Suponha que uma moeda seja lançada cem vezes e que, em sessenta delas, dê a mesma face. Há quem ache que ela tem algum problema; há quem considere apenas uma flutuação comum.
Os dois julgamentos podem ser defendidos com bastante segurança. A dificuldade real está em explicar a própria base: se a moeda é justa, quão raro é esse resultado? O modo de lançar é estável? Se mudássemos o conjunto de observações, como a proporção variaria?
O MATH003 do EvoClass, Probabilidade e Estatística: A Ciência da Incerteza, é um curso de nível introdutório universitário, atualmente com onze aulas, cuja descrição exige um ano de cálculo como base. Ele conecta modelos probabilísticos, variáveis aleatórias, distribuições amostrais e inferência estatística, ajudando o estudante a transformar o que "parece incomum" em uma questão que se pode discutir e testar.
Antes de julgar o acaso, diga o que varia aleatoriamente
Dizer "a probabilidade é metade" exige, por trás, um experimento e um evento bem definidos. Qual face se observa? Como se lança a moeda? Os resultados sucessivos podem ser tratados como independentes? Se essas condições forem vagas, os cálculos seguintes podem estar respondendo a outra pergunta.
A Aula 1: Fundamentos de modelos probabilísticos parte da intuição para chegar a espaço amostral, eventos, probabilidade condicional e independência.
O problema das cartas de duas cores, apresentado no material do curso, é especialmente útil para lembrar que, após obter uma nova informação, as possibilidades restantes não são necessariamente equiprováveis. A intuição logo as reduz a algumas opções, mas o modelo exige continuar perguntando como cada uma delas teria sido observada.
É nesse ponto que reside o valor da linguagem probabilística. Ela faz com que os dois lados alinhem primeiro o objeto da discussão e só então comparem seus raciocínios, em vez de apenas alternarem entre "eu acho que".
O número calculado a partir de uma amostra também varia
Sessenta caras é o resultado deste conjunto de cem lançamentos. Se repetíssemos os cem lançamentos, o resultado normalmente não se repetiria igual. Estatísticas como a proporção amostral e a média amostral também mudam conforme a amostra.
Na Aula 4: Distribuições amostrais e teoremas-limite, o curso analisa a própria estatística como variável aleatória e discute a lei dos grandes números, o teorema central do limite, o erro e o tamanho da amostra.
Assim, a pergunta começa a mudar de "qual é a proporção desta vez" para "sob este modelo, como essa proporção pode variar". Só então um resultado isolado ganha um contexto com o qual ser comparado.
Aumentar o tamanho da amostra costuma reduzir o erro aleatório, mas ainda é preciso examinar o processo de amostragem. Se os objetos observados sempre pendem para uma certa categoria, mais registros podem apenas repetir o viés de forma mais estável.
Passar dos dados à conclusão exige explicitar o método de inferência
Os modelos probabilísticos ajudam a discutir os dados que podem surgir; a inferência estatística parte dos dados já observados para investigar mecanismos ou parâmetros desconhecidos.
A Aula 5: Fundamentos de inferência estatística relaciona amostra, modelo e inferência. O exercício aqui é distinguir o que vem da observação do que depende de suposições adicionais.
Seguindo para a Aula 7: Inferência estatística bayesiana, prior, verossimilhança e posterior dão uma forma explícita de expressar "como atualizar o julgamento após ver novos dados". O julgamento atualizado depende tanto dos dados observados quanto do prior adotado, e, ao estudar, também é preciso verificar o impacto dessas escolhas.
Métodos de inferência diferentes têm condições e interpretações próprias. Compreender essas condições ajuda mais do que tratar um número como veredicto final. As sessenta caras do exemplo da moeda, por si só, ainda não nos permitem apresentar uma análise completa.
Depois da precisão do cálculo, verifique se o modelo é adequado
Se parte dos testes foi feita com dispositivos diferentes, ou se o modo de lançar mudou no meio do caminho, tratar todos os registros como um único processo estável precisa ser reconsiderado.
A Aula 9: Verificação e diagnóstico de modelos desloca a atenção da estimativa de parâmetros para a verificação do modelo. Temas como resíduos, checagem de ajuste e validação cruzada ajudam o estudante a procurar diferenças ainda não explicadas entre as suposições e os dados.
Vale propor a si mesmo um pequeno exercício: primeiro escrever como os dados foram gerados, depois explicar qual modelo se pretende usar e, por fim, listar quais observações fariam duvidar desse modelo. Mesmo sem fazer cálculos complexos por enquanto, esses três passos tornam um julgamento mais claro.
O cenário da moeda neste texto não apresenta uma conclusão experimental; ele serve como ponto de partida para esse caminho de raciocínio. Na página do curso MATH003, é possível aprofundar-se em probabilidade, amostragem e inferência.
Quando um resultado chama especialmente a atenção, vale olhar mais um passo: sob quais condições ele apareceu? Como pode variar? Quais explicações ainda não foram descartadas? A compreensão da incerteza começa nessas perguntas.
Este artigo foi elaborado com base na descrição atual dos cursos e no material didático do EvoClass; os links das aulas apontam para materiais em inglês. Os dados da moeda são um exemplo didático hipotético, sem experimento realizado nem teste de hipóteses conduzido a partir dele; o curso envolve cálculo e é adequado para estudo progressivo em nível universitário.