{"id":643,"date":"2025-07-28T17:01:21","date_gmt":"2025-07-28T21:01:21","guid":{"rendered":"https:\/\/literaciadigital.ufms.br\/?page_id=643"},"modified":"2025-10-10T14:58:18","modified_gmt":"2025-10-10T18:58:18","slug":"11-1","status":"publish","type":"page","link":"https:\/\/literaciadigital.ufms.br\/en\/data8\/11-0\/11-1\/","title":{"rendered":"Cap\u00edtulo 11.1"},"content":{"rendered":"<div style=\"position: relative\">\n<div style=\"float: left;width: 300px;background-color: #f5f5f5;border: 1px solid #ddd;border-radius: 5px;padding: 15px;margin-right: 20px;margin-bottom: 5px;overflow: hidden\">\n<h3 style=\"margin: 0 0 10px 0;padding-bottom: 8px;border-bottom: 1px solid #ddd\">\u00cdndice<\/h3>\n<ol style=\"margin: 0;padding-left: 0;list-style-type: none\">\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/\">1. O que \u00e9 Ci\u00eancia de Dados?<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-1\/\">1.1. Introdu\u00e7\u00e3o<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-1\/1-1\/\">1.1.1. Ferramentas Computacionais<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-1\/1-2\/\">1.1.2. T\u00e9cnicas Estat\u00edsticas<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-2\/\">1.2. Por que Ci\u00eancia de Dados?<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-3\/\">1.3. Tra\u00e7ando os Cl\u00e1ssicos<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-3\/3-1\/\">1.3.1. Personagens Liter\u00e1rios<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/1-0\/1-3\/3-2\/\">1.3.2. Outro Tipo de Personagem<\/a><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/\">2. Causalidade e Experimentos<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/2-1\/\">2.1. John Snow e a Bomba da Broad Street<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/2-2\/\">2.2. O &#8220;Grande Experimento&#8221; de Snow<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/2-3\/\">2.3. Estabelecendo Causalidade<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/2-4\/\">2.4. Randomiza\u00e7\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/2-0\/2-5\/\">2.5. Notas Finais<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/\">3. Progamando em Python<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/3-1\/\">3.1. Express\u00f5es<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/3-2\/\">3.2. Nomes<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/3-2\/2-1\/\">3.2.1. Exemplo: Taxas de Crescimento<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/3-3\/\">3.3. Chamadas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/3-0\/3-4\/\">3.4. Introdu\u00e7\u00e3o \u00e0s Tabelas<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/4-0\/\">4. Tipos de Dados<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/4-0\/4-1\/\">4.1. N\u00fameros<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/4-0\/4-2\/\">4.2. Strings<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/4-0\/4-2\/2-1\/\">4.2.1. M\u00e9todos de Strings<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/4-0\/4-3\/\">4.3. Compara\u00e7\u00f5es<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/5-0\/\">5. Sequ\u00eancias<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/5-0\/5-1\/\">5.1. Arrays<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/5-0\/5-2\/\">5.2. Ranges<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/5-0\/5-3\/\">5.3. Mais sobre Arrays<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/6-0\/\">6. Tabelas<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/6-0\/6-1\/\">6.1. Ordenando Linhas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/6-0\/6-2\/\">6.2. Selecionando Linhas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/6-0\/6-3\/\">6.3. Exemplo: Tend\u00eancias Populacionais<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/6-0\/6-4\/\">6.4. Examplo: Propor\u00e7\u00f5es de Sexos<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/7-0\/\">7. Visualiza\u00e7\u00e3o<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/7-0\/7-1\/\">7.1. Visualizando Distribui\u00e7\u00f5es<br \/>\nCateg\u00f3ricas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/7-0\/7-2\/\">7.2. Visualizando Distribui\u00e7\u00f5es Num\u00e9ricas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/7-0\/7-3\/\">7.3. Gr\u00e1ficos Sobrepostos<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/\">8. Fun\u00e7\u00f5es e Tabelas<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/8-1\/\">8.1. Aplicando Fun\u00e7\u00e3o a uma Coluna<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/8-2\/\">8.2. Classificando por uma Vari\u00e1vel<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/8-3\/\">8.3. Classifica\u00e7\u00e3o Cruzada<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/8-4\/\">8.4. Unindo Tabelas por Colunas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/8-0\/8-5\/\">8.5. Compartilhamento de Bicicletas<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/\">9. Aleatoriedade<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/9-1\/\">9.1. Declara\u00e7\u00f5es Condicionais<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/9-2\/\">9.2. Itera\u00e7\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/9-3\/\">9.3. Simula\u00e7\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/9-4\/\">9.4. O Problema de Monty Hall<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/9-0\/9-5\/\">9.5. Encontrando Probabilidades<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/10-0\/\">10. Amostragem e Distribui\u00e7\u00f5es Emp\u00edricas<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/10-0\/10-1\/\">10.1. Distribui\u00e7\u00f5es Emp\u00edricas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/10-0\/10-2\/\">10.2. Amostragem de uma Popula\u00e7\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/10-0\/10-3\/\">10.3. Distribui\u00e7\u00e3o Emp\u00edrica de uma<br \/>\nEstat\u00edstica<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/10-0\/10-4\/\">10.4. Amostragem Aleat\u00f3ria em Python <\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/\">11. Testando Hip\u00f3teses<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-1\/\">11.1. Avaliando um Modelo<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-2\/\">11.2. M\u00faltiplas Categorias<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-3\/\">11.3. Decis\u00f5es e Incertezas<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-4\/\">11.4. Probabilidades de Erro<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/12-0\/\">12. Comparando Duas Amostras<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/12-0\/12-1\/\">12.1. Teste A\/B<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/12-0\/12-2\/\">12.2. Causalidade<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/12-0\/12-3\/\">12.3. Esvaziar<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/13-0\/\">13. Estima\u00e7\u00e3o<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/13-0\/13-1\/\">13.1. Percentis<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/13-0\/13-2\/\">13.2. O Bootstrap<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/13-0\/13-3\/\">13.3. Intervalos de Confian\u00e7a<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/13-0\/13-4\/\">13.4. Usando Intervalos de Confian\u00e7a<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/\">14. Por que a M\u00e9dia \u00e9 Importante<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-1\/\">14.1. Propriedades da M\u00e9dia<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-2\/\">14.2. Variabilidade<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-3\/\">14.3. O DP e a Curva Normal<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-4\/\">14.4. Teorema Central do Limite<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-5\/\">14.5. Variabilidade da M\u00e9dia da Amostra<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/14-0\/14-6\/\">14.6. Escolhendo um Tamanho de Amostra<\/a><\/li>\n<\/ul>\n<\/li>\n<li style=\"margin-bottom: 5px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/\">15. Previs\u00e3o<\/a>\n<ul style=\"margin: 5px 0 5px 15px;padding-left: 10px;list-style-type: none;border-left: 1px solid #ddd\">\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-1\/\">15.1. Correla\u00e7\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-2\/\">15.2. Linha de Regress\u00e3o<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-3\/\">15.3. M\u00e9todo dos M\u00ednimos Quadrados<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-4\/\">15.4. Regress\u00e3o de M\u00ednimos Quadrados<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-5\/\">15.5. Diagn\u00f3sticos Visuais<\/a><\/li>\n<li style=\"margin-bottom: 3px\"><a style=\"padding: 2px 0\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/15-0\/15-6\/\">15.6. Diagn\u00f3stico Num\u00e9rico<\/a><\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<\/div>\n<p><!-- Main Content --><\/p>\n<div style=\"overflow: hidden\">\n<p><!--###########################################################################################################################################################--><\/p>\n<pre><code><span style=\"color: black\">from datascience import *\r\n%matplotlib inline\r\npath_data = '..\/..\/..\/..\/assets\/data\/'\r\nimport matplotlib.pyplot as plots\r\nplots.style.use('fivethirtyeight')\r\nimport numpy as np<\/span><\/code><\/pre>\n<p>&nbsp;<\/p>\n<h1 id=\"avaliando-um-modelo\" style=\"text-align: center\">Avaliando um Modelo<\/h1>\n<p style=\"text-align: justify\">Na ci\u00eancia de dados, um <em>modelo<\/em> \u00e9 um conjunto de suposi\u00e7\u00f5es sobre os dados. Frequentemente, modelos incluem suposi\u00e7\u00f5es sobre processos aleat\u00f3rios usados para gerar dados.<\/p>\n<p style=\"text-align: justify\">\u00c0s vezes, os cientistas de dados precisam decidir se um modelo \u00e9 bom ou n\u00e3o. Nesta se\u00e7\u00e3o, discutiremos um exemplo de como tomar essa decis\u00e3o.<\/p>\n<h2 id=\"sele-o-de-jurados\" style=\"text-align: justify\">Sele\u00e7\u00e3o de Jurados<\/h2>\n<p style=\"text-align: justify\">A ci\u00eancia de dados pode ser uma ferramenta poderosa para expor o racismo e a desigualdade em nossa sociedade. Esta se\u00e7\u00e3o trata de um caso em que dados forneceram evid\u00eancias de vi\u00e9s racial na sele\u00e7\u00e3o de jurados.<\/p>\n<p style=\"text-align: justify\">A Sexta Emenda da Constitui\u00e7\u00e3o dos Estados Unidos afirma que, &#8220;Em todos os processos criminais, o acusado gozar\u00e1 do direito a um julgamento r\u00e1pido e p\u00fablico, por um j\u00fari imparcial do Estado e distrito onde o crime tiver sido cometido.&#8221;<\/p>\n<p style=\"text-align: justify\">Uma caracter\u00edstica de um j\u00fari <em>imparcial<\/em> \u00e9 que ele deve ser selecionado a partir de um painel de jurados que seja representativo da popula\u00e7\u00e3o da regi\u00e3o relevante. Um painel de jurados \u00e9 um grupo de pessoas escolhidas para serem jurados potenciais. O j\u00fari final do julgamento \u00e9 selecionado entre eles por inclus\u00e3o ou exclus\u00e3o deliberada e, como resultado, pode ter qualquer composi\u00e7\u00e3o. Mas o painel maior do qual os jurados s\u00e3o selecionados deve ser representativo da popula\u00e7\u00e3o.<\/p>\n<p style=\"text-align: justify\">A quest\u00e3o de saber se o j\u00fari \u00e9, de fato, representativo da popula\u00e7\u00e3o de uma regi\u00e3o tem uma importante implica\u00e7\u00e3o jur\u00eddica. Se algum grupo na popula\u00e7\u00e3o foi sistematicamente sub-representado no painel de jurados, isso poderia levantar uma quest\u00e3o sobre se o j\u00fari era imparcial e, portanto, se o r\u00e9u recebeu o devido processo legal.<\/p>\n<p style=\"text-align: justify\">Essa foi a quest\u00e3o no caso da Suprema Corte de Robert Swain, um homem negro condenado no Condado de Talladega, Alabama, em 1962. Ele apelou sua acusa\u00e7\u00e3o at\u00e9 a Suprema Corte dos EUA com o argumento de que os negros eram sistematicamente exclu\u00eddos dos j\u00faris no Condado de Talladega. A Suprema Corte negou seu recurso e Robert Swain foi posteriormente condenado \u00e0 pris\u00e3o perp\u00e9tua.<\/p>\n<p style=\"text-align: justify\">No entanto, nossa an\u00e1lise abaixo mostra que os dados n\u00e3o concordam com as conclus\u00f5es tiradas pela Corte. Pelo contr\u00e1rio, os dados apontam para um vi\u00e9s no processo de sele\u00e7\u00e3o do j\u00fari. Esse vi\u00e9s no sistema de justi\u00e7a criminal refletia o preconceito e a injusti\u00e7a generalizados contra os negros na \u00e9poca.<\/p>\n<p style=\"text-align: justify\">Vamos come\u00e7ar examinando os detalhes num\u00e9ricos. Na \u00e9poca do julgamento, apenas homens com 21 anos ou mais eram eleg\u00edveis para servir como jurados no Condado de Talladega. Nessa popula\u00e7\u00e3o, 26% dos homens eram negros. Como \u00e9 comum em julgamentos com j\u00fari, os jurados no julgamento de Robert Swain foram selecionados de um painel de pessoas que deveriam ser representativas da popula\u00e7\u00e3o de jurados eleg\u00edveis. Mas apenas oito homens entre os 100 homens do painel (ou seja, 8%) eram negros.<\/p>\n<p style=\"text-align: justify\">Como parte de seu recurso, Robert Swain questionou essa discrep\u00e2ncia. Al\u00e9m disso, ele apontou que todos os pain\u00e9is de j\u00fari do Condado de Talladega nos \u00faltimos 10 anos continham apenas uma pequena porcentagem de jurados negros.<\/p>\n<p style=\"text-align: justify\">A Suprema Corte dos EUA revisou o recurso e concluiu: &#8220;a disparidade percentual geral tem sido pequena&#8221;. Mas essa afirma\u00e7\u00e3o era razo\u00e1vel? Se os jurados do painel fossem selecionados aleatoriamente da popula\u00e7\u00e3o eleg\u00edvel do condado, haveria alguma varia\u00e7\u00e3o ao acaso. N\u00e3o ter\u00edamos exatamente 26 jurados negros em cada painel de 100 pessoas. Mas esperar\u00edamos ter apenas oito?<\/p>\n<p style=\"text-align: justify\">A resposta \u00e9 n\u00e3o. Vamos estabelecer isso e, em seguida, discutir alguns dos muitos vieses envolvidos.<\/p>\n<h2 id=\"um-modelo-de-sele-o-aleat-ria\" style=\"text-align: justify\">Um Modelo de Sele\u00e7\u00e3o Aleat\u00f3ria<\/h2>\n<p style=\"text-align: justify\">Uma vis\u00e3o dos dados \u2013 um modelo, em outras palavras \u2013 \u00e9 que o painel foi selecionado aleatoriamente e acabou com um pequeno n\u00famero de jurados negros apenas devido ao acaso.<\/p>\n<p style=\"text-align: justify\">Como o painel deveria se assemelhar \u00e0 popula\u00e7\u00e3o de todos os jurados eleg\u00edveis, o modelo de sele\u00e7\u00e3o aleat\u00f3ria \u00e9 importante de avaliar. Vamos ver se ele resiste \u00e0 an\u00e1lise.<\/p>\n<p style=\"text-align: justify\">O modelo especifica os detalhes de um processo aleat\u00f3rio. Ele diz que os dados s\u00e3o como uma amostra aleat\u00f3ria de uma popula\u00e7\u00e3o em que 26% das pessoas s\u00e3o negras. Estamos em uma boa posi\u00e7\u00e3o para avaliar esse modelo pelas seguintes raz\u00f5es.<\/p>\n<ul style=\"text-align: justify\">\n<li>Podemos simular dados com base no modelo. Ou seja, podemos simular sorteios aleat\u00f3rios de uma popula\u00e7\u00e3o em que 26% s\u00e3o negros.<\/li>\n<li>Nossa simula\u00e7\u00e3o mostrar\u00e1 como seria um painel <strong><em>se<\/em><\/strong> fosse selecionado aleatoriamente.<\/li>\n<li>Podemos ent\u00e3o comparar os resultados da simula\u00e7\u00e3o com a composi\u00e7\u00e3o de um painel de j\u00fari real.<\/li>\n<li>Se os resultados da nossa simula\u00e7\u00e3o n\u00e3o forem consistentes com a composi\u00e7\u00e3o do painel no julgamento, isso ser\u00e1 uma evid\u00eancia contra o modelo de sele\u00e7\u00e3o aleat\u00f3ria. Portanto, ser\u00e1 uma evid\u00eancia contra a imparcialidade do julgamento.<\/li>\n<\/ul>\n<p style=\"text-align: justify\">Vamos passar por esse processo passo a passo.<\/p>\n<h2 id=\"a-estat-stica\" style=\"text-align: justify\">A Estat\u00edstica<\/h2>\n<p style=\"text-align: justify\">Primeiro, temos que escolher uma estat\u00edstica para simular. A estat\u00edstica precisa nos ajudar a decidir entre o modelo e as vis\u00f5es alternativas sobre os dados. O modelo diz que o painel foi selecionado aleatoriamente da popula\u00e7\u00e3o eleg\u00edvel. A vis\u00e3o alternativa \u00e9 o caso de Robert Swain, que afirma que o painel continha poucos jurados negros para ter sido selecionado aleatoriamente. Uma estat\u00edstica natural, ent\u00e3o, \u00e9 o n\u00famero ou <em>contagem<\/em> de jurados negros na amostra. Valores pequenos da estat\u00edstica favorecer\u00e3o a vis\u00e3o de Robert Swain.<\/p>\n<h2 id=\"simulando-a-estat-stica-sob-o-modelo\" style=\"text-align: justify\">Simulando a Estat\u00edstica Sob o Modelo<\/h2>\n<p style=\"text-align: justify\">Se o modelo fosse verdadeiro, qu\u00e3o grande seria a estat\u00edstica tipicamente? Para responder a isso, simularemos a estat\u00edstica sob a suposi\u00e7\u00e3o de sele\u00e7\u00e3o aleat\u00f3ria e observaremos a distribui\u00e7\u00e3o dos resultados.<\/p>\n<h3 id=\"simulando-um-valor-da-estat-stica\" style=\"text-align: justify\">Simulando Um Valor da Estat\u00edstica<\/h3>\n<p style=\"text-align: justify\">Podemos usar <code>sample_proportions<\/code> para simular um valor da estat\u00edstica. O tamanho da amostra \u00e9 100, o tamanho do painel. A distribui\u00e7\u00e3o da qual amostraremos \u00e9 a distribui\u00e7\u00e3o na popula\u00e7\u00e3o de jurados eleg\u00edveis. Como 26% deles eram negros, amostraremos da distribui\u00e7\u00e3o especificada pelas propor\u00e7\u00f5es [0.26, 0.74].<\/p>\n<pre><code><span style=\"color: black\">sample_size = 100\r\neligible_population = [0.26, 0.74]<\/span><\/code><\/pre>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">As categorias na matriz de sa\u00edda de <code>sample_proportions<\/code> est\u00e3o na mesma ordem que na matriz de entrada. Portanto, a propor\u00e7\u00e3o de membros do painel negros na amostra aleat\u00f3ria \u00e9 <code>item (0)<\/code> da matriz de sa\u00edda. Execute a c\u00e9lula abaixo de alguns vezes para ver como a propor\u00e7\u00e3o da amostra de jurados negros varia em um painel selecionado aleatoriamente. Voc\u00ea v\u00ea algum valor t\u00e3o baixo quanto 0,08?<\/p>\n<pre><code><span style=\"color: black\">sample_proportions(sample_size, eligible_population).item(0)<\/span><\/code><\/pre>\n<table style=\"font-family: monospace;border-spacing: 0;border-collapse: collapse;width: auto;margin-left: 1em\">\n<tbody>\n<tr>\n<td style=\"text-align: right;color: #888;padding-right: 0.5em\">Out[1]:<\/td>\n<td style=\"text-align: left\">0.27<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">A contagem em cada categoria \u00e9 o tamanho da amostra vezes a propor\u00e7\u00e3o correspondente. Portanto, podemos facilmente simular contagens em vez de propor\u00e7\u00f5es.<\/p>\n<p style=\"text-align: justify\">Vamos definir uma fun\u00e7\u00e3o que fa\u00e7a isso. A fun\u00e7\u00e3o sortear\u00e1 um painel aleatoriamente e retornar\u00e1 o n\u00famero de painelistas que s\u00e3o negros.<\/p>\n<pre><code><span style=\"color: black\">def one_simulated_count():\r\n    return sample_size * sample_proportions(sample_size, eligible_population).item(0)<\/span><\/code><\/pre>\n<p>&nbsp;<\/p>\n<h3 id=\"simulando-m-ltiplos-valores-da-estat-stica\">Simulando M\u00faltiplos Valores da Estat\u00edstica<\/h3>\n<p style=\"text-align: justify\">O foco da nossa an\u00e1lise \u00e9 a variabilidade nas contagens. Vamos gerar 10.000 valores simulados da contagem e ver como eles variam. Como de costume, faremos isso usando um loop <code>for<\/code> e coletando todas as contagens simuladas em um array .<\/p>\n<pre><code><span style=\"color: black\">counts = make_array()\r\nrepetitions = 10000\r\nfor i in np.arange(repetitions):\r\n    counts = np.append(counts, one_simulated_count())<\/span><\/code><\/pre>\n<p>&nbsp;<\/p>\n<h2 id=\"a-previs-o-sob-o-modelo-de-sele-o-aleat-ria\">A Previs\u00e3o sob o Modelo de Sele\u00e7\u00e3o Aleat\u00f3ria<\/h2>\n<p style=\"text-align: justify\">Para interpretar os resultados da nossa simula\u00e7\u00e3o, podemos visualizar os resultados em um histograma emp\u00edrico das contagens simuladas.<\/p>\n<pre><code><span style=\"color: black\">Table().with_column(\r\n    'Count in a Random Sample', counts\r\n).hist(bins = np.arange(5.5, 46.6, 1))<\/span><\/code><\/pre>\n<p><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone size-full wp-image-646\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-1.png\" alt=\"\" width=\"424\" height=\"284\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-1.png 424w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-1-300x201.png 300w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-1-350x233.png 350w\" sizes=\"(max-width: 424px) 100vw, 424px\" \/><\/p>\n<p>&nbsp;<\/p>\n<p style=\"text-align: justify\">O histograma nos mostra o que o modelo de sele\u00e7\u00e3o aleat\u00f3ria prev\u00ea sobre nossa estat\u00edstica, o n\u00famero de jurados negros na amostra.<\/p>\n<p style=\"text-align: justify\">Para gerar cada contagem simulada, extra\u00edmos 100 vezes aleatoriamente de uma popula\u00e7\u00e3o em que 26% eram negros. Ent\u00e3o, como era de se esperar, a maioria das contagens simuladas est\u00e1 em torno de 26. Elas n\u00e3o s\u00e3o exatamente 26: h\u00e1 alguma varia\u00e7\u00e3o. As contagens variam de cerca de 15 a cerca de 40.<\/p>\n<h2 id=\"comparando-a-previs-o-e-os-dados\">Comparando a Previs\u00e3o e os Dados<\/h2>\n<p style=\"text-align: justify\">No painel selecionado para o julgamento, havia oito jurados negros. O histograma de contagens simuladas \u00e9 redesenhado abaixo com o valor oito mostrado como um ponto vermelho no eixo horizontal. O ponto est\u00e1 muito longe na cauda esquerda do histograma. Pouqu\u00edssimas das 10.000 contagens simuladas por sele\u00e7\u00e3o aleat\u00f3ria resultaram em oito ou menos.<\/p>\n<pre><code><span style=\"color: black\">Table().with_column(\r\n    'Count in a Random Sample', counts\r\n).hist(bins = np.arange(5.5, 46.6, 1))\r\nplots.ylim(-0.002, 0.09)\r\nplots.scatter(8, 0, color='red', s=30);<\/span><\/code><\/pre>\n<p><img decoding=\"async\" class=\"alignnone size-full wp-image-647\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-2.png\" alt=\"\" width=\"424\" height=\"284\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-2.png 424w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-2-300x201.png 300w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-1-2-350x233.png 350w\" sizes=\"(max-width: 424px) 100vw, 424px\" \/><\/p>\n<p>&nbsp;<\/p>\n<h2 id=\"conclus-o-da-an-lise-de-dados\">Conclus\u00e3o da An\u00e1lise de Dados<\/h2>\n<p style=\"text-align: justify\">O gr\u00e1fico acima \u00e9 uma exibi\u00e7\u00e3o visual do vi\u00e9s no processo de sele\u00e7\u00e3o. Ele mostra que, se selecionarmos um painel de tamanho 100 aleatoriamente da popula\u00e7\u00e3o eleg\u00edvel, \u00e9 muito improv\u00e1vel obter contagens de jurados negros t\u00e3o baixas quanto os oito observados no painel do julgamento.<\/p>\n<p style=\"text-align: justify\">Isso \u00e9 uma evid\u00eancia de que o modelo de sele\u00e7\u00e3o aleat\u00f3ria dos jurados no painel n\u00e3o \u00e9 consistente com os dados do painel. Embora seja <em>poss\u00edvel<\/em> que o painel tenha sido gerado por acaso, nossa simula\u00e7\u00e3o demonstra que \u00e9 extremamente improv\u00e1vel.<\/p>\n<p style=\"text-align: justify\">A realidade do painel de julgamento est\u00e1 muito em desacordo com a suposi\u00e7\u00e3o do modelo de sele\u00e7\u00e3o aleat\u00f3ria da popula\u00e7\u00e3o eleg\u00edvel. Quando os dados e um modelo s\u00e3o inconsistentes, o modelo \u00e9 dif\u00edcil de justificar. Afinal, os dados s\u00e3o reais. O modelo \u00e9 apenas um conjunto de suposi\u00e7\u00f5es. Quando as suposi\u00e7\u00f5es est\u00e3o em desacordo com a realidade, devemos questionar essas suposi\u00e7\u00f5es.<\/p>\n<p style=\"text-align: justify\">Portanto, a conclus\u00e3o mais razo\u00e1vel \u00e9 que a suposi\u00e7\u00e3o de sele\u00e7\u00e3o aleat\u00f3ria \u00e9 injustificada para este painel do j\u00fari. Em outras palavras, a conclus\u00e3o mais razo\u00e1vel \u00e9 que o painel do j\u00fari <em>n\u00e3o<\/em> foi selecionado por amostragem aleat\u00f3ria da popula\u00e7\u00e3o de jurados eleg\u00edveis. N\u00e3o obstante a opini\u00e3o da Suprema Corte, a diferen\u00e7a entre 26% e 8% n\u00e3o \u00e9 t\u00e3o pequena que possa ser bem explicada apenas pelo acaso.<\/p>\n<h2 id=\"vi-s-estat-stico\">Vi\u00e9s Estat\u00edstico<\/h2>\n<p style=\"text-align: justify\">A an\u00e1lise acima fornece evid\u00eancias quantitativas de injusti\u00e7a no julgamento de Robert Swain. Os dados apoiam sua posi\u00e7\u00e3o de que ele foi negado o j\u00fari imparcial ao qual tinha direito pela Constitui\u00e7\u00e3o dos EUA.<\/p>\n<p style=\"text-align: justify\">Dados adicionais mostram que a exclus\u00e3o de jurados negros era generalizada. O julgamento da Suprema Corte, escrito em 1965, inclui evid\u00eancias fornecidas por Robert Swain de que &#8220;apenas 10 a 15% dos pain\u00e9is de jurados sorteados desde 1953 eram [negros], havendo apenas um caso em que a porcentagem foi t\u00e3o alta quanto 23%.&#8221; Observe onde 10% e 15% est\u00e3o no eixo horizontal do histograma acima. Valores como esses tamb\u00e9m s\u00e3o altamente improv\u00e1veis sob sele\u00e7\u00e3o aleat\u00f3ria da popula\u00e7\u00e3o<br \/>\neleg\u00edvel.<\/p>\n<p style=\"text-align: justify\">Quando um processo produz erros que s\u00e3o sistematicamente em uma dire\u00e7\u00e3o \u2013 como a porcentagem de jurados negros sendo sempre menor do que o esperado \u2013 ent\u00e3o os cientistas de dados dizem que o processo \u00e9 <em>enviesado<\/em>. A quantifica\u00e7\u00e3o de tal vi\u00e9s \u00e9 uma responsabilidade importante da ci\u00eancia de dados.<\/p>\n<p style=\"text-align: justify\">Argumentos como o da se\u00e7\u00e3o anterior s\u00e3o agora mais frequentemente apresentados nos tribunais. Nos anos 1960, a Suprema Corte olhou para os dados, mas tirou a conclus\u00e3o errada de que &#8220;a disparidade percentual geral foi pequena&#8221;. Para o significado de &#8220;pequena&#8221;, foi errado confiar no que simplesmente parecia razo\u00e1vel para a maioria do Tribunal. As opini\u00f5es sobre o que era razo\u00e1vel n\u00e3o eram apenas puramente subjetivas, mas tamb\u00e9m vulner\u00e1veis \u00e0 influ\u00eancia de preconceitos raciais generalizados. Se os argumentos no caso tivessem inclu\u00eddo a an\u00e1lise quantitativa desta se\u00e7\u00e3o, o Tribunal talvez n\u00e3o tivesse conclu\u00eddo que a disparidade percentual era pequena.<\/p>\n<h2 id=\"vi-s-racial\" style=\"text-align: justify\">Vi\u00e9s Racial<\/h2>\n<p style=\"text-align: justify\">O vi\u00e9s estat\u00edstico no processo de sele\u00e7\u00e3o nasceu de um profundo vi\u00e9s racial no sistema jur\u00eddico da \u00e9poca.<\/p>\n<p style=\"text-align: justify\">Por exemplo, o julgamento da Suprema Corte diz que os pain\u00e9is de jurados do Condado de Talladega foram selecionados a partir de uma lista de nomes que os comiss\u00e1rios do j\u00fari adquiriram de &#8220;diret\u00f3rios da cidade, listas de registro, listas de clubes e igrejas, conversas com outras pessoas na comunidade, tanto brancas quanto [n\u00e3o brancas], e conhecidos pessoais e profissionais.&#8221; Este processo era claramente enviesado contra as pessoas negras e a favor das pessoas nos c\u00edrculos sociais e profissionais dos comiss\u00e1rios. Essa exclus\u00e3o sistem\u00e1tica de pessoas negras das listas de jurados significava que muito poucas pessoas negras eram selecionadas para os pain\u00e9is de jurados.<\/p>\n<p style=\"text-align: justify\">Mesmo quando havia jurados negros, eles geralmente n\u00e3o chegavam ao j\u00fari final. Dos oito homens negros no painel de jurados de Robert Swain, dois foram dispensados e seis foram eliminados pela acusa\u00e7\u00e3o em um processo chamado <em>desafio perempt\u00f3rio<\/em>. Neste processo, os advogados de ambos os lados podiam excluir ou <em>desafiar<\/em> um certo n\u00famero de jurados sem dar uma raz\u00e3o.<\/p>\n<p style=\"text-align: justify\">Argumentar contra a injusti\u00e7a dos desafios perempt\u00f3rios foi uma parte significativa do recurso de Robert Swain. Ele observou que &#8220;os promotores t\u00eam consistentemente e sistematicamente exercido seus desafios para impedir que qualquer [jurado negro] servisse no pr\u00f3prio [j\u00fari].&#8221; O Tribunal reconheceu que nunca houve um jurado negro em nenhum caso civil ou criminal no Condado de Talladega. Mas ainda assim negou o recurso.<\/p>\n<p style=\"text-align: justify\">O vi\u00e9s racial no sistema jur\u00eddico derivou do vi\u00e9s na sociedade. O preconceito e a injusti\u00e7a contra os negros eram t\u00e3o prevalentes por tanto tempo que, em muitas partes da sociedade, se tornou quase uma forma normal de pensar e agir. Como membros da sociedade, os ju\u00edzes da Suprema Corte n\u00e3o estavam imunes a isso. A maioria do Tribunal apresentou sua decis\u00e3o como a interpreta\u00e7\u00e3o mais apropriada e l\u00f3gica da lei. Mas n\u00e3o era. A decis\u00e3o do Tribunal sobre os desafios perempt\u00f3rios foi eventualmente revertida ap\u00f3s batalhas legais que duraram 20 anos.<\/p>\n<p style=\"text-align: justify\">Robert Swain lutou contra um sistema de justi\u00e7a criminal que estava contra ele. Aqui, pudemos expor apenas um aspecto do vi\u00e9s e racismo sist\u00eamico que ele enfrentou e que tantas outras pessoas negras t\u00eam lutado contra. Para muitos, a luta continua at\u00e9 hoje. Acreditamos que a ci\u00eancia de dados pode ser um poderoso aliado.<\/p>\n<h2 id=\"leitura-adicional\" style=\"text-align: justify\">Leitura Adicional<\/h2>\n<p style=\"text-align: justify\">Robert Swain foi representado na Suprema Corte dos EUA por <a href=\"https:\/\/en.wikipedia.org\/wiki\/Constance_Baker_Motley\">Constance Baker Motley<\/a>, a primeira mulher afro-americana a defender um caso nessa Corte. Ela defendeu 10 casos na Suprema Corte e perdeu apenas um \u2013 o caso de Robert Swain em 1965.<\/p>\n<p style=\"text-align: justify\"><a href=\"https:\/\/en.wikipedia.org\/wiki\/Thurgood_Marshall\">Thurgood Marshall<\/a>, que em 1967 se tornou o primeiro juiz afro-americano da Suprema Corte, estudou a decis\u00e3o do Tribunal no caso de Robert Swain e pressionou pela elimina\u00e7\u00e3o dos desafios perempt\u00f3rios baseados apenas na ra\u00e7a. Isso foi alcan\u00e7ado no caso da Suprema Corte de 1986 <a href=\"https:\/\/supreme.justia.com\/cases\/federal\/us\/476\/79\/\">Batson v. Kentucky<\/a>.<\/p>\n<p style=\"text-align: justify\">Mas Marshall tinha preocupa\u00e7\u00f5es sobre a efic\u00e1cia da decis\u00e3o Batson. Ele previu que algumas equipes jur\u00eddicas contornariam isso encontrando maneiras ostensivamente neutras em rela\u00e7\u00e3o \u00e0 ra\u00e7a para excluir jurados negros. Em sua <a href=\"https:\/\/supreme.justia.com\/cases\/federal\/us\/476\/79\/#tab-opinion-1956655\">opini\u00e3o<\/a> concordando com a maioria do Tribunal, ele recomendou ir al\u00e9m e banir os desafios perempt\u00f3rios completamente. Suas palavras finais foram: &#8220;Aplaudo a decis\u00e3o do Tribunal de que o uso discriminat\u00f3rio racial dos desafios perempt\u00f3rios viola a Cl\u00e1usula de Prote\u00e7\u00e3o Igualit\u00e1ria, e concordo com a opini\u00e3o do Tribunal. No entanto, apenas banindo totalmente os desafios perempt\u00f3rios essa discrimina\u00e7\u00e3o pode ser eliminada.&#8221; As preocupa\u00e7\u00f5es de Thurgood Marshall foram prescientes, como voc\u00ea ver\u00e1 em algumas das leituras abaixo.<\/p>\n<p style=\"text-align: justify\">Em 2013, Constance Baker Motley foi postumamente homenageada com uma <a href=\"https:\/\/www.congress.gov\/bill\/113th-congress\/house-bill\/3097\/text?r=5&amp;s=1\">medalha de ouro do Congresso<\/a> &#8220;em reconhecimento \u00e0s suas contribui\u00e7\u00f5es e servi\u00e7o duradouro aos Estados Unidos.&#8221; Em apoio ao pr\u00eamio, membros da C\u00e2mara dos Representantes escreveram: &#8220;A \u00fanica perda de Constance Baker Motley perante a Suprema Corte dos Estados Unidos foi no caso Swain v. Alabama, 380 U.S. 202 (1965), um caso em que o Tribunal se recusou a proibir desafios perempt\u00f3rios baseados em ra\u00e7a em casos envolvendo r\u00e9us afro-americanos e que foi posteriormente revertido no caso Batson v. Kentucky, 476 U.S. 79 (1986), com base em argumentos amplamente apresentados por Constance Baker Motley no caso Swain.&#8221;<\/p>\n<p style=\"text-align: justify\">Thurgood Marshall e Constance Baker Motley tinham outras conex\u00f5es. Por exemplo, como estudante na Faculdade de Direito de Columbia, Baker Motley trabalhou como assistente jur\u00eddica para Marshall. Alguns anos depois, ela escreveu a queixa original no marco hist\u00f3rico de direitos civis Brown v. Board of Education em Topeka, que foi vencido por Thurgood Marshall em 1954.<\/p>\n<p style=\"text-align: justify\">O <a href=\"https:\/\/www.naacpldf.org\/\">Fundo de Defesa Legal e Educacional da NAACP<\/a> defendeu o <a href=\"https:\/\/www.naacpldf.org\/press-release\/ldf-marks-anniversary-of-batson-decision-reaffirms-importance-of-impartial-jury-selection\/\">caso de Robert Swain<\/a> e posteriormente apoiou o caso Batson.<\/p>\n<p style=\"text-align: justify\">Apesar da decis\u00e3o Batson, o vi\u00e9s racial na sele\u00e7\u00e3o de jurados persiste. O acad\u00eamico jur\u00eddico e ex-aluno da Faculdade de Direito de Berkeley <a href=\"https:\/\/www.thehistorymakers.org\/biography\/robert-lewis-harris\">Richard L. Harris Jr.<\/a> forneceu um <a href=\"https:\/\/scholarship.law.wm.edu\/cgi\/viewcontent.cgi?article=1944&amp;context=wmlr\">relato detalhado<\/a> dos vieses perpetuados pelos desafios perempt\u00f3rios.<\/p>\n<p style=\"text-align: justify\">Em seu relat\u00f3rio de 2020 <a href=\"http:\/\/www.clrc.ca.gov\/CRPC\/Pub\/Panelist_Materials\/PM-20210325-Semel.pdf\">Whitewashing the Jury Box<\/a>: <em>How California Perpetuates the Discriminatory Exclusion of Black and Latinx Jurors<\/em>, <a href=\"https:\/\/www.law.berkeley.edu\/our-faculty\/faculty-profiles\/elisabeth-semel\/\">Professora Elisabeth Semel<\/a> e coautores do Berkeley Law Death Penalty Clinic descrevem como as preocupa\u00e7\u00f5es de Thurgood Marshall sobre a efic\u00e1cia da decis\u00e3o Batson s\u00e3o justificadas pela experi\u00eancia nos tribunais da Calif\u00f3rnia.<\/p>\n<p style=\"text-align: justify\">O <a href=\"https:\/\/supreme.justia.com\/cases\/federal\/us\/380\/202\/\">julgamento<\/a> da Suprema Corte no caso Swain v. Alabama pode ser angustiante de ler. Inclu\u00edmos porque alguns trechos s\u00e3o citados na se\u00e7\u00e3o.<\/p>\n<p>&nbsp;<\/p>\n<p><!--###########################################################################################################################################################--><\/p>\n<table width=\"100%\">\n<tbody>\n<tr>\n<td align=\"left\"><a class=\"next-page-link\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/\">\u2190 Cap\u00edtulo 11 &#8211; Testando Hip\u00f3teses<\/a><\/td>\n<td align=\"right\"><a class=\"next-page-link\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-2\/\">Cap\u00edtulo 11.2 &#8211; M\u00faltiplas Categorias \u2192<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><!--###########################################################################################################################################################--><\/p>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>\u00cdndice 1. O que \u00e9 Ci\u00eancia de Dados? 1.1. Introdu\u00e7\u00e3o 1.1.1. Ferramentas Computacionais 1.1.2. T\u00e9cnicas Estat\u00edsticas 1.2. Por que Ci\u00eancia de Dados? 1.3. Tra\u00e7ando os Cl\u00e1ssicos 1.3.1. Personagens Liter\u00e1rios 1.3.2. Outro Tipo de Personagem 2. Causalidade e Experimentos 2.1. John Snow e a Bomba da Broad Street 2.2. O &#8220;Grande Experimento&#8221; de Snow 2.3. Estabelecendo [&hellip;]<\/p>\n","protected":false},"author":21894,"featured_media":0,"parent":639,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"page-templates\/full-width.php","meta":{"footnotes":""},"coauthors":[14],"class_list":["post-643","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/643","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/users\/21894"}],"replies":[{"embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/comments?post=643"}],"version-history":[{"count":9,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/643\/revisions"}],"predecessor-version":[{"id":1009,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/643\/revisions\/1009"}],"up":[{"embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/639"}],"wp:attachment":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/media?parent=643"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/coauthors?post=643"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}