Estudo e Pesquisa

As informações coletadas em uma pesquisa ou um estudo, chamadas dados, são inicialmente resumidas em números, organizadas em tabelas e gráficos e utilizadas para descrever uma característica em estudo. Para tanto, precisamos conhecer como tais dados foram coletados e o tipo de dados que vamos analisar.

A atuação de um profissional de Estatística deve começar no planejamento de uma pesquisa. Entre as várias definições encontradas na literatura, podemos dizer que a pesquisa é uma atividade voltada para a solução de problemas, através do emprego de processos científicos.

Existem vários tipos e modalidades de pesquisa. Resumidamente, tem-se a pesquisa de campo (observação dos fatos tal como ocorrem), a experimental (algumas condições são fixadas para verificar possíveis mudanças em desfechos de interesse) e a bibliográfica (recuperar e difundir o conhecimento científico). O primeiro tipo envolve o uso de técnicas de obtenção e análise de uma amostra representativa da população sob estudo e, bem como a experimentação envolve o planejamento dos ensaios com o objetivo de responder questões relevantes aos pesquisadores. As pesquisas também diferem quanto aos objetivos, à forma de abordagem e etapas para análises das informações. Para mais detalhes, ver, por exemplo, Rodrigues (⊕2007Rodrigues, W. C. 2007. «Metodologia Científica». http://www.ebras.bio.br.).

Como exemplo de pesquisa de campo, considere uma empresa de software interessada em conhecer a opinião dos usuários em relação ao desempenho, facilidade, satisfação e aceitação deste software. Neste caso, o planejamento deve envolver uma técnica para seleção da amostra de usuários (programadores, estudantes, etc.), a construção de um questionário, contendo perguntas que permitem atingir o objetivo da pesquisa e a determinação do número de respondentes deste questionário. No caso da pesquisa experimental, um exemplo pode ser uma indústria que deseja identificar, entre seus produtos, quais são mais lucrativos e a região que apresenta maior venda. Neste caso, fixa-se os tipos de produtos e regiões de estudo e verifica-se o desfecho na lucratividade.

População e Amostra

Em um estudo ou pesquisa precisamos, inicialmente, definir os elementos a serem coletados e os que, de fato, podem ser coletados.

Por diversas razões, como custo, viabilidade ou tempo de execução, torna-se inviável coletar informações sobre todos os elementos que englobam um estudo ou pesquisa.

Ilustração dos conceitos de população e amostra.

Chamamos de população o conjunto com todos os elementos (unidades amostrais) que possuem a característica sob estudo. Amostra é uma parte da população para a qual há (ou planeja-se ter) informação. A Figura 1 ilustra o conceito de população e amostra.

Na prática, muitas vezes estamos lidando com uma amostra, pois raramente se tem acesso a todos os dados dos elementos que englobam o estudo. Por exemplo, mesmo em uma instuição financeira que armazena continuamente informações relevantes de seus clientes, o conceito de amostra está presente. Estes dados podem ser pensados, de uma forma geral, como uma parcela da população global de clientes desta instituição.

Mesmo que raro, um estudo que considera dados de todos os elementos de uma população é chamado de censo.

Chamamos de variável a característica a ser estudada (que pode ser medida ou simplesmente observada). A resposta varia de uma unidade para outra, isto é, a característica pode assumir diferentes valores para as diferentes unidades amostrais. Desta forma, a característica estudada é chamada de variável. Também, dependendo da forma de coleta da informação, essa característica pode ser um número ou uma categoria (nome ou palavra). Por exemplo, a variável idade pode ser coletada em anos (número) ou em faixas etárias (categoria).

Assim, a análise estatística está balizada pela classificação de variáveis, ou seja, pode diferir para cada tipo de classificação.

Tipos de variáveis e escala de medidas

As variáveis podem ser classificadas em dois grupos: qualitativas e quantitativas. É importante destacar que o tipo de resposta (numérica ou não) deve ser definido antes de iniciar a obtenção dos dados.

As variáveis qualitativas ou categóricas são classificadas em:

Ilustração dos tipos de variáveis.

• nominais: classes exclusivas (as respostas ou classes não tem relação). Exemplos: sistemas operacionais (Windows, Linux e macOS); tipos de conexão (cabo, rádio, satélite, entre outros); sexo (masculino e feminino) e situação de pacientes (internado, não internado).

• ordinais: categorias exclusivas ordenadas (aqui as classes ou respostas tem algum tipo de relação). Exemplos: qualidade do serviço (baixa, média, alta); serviço de atendimento ao cliente (ruim, bom, ótimo); escolaridade (ensino fundamental, médio e superior) e estado do paciente (grave, em recuperação, curado).

As variáveis quantitativas ou numéricas são classificadas em:

• discretas: respostas obtidas, geralmente, por contagens. Exemplos: número de erros em um programa; número de clientes atendidos diariamente no sistema de atendimento ao consumidor e idade mensurada em anos.

• contínuas: respostas obtidas, geralmente, por medições. Exemplos: tempo de compilação de um programa; tempo de atendimento de um operador de telemarketing; peso em quilos e altura em metros.

A Figura 2 exibe esquematicamente os tipos de variável.

Uma relação direta com os diferentes tipos de dados é a chamada escala de mensuração, com basicamente 4 níveis: nominal, ordinal, intervalar e de razão.

• nominal ou classificatória: consiste em pelo menos duas categorias nas quais as respostas são classificadas. Neste tipo de escala, as categorias são diferentes uma das outras e não podem ser hierarquizadas ou comparadas. Este é o nível de mensuração mais fraco;

• ordinal: usada quando as relações “\(>\)”, “\(<\)”  e “\(=\)”  entre as mensurações são relevantes. Aqui as respostas (números ou nomes) são ordenadas segundo algum critério ou relação, embora muitas vezes possa ser difícil quantificar a diferença entre as categorias;

• intervalar: quando a escala tem todas as características de uma escala ordinal e, além disso, as distâncias entre dois números quaisquer da escala são conhecidas. Neste tipo de medida, a razão entre dois intervalos quaisquer é independente da unidade de mensuração e do ponto zero;

• de razões: esta escala tem todas as características da escala intervalar, além de ter um ponto zero como origem. Neste tipo de medida, a razão entre dois intervalos quaisquer é independente da unidade de mensuração.

No próximo capítulo discutiremos alguns exemplos sobre classificação de variáveis e as respectivas análises. Mais detalhes sobre mensuração podem ser encontrados em Agresti e Kateri (⊕2011Agresti, Alan, e Maria Kateri. 2011. Categorical data analysis. Springer.).

A importância de uma linguagem computacional ou software surge com disponibilidade de grandes conjuntos de dados, ou facilidade de obtenção de muitas informações, por exemplo questionários aplicados por e-mail e análise aplicada à estes conjuntos. Decidimos aqui neste material pelo uso das linguagens R e Python que, além da flexibidade e gratuidade de ambas, possem várias metodologias estatísticas já implementadas.

Instalação da Linguagem R

Para instalar o R iniciamos pelo download, seguindo os passos (a) a (f) descritos a seguir:

1. acessar o site http://cran.r-project.org indicado na Figura 4;

2. selecionar o download para sistema operacional desejado como, por exemplo, Download R for Windows;

3. selecionar o link base;

4. clicar no link para download como, por exemplo, Download R-4.x.x for Windows .

5. salvar o arquivo no computador de acesso;

6. iniciar o procedimento de instalação.

Após o download do arquivo devemos executá-lo. Para uma instalação padrão, basta selecionar o idioma desejado, avançar até a tela final e concluir a instalação.

Página inicial do site do software R.

Primeiros passos em R

Nesta seção apresentamos alguns exemplos básicos de utilização do R. Todos os comandos devem ser digitados no console de programação, como mostra o item (c) da Seção . Para facilitar o estudo do leitor, antes da inserção dos comandos, inserimos o símbolo # o qual é chamado de comando para comentários, ou seja, em uma linha de comando, o que estiver depois de # o R não irá interpretar como código. Este procedimento é útil para comentar funções ou mesmo apresentar uma descrição do que está sendo realizado pelo código.

A Linguagem R também pode ser utilizada como uma simples máquina de calcular. Alguns exemplos de adição, subtração, multiplicação, divisão, módulo e potenciação são exibidos abaixo.

#Adição
2+3

## [1] 5

#Subtração
89-71

## [1] 18

#Multiplicação
6*6

## [1] 36

#Divisão

85/3

## [1] 28.33333

#Módulo
abs(-9)

## [1] 9

#Potenciação
2^8

## [1] 256

A linguagem R possui nativamente funcionalidades um pouco mais sofisticadas para cálculos matemáticos, como por exemplo para a aplicação das funções raiz quadrada, exponencial, logaritmos, trigonométricas e fatorial.

#Raiz Quadrada
sqrt(9)

## [1] 3

#Exponencial
exp(-1)

## [1] 0.3678794

#Logaritmo base 10
log10(89)

## [1] 1.94939

#Logaritmo Natural
log(89)

## [1] 4.488636

#Funções Trigonométricas
sin(9)

## [1] 0.4121185

cos(8)

## [1] -0.1455

tan(7)

## [1] 0.871448

#Fatorial
factorial(3)

## [1] 6

Instalação da Linguagem Python

1. Visite o website https://www.python.org/downloads/, indicado na Figura 6, e baixe a versão mais recente. No momento da redação deste material, a versão mais atual é a versão 3.10. A instalação é como qualquer outro software baseado em Windows.

2. Se você quiser usar o Python em linha de comando do Windows, ou seja, no Prompt de Comando, precisará definir a variável PATH adequadamente, isto é, clicar em Add Python 3.10 to PATH.

Página inicial do site da Linguagem Python.

3. Em customize install location adicione um local apropriado para a instalação e que seja de fácil recordação. Por exemplo, C:\Python310, este caminho será importante para configurações adicionais.

Primeiros passos em Python

Nesta seção apresentamos alguns exemplos básicos de utilização do Python. Em suma, são os mesmos exemplos vistos anteriormente em R, porém utilizando a sintaxe de Python. Note que, no momento, a maior diferença encontra-se na potenciação 2^8 no R e 2**8 no Python. A forma geral para inserção de comentários é a mesma do R, através do comando #.

#Adição
2+3

## 5

#Subtração
89-71

## 18

#Multiplicação
6*6

## 36

#Divisão
85/3

## 28.333333333333332

#Módulo
abs(-3)

## 3

#Potenciação
2**8

## 256

Ao contrário do R, A linguagem Python necessita da importação de uma biblioteca (uma coleção organizada de outras funcionalidades) para cálculos matemáticos um pouco mais sofisticados. Para a aplicação de funções matemáticas tais com raiz quadrada, exponencial, logaritmos, trigonométricas e fatorial é necessária a importação da biblioteca nativa math através do código import math. Assim, tais funções são chamadas internamente desta biblioteca através do comando math..

import math

## Raiz Quadrada
math.sqrt(9)

## 3.0

## Exponencial
math.exp(-1)

## 0.36787944117144233

# Logaritmo base 10
math.log10(89)

## 1.9493900066449128

# Logaritmo Natural
math.log(89)

## 4.48863636973214

#Funções Trigonométricas
math.sin(9)

## 0.4121184852417566

math.cos(8)

## -0.14550003380861354

math.tan(7)

## 0.8714479827243188

#Fatorial
math.factorial(3)

## 6

RStudio IDE

O RStudio é um Software de ambiente de desenvolvimento integrado (IDE - Integrated Development Environment) para a Linguagem R. É disponibilizado pela empresa RStudio Inc., possuindo seu módulo básico de uso gratuito e pode ser obtido através do link https://www.rstudio.com/products/rstudio/download/.

O RStudio visa facilitar a programação em R, e em outras linguagens como Python, por meio de diversas ferramentas, como painéis que o tornam mais prático e de fácil utilização. A Figura 7 exibe a Interface do RStudio, bem como indica os principais locais para sua utilização.

Página inicial do site da Linguagem Python.

1. MENU: diversas funcionalidades disponíveis através de navegação;

2. EDITOR DE CÓDIGOS: área principal para inserção dos códigos;

3. COMPILADOR: área principal para interpretação, ou compilação, dos códigos;

4. WORKSPACE, AMBIENTE E HISTÓRICO: ambiente de trabalho com informações adicionais sobre objetos disponíveis, histórico de comandos e conexões com ferramentas externas;

5. GRÁFICOS, ARQUIVOS E AJUDA: tela auxiliar para criação de gráficos, consultar arquivos, pacotes e ajuda.

Alternativamente, o Python possui diversas IDEs bastante utilizadas com Spyder, PyCharm e Atom, dentre outras. Bem como o Jupyter notebook é uma IDE utilizada para Python, R e Julia. Porém, neste material exploremos o uso do RStudio para uso das Linguagens R e Python.

Desta forma, para realizar a integração das Linguagens R e Python para RStudio é necessário a instalação do pacote (ou biblioteca) chamado reticulate (Ushey et al. ⊕2020Ushey, Kevin, JJ Allaire, Yuan Tang, Dirk Eddelbuettel, Bryan Lewis, S Keydana, R Hafen, e M Geelnard. 2020. «reticulate: Interface to Python». R package version 1: 16.). Esse pacote irá instalar uma versão básica do Python, através do r-miniconda, pelo qual possível integrar ambas linguagens. Neste caso, tornando o ambiente RStudio um local direto para utilização de R e/ou Python.

O reticulate deve ser instalado em R através do seguinte comando:

install.packages('reticulate')

Por default, a versão do Python instalada pelo r-miniconda - ou seja, o software responsável por interpretar e compilar a linguagem Python - difere da versão instalada anteriormente em nosso material. Assim, é necessário sincronizar o RStudio para a versão instalada, sendo esta mais atual. Além disso, essa sincronização será importante pois novas funcionalidades, ou bibliotecas, poderão ser instaladas em Python e, assim, teremos apenas uma única versão para tais instalações.

Para realizar essa sincronização, é necessário alterar um arquivo do R chamado .Rprofile. Para utilizamos a função edit_r_profile() do pacote usethis. Caso o pacote usethis não esteja disponível, instale-o através do comando install.packages('usethis'). Desta forma, a função abaixo irá abrir o arquivo .Rprofile para edição.

usethis::edit_r_profile() 

Basta inserir a linha abaixo com o caminho da versão do Python instalada anteriormente.

Sys.setenv(RETICULATE_PYTHON = 'C:\\Python310')

Após isso, feche e abra novamente o RStudio.

Desta forma, podemos escrever novos códigos em linguagem R através de File > New File > R Script ou podemos escrever nossos códigos em linguagem Python através de File > New File > Python Script utilizando a mesma versão do Python instalada anteriormente neste material.

Ambas as linguagens podem ser mescladas diretamente durante a confecção dos códigos, porém este tema excede a temática deste capítulo.