Oficinas em
Ciência de Dados
Introdução à Inferência Estatística,
Intervalos de Confiança, Testes de Hipóteses,
ANOVA e Hands-on
Agenda do Dia
- Introdução (25min)
- População vs Amostra, Teorema Central do Limite
- Intervalos de Confiança (30min)
- Testes de Hipóteses (35min)
- Pausa (10min)
- ANOVA e Comparações Múltiplas (30min)
- Hands-on: Análise Estatística Completa (1h20)
Probabilidade: A Base da Incerteza
- Probabilidade: Medida da incerteza sobre um evento
- Varia de 0 a 1 (ou 0% a 100%)
- 0 = Impossível
- 1 = Certeza absoluta
- Exemplo: Qual a probabilidade de um pinguim pescar peixe hoje?
- Depende de fatores: clima, disponibilidade de peixes, saúde do pinguim
O Mundo é Incerto
Pesquisa sobre Pinguins de Palmer (342 pinguins com dados de massa corporal)
Qual é a massa corporal média dos pinguins de Palmer?
Impossível pesar todos os pinguins da região
Observar alguns e inferir sobre toda a população
O Dilema Central
| Massa corporal média de todos os pinguins de Palmer |
342 pinguins observados (2007-2009) |
| Diferenças entre todas as espécies na população |
3 espécies: Adelie, Chinstrap, Gentoo |
| Características de toda a colônia regional |
3 ilhas: Biscoe, Dream, Torgersen |
Como ir de 342 observações para conclusões sobre milhares de pinguins?
Parâmetro vs Estatística
- Parâmetro: Valor fixo da população (desconhecido)
- Estatística: Valor calculado da amostra (observável)
Construindo Intervalos de Confiança
O Problema da Estimativa Pontual
Resultado da pesquisa: “Massa corporal média é 4,2kg”
Problemas:
- Quão confiável é esse valor?
- Qual a margem de erro?
- Se repetirmos, será 4,2kg novamente?
A Necessidade do Intervalo
Se repetirmos o experimento várias vezes, não temos garantia de obter 4,2kg novamente…
O que é um Intervalo de Confiança?
Definição formal: Uma faixa de valores que, com determinada probabilidade, contém o parâmetro populacional.
Em português simples: Nossa “margem de erro” em torno da estimativa.
Interpretação
“Se repetirmos o experimento (amostrar pinguins) várias vezes, 95% dos intervalos calculados conterão a média populacional verdadeira”
A Analogia dos 100 Estudos (Simulação)
Fatores que Influenciam o IC
1. Tamanho da Amostra (n)
Variância da média = \(\frac{\sigma^2}{\sqrt{n}}\)
Maior n → Menor incerteza → Intervalo mais preciso
Fatores que Influenciam o IC
2. Nível de Confiança
IC para Média
Distribuição t com n-1 graus de liberdade (n=342)
Pergunta: Qual é a massa corporal média dos pinguins?
IC para Proporção
Distribuição Normal para grandes amostras (n=333)
Pergunta: Qual é a proporção de pinguins machos na população?
IC para Diferença de Médias
Distribuição t para diferença de médias independentes
Pergunta: Pinguins machos são mais pesados que fêmeas?
Testando Hipóteses na Prática
A Conexão Natural
Pergunta: A massa corporal média dos pinguins é igual a 4kg?
Nossa evidência: IC 95% = [4,12kg, 4,29kg]
Resposta:
Como 4kg não está no intervalo, com 95% de confiança,
a massa não é igual a 4kg
Esta é a essência dos testes de hipóteses!
Escolhendo as Hipóteses
Dicas práticas:
- \(H_0\) sempre contém igualdade (=, \(\leq\), \(\geq\))
- \(H_1\) é o que você suspeita ser verdade
- \(H_0\) deve ser específica (valor numérico)
- \(H_1\) pode ser bilateral (\(\neq\)) ou unilateral (<, >)
Escolhendo o Nível de Significância
\(\alpha\) (alfa): Probabilidade máxima de Erro Tipo I que aceitamos
Valores comuns:
- \(\alpha = 0.05\) (5%): Padrão em ciências biológicas
- \(\alpha = 0.01\) (1%): Quando queremos mais rigor
- \(\alpha = 0.10\) (10%): Em estudos exploratórios
Como escolher: Depende do custo de cometer Erro Tipo I
Tipos de Erro em Detalhes
| Não rejeitar H₀ |
✅ Decisão correta |
❌ Erro Tipo II (β) |
| Rejeitar H₀ |
❌ Erro Tipo I (α) |
✅ Decisão correta |
- Erro Tipo I: “Alarme falso” - encontrar efeito que não existe
- Erro Tipo II: “Perder efeito” - não detectar efeito que existe
- Poder = 1-β: Probabilidade de detectar efeito quando existe
Equivalência IC ↔︎ Teste de Hipóteses
IC 95% não contém valor → Teste rejeita \(H_0\) com \(\alpha = 0.05\)
Vantagem do IC:
- Mais informativo (mostra a faixa)
- Mais intuitivo (visualização)
Vantagem do Teste:
- Mais direto (um único valor)
- Mais preciso (p-valor quantifica evidência)
Testando Hipóteses na Prática
O Método Científico Estatístico
- Formulação: \(H_0\) vs \(H_1\)
- Coleta: Amostra e estatística de teste
- Cálculo: p-valor
- Decisão: Rejeitar ou não \(H_0\)
- Conclusão: Interpretação no contexto
P-valor: O Conceito Central
Hipóteses:
- \(H_0\): \(\mu = 4,1kg\)
- \(H_1\): \(\mu \neq 4,1kg\)
α = 0,05
Como p = 0,021 < 0,05, rejeitamos \(H_0\)
P-valor: Probabilidade de observar resultado tão extremo, assumindo \(H_0\) verdadeira
Interpretação do P-valor
- p < 0.05: Evidência forte contra \(H_0\)
- p < 0.01: Evidência muito forte contra \(H_0\)
- p < 0.001: Evidência extremamente forte contra \(H_0\)
- p ≥ 0.05: Evidência insuficiente contra \(H_0\)
Importante: p-valor NÃO é a probabilidade de \(H_0\) ser verdadeira
Erros em Testes de Hipóteses
| Não rejeitar \(H_0\) |
✅ Decisão correta |
❌ Erro Tipo II (\(\beta\)) |
| Rejeitar \(H_0\) |
❌ Erro Tipo I (\(\alpha\)) |
✅ Decisão correta |
Poder do Teste
Poder = \(1-\beta\) = Probabilidade de detectar efeito quando ele existe
Fatores que aumentam o poder:
- ↑ Tamanho da amostra
- ↑ Tamanho do efeito
- ↑ Nível de significância (\(\alpha\))
- ↓ Variabilidade
Paramétricos vs Não-Paramétricos
Testes Paramétricos:
- Assumem distribuição específica
- Mais poderosos quando pressupostos atendem
- Exemplos: t-test, ANOVA, correlação de Pearson
Testes Não-Paramétricos:
- Poucos pressupostos sobre distribuição
- Mais robustos a violações
- Exemplos: Mann-Whitney, Wilcoxon, Spearman
Exemplos de Pressupostos
Principais pressupostos em testes paramétricos:
- Normalidade: Dados* seguem distribuição normal
- Homogeneidade de variâncias: Variâncias iguais entre grupos
- Independência: Observações são independentes
- Aleatoriedade: Amostra aleatória da população
Verificando Pressupostos na Prática
- Jarque-Bera p = 0.237 > 0.05: Resíduos seguem distribuição normal ✓
- Levene p = 0.034 < 0.05: Variâncias heterogêneas entre grupos ✗
Catálogo de Testes Estatísticos
Comparando Múltiplos Grupos
O Problema dos Testes Múltiplos
Cenário: Comparar 3 espécies (Adelie, Chinstrap, Gentoo)
Opção ingênua: 3 testes de Média (t)
- Adelie vs Chinstrap
- Adelie vs Gentoo
- Chinstrap vs Gentoo
Problema: Inflação do erro Tipo I
A Solução
- \(H_0\): \(\mu_1 = \mu_2 = \mu_3\) (todas as médias são iguais)
- \(H_1\): Pelo menos uma média é diferente
Paramétrico:
Não-paramétrico:
O que obtemos na prática
| Fonte |
SQ |
gl |
QM |
F |
p-valor |
| Entre grupos |
152 |
2 |
76 |
387.9 |
0.000000 |
| Dentro dos grupos |
66 |
339 |
0 |
|
|
| Total |
218 |
341 |
|
|
|
Kruskal-Wallis p-valor: 0.000000
Interpretação: Embora tenham muitos números na tabela, só importa o valor-p
Interpretando o Teste
- \(H_0\): \(\mu_1=\mu_2=\mu_3\) (todas as médias são iguais)
- \(H_1\): Pelo menos uma média é diferente
Se p < 0.05 (ANOVA ou Kruskal-Wallis):
- Rejeitamos \(H_0\), i.e, pelo menos um grupo é diferente dos outros
Mas os testes não dizem:
- Qual grupo é diferente?
- Quantos grupos diferem?
- Quão grande é a diferença?
O Problema das Múltiplas Comparações
ANOVA significativa → Precisa identificar quais grupos diferem
Solução: Testes Post Hoc
- Ajustam para múltiplas comparações
- Controlam erro Tipo I
Teste de Tukey HSD
Honest Significant Difference
Alternativa Não-Paramétrica: Dunn Test
Quando usar: Após Kruskal-Wallis significativo
Lógica: Comparações múltiplas baseadas em postos
Vantagem: Não assume normalidade
Implementação:
- Comparações pareadas de Mann-Whitney
- Correção para múltiplas comparações
- Alternativa robusta ao Tukey HSD
Comparando 2+ Fatores
Exemplo: Massa corporal por espécie + sexo
Passo a Passo da Análise
- Definir a pergunta de pesquisa
- Formular hipóteses (H₀ vs H₁)
- Verificar pressupostos
- Escolher o teste apropriado
- Calcular estatística e p-valor
- Tomar decisão
- Interpretar no contexto
Como Comunicar Resultados
Template de Comunicação
Contexto → Método → Resultado → Interpretação → Limitações
Exemplo de Comunicação
“Para investigar diferenças entre espécies de pinguins de Palmer (contexto), analisamos dados de massa corporal de 342 indivíduos de três espécies coletados entre 2007-2009 (método). Encontramos diferenças significativas entre espécies (p < 0.001, ANOVA), com Gentoo sendo mais pesados que Adelie e Chinstrap (resultado). Isso indica variação adaptativa relacionada ao nicho ecológico, com Gentoo apresentando massa 37% maior que Adelie (interpretação). Considerações sazonais e variabilidade anual requerem estudos adicionais (limitações).”
Pausa de 10 minutos
Link do Notebook para o Hands-on
