Entendendo Estatística de Forma Intuitiva (O Que a "Média" Esconde)

Estatística é a matemática de dar sentido a dados, de extrair um sinal confiável de uma pilha de números que variam. Ela faz dois trabalhos: resume o que você já tem (as notas de uma turma, um mês de vendas) e permite raciocinar sobre o que você não consegue ver por inteiro (a opinião de um país inteiro a partir de uma pesquisa com mil pessoas). Este artigo constrói as duas ideias do zero e depois mostra de onde vêm de fato os termos conhecidos (média, mediana, desvio padrão, curva normal).

A estatística tem um problema de reputação. Muitos estudantes a encontram como um saco de fórmulas para decorar: esta aqui para a variância, aquela para o erro padrão, uma terceira para o coeficiente de correlação. As fórmulas são aplicadas, as respostas são calculadas, e o significado nunca chega.

Vamos resolver isso.

Dois Trabalhos, Não Um

Tudo o que aparece num curso introdutório de estatística cai em um de dois baldes.

A estatística descritiva resume dados que você tem. Se você mediu a altura de todos os alunos de uma escola, a estatística descritiva reduz essas centenas de números a alguns poucos que capturam a essência: uma altura típica, o quanto as alturas variam, qual é o formato da distribuição.

A estatística inferencial raciocina sobre dados que você não tem. Você não consegue medir a altura de todo adulto da Terra, então mede uma amostra e infere algo sobre todo mundo. É aqui que vivem as pesquisas eleitorais, os ensaios clínicos e o controle de qualidade. É a metade mais poderosa, e ela se apoia inteiramente na metade descritiva.

Quase toda confusão em estatística se dissolve quando você pergunta: estou descrevendo o que tenho ou inferindo sobre o que não tenho? Comece descrevendo.

O Centro: Onde os Dados Ficam

A primeira pergunta sobre qualquer conjunto de dados é "qual é um valor típico?". Existem três respostas honestas, e elas discordam de propósito.

A média é o que a maioria das pessoas chama de média mesmo: some tudo, divida pela contagem. Ela usa todos os valores, o que é a sua força e a sua fraqueza.

A mediana é o valor do meio depois de ordenar os dados. Metade dos valores fica acima dela, metade abaixo. Ela ignora o quanto os extremos são extremos e se importa apenas com posição.

A moda é o valor que mais aparece. É a única que funciona para coisas que não dá para somar, como o número de calçado mais vendido.

Em dados simétricos, as três caem mais ou menos no mesmo lugar, e a distinção parece acadêmica. Ela deixa de ser acadêmica no instante em que os dados ficam assimétricos.

Imagine uma sala com nove professores e um bilionário. A renda mediana descreve um professor comum, porque a pessoa do meio é um professor. A renda média está na casa das dezenas de milhões, porque o bilionário puxa tudo para cima. Os dois números estão corretos. Só um deles é honesto sobre uma pessoa típica naquela sala.

Esse é o hábito mais importante na hora de ler estatística: quando alguém reporta uma "média", pergunte se é média ou mediana e pergunte se os dados são assimétricos. Renda, preço de imóveis, tempo de espera e número de visualizações são quase sempre assimétricos, e a média quase sempre os favorece.

A Dispersão: Por Que o Centro Não Basta

Dois conjuntos de dados podem ter exatamente a mesma média e não ter nada em comum.

Notas da turma A: 70, 72, 70, 68, 70. Média: 70. Notas da turma B: 40, 95, 100, 50, 65. Média: 70.

Mesma média, histórias completamente diferentes. A turma A é consistente. A turma B é caótica. A média sozinha não distingue as duas, então precisamos de um número para a dispersão.

A versão grosseira é a amplitude, o maior valor menos o menor. É fácil, mas frágil, porque depende de apenas dois números e um único ponto fora da curva a destrói.

A versão séria é o desvio padrão, e a ideia por trás dele é mais simples do que a fórmula sugere. Pergunte: em média, a que distância cada valor está da média? Meça a distância de cada valor até a média e depois tire uma espécie de média dessas distâncias. Um desvio padrão pequeno significa que tudo se aglomera perto do centro (turma A). Um grande significa que os valores estão espalhados para todo lado (turma B).

O motivo de a fórmula elevar as distâncias ao quadrado e depois tirar uma raiz quadrada no fim (em vez de simplesmente calcular a média das distâncias cruas) é basicamente evitar que as diferenças positivas e negativas se cancelem, e fazer com que desvios maiores pesem mais. Mas o significado nunca muda: desvio padrão é a distância típica até a média, reportada na mesma unidade dos dados. Se as notas de uma prova têm desvio padrão de 8 pontos, então "mais ou menos 8 pontos" é a sua noção de quanto as notas passeiam.

A média diz onde. O desvio padrão diz o quanto você pode confiar nesse "onde" para descrever um caso individual.

O Formato: a Curva Normal e Por Que Ela Está em Todo Lugar

Depois de ter centro e dispersão, a pergunta natural seguinte é sobre o formato geral dos dados. Represente com que frequência cada valor ocorre e você obtém uma distribuição.

O formato mais famoso é a distribuição normal, a curva em sino: simétrica, com a maioria dos valores agrupada perto da média e cada vez menos valores conforme você caminha para os extremos. Altura, erros de medição e muitas grandezas naturais a seguem de perto.

A curva normal aparece com tanta frequência por um motivo profundo. Quando uma grandeza é a soma de muitas influências pequenas e independentes (sua altura é genética mais nutrição mais sono mais uma centena de outros empurrõezinhos), o resultado tende a uma curva em sino, quase independentemente de como cada influência individual se comporta. Essa é a ideia aproximada por trás de um dos resultados mais importantes de toda a estatística, o teorema central do limite, e é por isso que a distribuição normal é o pano de fundo padrão de boa parte da inferência.

A curva normal também dá ao desvio padrão um retorno bem concreto. Em dados normais, cerca de 68 por cento dos valores caem dentro de um desvio padrão da média, cerca de 95 por cento dentro de dois e cerca de 99,7 por cento dentro de três. Então, se a altura adulta tem média de 170 cm e desvio padrão de 7 cm, aproximadamente 95 por cento das pessoas ficam entre 156 e 184 cm. O número da dispersão deixa de ser abstrato e passa a prever onde as coisas realmente caem.

Correlação Não É Causalidade

Quando duas grandezas se movem juntas, dizemos que elas estão correlacionadas. Pessoas mais altas tendem a pesar mais: altura e peso têm correlação positiva. Conforme uma sobe, a outra também.

A armadilha é tratar correlação como prova de causa. A venda de sorvete e as mortes por afogamento sobem juntas todo verão. Sorvete não causa afogamento. Um terceiro fator escondido, o calor, empurra os dois. Isso é uma variável de confusão, e é por isso que correlação sozinha nunca estabelece causalidade.

Correlação é uma pista legítima. Ela indica onde olhar. Mas para afirmar que A causa B você precisa de mais: um experimento controlado, um mecanismo plausível e a eliminação das variáveis de confusão. As manchetes que anunciam "pessoas que fazem X vivem mais" quase sempre se apoiam em correlação e quase sempre exageram. Ler isso com ceticismo é uma das coisas mais úteis que a estatística ensina.

Inferência: Como Poucos Falam por Muitos

Agora a metade poderosa. Uma pesquisa nacional com 1.000 pessoas afirma representar 300 milhões. Como isso não é um absurdo?

A percepção central é que o acaso é previsível em grande escala. Se a sua amostra é genuinamente aleatória e representativa, a matemática da probabilidade diz o quanto a sua estimativa provavelmente está errada. Essa incerteza é reportada como uma margem de erro: "52 por cento, mais ou menos 3 pontos" significa que o número real está muito provavelmente entre 49 e 55 por cento.

Duas coisas determinam se você pode confiar em uma inferência:

• O tamanho da amostra controla o ruído aleatório. Amostras maiores dão margens de erro mais estreitas, embora com retorno decrescente, já que reduzir o erro pela metade exige cerca de quatro vezes mais amostra.
• A qualidade da amostra controla o viés, e o viés é o problema mais letal. Uma pesquisa com um milhão de pessoas que visitam todas o mesmo site fala sobre aquele site, não sobre o país. Nenhum tamanho de amostra conserta uma amostra que exclui pessoas de forma sistemática. Representatividade vem primeiro, o tamanho apenas refina uma amostra que já é justa.

É por isso que a pergunta a se fazer sobre qualquer estatística não é só "qual foi o tamanho do estudo", mas "quem estava de fato nele e quem ficou de fora".

Armadilhas Comuns Para Ficar de Olho

A estatística é honesta. O jeito como ela é reportada muitas vezes não é. Alguns padrões para reconhecer:

• A média que apaga tudo. "A satisfação média dos clientes é alta" pode esconder um público dividido entre gente muito feliz e gente muito irritada, com quase ninguém no meio. Sempre pergunte pela dispersão, não só pelo centro.
• O eixo cortado. Um gráfico de barras cujo eixo vertical começa em 90 em vez de 0 transforma uma diferença mínima em um penhasco dramático. Os números são reais, a imagem é que mente.
• O denominador ausente. "Os casos dobraram" não significa nada sem saber se foi de dois para quatro ou de dois milhões para quatro milhões. Uma variação percentual só tem tanto significado quanto a base sobre a qual foi medida.
• Pontas escolhidas a dedo. Escolha bem a data de início e a de fim e quase qualquer tendência pode ser feita para apontar para cima ou para baixo.

Como Isso Se Conecta ao Resto da Matemática

A estatística não vive sozinha. Ela se apoia em ideias que você talvez já conheça. É construída sobre a probabilidade, que fornece as regras de como amostras aleatórias se comportam e de onde vêm as margens de erro. Ela depende de porcentagens e proporções em praticamente todo resultado que reporta. E as curvas suaves em que se apoia, os cálculos de área sob a curva normal que transformam uma distribuição em probabilidade, são as mesmas ideias de integração do cálculo, aplicadas a dados.

Quando você pratica estatística no Math Zen, os problemas evoluem das medidas descritivas (calcular e comparar médias, medianas e desvios padrão) para a leitura de distribuições e o raciocínio sobre amostras. Resolvê-los na mão, em vez de deixar a calculadora cuspir um número, é o que constrói o instinto de fazer a pergunta certa: esse centro é honesto, essa dispersão é pequena o bastante para confiar, essa correlação está mesmo dizendo alguma coisa? Misturar esses tipos de problema ao longo do tempo, usando a repetição espaçada embutida no fluxo de prática, é o que faz a intuição grudar em vez de sumir depois da prova.

O Que Levar Daqui

Estatística são dois trabalhos: descrever os dados que você tem e inferir sobre os dados que você não tem. Descrever precisa de três números, um centro (média ou mediana, e a escolha importa quando os dados são assimétricos), uma dispersão (o desvio padrão, a distância típica até o centro) e um formato (muitas vezes a curva normal). Inferir precisa de uma amostra que seja representativa primeiro e grande depois, além de uma margem de erro honesta.

Da próxima vez que você vir uma estatística, não leia apenas o número. Pergunte: média ou mediana? Quanta dispersão? Quem estava na amostra? Correlação ou causa? Essas quatro perguntas transformam a estatística de um muro de fórmulas em uma ferramenta para não ser enganado.