Livro da USP ensina estatística com simulação e dados reais

Você já tentou explicar pra alguém por que a chance de duas pessoas, num grupo de só 23, fazerem aniversário no mesmo dia é de 50%? A maioria acha impossível. Recentemente, Francisco Rodrigues, professor do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, lançou o livro Probabilidade e Estatística: Teoria, Simulação e Dados, resultado de dez anos ensinando processos estocásticos pra alunos de áreas aplicadas. Um processo estocástico é um modelo matemático que descreve como uma variável aleatória evolui ao longo do tempo, como o número de casos de uma epidemia dia após dia. Se você pesquisa em qualquer área que lida com dados, entender essa base muda a forma como você lê incerteza, risco e os próprios resultados que aparecem na sua tela todos os dias.

O que aconteceu

Depois de uma década na disciplina de Processos Estocásticos, que Rodrigues descreve como tendo alto índice de reprovação, ele decidiu escrever o próprio material. A aposta foi unir a teoria matemática com simulação computacional, deixando o aluno “botar a mão na massa” em vez de só decorar fórmula.

O livro também carrega uma camada histórica pouco explorada em estatística. Rodrigues lembra que, em física, todo estudante conhece Newton, Einstein, Galileu. Em estatística, os nomes por trás da teoria das probabilidades são muito menos conhecidos, embora as histórias sejam tão curiosas quanto. Um exemplo: Girolamo Cardano, um dos pioneiros do campo, se dedicou ao estudo da aleatoriedade porque o pai se recusou a financiar seus estudos de medicina, e ele passou a aprimorar estratégias de aposta para pagar a própria formação.

A origem da teoria das probabilidades remonta ao século 17, numa troca de cartas entre Pierre de Fermat e Blaise Pascal sobre jogos de azar. Dali nasceram os fundamentos que, séculos depois, sustentariam a estatística moderna.

Por que isso importa pra você

Se você trabalha com dados em qualquer nível (análise de resultado de pesquisa, leitura de indicador, avaliação de risco), entender probabilidade não é luxo acadêmico. É ferramenta de leitura de mundo. Como o próprio Rodrigues resume: “sem compreender conceitos básicos de probabilidade, navegamos pelo mundo sem um mapa”.

O livro pode interessar de formas diferentes dependendo de onde você está na pós:

1. Se você está cursando disciplina de estatística ou processos estocásticos agora, o material combina teoria com simulação computacional e traz solucionário completo, o que ajuda a entender o raciocínio por trás da resposta, não só o resultado.
2. Se você trabalha com aprendizado de máquina ou IA na sua pesquisa, vale conhecer a base: o livro percorre desde conceitos básicos de probabilidade até inferência estatística e aprendizado de máquina, a mesma estrutura que sustenta grandes modelos de linguagem.
3. Se você dá aula ou orienta em disciplina quantitativa, o formato (teoria + simulação + contexto histórico) é um modelo pedagógico replicável, mesmo que você não use o livro específico.

O que a IA tem a ver com isso

Aqui está o ponto que mais me chamou atenção na notícia: grandes modelos de linguagem, como o ChatGPT, fazem uma coisa relativamente simples no fundo, calculam a probabilidade da próxima palavra numa sequência. É essa sucessão de previsões estatísticas que cria a impressão de inteligência.

Isso não diminui o que essas ferramentas fazem, mas explica por que enxergar IA como “mágica” te deixa mais vulnerável a confiar nela do jeito errado. Quando você entende que o modelo está calculando chance, não “pensando” no sentido humano, fica mais fácil calibrar onde confiar no resultado e onde checar com mais cuidado.

Rodrigues também traz um exemplo que ilustra bem os limites da intuição frente ao cálculo: a mecânica quântica, quando formulada por Niels Bohr e Werner Heisenberg, propôs que a probabilidade é característica fundamental da natureza, não só desconhecimento nosso sobre os fatores envolvidos. Einstein resistiu a essa ideia até o fim da vida, com sua célebre frase “Deus não joga dados”. Se até Einstein teve dificuldade de aceitar um resultado estatístico contraintuitivo, vale ter paciência com a própria curva de aprendizado.

Próximos passos

Se esse assunto te interessou, aqui vão algumas ações concretas:

1. Se você está cursando ou vai cursar estatística, procure materiais que combinem teoria com simulação computacional, é o formato que Rodrigues descreve como mais eficaz para fixar raciocínio probabilístico.
2. Revise, na sua própria pesquisa, onde você usa (ou deveria usar) inferência estatística com mais rigor, principalmente se seus dados alimentam algum modelo de aprendizado de máquina.
3. Se você orienta, considere incorporar contexto histórico nas aulas de métodos quantitativos: entender de onde vêm os conceitos ajuda a desmistificar o campo.
4. Mais informações sobre o livro podem ser obtidas diretamente com o autor pelo e-mail francisco@icmc.usp.br.

Entender estatística, no fim das contas, é entender como confiar (ou desconfiar) dos números que chegam até você, inclusive os que vêm de uma IA. Se você quer se aprofundar em como usar essas ferramentas com mais critério na sua pesquisa, veja IA na pesquisa: o Brasil está discutindo agentes de ciência?.

Fonte: Para entender estatística e probabilidade – do básico à construção das inteligências artificiais, Jornal da USP