{"id":657,"date":"2025-07-28T17:09:23","date_gmt":"2025-07-28T21:09:23","guid":{"rendered":"https:\/\/literaciadigital.ufms.br\/?page_id=657"},"modified":"2025-10-10T16:45:08","modified_gmt":"2025-10-10T20:45:08","slug":"11-3","status":"publish","type":"page","link":"https:\/\/literaciadigital.ufms.br\/en\/data8\/11-0\/11-3\/","title":{"rendered":"Cap\u00edtulo 11.3"},"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=\"decis-es-e-incerteza\" style=\"text-align: center\">Decis\u00f5es e Incerteza<\/h1>\n<p style=\"text-align: justify\">A metodologia estat\u00edstica e computacional que desenvolvemos para avaliar modelos sobre sele\u00e7\u00e3o de j\u00faris se encaixa em um quadro geral de tomada de decis\u00e3o chamado <em>testes estat\u00edsticos de hip\u00f3teses<\/em>. Usar testes estat\u00edsticos como uma maneira de tomar decis\u00f5es \u00e9 padr\u00e3o em muitos campos e possui uma terminologia padronizada.<\/p>\n<p style=\"text-align: justify\">Nesta se\u00e7\u00e3o, descreveremos a sequ\u00eancia geral das etapas usadas em testes estat\u00edsticos, junto com alguns termos t\u00e9cnicos.<\/p>\n<p style=\"text-align: justify\">Embora nosso exemplo seja das ci\u00eancias biol\u00f3gicas, voc\u00ea ver\u00e1 que as etapas estat\u00edsticas e computacionais no processo s\u00e3o consistentes com as etapas correspondentes em nossas an\u00e1lises de dados do sistema legal. No entanto, os dados biol\u00f3gicos s\u00e3o sobre plantas, n\u00e3o seres humanos e injusti\u00e7a. Portanto, o contexto e a interpreta\u00e7\u00e3o dos c\u00e1lculos abaixo s\u00e3o muito mais simples.<\/p>\n<p style=\"text-align: justify\"><a href=\"https:\/\/en.wikipedia.org\/wiki\/Gregor_Mendel\">Gregor Mendel<\/a> (1822-1884) foi um monge austr\u00edaco amplamente reconhecido como o fundador do campo moderno da gen\u00e9tica. Mendel realizou experimentos cuidadosos em larga escala com plantas para formular leis fundamentais da gen\u00e9tica.<\/p>\n<p style=\"text-align: justify\">Muitos de seus experimentos foram com variedades de plantas de ervilha. Ele formulou conjuntos de pressupostos sobre cada variedade; esses eram seus modelos. Em seguida, ele testou a validade de seus modelos cultivando as plantas e coletando dados.<\/p>\n<p style=\"text-align: justify\">Para plantas de ervilha de uma variedade espec\u00edfica, Mendel prop\u00f4s o seguinte modelo.<\/p>\n<h2 id=\"modelo-de-mendel\" style=\"text-align: justify\">Modelo de Mendel<\/h2>\n<p style=\"text-align: justify\">Para cada planta, h\u00e1 uma chance de 75% de que ela tenha flores roxas, e uma chance de 25% de que as flores sejam brancas, independentemente das cores de todas as outras plantas.<\/p>\n<p style=\"text-align: justify\">Para ver se seu modelo era v\u00e1lido, Mendel cultivou 929 plantas de ervilha dessa variedade. Entre essas 929 plantas, 705 tinham flores roxas.<\/p>\n<p style=\"text-align: justify\">Usaremos esses dados para realizar um teste de hip\u00f3teses e ver se o modelo de Mendel parece bom.<\/p>\n<h2 id=\"etapa-1-as-hip-teses\" style=\"text-align: justify\">Etapa 1: As Hip\u00f3teses<\/h2>\n<p style=\"text-align: justify\">Todos os testes estat\u00edsticos tentam escolher entre duas vis\u00f5es de mundo. Especificamente, a escolha \u00e9 entre duas vis\u00f5es sobre como os dados foram gerados. Essas duas vis\u00f5es s\u00e3o chamadas de <em>hip\u00f3teses<\/em>.<\/p>\n<p style=\"text-align: justify\"><strong>A hip\u00f3tese nula.<\/strong> Esta \u00e9 um modelo claramente definido sobre chances. Ela diz que os dados foram gerados aleatoriamente sob pressupostos claramente especificados sobre a aleatoriedade. A palavra &#8220;nula&#8221; refor\u00e7a a ideia de que, se os dados parecem diferentes do que a hip\u00f3tese nula prev\u00ea, a diferen\u00e7a \u00e9 devida apenas ao acaso.<\/p>\n<p style=\"text-align: justify\">Do ponto de vista pr\u00e1tico, <strong>a hip\u00f3tese nula \u00e9 uma hip\u00f3tese sob a qual voc\u00ea pode simular dados.<\/strong><\/p>\n<p style=\"text-align: justify\">No exemplo sobre o modelo de Mendel para as cores das plantas de ervilha, a hip\u00f3tese nula \u00e9 que os pressupostos de seu modelo s\u00e3o bons: cada planta tem uma chance de 75% de ter flores roxas, independentemente de todas as outras plantas.<\/p>\n<p style=\"text-align: justify\">Sob esta hip\u00f3tese, podemos simular amostras aleat\u00f3rias usando <code>sample_proportions<\/code>.<\/p>\n<p style=\"text-align: justify\"><strong>A hip\u00f3tese alternativa.<\/strong> Isso diz que alguma raz\u00e3o diferente do acaso fez os dados diferirem das previs\u00f5es do modelo na hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">No exemplo das plantas de Mendel, a hip\u00f3tese alternativa \u00e9 simplesmente que seu modelo n\u00e3o \u00e9 bom.<\/p>\n<p style=\"text-align: justify\">Lembre-se de que a alternativa n\u00e3o diz como ou por que o modelo n\u00e3o \u00e9 bom. Apenas diz que o modelo n\u00e3o \u00e9 bom.<\/p>\n<h1 id=\"passo-2-o-estatistico-de-teste-\" style=\"text-align: justify\">Passo 2: O Estat\u00edstico de Teste<\/h1>\n<p style=\"text-align: justify\">Para decidir entre as duas hip\u00f3teses, devemos escolher uma estat\u00edstica que possamos usar para tomar a decis\u00e3o. Isso \u00e9 chamado de <strong>estat\u00edstico de teste<\/strong>.<\/p>\n<p style=\"text-align: justify\">Estaremos comparando duas distribui\u00e7\u00f5es categ\u00f3ricas: a de modelo de Mendel e a que obteremos em nossa amostra aleat\u00f3ria. Queremos ver se essas duas distribui\u00e7\u00f5es s\u00e3o pr\u00f3ximas ou distantes uma da outra. Portanto, uma estat\u00edstica de teste natural \u00e9 a dist\u00e2ncia de varia\u00e7\u00e3o total (TVD) desenvolvida na se\u00e7\u00e3o anterior.<\/p>\n<p style=\"text-align: justify\">Acontece que, com apenas duas categorias, o TVD \u00e9 bastante simples e f\u00e1cil de interpretar. Vamos olhar um exemplo. O modelo de Mendel diz que a distribui\u00e7\u00e3o &#8220;roxo, branco&#8221; \u00e9 [0.75, 0.25]. Suponha que a distribui\u00e7\u00e3o em nossa amostra seja [0.7, 0.3].<\/p>\n<p style=\"text-align: justify\">Por haver apenas duas categorias, algo interessante acontece quando calculamos o TVD. Primeiro, observe que<\/p>\n<div style=\"font-family: serif;font-size: 2.2em;text-align: center\"><span style=\"font-size: 14pt\">| 0.7 &#8211; 0.75 | = 0.05 = | 0.3 &#8211; 0.25 |<\/span><\/div>\n<p style=\"text-align: justify\">Ent\u00e3o, o TVD \u00e9<\/p>\n<div style=\"font-family: serif;font-size: 2.2em;text-align: center\"><span style=\"font-size: 14pt\"><sup>1<\/sup>\u2044<sub>2<\/sub>(| 0.7 &#8211; 0.75 | + | 0.3 &#8211; 0.25 |) = 0.05 = | 0.7 &#8211; 0.75 |<\/span><\/div>\n<p style=\"text-align: justify\">Isso \u00e9 apenas a dist\u00e2ncia entre as duas propor\u00e7\u00f5es de plantas com flores roxas. Tamb\u00e9m \u00e9 apenas a dist\u00e2ncia entre as duas propor\u00e7\u00f5es de plantas com flores brancas.<\/p>\n<p style=\"text-align: justify\">Por um pouco de matem\u00e1tica que n\u00e3o faremos aqui, isso \u00e9 verdade sempre que houver apenas duas categorias: o TVD \u00e9 igual \u00e0 dist\u00e2ncia entre as duas propor\u00e7\u00f5es em uma categoria.<\/p>\n<p style=\"text-align: justify\">Portanto, um estat\u00edstico de teste perfeitamente adequado seria a dist\u00e2ncia entre a propor\u00e7\u00e3o da amostra de plantas roxas e 0,75, que \u00e9 a propor\u00e7\u00e3o correspondente no modelo de Mendel.<\/p>\n<p style=\"text-align: justify\">Como os percentuais s\u00e3o mais f\u00e1ceis de interpretar do que as propor\u00e7\u00f5es, trabalharemos com percentuais.<\/p>\n<p style=\"text-align: justify\">Nosso estat\u00edstico de teste ser\u00e1 a dist\u00e2ncia entre o percentual da amostra de plantas roxas e 75%, que \u00e9 o percentual correspondente no modelo de Mendel.<\/p>\n<div style=\"font-family: serif;font-size: 1.6em;text-align: center\">| percentual da amostra de plantas com flores roxas &#8211; 75 |<\/div>\n<p style=\"text-align: justify\">Este estat\u00edstico de teste \u00e9 uma <em>dist\u00e2ncia<\/em> entre as duas distribui\u00e7\u00f5es. Faz sentido e \u00e9 f\u00e1cil de usar. Um percentual de amostra em torno de 75% ser\u00e1 consistente com o modelo, mas percentuais muito maiores ou muito menores que 75 far\u00e3o voc\u00ea pensar que o modelo n\u00e3o \u00e9 bom. Portanto, valores pequenos da dist\u00e2ncia far\u00e3o voc\u00ea tender para a hip\u00f3tese nula. Valores grandes do estat\u00edstico far\u00e3o voc\u00ea tender para a alternativa.<\/p>\n<p style=\"text-align: justify\">Para escolher um estat\u00edstico de teste em outras situa\u00e7\u00f5es, observe a hip\u00f3tese alternativa. Que valores do estat\u00edstico far\u00e3o voc\u00ea pensar que a hip\u00f3tese alternativa \u00e9 uma escolha melhor do que a nula?<\/p>\n<ul style=\"text-align: justify\">\n<li>Se a resposta for &#8220;valores grandes&#8221;, voc\u00ea tem uma boa escolha de estat\u00edstico.<\/li>\n<li>Tamb\u00e9m se a resposta for &#8220;valores pequenos&#8221;.<\/li>\n<li>Mas se a resposta for &#8220;tanto valores grandes quanto valores pequenos&#8221;, recomendamos que voc\u00ea olhe novamente para seu estat\u00edstico. Veja se usar uma dist\u00e2ncia em vez de uma diferen\u00e7a pode mudar a resposta para apenas &#8220;valores grandes&#8221;.<\/li>\n<\/ul>\n<h3 id=\"valor-observado-do-estatistico-de-teste-\" style=\"text-align: justify\">Valor Observado do Estat\u00edstico de Teste<\/h3>\n<p style=\"text-align: justify\">O <em>valor observado do estat\u00edstico de teste<\/em> \u00e9 o valor do estat\u00edstico que voc\u00ea obt\u00e9m a partir dos dados no estudo, n\u00e3o um valor simulado. Entre as 929 plantas de Mendel, 705 tinham flores roxas. Portanto, o valor observado do estat\u00edstico de teste foi<\/p>\n<pre><code><span style=\"color: black\">observed_statistic = abs ( 100 * (705 \/ 929) - 75)\r\nobserved_statistic<\/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\">0.8880516684607045<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2 id=\"passo-3-a-distribui-o-do-estat-stico-de-teste-sob-a-hip-tese-nula\" style=\"text-align: justify\">Passo 3: A Distribui\u00e7\u00e3o do Estat\u00edstico de Teste, Sob a Hip\u00f3tese Nula<\/h2>\n<p style=\"text-align: justify\">O aspecto computacional principal de um teste de hip\u00f3teses \u00e9 descobrir o que o modelo na hip\u00f3tese nula prev\u00ea. Especificamente, temos que descobrir <em>quais s\u00e3o os valores do estat\u00edstico de teste que poderiam ocorrer se a hip\u00f3tese nula fosse verdadeira<\/em>.<\/p>\n<p style=\"text-align: justify\">O estat\u00edstico de teste \u00e9 simulado com base nas suposi\u00e7\u00f5es do modelo na hip\u00f3tese nula. Esse modelo envolve chance, ent\u00e3o o estat\u00edstico se comporta de maneira diferente quando voc\u00ea o simula v\u00e1rias vezes.<\/p>\n<p style=\"text-align: justify\">Ao simular o estat\u00edstico repetidamente, obtemos uma boa ideia de seus poss\u00edveis valores e quais s\u00e3o mais prov\u00e1veis do que outros. Em outras palavras, obtemos uma boa aproxima\u00e7\u00e3o da distribui\u00e7\u00e3o de probabilidade do estat\u00edstico, conforme previsto pelo modelo na hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">Como em todas as distribui\u00e7\u00f5es, \u00e9 muito \u00fatil visualizar essa distribui\u00e7\u00e3o por meio de um histograma, como fizemos em nossos exemplos anteriores. Vamos passar por todo o processo aqui.<\/p>\n<p style=\"text-align: justify\">Come\u00e7aremos atribuindo alguns quantitativos conhecidos a nomes.<\/p>\n<pre><code><span style=\"color: black\">mendel_proportions = make_array(0.75, 0.25)\r\nmendel_proportion_purple = mendel_proportions.item(0)\r\nsample_size = 929<\/span><\/code><\/pre>\n<p style=\"text-align: justify\">A seguir, definiremos uma fun\u00e7\u00e3o que retorna um valor simulado da estat\u00edstica de teste. Em seguida, usaremos um loop <code>for<\/code> para coletar 10.000 valores simulados em um array.<\/p>\n<pre><code><span style=\"color: black\">def one_simulated_distance():\r\n    sample_proportion_purple = sample_proportions(929, mendel_proportions).item(0)\r\n    return 100 * abs(sample_proportion_purple - mendel_proportion_purple)<\/span><\/code><\/pre>\n<pre><code><span style=\"color: black\">repetitions = 10000\r\ndistances = make_array()\r\nfor i in np.arange(repetitions):\r\n    distances = np.append(distances, one_simulated_distance())<\/span><\/code><\/pre>\n<p style=\"text-align: justify\">Agora podemos desenhar o histograma desses valores. Este \u00e9 o histograma da <em>distribui\u00e7\u00e3o da estat\u00edstica de teste prevista pela hip\u00f3tese nula<\/em>.<\/p>\n<pre><code><span style=\"color: black\">Table().with_column(\r\n    'Distance between Sample % and 75%', distances\r\n).hist()\r\nplots.title('Prediction Made by the Null Hypothesis');<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone size-full wp-image-658\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-1.png\" alt=\"\" width=\"443\" height=\"305\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-1.png 443w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-1-300x207.png 300w\" sizes=\"(max-width: 443px) 100vw, 443px\" \/><\/p>\n<p style=\"text-align: justify\">Observe no eixo horizontal para ver os valores t\u00edpicos da dist\u00e2ncia, como previsto pelo modelo. Eles s\u00e3o bastante pequenos. Por exemplo, uma alta propor\u00e7\u00e3o das dist\u00e2ncias est\u00e1 na faixa de 0 a 1, o que significa que, para uma alta propor\u00e7\u00e3o das amostras, o percentual de plantas com flores roxas est\u00e1 na faixa de 75% +\/- 1%. Ou seja, o percentual da amostra est\u00e1 na faixa de 74% a 76%.<\/p>\n<p style=\"text-align: justify\">Observe tamb\u00e9m que essa predi\u00e7\u00e3o foi feita apenas usando o modelo de Mendel, n\u00e3o as propor\u00e7\u00f5es observadas por Mendel nas plantas que ele cultivou. \u00c9 hora de comparar agora as previs\u00f5es e a observa\u00e7\u00e3o de Mendel.<\/p>\n<h2 id=\"passo-4-a-conclus-o-do-teste\" style=\"text-align: justify\">Passo 4. A Conclus\u00e3o do Teste<\/h2>\n<p style=\"text-align: justify\">A escolha entre as hip\u00f3teses nula e alternativa depende da compara\u00e7\u00e3o entre o que voc\u00ea calculou nos Passos 2 e 3: o valor observado da estat\u00edstica do teste e sua distribui\u00e7\u00e3o conforme previsto pela hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">Se os dois n\u00e3o forem consistentes entre si, ent\u00e3o os dados n\u00e3o suportam a hip\u00f3tese nula. Em outras palavras, a hip\u00f3tese alternativa \u00e9 melhor suportada pelos dados. Dizemos que o teste <em>rejeita<\/em> a hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">Se os dois forem consistentes entre si, ent\u00e3o o valor observado da estat\u00edstica do teste est\u00e1 alinhado com o que a hip\u00f3tese nula prev\u00ea. Em outras palavras, a hip\u00f3tese nula \u00e9 melhor suportada pelos dados. Dizemos que os dados s\u00e3o <em>consistentes com<\/em> a hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">Em nosso exemplo, o valor observado da estat\u00edstica do teste \u00e9 aproximadamente 0,89, conforme calculado no Passo 2 acima. Apenas olhando, localize aproximadamente onde 0,89 est\u00e1 no eixo horizontal do histograma. Voc\u00ea ver\u00e1 que est\u00e1 claramente no centro da distribui\u00e7\u00e3o prevista pelo modelo de Mendel.<\/p>\n<p style=\"text-align: justify\">A c\u00e9lula abaixo redesenha o histograma com o valor observado plotado no eixo horizontal.<\/p>\n<pre><code><span style=\"color: black\">Table().with_column(\r\n    'Distance between Sample % and 75%', distances\r\n).hist()\r\nplots.ylim(-0.02, 0.5)\r\nplots.title('Prediction Made by the Null Hypothesis')\r\nplots.scatter(observed_statistic, 0, color='red', s=40);<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img decoding=\"async\" class=\"alignnone size-full wp-image-659\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-2.png\" alt=\"\" width=\"443\" height=\"305\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-2.png 443w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-2-300x207.png 300w\" sizes=\"(max-width: 443px) 100vw, 443px\" \/><\/p>\n<p style=\"text-align: justify\">A estat\u00edstica observada \u00e9 como uma dist\u00e2ncia t\u00edpica prevista pela hip\u00f3tese nula. A hip\u00f3tese nula \u00e9 o modelo de Mendel. Portanto, nosso teste conclui que os dados s\u00e3o consistentes com o modelo de Mendel.<\/p>\n<p style=\"text-align: justify\">Com base em nossos dados, o modelo de Mendel parece adequado.<\/p>\n<h2 id=\"o-significado-de-consistente-\" style=\"text-align: justify\">O Significado de &#8220;Consistente&#8221;<\/h2>\n<p style=\"text-align: justify\">Em todos os nossos exemplos de avalia\u00e7\u00e3o de modelos, n\u00e3o houve d\u00favida sobre se os dados eram consistentes com as previs\u00f5es do modelo. Eles estavam ou muito longe do que o modelo previa, como nos exemplos sobre pain\u00e9is de j\u00fari, ou similares ao que o modelo previa, como no exemplo sobre o modelo de Mendel.<\/p>\n<p style=\"text-align: justify\">Mas os resultados nem sempre s\u00e3o t\u00e3o claros. At\u00e9 que ponto \u00e9 &#8220;longe&#8221;? Exatamente o que &#8220;similar&#8221; deve significar? Embora essas perguntas n\u00e3o tenham respostas universais, existem algumas diretrizes e conven\u00e7\u00f5es que voc\u00ea pode seguir.<\/p>\n<p style=\"text-align: justify\">Mas primeiro, \u00e9 importante entender que se a estat\u00edstica de teste observada \u00e9 consistente com sua distribui\u00e7\u00e3o prevista sob a hip\u00f3tese nula \u00e9 uma quest\u00e3o de opini\u00e3o e julgamento subjetivo. Recomendamos que voc\u00ea forne\u00e7a seu julgamento junto com o valor da estat\u00edstica de teste e um gr\u00e1fico de sua distribui\u00e7\u00e3o prevista sob o nulo. Isso permitir\u00e1 que seus leitores fa\u00e7am seu pr\u00f3prio julgamento sobre se os dois s\u00e3o consistentes.<\/p>\n<p style=\"text-align: justify\">No exemplo acima, o julgamento \u00e9 claro. Mas suponha que algu\u00e9m cultivou mais 929 plantas de alguma variedade relacionada e quis ver se o modelo de Mendel funcionava para plantas dessa variedade tamb\u00e9m. O que voc\u00ea concluiria se a dist\u00e2ncia observada deles fosse de 3.2, como mostrado abaixo?<\/p>\n<pre><code><span style=\"color: black\">different_observed_statistic = 3.2\r\nTable().with_column(\r\n    'Distance between Sample % and 75%', distances\r\n).hist()\r\nplots.ylim(-0.02, 0.5)\r\nplots.title('Prediction Made by the Null Hypothesis')\r\nplots.scatter(different_observed_statistic, 0, color='red', s=40);<\/span><\/code><\/pre>\n<p style=\"text-align: justify\"><img decoding=\"async\" class=\"alignnone size-full wp-image-660\" src=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-3.png\" alt=\"\" width=\"443\" height=\"305\" srcset=\"https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-3.png 443w, https:\/\/literaciadigital.ufms.br\/files\/2025\/07\/11-3-3-300x207.png 300w\" sizes=\"(max-width: 443px) 100vw, 443px\" \/><\/p>\n<p style=\"text-align: justify\">A observa\u00e7\u00e3o baseada na nova variedade de plantas \u00e9 consistente com as previs\u00f5es no histograma, ou n\u00e3o?<\/p>\n<p style=\"text-align: justify\">Agora a resposta n\u00e3o \u00e9 t\u00e3o clara. Isso depende se voc\u00ea acha que o ponto vermelho est\u00e1 muito distante da maioria dos valores previstos para ser consistente com a previs\u00e3o baseada no modelo de Mendel.<\/p>\n<h2 id=\"limites-convencionais-e-o-valor-p\" style=\"text-align: justify\">Limites Convencionais e o Valor P<\/h2>\n<p style=\"text-align: justify\">Se voc\u00ea n\u00e3o quer usar seu pr\u00f3prio julgamento, existem conven\u00e7\u00f5es que voc\u00ea pode seguir. Essas conven\u00e7\u00f5es nos dizem at\u00e9 onde convencionalmente \u00e9 considerado &#8220;muito longe&#8221; nas caudas.<\/p>\n<p style=\"text-align: justify\">As conven\u00e7\u00f5es s\u00e3o baseadas na \u00e1rea na cauda, <strong>come\u00e7ando pelo estat\u00edstico observado (o ponto vermelho) e olhando na dire\u00e7\u00e3o que nos faz tender para a alternativa.<\/strong> Neste exemplo, \u00e9 o lado direito, porque grandes dist\u00e2ncias favorecem a alternativa que diz que o modelo n\u00e3o \u00e9 bom.<\/p>\n<p style=\"text-align: justify\">Se a \u00e1rea da cauda for pequena, o estat\u00edstico observado estar\u00e1 longe dos valores mais comumente previstos pela hip\u00f3tese nula.<\/p>\n<p style=\"text-align: justify\">Lembre-se de que em um histograma, a \u00e1rea representa percentuais. Para encontrar a \u00e1rea na cauda, temos que encontrar o percentual de dist\u00e2ncias maiores ou iguais a 3.2, onde est\u00e1 o ponto vermelho. O array <code>distances<\/code> cont\u00e9m as m\u00e9dias para todas as 10.000 repeti\u00e7\u00f5es da amostragem aleat\u00f3ria sob o modelo de Mendel, e <code>different_observed_statistic<\/code> \u00e9 3.2.<\/p>\n<pre><code><span style=\"color: black\">np.count_nonzero(distances &gt;= different_observed_statistic) \/ repetitions<\/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\">0.0243<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p style=\"text-align: justify\">Aproximadamente 2,4% das dist\u00e2ncias simuladas sob o modelo de Mendel foram de 3,2 ou mais. Pela lei das m\u00e9dias, podemos concluir que se o modelo de Mendel fosse correto para estas novas plantas, h\u00e1 cerca de 2,4% de chance de que a estat\u00edstica de teste seja 3,2 ou mais.<\/p>\n<p style=\"text-align: justify\">Isso n\u00e3o parece ser uma grande chance. Se o modelo de Mendel for verdadeiro para estas plantas, algo bastante improv\u00e1vel aconteceu. Esta ideia d\u00e1 origem \u00e0s conven\u00e7\u00f5es.<\/p>\n<h3 id=\"o-valor-p\" style=\"text-align: justify\">O Valor-p<\/h3>\n<p style=\"text-align: justify\">Esta chance tem um nome impressionante. \u00c9 chamado de <em>n\u00edvel de signific\u00e2ncia observado<\/em> do teste. Isso \u00e9 um bocado, e por isso \u00e9 comumente chamado de <em>valor-p<\/em> do teste.<\/p>\n<p style=\"text-align: justify\"><strong>Defini\u00e7\u00e3o:<\/strong> O valor-p de um teste \u00e9 a chance, com base no modelo na hip\u00f3tese nula, de que a estat\u00edstica de teste ser\u00e1 igual ao valor observado na amostra ou ainda mais na dire\u00e7\u00e3o que suporta a hip\u00f3tese alternativa.<\/p>\n<p style=\"text-align: justify\">Se um valor-p for pequeno, isso significa que a cauda al\u00e9m da estat\u00edstica observada \u00e9 pequena e, portanto, a estat\u00edstica observada est\u00e1 longe do que a nula prev\u00ea. Isso implica que os dados suportam mais a hip\u00f3tese alternativa do que a nula.<\/p>\n<p style=\"text-align: justify\">Qu\u00e3o pequeno \u00e9 &#8220;pequeno&#8221;? De acordo com as conven\u00e7\u00f5es:<\/p>\n<ul style=\"text-align: justify\">\n<li>Se o valor-p for inferior a 5%, \u00e9 considerado pequeno e o resultado \u00e9 chamado de &#8220;estatisticamente significativo&#8221;.<\/li>\n<li>Se o valor-p for ainda menor \u2013 inferior a 1% \u2013 o resultado \u00e9 chamado de &#8220;altamente estatisticamente significativo&#8221;.<\/li>\n<\/ul>\n<p style=\"text-align: justify\">Por esta conven\u00e7\u00e3o, nosso valor-p de 2,4% \u00e9 considerado pequeno. Portanto, a conclus\u00e3o convencional seria rejeitar a hip\u00f3tese nula e dizer que o modelo de Mendel n\u00e3o parece bom para as novas plantas. Formalmente, o resultado do teste \u00e9 estatisticamente significativo.<\/p>\n<p style=\"text-align: justify\">Ao fazer uma conclus\u00e3o desta forma, recomendamos que voc\u00ea n\u00e3o apenas diga se o resultado \u00e9 estatisticamente significativo ou n\u00e3o. Junto com sua conclus\u00e3o, forne\u00e7a tamb\u00e9m a estat\u00edstica observada e o valor-p, para que os leitores possam usar seu pr\u00f3prio julgamento.<\/p>\n<h2 id=\"nota-hist-rica-sobre-as-conven-es\" style=\"text-align: justify\">Nota Hist\u00f3rica sobre as Conven\u00e7\u00f5es<\/h2>\n<p style=\"text-align: justify\">A determina\u00e7\u00e3o da signific\u00e2ncia estat\u00edstica, conforme definido acima, tornou-se padr\u00e3o em an\u00e1lises estat\u00edsticas em todos os campos de aplica\u00e7\u00e3o. Quando uma conven\u00e7\u00e3o \u00e9 t\u00e3o universalmente seguida, \u00e9 interessante examinar como ela surgiu.<\/p>\n<p style=\"text-align: justify\">O m\u00e9todo de teste estat\u00edstico \u2013 escolher entre hip\u00f3teses com base em dados em amostras aleat\u00f3rias \u2013 foi desenvolvido por Sir Ronald Fisher no in\u00edcio do s\u00e9culo 20. Sir Ronald pode ter definido a conven\u00e7\u00e3o para a signific\u00e2ncia estat\u00edstica um tanto inconscientemente, na seguinte declara\u00e7\u00e3o em seu livro de 1925 <em>Statistical Methods for Research Workers<\/em>. Sobre o n\u00edvel de 5%, ele escreveu: &#8220;\u00c9 conveniente tomar este ponto como um limite para julgar se um desvio deve ser considerado significativo ou n\u00e3o&#8221;.<\/p>\n<p style=\"text-align: justify\">O que era &#8220;conveniente&#8221; para Sir Ronald tornou-se um limite que adquiriu o status de uma constante universal. N\u00e3o importa que Sir Ronald mesmo tenha feito o ponto de que o valor foi sua escolha pessoal entre muitos: em um artigo em 1926, ele escreveu: &#8220;Se um em vinte n\u00e3o parece odds altos suficientes, n\u00f3s podemos, se n\u00f3s preferimos, desenhar a linha em um em cinquenta (o ponto 2 por cento), ou um em cem (o ponto 1 por cento). Pessoalmente, o autor prefere estabelecer um<br \/>\nbaixo padr\u00e3o de signific\u00e2ncia no ponto de 5 por cento &#8230;&#8221;<\/p>\n<p style=\"text-align: justify\">Fisher sabia que &#8220;baixo&#8221; \u00e9 uma quest\u00e3o de julgamento e n\u00e3o tem defini\u00e7\u00e3o \u00fanica. Sugerimos que voc\u00ea tamb\u00e9m mantenha isso em mente. Forne\u00e7a seus dados, fa\u00e7a seu julgamento e explique por que o fez.<\/p>\n<p style=\"text-align: justify\">Se voc\u00ea usar um corte convencional ou seu pr\u00f3prio julgamento, \u00e9 importante manter os seguintes pontos em mente.<\/p>\n<ul>\n<li style=\"text-align: justify\">Sempre forne\u00e7a o valor observado da estat\u00edstica de teste e o valor-p, para que os leitores possam decidir se acham ou n\u00e3o que o valor-p \u00e9 pequeno.<\/li>\n<li style=\"text-align: justify\">N\u00e3o busque desafiar a conven\u00e7\u00e3o apenas quando o resultado derivado convencionalmente n\u00e3o lhe agrada.<\/li>\n<li style=\"text-align: justify\">Mesmo que um teste conclua que os dados n\u00e3o suportam o modelo de chance na hip\u00f3tese nula, o teste geralmente n\u00e3o explica <em>por que<\/em> o modelo n\u00e3o funciona. N\u00e3o fa\u00e7a conclus\u00f5es causais sem an\u00e1lise adicional, a menos que voc\u00ea esteja executando um ensaio controlado randomizado. Analisaremos esses casos em uma se\u00e7\u00e3o posterior.<\/li>\n<\/ul>\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\/11-2\">\u2190 Cap\u00edtulo 11.2 &#8211; M\u00faltiplas Categorias<\/a><\/td>\n<td align=\"right\"><a class=\"next-page-link\" href=\"https:\/\/literaciadigital.ufms.br\/data8\/11-0\/11-4\/\">Cap\u00edtulo 11.4 &#8211; Probabilidades de Erro \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-657","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/657","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=657"}],"version-history":[{"count":7,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/657\/revisions"}],"predecessor-version":[{"id":1031,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/pages\/657\/revisions\/1031"}],"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=657"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/literaciadigital.ufms.br\/en\/wp-json\/wp\/v2\/coauthors?post=657"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}