Dados são representações estruturadas de fenômenos observáveis. Na biologia, eles podem derivar de experimentos, observações de campo ou medições laboratoriais, como abundância de espécies, expressão gênica ou parâmetros fisiológicos.
Historicamente, a formalização de dados como objeto científico se intensificou com o desenvolvimento da estatística no século XIX, especialmente com o trabalho de cientistas como Francis Galton e Karl Pearson. Esses pesquisadores buscavam entender padrões em populações biológicas, estabelecendo as bases da análise quantitativa moderna.
Em ciência de dados, dados não são apenas números — são evidências que precisam ser interpretadas dentro de um contexto experimental e biológico.
🔢 Tipos de variáveis
Variáveis são características mensuráveis de um sistema. Elas podem ser classificadas em:
Categóricas: representam grupos (ex: espécie, tratamento)
Booleanas: representam estados binários (presença/ausência)
Essa distinção é fundamental porque cada tipo de variável exige métodos analíticos específicos. Por exemplo, correlações clássicas como Pearson só são apropriadas para variáveis numéricas contínuas.
A escolha incorreta do tipo de variável pode levar a interpretações estatísticas equivocadas.
🌸 Dataset iris
O dataset iris foi introduzido por Ronald Fisher em 1936 no contexto do desenvolvimento da análise discriminante linear. Ele contém medidas morfológicas de três espécies de íris.
Este dataset é historicamente importante porque foi um dos primeiros exemplos de aplicação de métodos estatísticos para classificação biológica, um problema central ainda hoje em áreas como bioinformática e ecologia.
library(ggplot2)library(ggpubr)ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +geom_point() +geom_smooth(method ="lm", se =FALSE) +stat_cor(aes(color = Species))
Gráficos de dispersão permitem visualizar relações entre duas variáveis contínuas. A linha de regressão linear representa a melhor aproximação dessa relação sob o critério dos mínimos quadrados, formalizado por Legendre (1805) e Gauss (1809).
O coeficiente de correlação (r) mede a força da associação linear entre variáveis, enquanto o p-valor avalia a evidência contra a hipótese nula de ausência de associação.
📊 Correlação de Pearson
A correlação de Pearson, desenvolvida por Karl Pearson no final do século XIX, mede a associação linear entre duas variáveis contínuas.
Ela assume: - linearidade - homocedasticidade - distribuição aproximadamente normal
Ela mede relações monotônicas (não necessariamente lineares) e é mais robusta a outliers e distribuições não normais.
Isso é particularmente relevante em dados biológicos, que frequentemente violam pressupostos paramétricos.
⚠️ Correlação ≠ causalidade
Uma das distinções mais importantes na ciência é entre associação e causalidade.
Correlação indica que duas variáveis variam juntas, mas não explica o porquê. Como discutido por Judea Pearl, causalidade exige modelos explícitos de relação entre variáveis, frequentemente representados por grafos causais.
Exemplos clássicos incluem: - consumo de sorvete e afogamentos (variável oculta: temperatura) - biodiversidade e produtividade (potenciais fatores ambientais compartilhados)
Inferir causalidade a partir de correlação é um dos erros mais comuns em ciência.
🧠 Paradoxo de Simpson
O paradoxo de Simpson, descrito por Edward Simpson em 1951, ocorre quando uma tendência observada em vários grupos desaparece ou se inverte quando os dados são agregados.
Isso acontece devido à presença de variáveis de confusão que não são consideradas na análise global.
Este fenômeno é extremamente relevante em estudos biológicos, onde fatores ambientais ou experimentais podem influenciar múltiplas variáveis simultaneamente.
