Índice

1. 1. O que é Ciência de Dados?
   • 1.1. Introdução
     • 1.1.1. Ferramentas Computacionais
     • 1.1.2. Técnicas Estatísticas
   • 1.2. Por que Ciência de Dados?
   • 1.3. Traçando os Clássicos
     • 1.3.1. Personagens Literários
     • 1.3.2. Outro Tipo de Personagem
2. 2. Causalidade e Experimentos
   • 2.1. John Snow e a Bomba da Broad Street
   • 2.2. O “Grande Experimento” de Snow
   • 2.3. Estabelecendo Causalidade
   • 2.4. Randomização
   • 2.5. Notas Finais
3. 3. Progamando em Python
   • 3.1. Expressões
   • 3.2. Nomes
     • 3.2.1. Exemplo: Taxas de Crescimento
   • 3.3. Chamadas
   • 3.4. Introdução às Tabelas
4. 4. Tipos de Dados
   • 4.1. Números
   • 4.2. Strings
     • 4.2.1. Métodos de Strings
   • 4.3. Comparações
5. 5. Sequências
   • 5.1. Arrays
   • 5.2. Ranges
   • 5.3. Mais sobre Arrays
6. 6. Tabelas
   • 6.1. Ordenando Linhas
   • 6.2. Selecionando Linhas
   • 6.3. Exemplo: Tendências Populacionais
   • 6.4. Examplo: Proporções de Sexos
7. 7. Visualização
   • 7.1. Visualizando Distribuições
     Categóricas
   • 7.2. Visualizando Distribuições Numéricas
   • 7.3. Gráficos Sobrepostos
8. 8. Funções e Tabelas
   • 8.1. Aplicando Função a uma Coluna
   • 8.2. Classificando por uma Variável
   • 8.3. Classificação Cruzada
   • 8.4. Unindo Tabelas por Colunas
   • 8.5. Compartilhamento de Bicicletas
9. 9. Aleatoriedade
   • 9.1. Declarações Condicionais
   • 9.2. Iteração
   • 9.3. Simulação
   • 9.4. O Problema de Monty Hall
   • 9.5. Encontrando Probabilidades
10. 10. Amostragem e Distribuições Empíricas
    • 10.1. Distribuições Empíricas
    • 10.2. Amostragem de uma População
    • 10.3. Distribuição Empírica de uma
      Estatística
    • 10.4. Amostragem Aleatória em Python
11. 11. Testando Hipóteses
    • 11.1. Avaliando um Modelo
    • 11.2. Múltiplas Categorias
    • 11.3. Decisões e Incertezas
    • 11.4. Probabilidades de Erro
12. 12. Comparando Duas Amostras
    • 12.1. Teste A/B
    • 12.2. Causalidade
    • 12.3. Esvaziar
13. 13. Estimação
    • 13.1. Percentis
    • 13.2. O Bootstrap
    • 13.3. Intervalos de Confiança
    • 13.4. Usando Intervalos de Confiança
14. 14. Por que a Média é Importante
    • 14.1. Propriedades da Média
    • 14.2. Variabilidade
    • 14.3. O DP e a Curva Normal
    • 14.4. Teorema Central do Limite
    • 14.5. Variabilidade da Média da Amostra
    • 14.6. Escolhendo um Tamanho de Amostra
15. 15. Previsão
    • 15.1. Correlação
    • 15.2. Linha de Regressão
    • 15.3. Método dos Mínimos Quadrados
    • 15.4. Regressão de Mínimos Quadrados
    • 15.5. Diagnósticos Visuais
    • 15.6. Diagnóstico Numérico

Notas Finais

Terminologia neste capítulo

• estudo observacional
• tratamento
• resultado
• associação
• associação causal
• causalidade
• comparação
• grupo de tratamento
• grupo de controle
• epidemiologia
• fator de confusão
• randomização
• experimento controlado randomizado
• ensaio clínico randomizado (ECR)
• cego
• placebo

Curiosidades

1. John Snow às vezes é chamado de pai da epidemiologia, mas ele era anestesista por profissão. Uma de suas pacientes foi a Rainha Vitória, que foi uma das primeiras a receber anestesia durante o parto.
2. Florence Nightingale, a precursora das práticas modernas de enfermagem e famosa por seu trabalho na Guerra da Crimeia, era uma fervorosa defensora da teoria dos miasmas. Ela não tinha tempo para teorias sobre contágio e germes, e não tinha papas na língua. “Não há fim para as absurdidades associadas a esta doutrina”, disse ela. “Basta dizer que, no sentido comum da palavra, não há prova que seria admitida em qualquer investigação científica de que existe tal
   coisa como contágio.”
3. Um ECR posterior estabeleceu que as condições exigidas pelo PROGRESA – crianças frequentando a escola, cuidados de saúde preventivos – não eram necessárias para alcançar um aumento na matrícula. Apenas o impulso financeiro dos pagamentos de assistência social foi suficiente.

Boas leituras

The Strange Case of the Broad Street Pump: John Snow and the Mystery of Cholera por Sandra Hempel, publicado pela nossa própria University of California Press, lê-se como um quebra-cabeça policial. Foi uma das principais fontes para a narrativa deste capítulo sobre John Snow e seu trabalho. Um aviso: alguns dos conteúdos do livro são perturbadores.

Poor Economics, o best-seller de Abhijit Banerjee e Esther Duflo do MIT, é um relato acessível e animado de maneiras de combater a pobreza global. Inclui numerosos exemplos de ECRs, incluindo o exemplo do PROGRESA neste capítulo. Em 2019, Banerjee, Duflo e Michael Kremer receberam o Prêmio Nobel de Economia, em parte por
mostrarem que “as
perguntas muitas vezes são melhor respondidas por meio de experimentos cuidadosamente projetados.”