respostas definitivas na estatística inferencial. Em vez disso , a estatística inferencial nos ajuda a usar o que sabemos para fazer estimativas fundamentadas na matemática sobre o que queremos saber.

A estatística inferencial não oferece um mecanismo

Como explica Wheelan, a estatística inferencial é muito eficaz para esclarecer e descrever relações, mas , por si só, não consegue provar nada, pois se baseia exclusivamente em dados numéricos que não conseguem captar a complexidade do mundo real. Em outras palavras, a estatística inferencial nos dá uma razão convincente para acreditar que duas variáveis estão relacionadas, mas não fornece um [mecanismo para isso...

Resumo de “Naked Statistics”: Encontrando respostas com a análise de regressão

Todas as estatísticas e cenários de coleta de dados que abordamos até agora têm sido relativamente simples, pois tratam principalmente de uma única variável. No entanto, Wheelan argumenta que muitas questões de pesquisa socialmente importantes são “complexas”, com variáveis interligadas que abrangem períodos de tempo excessivamente longos.

Por exemplo, digamos que você queira saber se a exposição a uma determinada substância química (vamos chamá-la de substância química X) está associada a um risco aumentado de desenvolver câncer. Não é possível conceber um estudo de pesquisa para testar essa hipótese, pois expor um grupo de pessoas a uma substância química que se suspeita causar câncer seria eticamente questionável. Além disso, há inúmeras outras variáveis, além da exposição química, que afetam o risco das pessoas de desenvolver câncer: tabagismo, genética, alimentação, atividade física e assim por diante. Por fim, o risco de desenvolver câncer é frequentemente medido ao longo de toda a vida. Os pesquisadores, compreensivelmente, querem respostas ainda durante suas vidas.

Em cenários de pesquisa “complexos”, uma ferramenta de estatística inferencial chamada análise de regressão pode nos ajudar a inferir relações entre variáveis que, de outra forma, não seríamos capazes de estudar. **A análise de regressão quantifica...

Exercício breve: Elabore um estudo

Agora que já abordamos o potencial e as armadilhas da estatística inferencial, pense em uma questão que lhe interesse e em como você poderia usar a estatística para ajudar a respondê-la.

Quais são as variáveis independentes e dependentes neste estudo? Quais são as hipóteses nula e alternativa?

Resumo de “Naked Statistics ”: Dados de qualidade : a espinha dorsal de estatísticas confiáveis

Analisamos algumas das estatísticas mais comuns que provavelmente encontraremos em nosso dia a dia. No entanto, compreender como realizar análises estatísticas é apenas uma pequena parte do processo estatístico como um todo. Wheelan explica que, de certa forma, a “parte matemática” da estatística é a parte mais fácil, já que realizamos a maioria das análises estatísticas em um computador, e as fórmulas estatísticas em si são imutáveis e fáceis de consultar. Portanto, uma vez que tenhamos conhecimento suficiente sobre estatística para entender quais fórmulas usar e o que significam os resultados estatísticos, a parte dos cálculos resume-se simplesmente a inserir os dados nas equações escolhidas.

Como as estatísticas em si são relativamente “fáceis” de calcular, Wheelan explica que pessoas bem-intencionadas produzem estatísticas enganosas o tempo todo. Ele observa que muitas das estatísticas com as quais nos deparamos são matematicamente precisas (se você repetisse os cálculos, obteria o mesmo resultado), mas factualmente imprecisas (embora os números sejam “corretos”, eles estão errados). Em outras palavras, os números resistem a um exame minucioso, mas não explicam uma situação com precisão.

Por exemplo, você poderia usar estatísticas para apresentar uma [ligação convincente entre...

Resumo do "Naked Statistics": Reduzindo o viés nos dados

Agora que discutimos alguns dos desafios e estratégias para a coleta de dados, vamos analisar a abordagem de Wheelan sobre a confiabilidade dos nossos dados propriamente ditos.

Uma das características mais importantes de dados confiáveis é que eles oferecem uma representação fiel da população que estamos estudando. Conforme discutimos na seção sobre estatística inferencial, muitos projetos de pesquisa e análises estatísticas dependem da amostragem como forma de obter informações sobre uma população maior. Se os dados coletados em nossa amostra não representarem com precisão nossa população, as estatísticas resultantes não serão confiáveis. Wheelan destaca duas formas principais de garantir uma amostra representativa:

Amostragem aleatória: Uma amostra verdadeiramente aleatória é ideal para a coleta de dados. A amostragem aleatória permite-nos ter uma confiança razoável de que estamos captando a diversidade da população subjacente, pois qualquer indivíduo tem as mesmas chances que qualquer outro de ser selecionado. Portanto, a diversidade da amostra deve ser próxima da diversidade da população. Quando uma amostra reflete com precisão a composição de sua população, ela é chamada de “amostra representativa”.

Amostras de grande porte: Quanto maior for o tamanho da amostra,...

Exercício breve: analise suas fontes de preconceito

Considere o seguinte cenário hipotético de pesquisa:

Pesquisadores interessados no efeito da ioga e da meditação no bem-estar emocional montaram um estande em um grande ashram no último dia de um retiro de ioga de uma semana. (A hipótese nula deles é que a prática diária de ioga e meditação não tem impacto no bem-estar emocional.) À medida que os participantes deixam o retiro, muitos param no estande para preencher o questionário dos pesquisadores, no qual lhes é perguntado se acreditam que a ioga e a meditação têm um impacto positivo em seu bem-estar emocional e para avaliar sua sensação de bem-estar emocional hoje em comparação com o primeiro dia do retiro. Usando esses dados, os pesquisadores rejeitam sua hipótese nula e publicam um artigo intitulado: “A prática diária de ioga melhora universalmente o bem-estar emocional”.

Que fontes de viés de seleção você consegue identificar neste estudo? (Lembre-se de que o viés de seleção ocorre quando nossa amostra não é aleatória e certos subconjuntos da população estão super- ou sub-representados.)