Capítulo 6 Pensamento estatístico
6.1 Letramento estatístico
6.1.1 O que é letramento estatístico?
Letramento estatístico é a competência para compreender, interpretar e avaliar informações baseadas em dados, integrando conhecimentos técnicos e contextuais com postura crítica, crenças e atitudes que sustentem o uso ético e fundamentado da estatística.34–36
Letramento estatístico é parte essencial do letramento informacional (fornece a capacidade de reconhecer, acessar e avaliar informações) e do letramento em dados (envolve acessar, manipular e apresentar dados de forma adequada).37
Letramento em informação: Capacidade de reconhecer quando a informação é necessária e de localizá-la, avaliá-la criticamente (qualidade, validade, relevância, completude, imparcialidade) e usá-la de forma eficaz e ética.37
Letramento em dados: Competência técnica para acessar, manipular, resumir e apresentar dados, utilizando ferramentas e métodos, com foco na preparação e organização de conjuntos de dados para análise e comunicação.37
6.1.2 Por que o letramento estatístico é importante?
Desenvolver pensamento crítico diante dos números é uma das habilidades mais importantes da alfabetização científica moderna.38
A presença dos dados no cotidiano deixou de ser restrita a decisões políticas ou relatórios técnicos: hoje, todos estamos expostos e interagimos com dados de forma constante, seja por dispositivos móveis, redes sociais ou sistemas automatizados de recomendação.39
Ferramentas para coletar e analisar dados estão mais acessíveis e baratas, o que amplia a possibilidade de qualquer pessoa atuar não só como consumidora, mas também como produtora de informações.39
6.1.3 Quais são exemplos de armadilhas comuns na interpretação de estatísticas?
Escolha do indicador: usar média ou mediana pode levar a conclusões muito diferentes sobre o mesmo fenômeno (por exemplo, renda média vs. mediana antes e depois de impostos).37
Confusão entre taxas e contagens: comparar números absolutos sem considerar proporções populacionais pode distorcer a realidade.37
Fatores de confusão: diferenças observadas podem ser explicadas por variáveis não consideradas, como idade média da população ao comparar taxas de mortalidade.37
6.2 Elementos centrais do letramento estatístico
6.2.1 Quais elementos sustentam o letramento estatístico?
O modelo de letramento estatístico é composto por cinco elementos de conhecimento e dois elementos disposicionais.34–36
Competências de letramento: incluindo leitura de textos, gráficos e tabelas.34
Conhecimento estatístico básico: incluindo conceitos, métodos, interpretação de dados e probabilidade.34
Conhecimento matemático: sobre percentagens, médias e raciocínio numérico.34
Conhecimento de contexto/mundo: com entendimento do cenário e origem dos dados.34
Questões críticas: lista de worry questions para avaliar a validade da informação.34
6.2.2 Quais são os elementos que facilitam a ação estatisticamente letrada?
Postura crítica: propensão para questionar e analisar mensagens quantitativas.34
Crenças e atitudes: visão positiva sobre a capacidade de pensar estatisticamente; valorização de dados bem produzidos.34
6.2.3 Quais são os componentes do letramento estatístico?
Compreender quem coleta dados, por que e como essa coleta é feita.39
Saber interpretar dados de amostras aleatórias e não aleatórias, avaliando limitações e potencial.39
Conhecer e aplicar práticas de proteção de dados e direitos de propriedade sobre informações coletadas.39
Produzir representações descritivas (tabelas, gráficos, mapas, dashboards) para responder perguntas sobre fenômenos reais.39
Reconhecer a importância da proveniência e do armazenamento dos dados, bem como a necessidade de pré-processamento antes da análise.39
Entender fundamentos de modelagem preditiva e algoritmos, como árvores de classificação e regressão, especialmente no contexto de dados massivos (big data).39
6.2.4 Quais são os níveis de letramento estatístico?
Nível 1 Idiossincrático: Responde de forma muito pessoal ou confusa, usando termos de maneira incorreta ou limitada. Realiza apenas contagens diretas e leituras simples de dados.40
Nível 2 Informal: A interpretação é mais baseada no senso comum do que em conceitos estatísticos. Utiliza apenas alguns termos corretos e consegue fazer cálculos muito simples com tabelas, gráficos ou situações de probabilidade.40
Nível 3 Inconsistente: Analisa partes do problema, mas de forma irregular. Pode identificar conclusões corretas, mas sem explicá-las. Usa ideias estatísticas de maneira mais descritiva do que numérica.40
Nível 4 Consistente: Consegue interpretar dados e usar termos estatísticos corretamente, sem questionar a forma como as informações são apresentadas. Reconhece a variação em situações que envolvem acaso, e sabe lidar com conceitos como média, probabilidades simples e gráficos.40
Nível 5 Crítico: Também envolve uma postura questionadora, mas sem exigir cálculos complexos de proporção. Usa corretamente a linguagem estatística, entende o significado de termos ligados à probabilidade e percebe que os resultados podem variar.40
Nível 6 Crítico Matemático: A pessoa questiona e analisa as informações de forma profunda, usando cálculos e raciocínio proporcional, e reconhece que previsões sempre envolvem algum grau de incerteza e percebe detalhes sutis na forma como os dados são apresentados.40
6.3 Habilidades de letramento estatístico baseadas no pensamento crítico
6.3.1 Quais são as perguntas críticas na interpretação estatística?
De onde vêm os dados? Que tipo de estudo foi feito?34
A amostra é representativa e suficientemente grande?34
Os instrumentos de medição são confiáveis?34
As estatísticas e gráficos são apropriados e não distorcem?34
Há relação causal ou apenas correlação? Há informação em falta?34
Existem interpretações alternativas plausíveis?34
6.3.2 Quais são as habilidades de letramento estatístico?
Identificar: Descobrir qual é a principal afirmação de um texto ou relatório e separar o que é opinião do que é realmente evidência ou dado.41
Questionar: Fazer perguntas sobre os dados: de onde vieram, como foram coletados, qual o tamanho da amostra, se houve erros, se os gráficos estão claros e se o questionário foi bem feito.41
Julgar: Avaliar se a afirmação é bem sustentada pelos dados ou se está exagerando, por exemplo, dizendo que algo causa quando só foi encontrada uma relação.41
Esclarecer: Entender e explicar palavras técnicas e expressões que podem confundir, além de saber como foi feita a pesquisa e a análise.41
Avaliar: Decidir se a afirmação é confiável comparando com outras informações disponíveis e verificando se faz sentido.41
Investigar mais: Procurar informações que não foram mostradas, como quem fez a pesquisa, por que foi feita, detalhes do processo ou fatores escondidos que podem influenciar os resultados.41
Considerar alternativas: Pensar em outras explicações possíveis ou diferentes interpretações para os mesmos dados.41
Concluir: Chegar à sua própria conclusão sobre o assunto, usando as informações e o raciocínio de forma clara e bem fundamentada.41
6.4 População
6.4.1 O que é população?
População — ou população-alvo — refere-se ao conjunto completo sobre o qual se pretende obter informações.16,42
População é metodologicamente delimitada pelos critérios de inclusão e exclusão do estudo.16
Em estudos observacionais, inicialmente as características geográficas e/ou demográficas, por exemplo, definem a população a ser estudada.16
Em estudos analíticos, a população é inicialmente definida pelos objetivos da pesquisa e, posteriormente, as observações são realizadas na amostra.16
6.4.2 O que é representatividade e por que ela importa?
Representatividade refere-se ao grau em que uma amostra reflete com fidelidade as características da população de referência.42
Mesmo com uma amostra menor que o ideal, a inferência estatística ainda pode ser válida se a representatividade for mantida, embora com menor precisão e poder estatístico.42
Amostras não representativas comprometem a validade da inferência estatística, mesmo quando o tamanho da amostra atende aos requisitos de poder da análise.42
6.5 Amostra
6.5.1 O que é amostra?
Em pesquisa científica, utilizam-se dados de uma amostra de participantes (ou outras unidades de análise) para realizar inferências sobre a população.43
6.5.2 Por que usar dados de amostras?
Estudos com amostras, em vez de censos, são preferíveis por diversas razões, dentre elas: questões éticas; limitações orçamentárias; desafios logísticos; restrição de tempo; e tamanho populacional desconhecido.42
Dados de uma amostra de tamanho suficiente e características representativas podem ser utilizados para inferência sobre uma população.29
Em geral, amostras de tamanhos maiores possuem médias mais próximas da média populacional e menores variâncias.29
6.6 Unidade de análise
6.6.1 O que é unidade de análise?
A unidade de análise (ou unidade experimental) de pesquisas na área de saúde geralmente é o indivíduo.44
A unidade de análise também pode ser a instituição em estudos multicêntricos (ex.: hospitais, clínicas) ou um estudo publicado em meta-análise (ex.: ensaios clínicos).44
6.7 Amostragem
6.7.1 O que é amostragem?
- Amostragem é o processo pelo qual se seleciona uma parte de uma população para constituir a amostra que será efetivamente estudada.42
Figura 6.1: Representação esquemática da amostragem: seleção de uma população para a amostra.
6.7.2 Quais métodos de amostragem da população são usados?
O método de amostragem é geralmente definido pelas condições de viabilidade do estudo, no que diz respeito a acesso aos participantes, ao tempo de execução e aos custos envolvidos, entre outras.16
Amostragem não-probabilística ou intencional: Bola de neve, Conveniência, Participantes encaminhados, Proposital.16,42
Amostragem probabilística: Simples, Sistemática, Multiestágio, Estratificada, Agregada.16,42
6.7.3 O que é erro de amostragem?
Erro de amostragem é a variação natural entre os resultados obtidos a partir de uma amostra e os resultados que seriam obtidos caso toda a população fosse examinada.42
Erro de amostragem reflete o grau de incerteza inerente à generalização de uma amostra para a população.42
Figura 6.2: Representação esquemática do erro de amostragem: seleção de várias amostras independentes de uma população.
Figura 6.3: Representação esquemática da amostragem de uma população para a amostra.
6.8 Reamostragem
6.8.1 O que é reamostragem?
- Reamostragem é um procedimento que cria vários conjuntos de dados sorteados a partir de um conjunto de dados real — a amostra da população — sem a necessidade de fazer suposições sobre os dados e suas distribuições.43
6.8.2 Por que utilizar reamostragem?
Quando se dispõe de dados de apenas 1 amostra, as diversas suposições que são feitas podem não ser atingidas.43
Procedimentos de reamostragem produzem um conjunto de observações escolhidas aleatoriamente da amostra, igualmente representativo da população original.43
Procedimentos de reamostragem permitem estimar o erro-padrão e intervalos de confiança sem a necessidade de tais suposições, sendo, portanto, um conjunto de procedimentos não-paramétricos.43
6.8.3 Quais métodos de reamostragem podem ser realizados?
Bootstrap: Cada iteração cria uma nova amostra do mesmo tamanho da original a partir de seleções aleatórias das observações reais.43
Com bootstrap, algumas observações podem aparecer mais de uma vez, enquanto outras podem não ser selecionadas.43
Figura 6.4: Representação esquemática da reamostragem de uma amostra.
6.9 Subamostragem
6.9.1 O que é subamostragem?
- .REF?
Figura 6.5: Representação esquemática da subamostragem de uma amostra.
6.10 Superamostragem
6.10.1 O que é superamostragem?
- .REF?
Figura 6.6: Representação esquemática da superamostragem de uma população.
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,