Introdução à Estatística Moderna, 2ª edição
(openintro-ims2.netlify.app)- O livro didático de estatística do projeto OpenIntro, Introduction to Modern Statistics, 2ª edição, está disponível gratuitamente na web
- O conteúdo do livro pode ser consultado sempre de graça na web, e o PDF pode ser obtido no Leanpub gratuitamente ou com o valor de contribuição escolhido pelo usuário
- A versão paperback em preto e branco é vendida por 25 dólares, com copyright de 2024 e data de versão de 31 de março de 2026
- Materiais complementares, incluindo slides, exercícios práticos e tutoriais interativos, também podem ser baixados gratuitamente em openintro.org/book/ims
- Este livro é uma obra derivada dos livros anteriores de estatística da OpenIntro e é distribuído sob a licença CC BY-SA 3.0 Unported United States License
Livro gratuito de estatística da OpenIntro
- Introduction to Modern Statistics, Second Edition é um livro didático de estatística de Mine Çetinkaya-Rundel e Johanna Hardin
- O livro é chamado de IMS e faz parte do projeto OpenIntro
- O site é hospedado na Netlify
Formatos de acesso e preços
- O conteúdo do livro é disponibilizado sempre gratuitamente na web
- É possível obter o PDF via Download PDF no Leanpub
- O PDF é oferecido gratuitamente ou com um valor de contribuição escolhido pelo usuário
- A edição paperback em preto e branco pode ser comprada por 25 dólares
- O copyright é de 2024 e a data da versão é 31 de março de 2026
Materiais complementares e licença
- O livro e os materiais complementares podem ser baixados gratuitamente em openintro.org/book/ims
- Os materiais complementares incluem slides, exercícios práticos e tutoriais interativos
- Este livro é uma obra derivada de OpenIntro Statistics 4th Edition e Introduction to Statistics with Randomization and Simulation 1st Edition
- A licença é Creative Commons Attribution-ShareAlike 3.0 Unported United States License
- Os detalhes da licença podem ser consultados em creativecommons.org
- Os arquivos-fonte estão no GitHub em github.com/openintrostat/ims
1 comentários
Comentários no Hacker News
Acho que a educação em estatística está passando por uma boa transformação graças à acessibilidade dos computadores
Por exemplo, introduz testes de hipóteses por randomização[1] e usa testes de permutação aleatória[2]
Quando aprendi estatística da forma tradicional, só aprendi uma lista em estilo livro de receitas, como “nesta situação, teste t; naquela, teste qui-quadrado”, sem entender por que usar esses testes ou de onde eles vinham
Para ver uma abordagem parecida em um contexto um pouco diferente, há também [3]
[1]: https://openintro-ims2.netlify.app/11-foundations-randomizat...
[2]: https://en.wikipedia.org/wiki/Permutation_test
[3]: https://inferentialthinking.com/chapters/11/1/Assessing_a_Mo...
Gosset criou o teste t e provou sua validade, mas muitas vezes os alunos são ensinados a aplicá-lo como uma caixa-preta, sem uma compreensão fundamental de por que ele funciona, o que não é bom pedagogicamente
Nesse ponto, acho que a estatística bayesiana é muito melhor. O isomorfismo de Curry-Howard que se conecta à lógica é muito profundo, e ela também pode ser introduzida com distribuições conjugadas que têm soluções analíticas em forma fechada
O que for mais complexo fica para o computador; com ferramentas como STAN, dá para lidar com distribuições complexas muito mais sofisticadas do que nos métodos frequentistas
O teste de permutação foi satisfatório porque organizou coisas que eu já conhecia da teoria das distribuições, mas não sei se teria tido o mesmo efeito se eu não soubesse nada de teoria das distribuições
Quando se estuda estatística matemática, não se aprende em estilo livro de receitas. No nível básico, aprendem-se teoria das probabilidades, teoria das distribuições e várias distribuições, e testes de hipóteses, regressão, análise de variância etc. vêm a partir daí
Já cientistas pesquisadores muitas vezes fazem cursos curtos voltados a uma área específica, como estatística para biólogos, e parecem encontrar a estatística como um conjunto de receitas
A distribuição binomial é bem concreta, então é boa para os alunos entenderem o conceito de valor p, mas depois, ao avançar para a distribuição normal, a distribuição t etc., tudo vai ficando cada vez mais abstrato e acaba virando um livro de receitas do tipo “quando usar o quê”
Valorizo e gosto das iniciativas educacionais nessa área, especialmente em forma de material didático aberto, mas realmente não gosto de ensinar estatística introdutória dessa forma geral
Espero que, com o tempo, ela se afaste do teste de significância da hipótese nula improvisado e passe a ser centrada em modelos lineares, e que use uma abordagem bayesiana como padrão
Acho que isso é possível desde o início, mesmo em cursos introdutórios, e o link abaixo serve de referência: https://lindeloev.github.io/tests-as-linear/#:~:text=Most%20...
Mas a abordagem “bayesiana por padrão” me parece ir um pouco mais para o lado da incerteza
Engenheiros de software geralmente têm essa capacidade, mas a maioria dos usuários de estatística não
Se você tentar explicar a cientistas sociais que não gostam de números nem de fórmulas a semelhança entre esses métodos lineares e algo como “tudo é uma coisa só”, há uma grande chance de deixá-los ainda mais confusos
Ainda assim, se fizerem um experimento randomizado estimando o efeito dos dois métodos com um modelo linear apropriado, por favor avisem. Seria um experimento nota 10
[1]: https://lindeloev.github.io/tests-as-linear/#41_one_sample_t...
Fico feliz em ver Mine Çetinkaya-Rundel entre os autores aqui
Muita gente deve conhecê-la por “R for Data Science” (https://r4ds.had.co.nz/), para o qual ela contribuiu, mas ela também publicou muitos artigos excelentes sobre educação em ciência de dados
É de longe uma das melhores instrutoras que já vi
Um dos meus livros favoritos sobre estatística e probabilidade é Regression and Other Stories, de Andrew Gelman, Jennifer Hill e Aki Vehtari
Dá para acessá-lo gratuitamente aqui: https://users.aalto.fi/~ave/ROS.pdf
Fico me perguntando se existe um livro pré-estatística que ensine a mentalidade e os conceitos necessários para entender estatística
Se você entender bem as ferramentas básicas da probabilidade, dá para aprender estatística com bastante facilidade
Sem esse entendimento, é bem provável que estatística pareça um conjunto de receitas
Por outro lado, se você estiver familiarizado com probabilidade, consegue formular matematicamente o problema que tem em mãos e, com um pouco de busca, encontrar as ferramentas estatísticas necessárias
Não é preciso muito além de cálculo básico
Muita gente acaba criando uma barreira mental do tipo “não sou bom em matemática” por causa de professores ruins na infância
É só se jogar que você não vai se arrepender
Ronald Fisher talvez não tenha usado bootstrap para calcular intervalos de confiança, mas boa parte do restante do plano de ensino parece ter sido praticamente criada por ele no começo dos anos 1900 :-)
Montei uma cola abrangente para estudar estatística: https://github.com/mavam/stat-cookbook
Gosto do fato de incluir randomização e bootstrap
Mas é uma pena que o framework de hipóteses ainda seja NHST. Não dá para chamar isso de “moderno” em nenhum sentido
Para ir para Bayes, seria preciso reescrever completamente a disciplina
Já vi intervalos de confiança serem propostos como alternativa, mas também há objeções a isso
Também já vi argumentos de que testes de hipótese não deveriam ser usados de forma alguma
Como o NHST ainda é amplamente usado e não há uma alternativa clara, acho que deixar de apresentá-lo aos alunos seria mais prejudicial
Fico curioso sobre quais seriam bons livros de estatística para estudo autodidata
O livro linkado é uma introdução de primeiro ano, e cumpre bem esse papel
Se quiser ir além, há muitas opções
Statistical Inference, de Casella e Berger, tem uma reputação muito boa por construir a estatística a partir dos primeiros princípios. Não vou colocar link, mas uma busca simples encontra um scan em PDF completo. Resenhas na Amazon: https://www.amazon.com/Statistical-Inference-Roger-Berger/dp...
Statistics, de Freedman, Pisani e Purves, também tem avaliações muito boas e é fácil de encontrar online. Resenhas na Amazon: https://www.amazon.com/Statistics-Fourth-David-Freedman-eboo...
A maior parte dos livros do currículo central de ciência de dados de Berkeley também está online. Não é estatística pura, mas ensina de uma forma moderna que usa computação e randomização, além de cobrir ferramentas que vale a pena aprender
Data 8: https://inferentialthinking.com/chapters/intro.html, Data 100: https://learningds.org/intro.html, Data 140: http://prob140.org/textbook/content/README.html, Data 102: https://data102.org/fa23/resources/#textbooks-from-previous-...
Não existe só o currículo de Berkeley; há dezenas, talvez centenas, de cursos online. Mas o escopo é bem amplo, e, quando pesquisei o ensino recente de ciência de dados, foi o material de Berkeley que mais li
Ele é voltado a doutorandos em áreas científicas, então o foco é “como usar estatística para testar hipóteses científicas e identificar causalidade”
Não entra muito fundo na matemática, mas espera que o leitor tenha alguma sensibilidade quantitativa e esteja acostumado a analisar dados mesmo sem estatística
Na prática, trata quase só de modelos bayesianos e de como ajustá-los no computador, então praticamente não cobre a abordagem frequentista
Também há uma série de vídeos que acompanha o material: https://www.statlearning.com/
Introduction to Probability, de Joseph K. Blitzstein e Jessica Hwang, também vale a pena. Está disponível gratuitamente: http://probabilitybook.net (redireciona para o Drive)
Se gostar, vale ver também o Think Bayes, que é parecido
Também há https://nostarch.com/learnbayes
Se você já tem uma base de estatística e quer reaprender por uma perspectiva bem diferente, mais causal e bayesiana, também posso recomendar Statistical Rethinking