Estatística descritiva para PMs - Parte 1

Entender estatística descritiva certamente irá te dar uma grande vantagem em análise de dados em seu dia a dia como PM. Não é intenção desse texto o aprofundamento em termos avançados matemáticos, mas trarei alguns conceitos que me ajudaram a enxergar mais sentido nas análises.

Como o próprio nome diz, a estatística descritiva permite descrever um conjunto de dados de uma forma que nos faça sentido. 

Imagine que você está trabalhando em uma empresa que fornece dados sobre o meio ambiente para o governo brasileiro e tem em mãos o desafio de fornecer para as agências do meio ambiente uma análise histórica sobre a temperatura de todas as capitais brasileiras.

Você então resolve começar por São Paulo, buscando os dados das temperaturas diárias da grande metrópole para os últimos 20 anos, ou seja, as últimas 7200 temperaturas diárias. Você precisa responder, basicamente, se a temperatura tem subido historicamente e em quais regiões essa subida é mais acentuada.

Se você for analisar temperatura a temperatura (ponto a ponto do conjunto), como você chegará a uma conclusão? Na trigésima temperatura é bem provável que você já não lembre muito bem das primeiras. Está claro que você precisa de uma ferramenta matemática que te ajude a descrever esse conjunto de temperaturas de uma forma que seja mais simples de identificar os padrões que você quer achar.

A estatística descritiva é de fato a ferramenta que você está precisando. É claro que para pequenos conjuntos de dados você irá conseguir realizar essa análise sem ter que utilizar estatística, mas no mundo conectado que a gente vive, onde tudo vira dado, os conjuntos de dados dificilmente serão pequenos e os que forem, dificilmente serão úteis.

Sendo assim, a estatística descritiva é ferramenta fundamental na vida de qualquer profissional que precisa analisar grandes conjuntos de dados para extrair informações e padrões e assim, conseguir contar uma história que faça sentido.

Para o nosso exemplo, poderíamos calcular a média anual da temperatura em São Paulo para os últimos 20 anos e então traçar um gráfico de linha com as médias anuais que encontraríamos a tendência que estávamos buscando.

Você certamente já calculou a média de algum conjunto e, provavelmente, também sabe que a média pode ter alguns problemas para descrever o seu conjunto de dados. Quem nunca ouviu a história de homens num bar com um salário mediano e de repente, chega um bilionário lá.

O fato é, saber estatística descritiva, eu diria que com um bom entendimento (claro, não precisa ser um estatístico) vai te ajudar muito no seu dia a dia como PM, principalmente se você trabalhar numa empresa em que fazer análises para tomada de decisão é coisa da mais básica.

Nessa série de textos, abordarei desde o básico até alguns conceitos mais avançados em estatística descritiva, depois passarei para um pouco de probabilidade e alguns outros conceitos matemáticos que tenho certeza que irá te ajudar a ter uma carreira de produto mais sólida.

Comecemos, então, pelo mais básico dos conceitos: conjuntos de dados e a maneira como eles podem estar distribuídos. Vamos lá?

Distribuição de dados

Certamente, se você estudou um pouco de matemática ou estatística, já deve ter ouvido falar em tipos de distribuição de dados, muito provavelmente, da distribuição normal. Distribuição de dados é exatamente o que o nome diz, é como um conjunto de dados está matematicamente distribuído.

Na matemática temos o conceito de curvas, que nos ajudam a entender como um conjunto de dados se "materializa" no mundo real. Como sempre, um amontoado de dados não serve para muita coisa se não conseguimos entender o que eles significam. As curvas matemáticas nos ajudam nessa tarefa.

Um conjunto de dados com uma distribuição normal, é aquele onde os pontos são simetricamente distribuídos em relação à média. Então, antes de falarmos com mais detalhes sobre a distribuição normal, falemos sobre as medidas de tendência central, sendo a média uma delas.

Medidas de tendência central

Quando medimos algo no tempo, temos um conjunto de dados, que por sua vez, estão distribuídos aleatoriamente em relação às medições que foram feitas. Dados desorganizados não são muito úteis, exceto se estivermos querendo analisar dado a dado, o que se mostra inviável em grandes conjuntos de dados.

No geral, estamos tentando encontrar tendências no meio desses dados desorganizados para que a gente consiga entendê-los melhor e então, conseguir extrair informações que ajudam em nossa tomada de decisão.

As medidas de tendência central, incluindo a média, mediana e moda, são estatísticas sumárias que nos ajudam a compreender um conjunto de dados ao identificar um valor central ao redor do qual os dados tendem a se agrupar, daí o nome de medidas de tendência central.

Elas não alteram ou organizam os dados propriamente, mas fornecem um ponto de referência que resume a distribuição dos dados em torno do centro onde está a maior parte da sua distribuição. 

Por exemplo, a média aritmética de um conjunto de números é calculada somando todos os valores e dividindo pelo número de valores, oferecendo uma visão do 'centro' do conjunto em termos de uma média aritmética. Este 'centro' ajuda a entender a tendência geral dos dados, mas não implica qualquer rearranjo ou centralização física dos dados em si."

Essencialmente, as medidas de tendência central são ferramentas analíticas para resumir e descrever conjuntos de dados; elas não organizam ou modificam os dados, mas sim fornecem uma maneira de interpretá-los identificando um valor que é central de acordo com diferentes critérios matemáticos.

Vamos, então, adentrar em cada uma das principais medidas de tendências centrais.

Média

É a soma de todos os elementos, dividida pelo número de elementos.

Apesar de ser conhecida como uma medida de tendência central de um conjunto de dados, ela não necessariamente indica um elemento central no conjunto, mas ela sempre vai indicar uma tendência do conjunto. A média pode ser vista como uma representação uniforme de um conjunto analisado, ou seja, é como se representássemos o conjunto todo através dessa medida.

É por isso que a média pode ser tão perigosa, pois o comportamento de dispersão do conjunto pode não ser representado inteiramente pela média caso haja um grande intervalo entre o menor e o maior elemento do conjunto, ou seja, uma grande variabilidade.

Por exemplo:

Consideremos um conjunto de dados que representa os salários (em milhares de reais) de um grupo de pessoas: [30, 35, 40, 45, 50, 55, 60, 65, 70, 1000]. A maioria dos salários está concentrada entre 30 e 70 mil dólares, mas há um salário extremamente alto de 1000 mil dólares.

Se calculássemos a média desses salários, ela seria influenciada de forma desproporcional pelo valor extremamente alto, levando a uma média que não reflete adequadamente a realidade da maioria dos salários no grupo.

Vamos calcular a média para ilustrar:

A média salarial, de acordo com esse cálculo, seria 145 mil dólares, o que sugere, erroneamente, que o salário típico no grupo é muito mais alto do que é para a maioria das pessoas. 

Neste caso, a mediana, que é o valor médio do conjunto de dados quando ordenado, seria uma representação mais precisa da tendência central, minimizando o efeito de valores extremos.

Mediana

Em um conjunto de dados ordenado do menor para o maior, a mediana é encontrada identificando o valor central. Para um número ímpar de elementos, a mediana é o valor que divide o conjunto exatamente ao meio. Para um número par de elementos, é a média dos dois valores centrais. Diferente da média, a mediana divide os dados de tal maneira que 50% dos valores são iguais ou menores que ela, e os outros 50% são iguais ou maiores.

A mediana é útil para compreender a centralidade dos dados, especialmente em presença de valores extremos que podem distorcer a média. Ela indica a dispersão dos dados em torno do centro, e uma grande diferença entre média e mediana pode sinalizar uma dispersão significativa.

Por exemplo, numa empresa de delivery, se a mediana do preço dos pedidos é R$100, isso significa que metade dos pedidos custa R$100 ou menos, e a outra metade custa mais que R$100. Essa informação pode ser um indicador do poder de compra de seus clientes, mas deve ser interpretada com cautela e considerando outras variáveis para evitar conclusões precipitadas. 

No exemplo acima, não dá para você assumir que clientes de alto ticket usam o aplicativo, porque simplesmente pode ser que o último valor do seu conjunto de dados seja R$105. É claro, é difícil de acontecer, mas não é impossível. Isso é para mostrar que a mediana pode, também, ser perigosa para a tomada de conclusões.

Moda

A moda é também uma medida de tendência central que representa o valor mais frequente em um conjunto de dados. Em outras palavras, é o valor que aparece com maior frequência. Ao contrário da média, que calcula o valor médio de todos os dados, e da mediana, que representa o valor do meio quando os dados são organizados em ordem crescente ou decrescente, a moda destaca o elemento mais comum.

Apesar de ser comumente chamada de medida de tendência central, é importante notar que a moda não necessariamente indica o elemento central do conjunto de dados. Por exemplo, em um conjunto de dados {1, 2, 2, 3, 4}, a moda é 2, embora o valor do meio seja 2. A moda representa a frequência com que um determinado valor ocorre, sendo útil para identificar padrões de comportamento nos dados.

Seguindo o nosso exemplo, imagine uma empresa de delivery de comida que deseja entender os hábitos de consumo de seus clientes. Ao calcular a moda dos valores dos cupons de desconto utilizados com mais frequência, a empresa pode identificar quais são os valores mais populares entre os clientes. Isso permite ajustar estratégias de marketing e promoções para melhor atender às preferências dos consumidores.

Portanto, ao usar a moda, estamos interessados em encontrar os valores mais recorrentes em nosso conjunto de dados, o que nos ajuda a compreender padrões de comportamento e tomar decisões informadas com base nessas informações.

Sim, não faz muito sentido ser chamada de medida de tendência central, já que esse conceito, quando lido, na hora pensamos em encontrar o centro de algo. Mas nas explicações que busquei sobre o assunto, encontrar o elemento mais presente também é uma maneira de mostrar uma concentração específica de um conjunto.

Bom, essa primeira parte já está ficando grande e sei, que até aqui só temos o básico, mas no próximo texto, começarei a falar de conceitos mais avançados, como variância, desvio padrão e percentis.

Até o próximo!