E aí [Música] E aí e nada de hoje nós vamos conhecer a definição de estatística o conceito de variabilidade e como pensamento estatístico nos ajuda a tomar decisões na presença de variabilidade a estatística é a área do conhecimento que congrega um conjunto de métodos especialmente dedicados a coleta a apresentação análise e interpretação de dados tem como objetivo a compreensão de um fenômeno de uma realidade específica e também é a ciência que nos ajuda a tomar decisões e tirar conclusões na presença de variabilidade mas o que é variabilidade e imagina um fenômeno evento que se repete
várias vezes a variabilidade reside no fato de que as sucessivas observações desse fenômeno não produzem exatamente o mesmo resultado por exemplo considere que esteja interessado em aferir o consumo do meu carro o desempenho medido em quilômetros por litro então a cada reabastecimento eu faço aferição do consumo na primeira medida eu obtive algo em torno de 10,6 Km por litro na segunda 12,3 ou, 4 depois aproximadamente 11,2 Km por litro e assim por diante vou fazendo as aferições verifiquem que a cada aferição e honesto um valor diferente Ou seja o valor varia e os possíveis fatores
de variabilidade são o tipo de estrada onde eu estou dirigindo meu carro que pode ser na cidade ou no mouse e o desgaste ou a calibragem dos pneus o desgaste das peças do motor que mudam a taxa de compressão e portanto mudam consumo e a marca da gasolina o posto em que eu fiz o abastecimento condições climáticas que também altera as condições de funcionamento do motor a maneira de dirigir e tantos outros fatores que poderiam ser considerados bom então uma forma de representar esse fenômeno é por meio de uma variável aleatória aqui representada por um
X maiúsculo que corresponde ao consumo e que é composto por um valor constante que se mantém o mesmo a cada nova medida e por um valor um fator de perturbação aleatória que varia a cada nova medida portanto a variável aleatória é definida pela soma de um valor constante mais um valor aleatório que pode ser entendido como um erro ou desvio em relação essa constante a estatística trabalha com dois tipos de conjuntos de dados a população universo e amostra população é o maior conjunto de entidades sobre o qual se deseja realizar uma investigação EA mostra uma
fração desse conjunto Imagine que estejamos estudando o processo eleitoral para Presidente da República a população universo é e de todos os eleitores brasileiros e uma amostra dessa população é um subconjunto que poderia congregar alguns eleitores escolhidos de forma representativa nos estados com a finalidade por exemplo de verificar o percentual de intenção de votos desses eleitores utilizamos as amostras para fazer inferências sobre a população e esse objetivo principal do nosso curso Vamos definir os conceitos de variável dado informação variável a uma tributo mensurável que pode mudar ou variar conforme mudam algumas condições como por exemplo tempo
a localização geográfica é o grupo de pessoas em que uma determinada medida está sendo efetuada um exemplo de variável é o que vimos no início desta aula o consumo em quilômetros por litro o dado é o valor resultante de uma mensuração e esta primeira aferição encontramos algo em torno de 10,6 em uma segunda mensuração algo em torno de 12,4 e assim vamos registrando os dados EA informação A informação é resultante do processamento manipulação e organização desses dados ao utilizarmos cada um desses dados para estimar a média desse conjunto realizamos um processamento uma manipulação portanto a
média pode ser considerada uma informação daquele conjunto de dados o dado coletado diretamente na fonte é denominado dado bruto em geral não está preparado para análise Por que alguns dos dados relevantes podem ter sido omitidos pode haver erros de transcrição ou de registro que resulta em out Liars são valores não usuais veremos isso mais à frente no nosso curso enfim não é necessário um pré-processamento para que o dado esteja pronto para ser analisado com o tratamento adequado o dado passa está pronto para análise o que também é conhecido como tá é de deita eu que
isso significa significa que o dado deve estar organizado num formato de tabela onde cada coluna corresponde a uma variável e cada linha corresponde a uma observação ou elemento do conjunto para o caso dos dados de eleitores brasileiros cada linha é correspondente a um estado brasileiro é uma boa referência sobre tarde deita é o artigo de wiccan que indico como leitura complementar E quanto a medição as variáveis podem ser categóricas ou qualitativas e numéricas ou quantitativos comecemos pelas categóricas que podem ser nominais binárias ou dicotômicos e ordinais as nominais classificam elementos categorizam elementos separam os elementos
do conjunto em grupos distintos por exemplo estado civil dividir o conjunto entre casados solteiros separados viúvos enfim e religião também é uma variável categórica nominal que dividir em grupos quanto as diversas religiões existentes uma variável categórica binária ou de Econômica tem apenas duas categorias considere por exemplo a variável eleito que registram o resultado da eleição para um determinado candidato ao candidato é tão somente eleito ou não eleito portanto sim Oi e a variável categórica ordinal quanto a escala também dividir os elementos em grupos porém permite ordenar as categorias de acordo com uma sequência que tem
uma diferença quanto a magnitude entre cada uma das categorias em geral são utilizadas para escalas Liquid muito comum e ser vez por exemplo ao ser perguntado sobre uma determinada temática um respondente pode dizer que discordo totalmente discordo parcialmente indiferente concordo parcialmente ou concorda totalmente veja que a ordem implica uma gradação uma diferença de magnitude entre cada uma das categorias e as variáveis numéricas contra escala podem ser intervalares ou de razão uma variável intervalar distâncias iguais entre pontos da escala corresponde a quantidades iguais da propriedade sendo medida por exemplo a variação de temperatura de menos um
graus Celsius a 0° contém a mesma quantidade de calor da variação de temperatura entre 0 graus e mais um graus Celsius as variáveis de razão tem 10 absoluto como o valor mínimo por exemplo não faz sentido a idade menor do que zero ou altura com algum valor menor do que zero assim como peso e todas as variáveis de razão as variáveis quantitativas ainda podem ser definidas como continus quando puder E assumir qualquer valor numérico dentro do intervalo definido para a escala por exemplo entre a altura de 1m eu senti e 1,61 existem infinitos valores por
isso a variável considerada a continuar as variáveis discretas são expressas por um conjunto limitado de valores por exemplo número de votos de um candidato entre a quantidade de dez votos EA quantidade de 11 votos só pode ter um voto de diferença não existem valores fracionários na prática mesmo as variáveis contínuas às são discretas Por que estão limitadas a precisão do instrumento de medição a coleta de dados pode ser feita por meio de dois métodos o observacional e o experimental no observacional o pesquisador não interfere nos fenômenos em estudo apenas observa os fenômenos de maneira sistemática
e padronizada e o pesquisador coleta registro informações dados que ocorrem espontaneamente num determinado momento do processo ou ao longo da evolução do processo e posteriormente procede a descrição e análise desses dados o método observacional requer certo cuidado a fim de que os dados coletados posso ter validade científica porque é possível que as crenças e convicções de quem observa em terceiro no registro das observações é uma forma de contornar isso é a utilização de vários observadores E então a consolidação dos dados se dá apenas naquilo em que todos os observadores concordaram observarão da mesma forma já
no método experimental existe interferência deliberada do pesquisador o que manipula aspectos do ambiente de forma planejada para observar os efeitos dessa manipulação também no método experimental viés do Observador pode prevalecer o que pode ser evitado com a construção de amostras aleatórias o método observacional tem quatro tipos de abordagens A primeira é o estudo de corte onde um grupo definido de pessoas que denominamos curte é acompanhado ao longo de um período de tempo o que caracteriza um estudo longitudinal imagine por exemplo que estamos desenvolvendo um estudo para dar suporte a políticas públicas de prevenção do câncer
de pulmão e queremos saber se o hábito de fumar aumenta incidência de câncer no pulmão neste caso câncer de pulmão é o que chamamos de desfecho de interesse do estudo bom então poderíamos identificar um grupo inicialmente de mil pessoas que sejam fumantes habituais um corte de mil pessoas e um novo grupo ou corte de mil pessoas que não sejam fumantes Logo no início do estudo verificaríamos se dentro dos grupos existem indivíduos com câncer de pulmão e esses indivíduos serão retirados do estudo e então passaríamos observar esses dois grupos durante o segmento da pesquisa para ver
em qual deles ocorrerá a maior incidência de câncer de pulmão vejam que o status de Exposição que é o hábito de fumar acontece naturalmente ou seja o pesquisador não interfere ativamente nesse processo não seria ético que para fins de pesquisa os pesquisadores incentivassem um grupo a fumar simplesmente para verificar os resultados é o caso controle é como se fosse um estudo de coorte revertido os investigadores começam identificando o grupo de pessoas com o desfecho e o outro grupo de pessoas sem o desfecho que no nosso exemplo aqui é o câncer de pulmão Então são levantados
dados para confirmar se os casos aqueles que têm o desfecho eram fumantes habituais antes do desenvolvimento do câncer de pulmão no estudo transversal todas as medições são feitas no único momento portanto não existe período de acompanhamento dos indivíduos nessa abordagem o pesquisador registro é uma fotografia dos fatos ou variáveis de interesse e não a evolução dos fatos o que por analogia seria o filme dos acontecimentos estudos transversais são particularmente úteis para identificar a prevalência de um determinado fim e numa população definida as séries de casos procuram compreender acontecimentos e contextos que são complexos e onde
estão envolvidos diversos fatores e tenta responder como e o porquê de determinada situação as séries de casos inclui a descrição das características e desfechos entre indivíduos de um grupo com uma doença exposição durante um período de tempo e não existe um grupo controle para comparação por exemplo em janeiro de 2020 investigadores chineses publicaram uma detalhada série de casos descrevendo as características e desfechos de 41 adultos com couve 19 confirmada e essa série foi extremamente importante por ser a primeira descrição publicada do impacto da doença ajudando clínicos e técnicos de todo mundo a enfrentar a nova
academia é o método experimental tem dois tipos de abordagens o projeto de medidas independentes e o projeto de medidas repetidas o relacionados No primeiro caso a variável independente a manipulado em grupos distintos de participantes de modo que um grupo participa de uma condição experimental Enquanto o outro grupo participa de uma condição diferente um exemplo disso são os estudos para verificar a eficácia das vacinas para a prevenção da correia 19 um grupo recebe a vacina e o outro recebe o Placebo ao final de um tempo São verificadas as taxas de produção de anticorpos em cada um
dos grupos no segundo caso a variável independente é manipulada sobre o mesmo grupo em condições ou momentos distintos chamados momento experimental e momento de controle me considero um estudo que avalia os efeitos da atividade física sobre a capacidade pulmonar dos indivíduos no momento inicial do estudo o momento o controle de terminaríamos a capacidade ventilatória média entre todos os indivíduos os indivíduos então seriam submetidos a um treinamento físico específico durante um período de tempo ao final desse período momento experimental novamente a capacidade ventilatória média entre os indivíduos seria medida e comparada com o resultado encontrado antes
do treinamento físico aplicado e com o advento do Big Data o Big Data o termo ciência de dados ganhou espaço e muitas vezes ciência de dados é confundido com a disciplina estatística mas na verdade a ciência de dados congrega diversas disciplinas como a estatística computação conhecimento do negócio específico sobre o qual se está desenvolvendo um estudo e a matemática bom e o que é o Big Data é uma grande quantidade de dados mas isso depende da tecnologia das épocas por exemplo em 1956 Este era um HD da IBM um disco rígido cuja capacidade era 5
megabytes e precisava ser transportado por empilhadeira nos anos 70 e 80 a mesma quantidade de dados cadeirinha em alguns discos flexíveis bem menores de 85 e 14 e 3,5 polegadas e muito mais práticos e a internet e as novas tecnologias têm feitas informações dobrarem a cada dois anos em quantidades colossais em 2011 havia previsão de serem criados 1.800 tablets de novas informações só para fazer uma analogia e significa três tuítes por minuto de todas as pessoas residentes nos Estados Unidos ou 200 bilhões de filmes em HD cada um com 120 minutos de duração uns a
tablet equivalente a 10 elevado a 21 bytes é mesmo colossal e olha a cidade de 2021 a cada um minuto 300 horas de vídeo são inseridas no YouTube o que corresponde a aproximadamente 1 terabytes por minuto o segundo a IBM as informações crescem 2,5 quintilhões de bikes por dia o problema é que nem tudo informação útil Então existe um trabalho de separação daquilo que pode ser aproveitado e daquilo que é lixo nisso Residem Os desafios da ciência de dados temos inúmeras hipóteses para testar muitos conjuntos de dados para garimpar mas apenas uma quantidade relativamente constante
de verdade os objetivos o livro O sinal eo ruído do Nate Silver discutir porque uma quantidade infindável de dados aparentemente irrelevantes não é garantia de sucesso o livro também examina exemplos bem-sucedidos e os exemplos fracassados e previsões feitas a partir de grandes conjuntos de dados há diversos métodos de análises são utilizados na ciência de dados o primeiro ou descritivo cujo objetivo de escrever no conjunto de dados e que é a primeira forma de análise dos dados geralmente aplicado incenso ou seja em levantamentos que são feitos sobre toda a população e esse método não pode ser
utilizado para fazer generalizações sem que haja uma modelagem estatística adicional um exemplo a pirâmide etária do senso de 2010 fornecida pelo IBGE descreve por faixa etária Qual é a proporção entre homens e mulheres é o método exploratório busca por relações entre variáveis de dados ele é o último a descoberta de novas conexões de dados que ajudam na definição de estudos futuros que venham a confirmar essas conexões o método exploratório não pode ser usado para a generalização ou predição e vamos ver um exemplo existe relação entre as horas de estudo dos alunos de métodos inferenciais EA
nota final cansada bom Aparentemente sim existe aqui uma relação Direta do número de Horas de estudos com a nota alcançada é importante destacar que correlação não implica a causa o estabelecimento de relações causais requer algumas condições a correlação é tão somente o primeiro requisito Axe ver também se existe precedência temporal e esse existem causas concorrentes outras variáveis que não só as horas de estudos que poderiam explicar a nota do aluno de métodos inferenciais neste curso nós não estudaremos as relações causais entre as variáveis e os fenômenos é o método diferencial é utilizado quando queremos dizer
algo sobre uma grande população a partir de uma amostra relativamente pequena imagine por exemplo que podemos inferir a intenção de voto dos eleitores brasileiros são mais de 140 milhões a partir de uma amostra de cerca de 2 mil a 3 mil eleitores e essa inferência é feita a partir de estimativas calculadas na mostra que remetem a parâmetros da população EA toda estimativa existe uma incerteza um erro calculado para que uma estimativa seja bolso suficiente tem que haver um esquema de amostragem muito bem construído de forma que a mostra tenha além de uma quantidade suficiente de
alimentos que os elementos sejam representativos da população é por essa razão que o metro diferencial pode ser utilizado para a generalização aqui um exemplo de como método inferencial funciona neste quadro as intenções de votos para o prefeito de Curitiba e estão associadas a um erro ou uma incerteza na medida o método preditivo utiliza dados sobre alguns objetos para predizer valores de outros objetos ele é mais desafiador que o método inferencial o método inferencial a depende da construção de uma boa mostra o método preditivo por outro lado Depende de serem encontradas as variáveis corretas para a
predição Além disso método preditivo tem que fazer uso de modelos simples que sejam bons o suficiente para fazer as predições e também Depende de uma grande quantidade de dados e quando um método preditivo a partir de uma variável x consegue prever adequadamente Y isso não quer dizer que x causa Y mas apenas que a variação de X explica a variação de Y para se ter uma ideia do quanto os métodos produtivos são um diferencial competitivo nos dias de hoje o Netflix promoveu em 2009 um prêmio pagando um milhão de dólares ao melhor algoritmo capaz de
prever os filmes que um usuário gostaria de assistir com base nos filmes assistidos anteriormente e será que isso vale um milhão de dólares bom o físico niels Bohr já dizia perdições são muito difíceis especialmente É sobre o futuro é parece que vale é o método mecanicista tem o objetivo de entender o efeito de todas as fontes de variabilidade não modeladas mas que afetam o sistema ele é construído a partir do nosso conhecimento de um mecanismo físico por exemplo a Lei de Ohm nós sabemos que a corrente de um determinado circuito é dada pela relação entre
a tensão não dado resistor EA resistência desse resistor então o modelo mecanicista é formado por um conjunto de equações determinísticas oriundas da física e da engenharia e as fontes de variabilidade Não modeladas elas constituem um componente aleatório que é adicionado ao mecanismo físico conhecido e muitas vezes as equações o as relações entre as variáveis são conhecidas mas não os parâmetros nesse caso os métodos mecanicistas empíricos podem ser utilizados onde os parâmetros são inferidos a partir de dados levantados e da análise desses dados por exemplo sabe-se que o peso molecular médio de um polímero é função
da viscosidade do material e da temperatura ambiente a partir de dados levantados e medições feitas ao longo de um processo Então os parâmetros podem ser estimados pelo método mecanicista empírico Olá neste curso nós nos ateremos Aos três primeiros métodos descritivo exploratório e inferencial Nesta aula aprenderemos os conceitos de estatística e variabilidade conhecemos os tipos de variáveis e os métodos de coleta de dados e vimos como o Big de estrutura ou a ciência de dados nos dias de hoje Espero que tenham gostado e até a próxima aula 1 E aí [Música] E ai ai E aí
E aí
