{"id":649,"date":"2025-07-28T17:04:48","date_gmt":"2025-07-28T21:04:48","guid":{"rendered":"https:\/\/literaciadigital.ufms.br\/?page_id=649"},"modified":"2025-10-10T16:06:45","modified_gmt":"2025-10-10T20:06:45","slug":"11-2","status":"publish","type":"page","link":"https:\/\/literaciadigital.ufms.br\/en\/data8\/11-0\/11-2\/","title":{"rendered":"Cap\u00edtulo 11.2"},"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 = '..\/..\/..\/..\/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=\"m-ltiplas-categorias\" style=\"text-align: center\">M\u00faltiplas Categorias<\/h1>\n<p style=\"text-align: justify\">Se os pain\u00e9is do j\u00fari s\u00e3o representativos da popula\u00e7\u00e3o eleg\u00edvel continua sendo uma quest\u00e3o importante. Vamos abordar isso no contexto de pain\u00e9is mais recentes do que o de Robert Swain na d\u00e9cada de 1960.<\/p>\n<p style=\"text-align: justify\">O processo geral de avalia\u00e7\u00e3o ser\u00e1 o mesmo de antes. Mas desta vez, consideraremos os jurados em m\u00faltiplas categorias raciais e \u00e9tnicas, n\u00e3o apenas duas. Do ponto de vista t\u00e9cnico, isso significar\u00e1 que precisamos criar uma nova estat\u00edstica para simular. Depois de simular e chegar a uma conclus\u00e3o, examinaremos algumas das causas subjacentes das discrep\u00e2ncias que observamos.<\/p>\n<h2 id=\"sele-o-do-j-ri-no-condado-de-alameda\" style=\"text-align: justify\">Sele\u00e7\u00e3o do J\u00fari no Condado de Alameda<\/h2>\n<p style=\"text-align: justify\">Em 2010, a American Civil Liberties Union (ACLU) do norte da Calif\u00f3rnia apresentou um <a title=\"Relat\u00f3rio ACLU_NC\" href=\"https:\/\/www.aclunc.org\/sites\/default\/files\/racial_and_ethnic_disparities_in_alameda_county_jury_pools.pdf\">relat\u00f3rio<\/a> sobre a sele\u00e7\u00e3o do j\u00fari no Condado de Alameda, Calif\u00f3rnia. O relat\u00f3rio concluiu que certos grupos raciais e \u00e9tnicos est\u00e3o sub-representados entre os jurados no Condado de Alameda e sugeriu algumas reformas no processo pelo qual os jurados<br \/>\neleg\u00edveis s\u00e3o designados para os pain\u00e9is. Nesta se\u00e7\u00e3o, analisaremos os dados fornecidos pela ACLU.<\/p>\n<p style=\"text-align: justify\">Como voc\u00ea viu na se\u00e7\u00e3o anterior, os jurados s\u00e3o selecionados de um painel de jurados maior. Por lei, o painel de jurados deve ser representativo da popula\u00e7\u00e3o de jurados eleg\u00edveis. Na Calif\u00f3rnia, a palavra &#8220;representativo&#8221; \u00e9 claramente definida como &#8220;selecionado aleatoriamente&#8221;. A Se\u00e7\u00e3o 197 do C\u00f3digo de Processo Civil da Calif\u00f3rnia diz: &#8220;Todas as pessoas selecionadas para o servi\u00e7o de j\u00fari devem ser selecionadas aleatoriamente, de uma fonte ou fontes inclusivas<br \/>\nde uma amostra representativa da popula\u00e7\u00e3o da \u00e1rea atendida pelo tribunal.&#8221;<\/p>\n<p style=\"text-align: justify\">Aqui, &#8220;selecionado para o servi\u00e7o de j\u00fari&#8221; significa ser selecionado para estar no painel de jurados.<\/p>\n<h2 id=\"composi-o-dos-pain-is-no-condado-de-alameda\" style=\"text-align: justify\">Composi\u00e7\u00e3o dos Pain\u00e9is no Condado de Alameda<\/h2>\n<p style=\"text-align: justify\">O foco do estudo da ACLU do norte da Calif\u00f3rnia foi a composi\u00e7\u00e3o racial e \u00e9tnica dos pain\u00e9is de jurados no Condado de Alameda. A ACLU compilou dados sobre a composi\u00e7\u00e3o dos pain\u00e9is de j\u00fari em 11 julgamentos por crimes no Condado de Alameda nos anos de 2009 e 2010. Nesses pain\u00e9is, o n\u00famero total de pessoas que se apresentaram para o servi\u00e7o de j\u00fari foi de 1453. A ACLU reuniu dados demogr\u00e1ficos de todos esses jurados potenciais e comparou esses dados com a composi\u00e7\u00e3o de todos os jurados<br \/>\neleg\u00edveis no condado.<\/p>\n<p style=\"text-align: justify\">Os dados est\u00e3o tabulados abaixo em uma tabela chamada <code>jury<\/code>. Em cada categoria, o primeiro valor num\u00e9rico \u00e9 a propor\u00e7\u00e3o de todos os candidatos a jurados eleg\u00edveis nessa categoria. O segundo valor \u00e9 a propor\u00e7\u00e3o de pessoas nessa categoria entre aquelas que se apresentaram para o processo de sele\u00e7\u00e3o no j\u00fari.<\/p>\n<p style=\"text-align: justify\">Os r\u00f3tulos para as diferentes categorias s\u00e3o retirados do relat\u00f3rio da ACLU, que diz: &#8220;A categoria &#8220;outros&#8221; inclui pessoas que se identificaram como mesti\u00e7as sem identificar uma identidade racial principal e indiv\u00edduos que n\u00e3o identificaram uma ra\u00e7a ou etnia.&#8221; O r\u00f3tulo <code>Asian\/PI<\/code> significa &#8220;Asi\u00e1tico ou Ilh\u00e9u do Pac\u00edfico&#8221;. O r\u00f3tulo <code>Black\/AA<\/code> significa &#8220;Negro ou Afro-Americano&#8221;.<\/p>\n<pre><code><span style=\"color: black\">jury = Table().with_columns(\r\n    'Ethnicity', make_array('Asian\/PI', 'Black\/AA', 'Caucasian', 'Hispanic', 'Other'),\r\n    'Eligible', make_array(0.15, 0.18, 0.54, 0.12, 0.01),\r\n    'Panels', make_array(0.26, 0.08, 0.54, 0.08, 0.04)\r\n)\r\n\r\njury<\/span><\/code><\/pre>\n<table style=\"font-family: monospace;border-collapse: collapse;width: auto;margin-left: 1em\" border=\"1\">\n<thead>\n<tr style=\"background-color: #f0f0f0;border-bottom: 2px solid #ddd\">\n<th style=\"text-align: left;padding: 4px 8px\">Ethnicity<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Eligible<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Panels<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Asian\/PI<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.15<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.26<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Black\/AA<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.18<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Caucasian<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Hispanic<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.12<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Other<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.01<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.04<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Algumas etnias est\u00e3o super-representadas e algumas est\u00e3o sub-representadas nos pain\u00e9is do j\u00fari do estudo. Em particular, os painelistas nas categorias Negro\/AA e Hisp\u00e2nico est\u00e3o sub-representados.<\/p>\n<p style=\"text-align: justify\">Um gr\u00e1fico de barras \u00e9 \u00fatil para visualizar as diferen\u00e7as.<\/p>\n<pre><code><span style=\"color: black\">jury.barh('Ethnicity')<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone size-full wp-image-651\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-1.png\" alt=\"\" width=\"615\" height=\"265\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-1.png 615w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-1-300x129.png 300w\" sizes=\"(max-width: 615px) 100vw, 615px\" \/><\/p>\n<h2 id=\"compara-o-com-pain-is-selecionados-aleatoriamente\" style=\"text-align: justify\">Compara\u00e7\u00e3o com Pain\u00e9is Selecionados Aleatoriamente<\/h2>\n<p style=\"text-align: justify\">E se selecionarmos uma amostra aleat\u00f3ria de 1.453 pessoas da popula\u00e7\u00e3o de jurados eleg\u00edveis? A distribui\u00e7\u00e3o de suas etnias se parecer\u00e1 com a distribui\u00e7\u00e3o dos pain\u00e9is acima?<\/p>\n<p style=\"text-align: justify\">Podemos responder a essas perguntas usando <code>sample_proportions<\/code> e aumentando a tabela <code>jury<\/code> com uma coluna das propor\u00e7\u00f5es em nossa amostra.<\/p>\n<p style=\"text-align: justify\"><strong>Nota t\u00e9cnica.<\/strong> Amostras aleat\u00f3rias de jurados potenciais seriam selecionadas sem reposi\u00e7\u00e3o. No entanto, quando o tamanho de uma amostra \u00e9 pequeno em rela\u00e7\u00e3o ao tamanho da popula\u00e7\u00e3o, a amostragem sem reposi\u00e7\u00e3o se assemelha \u00e0 amostragem com reposi\u00e7\u00e3o; as propor\u00e7\u00f5es na popula\u00e7\u00e3o n\u00e3o mudam muito entre as sele\u00e7\u00f5es. A popula\u00e7\u00e3o de jurados eleg\u00edveis no Condado de Alameda \u00e9 de mais de um milh\u00e3o, e comparado a isso, um tamanho de amostra de cerca de 1500 \u00e9 bastante pequeno.<br \/>\nPortanto, amostraremos com reposi\u00e7\u00e3o.<\/p>\n<p style=\"text-align: justify\">Na c\u00e9lula abaixo, selecionamos aleatoriamente 1453 vezes da distribui\u00e7\u00e3o de jurados eleg\u00edveis e mostramos a distribui\u00e7\u00e3o da amostra aleat\u00f3ria junto com as distribui\u00e7\u00f5es dos jurados eleg\u00edveis e do painel nos dados.<\/p>\n<pre><code><span style=\"color: black\">eligible_population = jury.column('Eligible')\r\nsample_distribution = sample_proportions(1453, eligible_population)\r\npanels_and_sample = jury.with_column('Random Sample', sample_distribution)\r\npanels_and_sample<\/span><\/code><\/pre>\n<table style=\"font-family: monospace;border-collapse: collapse;width: auto;margin-left: 1em\" border=\"1\">\n<thead>\n<tr style=\"background-color: #f0f0f0;border-bottom: 2px solid #ddd\">\n<th style=\"text-align: left;padding: 4px 8px\">Ethnicity<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Eligible<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Panels<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Random Sample<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Asian\/PI<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.15<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.26<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.14384<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Black\/AA<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.18<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.163799<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Caucasian<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.538197<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Hispanic<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.12<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.143152<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Other<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.01<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.04<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.0110117<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">A distribui\u00e7\u00e3o da amostra aleat\u00f3ria \u00e9 bastante pr\u00f3xima da distribui\u00e7\u00e3o da popula\u00e7\u00e3o eleg\u00edvel, ao contr\u00e1rio da distribui\u00e7\u00e3o dos pain\u00e9is. Como sempre, ajuda a visualizar.<\/p>\n<pre><code><span style=\"color: black\">panels_and_sample.barh('Ethnicity')<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img decoding=\"async\" class=\"alignnone size-full wp-image-652\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-2.png\" alt=\"\" width=\"679\" height=\"265\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-2.png 679w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-2-300x117.png 300w\" sizes=\"(max-width: 679px) 100vw, 679px\" \/><\/p>\n<p style=\"text-align: justify\">O gr\u00e1fico de barras mostra que a distribui\u00e7\u00e3o da amostra aleat\u00f3ria se assemelha \u00e0 popula\u00e7\u00e3o eleg\u00edvel, mas a distribui\u00e7\u00e3o dos pain\u00e9is n\u00e3o.<\/p>\n<p style=\"text-align: justify\">Para avaliar se esta observa\u00e7\u00e3o \u00e9 espec\u00edfica de uma amostra aleat\u00f3ria ou mais geral, podemos simular v\u00e1rios pain\u00e9is sob o modelo de sele\u00e7\u00e3o aleat\u00f3ria e ver o que as simula\u00e7\u00f5es prev\u00eaem. Mas n\u00e3o seremos capazes de olhar para milhares de gr\u00e1ficos de barras. N\u00f3s precisamos de uma estat\u00edstica que nos ajude a avaliar se o modelo ou a sele\u00e7\u00e3o aleat\u00f3ria \u00e9 ou n\u00e3o suportado pelos dados.<\/p>\n<h2 id=\"uma-nova-estat-stica-a-dist-ncia-entre-duas-distribui-es\" style=\"text-align: justify\">Uma Nova Estat\u00edstica: A Dist\u00e2ncia Entre Duas Distribui\u00e7\u00f5es<\/h2>\n<p style=\"text-align: justify\">Sabemos como medir o qu\u00e3o diferentes s\u00e3o dois n\u00fameros: se os n\u00fameros s\u00e3o <em>x<\/em> e <em>y<\/em>, a dist\u00e2ncia entre eles \u00e9 | <em>x <\/em>&#8211; <em>y<\/em> |. Agora temos que quantificar a dist\u00e2ncia entre duas distribui\u00e7\u00f5es. Por exemplo, temos que medir a dist\u00e2ncia entre as distribui\u00e7\u00f5es azul e dourada abaixo.<\/p>\n<pre><code><span style=\"color: black\">jury.barh('Ethnicity')<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img decoding=\"async\" class=\"alignnone size-full wp-image-653\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-3.png\" alt=\"\" width=\"615\" height=\"265\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-3.png 615w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-3-300x129.png 300w\" sizes=\"(max-width: 615px) 100vw, 615px\" \/><\/p>\n<p style=\"text-align: justify\">Para isso calcularemos uma quantidade chamada <em>dist\u00e2ncia de varia\u00e7\u00e3o total<\/em> entre duas distribui\u00e7\u00f5es. O c\u00e1lculo \u00e9 uma extens\u00e3o de como encontramos a dist\u00e2ncia entre dois n\u00fameros.<\/p>\n<p style=\"text-align: justify\">Para calcular a dist\u00e2ncia total de varia\u00e7\u00e3o, primeiro encontramos a diferen\u00e7a entre as duas propor\u00e7\u00f5es em cada categoria.<\/p>\n<pre><code><span style=\"color: black\"># Adiciona uma coluna com a diferen\u00e7a entre as propor\u00e7\u00f5es.\r\n\r\njury_with_diffs = jury.with_column(\r\n    'Difference', jury.column('Panels') - jury.column('Eligible')\r\n)\r\njury_with_diffs<\/span><\/code><\/pre>\n<table style=\"font-family: monospace;border-collapse: collapse;width: auto;margin-left: 1em\" border=\"1\">\n<thead>\n<tr style=\"background-color: #f0f0f0;border-bottom: 2px solid #ddd\">\n<th style=\"text-align: left;padding: 4px 8px\">Ethnicity<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Eligible<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Panels<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Difference<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Asian\/PI<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.15<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.26<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.11<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Black\/AA<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.18<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">-0.1<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Caucasian<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Hispanic<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.12<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">-0.04<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Other<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.01<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.04<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.03<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Observe a coluna <code>Difference<\/code> e note que a soma de suas entradas \u00e9 0: as entradas positivas somam 0.14, cancelando exatamente o total das entradas negativas, que \u00e9 -0.14.<\/p>\n<p style=\"text-align: justify\">Esta \u00e9 uma evid\u00eancia num\u00e9rica do fato de que, no gr\u00e1fico de barras, as barras douradas excedem as barras azuis exatamente na mesma medida em que as barras azuis excedem as douradas. As propor\u00e7\u00f5es em cada uma das duas colunas <code>Panels<\/code> e <code>Eligible<\/code> somam 1, e assim o balan\u00e7o entre suas entradas deve somar 0.<\/p>\n<p style=\"text-align: justify\">Para evitar o cancelamento, removemos os sinais negativos e ent\u00e3o somamos todas as entradas. Mas isso nos d\u00e1 duas vezes o total das entradas positivas (equivalente a duas vezes o total das entradas negativas, com o sinal removido). N\u00e3o precisamos dessa duplica\u00e7\u00e3o, ent\u00e3o dividimos a soma por 2.<\/p>\n<pre><code><span style=\"color: black\">jury_with_diffs = jury_with_diffs.with_column(\r\n    'Absolute Difference', np.abs(jury_with_diffs.column('Difference'))\r\n)\r\n\r\njury_with_diffs<\/span><\/code><\/pre>\n<table style=\"font-family: monospace;border-collapse: collapse;width: auto;margin-left: 1em\" border=\"1\">\n<thead>\n<tr style=\"background-color: #f0f0f0;border-bottom: 2px solid #ddd\">\n<th style=\"text-align: left;padding: 4px 8px\">Ethnicity<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Eligible<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Panels<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Difference<\/th>\n<th style=\"text-align: left;padding: 4px 8px\">Absolute Difference<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Asian\/PI<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.15<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.26<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.11<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.11<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Black\/AA<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.18<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">-0.1<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.1<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Caucasian<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.54<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0<\/td>\n<\/tr>\n<tr style=\"background-color: #f8f8f8\">\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Hispanic<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.12<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.08<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">-0.04<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.04<\/td>\n<\/tr>\n<tr>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">Other<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.01<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.04<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.03<\/td>\n<td style=\"padding: 4px 8px;border: 1px solid #ddd\">0.03<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<pre><code><span style=\"color: black\">jury_with_diffs.column('Absolute Difference').sum() \/ 2<\/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\">0.14<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Essa quantidade 0.14 \u00e9 a <em>dist\u00e2ncia de varia\u00e7\u00e3o total<\/em> (DVT) entre a distribui\u00e7\u00e3o de etnias na popula\u00e7\u00e3o de jurados eleg\u00edveis e a distribui\u00e7\u00e3o nos pain\u00e9is.<\/p>\n<p style=\"text-align: justify\">Em geral, a dist\u00e2ncia de varia\u00e7\u00e3o total entre duas distribui\u00e7\u00f5es mede o qu\u00e3o pr\u00f3ximas as distribui\u00e7\u00f5es est\u00e3o. Quanto maior a DVT, mais diferentes as duas distribui\u00e7\u00f5es parecem.<\/p>\n<p style=\"text-align: justify\"><strong>Nota T\u00e9cnica:<\/strong> Poder\u00edamos ter obtido o mesmo resultado apenas somando as diferen\u00e7as positivas. Mas nosso m\u00e9todo de incluir todas as diferen\u00e7as absolutas elimina a necessidade de acompanhar quais diferen\u00e7as s\u00e3o positivas e quais n\u00e3o s\u00e3o.<\/p>\n<p style=\"text-align: justify\">Usaremos a dist\u00e2ncia de varia\u00e7\u00e3o total entre distribui\u00e7\u00f5es como a estat\u00edstica a ser simulada sob a hip\u00f3tese de sele\u00e7\u00e3o aleat\u00f3ria. Valores grandes da dist\u00e2ncia ser\u00e3o evid\u00eancia contra a sele\u00e7\u00e3o aleat\u00f3ria.<\/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\">Para ver como a DVT varia em amostras aleat\u00f3rias, vamos simul\u00e1-la repetidamente sob o modelo de sele\u00e7\u00e3o aleat\u00f3ria da popula\u00e7\u00e3o eleg\u00edvel.<\/p>\n<p style=\"text-align: justify\">Vamos organizar nosso c\u00e1lculo. Como vamos calcular a dist\u00e2ncia de varia\u00e7\u00e3o total repetidamente, primeiro escreveremos uma fun\u00e7\u00e3o que a calcule para duas distribui\u00e7\u00f5es dadas.<\/p>\n<p style=\"text-align: justify\">A fun\u00e7\u00e3o <code>total_variation_distance<\/code> recebe duas matrizes contendo as distribui\u00e7\u00f5es a serem comparadas e retorna a DVT entre elas.<\/p>\n<pre><code><span style=\"color: black\">def total_variation_distance(distribution_1, distribution_2):\r\n    return sum(np.abs(distribution_1 - distribution_2)) \/ 2<\/span><\/code><\/pre>\n<p style=\"text-align: justify\">Esta fun\u00e7\u00e3o nos ajudar\u00e1 a calcular nossa estat\u00edstica em cada repeti\u00e7\u00e3o da simula\u00e7\u00e3o. Mas primeiro vamos verificar se ela d\u00e1 a resposta correta quando a usamos para calcular a dist\u00e2ncia entre as distribui\u00e7\u00f5es azul (eleg\u00edvel) e dourada (pain\u00e9is) acima. Estas s\u00e3o a distribui\u00e7\u00e3o no estudo da ACLU.<\/p>\n<pre><code><span style=\"color: black\">total_variation_distance(jury.column('Panels'), jury.column('Eligible'))<\/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[2]:<\/td>\n<td style=\"text-align: left\">0.14<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Isso concorda com o valor que calculamos diretamente sem usar a fun\u00e7\u00e3o.<\/p>\n<p style=\"text-align: justify\">Na c\u00e9lula abaixo, usamos a fun\u00e7\u00e3o para calcular a DVT entre as distribui\u00e7\u00f5es dos jurados eleg\u00edveis e uma amostra aleat\u00f3ria. Lembre-se de que <code>eligible_population<\/code> \u00e9 a matriz que cont\u00e9m a distribui\u00e7\u00e3o dos jurados eleg\u00edveis, e que o tamanho da nossa amostra \u00e9 1453.<\/p>\n<p style=\"text-align: justify\">Na primeira linha, usamos <code>sample_proportions<\/code> para gerar uma amostra aleat\u00f3ria da popula\u00e7\u00e3o eleg\u00edvel. Na linha seguinte, usamos <code>total_variation_distance<\/code> para calcular a DVT entre as distribui\u00e7\u00f5es na amostra aleat\u00f3ria e a popula\u00e7\u00e3o eleg\u00edvel.<\/p>\n<pre><code><span style=\"color: black\">sample_distribution = sample_proportions(1453, eligible_population)\r\ntotal_variation_distance(sample_distribution, eligible_population)<\/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[3]:<\/td>\n<td style=\"text-align: left\">0.018265657260839632<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Execute a c\u00e9lula algumas vezes e observe que as dist\u00e2ncias s\u00e3o consideravelmente menores que 0,14, a dist\u00e2ncia entre a distribui\u00e7\u00e3o dos pain\u00e9is e os jurados eleg\u00edveis.<\/p>\n<p style=\"text-align: justify\">Agora estamos prontos para executar uma simula\u00e7\u00e3o para avaliar o modelo de sele\u00e7\u00e3o aleat\u00f3ria.<\/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\">Da mesma forma que come\u00e7amos toda simula\u00e7\u00e3o, vamos definir uma fun\u00e7\u00e3o <code>one_simulated_tvd<\/code> que retorna um valor simulado da dist\u00e2ncia de varia\u00e7\u00e3o total sob a hip\u00f3tese de sele\u00e7\u00e3o aleat\u00f3ria.<\/p>\n<p style=\"text-align: justify\">O c\u00f3digo no corpo da defini\u00e7\u00e3o \u00e9 baseado na c\u00e9lula acima.<\/p>\n<pre><code><span style=\"color: black\"># Simule um valor simulado da \r\n# varia\u00e7\u00e3o total da dist\u00e2ncia entre\r\n# a distribui\u00e7\u00e3o de uma amostra selecionada aleat\u00f3riamente\r\n# e a distribui\u00e7\u00e3o da popula\u00e7\u00e3o eleg\u00edvel \r\n\r\ndef one_simulated_tvd():\r\n    sample_distribution = sample_proportions(1453, eligible_population)\r\n    return total_variation_distance(sample_distribution, eligible_population)   <\/span><\/code><\/pre>\n<h3 id=\"simulando-m-ltiplos-valores-da-estat-stica\" style=\"text-align: justify\">Simulando M\u00faltiplos valores da Estat\u00edstica<\/h3>\n<p style=\"text-align: justify\">Agora podemos aplicar o processo familiar de usar um loop <code>for<\/code> para criar uma matriz consistindo de 5000 dessas dist\u00e2ncias.<\/p>\n<pre><code><span style=\"color: black\">tvds = make_array()\r\nrepetitions = 5000\r\nfor i in np.arange(repetitions):\r\n    tvds = np.append(tvds, one_simulated_tvd())<\/span><\/code><\/pre>\n<h2 id=\"avaliando-o-modelo-de-sele-o-aleat-ria\" style=\"text-align: justify\">Avaliando o Modelo de Sele\u00e7\u00e3o Aleat\u00f3ria<\/h2>\n<p style=\"text-align: justify\">Aqui est\u00e1 o histograma emp\u00edrico das dist\u00e2ncias simuladas. Ele mostra que se voc\u00ea escolher 1453 jurados aleatoriamente do conjunto de candidatos eleg\u00edveis, ent\u00e3o a dist\u00e2ncia entre as distribui\u00e7\u00f5es dos jurados e a popula\u00e7\u00e3o eleg\u00edvel raramente ser\u00e1 superior a cerca de 0,05.<\/p>\n<p style=\"text-align: justify\">No entanto, os pain\u00e9is no estudo n\u00e3o eram t\u00e3o semelhantes \u00e0 popula\u00e7\u00e3o eleg\u00edvel. A dist\u00e2ncia de varia\u00e7\u00e3o total entre os pain\u00e9is e a popula\u00e7\u00e3o foi de 0,14, mostrada como o ponto vermelho no eixo horizontal. Est\u00e1 muito al\u00e9m da cauda do histograma e n\u00e3o se parece com uma dist\u00e2ncia t\u00edpica entre as distribui\u00e7\u00f5es de uma amostra aleat\u00f3ria e a popula\u00e7\u00e3o eleg\u00edvel.<\/p>\n<pre><code><span style=\"color: black\">Table().with_column('TVD', tvds).hist(bins=np.arange(0, 0.2, 0.005))\r\n\r\n# Par\u00e2metros de plotagem; voc\u00ea pode ignorar este c\u00f3digo\r\nplots.title('Prediction Assuming Random Selection')\r\nplots.xlim(0, 0.15)\r\nplots.ylim(-5, 50)\r\nplots.scatter(0.14, 0, color='red', s=30);<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img loading=\"lazy\" decoding=\"async\" class=\"alignnone size-full wp-image-654\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-4.png\" alt=\"\" width=\"460\" height=\"305\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-4.png 460w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-4-300x199.png 300w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-2-4-350x233.png 350w\" sizes=\"(max-width: 460px) 100vw, 460px\" \/><\/p>\n<p style=\"text-align: justify\">A simula\u00e7\u00e3o mostra que a composi\u00e7\u00e3o dos pain\u00e9is no estudo da ACLU n\u00e3o \u00e9 consistente com o modelo de sele\u00e7\u00e3o aleat\u00f3ria. Nossa an\u00e1lise apoia a conclus\u00e3o da ACLU de que os pain\u00e9is n\u00e3o eram representativos da distribui\u00e7\u00e3o prevista para os jurados eleg\u00edveis.<\/p>\n<h2 id=\"raz-es-para-o-preconceito\" style=\"text-align: justify\">Raz\u00f5es para o Preconceito<\/h2>\n<p style=\"text-align: justify\">Como na maioria das an\u00e1lises desse tipo, a nossa n\u00e3o diz <em>por que<\/em> as distribui\u00e7\u00f5es s\u00e3o diferentes. No entanto, esses motivos s\u00e3o importantes para serem compreendidos. Se os pain\u00e9is do j\u00fari n\u00e3o representarem a popula\u00e7\u00e3o de jurados eleg\u00edveis, isso pode ter um grande efeito no devido processo legal e na justi\u00e7a dos julgamentos por j\u00fari.<\/p>\n<p style=\"text-align: justify\">O relat\u00f3rio da ACLU discute v\u00e1rias poss\u00edveis raz\u00f5es para as discrep\u00e2ncias e sugere algumas solu\u00e7\u00f5es. Alguns s\u00e3o puramente pr\u00e1ticos, mas t\u00eam um grande impacto. Por exemplo, enquanto podemos considerar de alta qualidade a amostragem aleat\u00f3ria em Python, a sele\u00e7\u00e3o dos pain\u00e9is usou outro software. A an\u00e1lise da ACLU revelou que o software n\u00e3o funcionava bem, contribuindo para a sele\u00e7\u00e3o tendenciosa. Utilizar um software melhor \u00e9 uma solu\u00e7\u00e3o clara.<\/p>\n<p style=\"text-align: justify\">Mais significativamente, os pain\u00e9is do j\u00fari do Condado de Alameda n\u00e3o s\u00e3o selecionados a partir de toda a popula\u00e7\u00e3o eleg\u00edvel. O <a href=\"http:\/\/www.alameda.courts.ca.gov\/pages.aspx\/faqs\">site<\/a> do Tribunal Superior do Condado de Alameda diz: &#8220;O objetivo do tribunal \u00e9 fornecer uma se\u00e7\u00e3o transversal precisa da popula\u00e7\u00e3o do condado. Os nomes dos jurados s\u00e3o selecionados aleatoriamente entre todos os que s\u00e3o eleitores registrados e\/ou t\u00eam carteira de motorista ou cart\u00e3o de identifica\u00e7\u00e3o emitido pelo Departamento de Ve\u00edculos Motorizados.&#8221;<\/p>\n<p style=\"text-align: justify\">Esse processo exclui jurados eleg\u00edveis que n\u00e3o est\u00e3o nessas listas. Ter uma identifica\u00e7\u00e3o emitida pelo estado ou estar registrado para votar provavelmente est\u00e1 associado \u00e0 renda e, portanto, tamb\u00e9m \u00e0 ra\u00e7a e etnia, devido ao preconceito hist\u00f3rico contra comunidades negras e hisp\u00e2nicas. Isso leva \u00e0 sub-representa\u00e7\u00e3o desses grupos nos pain\u00e9is.<\/p>\n<p style=\"text-align: justify\">Aqueles na lista t\u00eam que ser alcan\u00e7ados para serem informados sobre sua convoca\u00e7\u00e3o para o j\u00fari. No entanto, pessoas em comunidades com poucos recursos nem sempre t\u00eam endere\u00e7os fixos. Registros de endere\u00e7os desatualizados, falta de verifica\u00e7\u00e3o cruzada com outras listas, como as de servi\u00e7os p\u00fablicos, etc., todos podem contribuir para uma sele\u00e7\u00e3o tendenciosa.<\/p>\n<p style=\"text-align: justify\">Uma vez alcan\u00e7ados, os potenciais jurados ainda t\u00eam que ser capazes de comparecer. O primeiro dia de servi\u00e7o no j\u00fari n\u00e3o \u00e9 remunerado, e a remunera\u00e7\u00e3o para os dias subsequentes \u00e9 de \\$15 por dia. Embora os empregadores sejam obrigados por lei a dispensar funcion\u00e1rios que t\u00eam servi\u00e7o no j\u00fari, eles n\u00e3o s\u00e3o obrigados a fornecer remunera\u00e7\u00e3o, e alguns empregadores n\u00e3o o fazem. Em uma regi\u00e3o t\u00e3o cara como a \u00c1rea da Ba\u00eda, isso pode se tornar um motivo para os jurados n\u00e3o responderem \u00e0s convoca\u00e7\u00f5es do j\u00fari. Embora os jurados possam ser dispensados por dificuldades econ\u00f4micas severas, at\u00e9 mesmo o processo de solicitar a dispensa pode estar fora do alcance de alguns jurados. Do outro lado da ba\u00eda, l\u00edderes municipais em S\u00e3o Francisco est\u00e3o tentando reduzir essa forma de preconceito pilotando um <a href=\"https:\/\/sftreasurer.org\/new-ca-bill-pilots-higher-compensation-low-income-jurors-san-francisco\">programa<\/a> que fornece uma compensa\u00e7\u00e3o de \\$100 por dia para jurados de baixa renda.<\/p>\n<h2 id=\"qualidade-dos-dados\" style=\"text-align: justify\">Qualidade dos Dados<\/h2>\n<p style=\"text-align: justify\">Desenvolvemos uma t\u00e9cnica que nos ajuda a decidir se uma distribui\u00e7\u00e3o se parece com uma amostra aleat\u00f3ria de outra. Mas devemos examinar nossas fontes de dados para entender melhor exatamente o que podemos concluir de nossa an\u00e1lise. Uma boa ci\u00eancia de dados inclui um exame cuidadoso de como os dados foram coletados.<\/p>\n<p style=\"text-align: justify\"><strong>Jurados Eleg\u00edveis.<\/strong> \u00c9 importante ter em mente que nem todos s\u00e3o eleg\u00edveis para servir em um j\u00fari. Em seu <a href=\"http:\/\/www.alameda.courts.ca.gov\/pages.aspx\/jury-duty-overview\">site<\/a>, o Tribunal Superior do Condado de Alameda diz: &#8220;Voc\u00ea pode ser chamado para servir se tiver 18 anos, for cidad\u00e3o dos EUA e residente do condado ou distrito onde foi convocado. Voc\u00ea deve ser capaz de entender ingl\u00eas e estar fisicamente e mentalmente apto para servir. Al\u00e9m disso, n\u00e3o deve ter servido como jurado de qualquer tipo nos \u00faltimos 12 meses, nem ter sido condenado por um crime grave.&#8221;<\/p>\n<p style=\"text-align: justify\">Embora o Censo seja uma fonte natural de informa\u00e7\u00f5es demogr\u00e1ficas, o Censo n\u00e3o coleta dados em todas essas categorias. Portanto, a ACLU teve que obter a demografia dos jurados eleg\u00edveis de alguma outra forma.<\/p>\n<p style=\"text-align: justify\">O que eles usaram foram estimativas desenvolvidas por um professor da Universidade Estadual de San Diego para um julgamento no Condado de Alameda em 2002. Essas estimativas eram baseadas no Censo de 2000 e tamb\u00e9m levavam em conta os crit\u00e9rios necess\u00e1rios para a elegibilidade como jurado.<\/p>\n<p style=\"text-align: justify\">Portanto, devemos ter em mente que a distribui\u00e7\u00e3o que usamos para a popula\u00e7\u00e3o de jurados eleg\u00edveis \u00e9 em si uma estimativa e, portanto, est\u00e1 sujeita a erro. Al\u00e9m disso, como observou a ACLU, usar estimativas baseadas no Censo de 2000 para popula\u00e7\u00f5es em 2010 pode n\u00e3o ser preciso devido \u00e0s mudan\u00e7as demogr\u00e1ficas na Calif\u00f3rnia.<\/p>\n<p style=\"text-align: justify\">Assim, a distribui\u00e7\u00e3o usada para a popula\u00e7\u00e3o de jurados eleg\u00edveis pode n\u00e3o ser precisa.<\/p>\n<p style=\"text-align: justify\"><strong>Pain\u00e9is.<\/strong> N\u00e3o est\u00e1 claro no relat\u00f3rio exatamente como os 1453 painelistas foram classificados nas diferentes categorias \u00e9tnicas. O relat\u00f3rio diz apenas que &#8220;advogados &#8230; cooperaram na coleta de dados do pool de jurados&#8221;.<\/p>\n<p style=\"text-align: justify\">Fatores sociais, culturais e pol\u00edticos significativos afetam quem \u00e9 classificado ou auto-classificado em cada categoria \u00e9tnica. Tamb\u00e9m n\u00e3o est\u00e1 claro se as defini\u00e7\u00f5es dessas categorias nos pain\u00e9is eram as mesmas usadas nas estimativas da distribui\u00e7\u00e3o de jurados eleg\u00edveis. Isso levanta quest\u00f5es sobre a correspond\u00eancia entre as duas distribui\u00e7\u00f5es que est\u00e3o sendo comparadas.<\/p>\n<p style=\"text-align: justify\">Al\u00e9m disso, os dados sobre os painelistas foram obtidos daqueles que se apresentaram para o servi\u00e7o. Como discutimos, nem todos os painelistas o fazem. As raz\u00f5es para n\u00e3o se apresentar est\u00e3o associadas \u00e0 ra\u00e7a e etnia, e afetam de forma desproporcional os painelistas de comunidades com poucos recursos.<\/p>\n<p style=\"text-align: justify\">Responder \u00e0s convoca\u00e7\u00f5es do j\u00fari \u00e9 exigido por lei. Mas, como observou a ACLU, na \u00e9poca do estudo, o Condado de Alameda n\u00e3o tinha um processo eficaz para acompanhar os jurados em potencial que foram convocados, mas n\u00e3o compareceram. A ACLU recomendou a cria\u00e7\u00e3o de &#8220;um programa de falta de comparecimento que exige, no m\u00ednimo, o envio de uma segunda notifica\u00e7\u00e3o aos jurados em potencial.&#8221;<\/p>\n<p style=\"text-align: justify\">De fato, fazer o acompanhamento de n\u00e3o comparecimentos reduziria o vi\u00e9s. Para nossa an\u00e1lise, devemos reconhecer que n\u00e3o temos os dados necess\u00e1rios para preencher as informa\u00e7\u00f5es demogr\u00e1ficas dos painelistas que foram selecionados, mas n\u00e3o se apresentaram para o servi\u00e7o.<\/p>\n<h2 id=\"conclus-o\" style=\"text-align: justify\">Conclus\u00e3o<\/h2>\n<p style=\"text-align: justify\">Devido \u00e0 discuss\u00e3o acima, \u00e9 importante ser preciso sobre o que podemos concluir de nossa an\u00e1lise.<\/p>\n<ul style=\"text-align: justify\">\n<li>Podemos concluir que a distribui\u00e7\u00e3o fornecida para os painelistas que se apresentaram para o servi\u00e7o n\u00e3o se parece com uma amostra aleat\u00f3ria da distribui\u00e7\u00e3o estimada na popula\u00e7\u00e3o de jurados eleg\u00edveis.<\/li>\n<\/ul>\n<p style=\"text-align: justify\">Nossa discuss\u00e3o, assim como a discuss\u00e3o no relat\u00f3rio da ACLU, exp\u00f5e as raz\u00f5es para algumas das diferen\u00e7as observadas entre as duas distribui\u00e7\u00f5es e por que os membros do painel convocados n\u00e3o podem reportar. Quase todas as raz\u00f5es t\u00eam suas ra\u00edzes no preconceito racial hist\u00f3rico na sociedade, e s\u00e3o exemplos das consequ\u00eancias negativas duradouras desse preconceito.<\/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\/11-1\">\u2190 Cap\u00edtulo 11.1 &#8211; Avaliando um Modelos<\/a><\/td>\n<td align=\"right\"><a class=\"next-page-link\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-3\/\">Cap\u00edtulo 11.3 &#8211; Decis\u00f5es e Incertezas \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-649","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/649","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=649"}],"version-history":[{"count":12,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/649\/revisions"}],"predecessor-version":[{"id":1030,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/649\/revisions\/1030"}],"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=649"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/coauthors?post=649"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}