Da Estatística Escolar ao Atlas Social:- Quando a matemática encontra a cidade real?

Por AILTON VENDRAMINI *

Durante décadas, muitos brasileiros passaram pelos bancos escolares perguntando algo relativamente comum:- Onde eu vou usar estatística na vida real?” Média, frequência, amostra, probabilidade, desvio padrão, regressão. Para boa parte dos estudantes, tudo isso parecia existir apenas para preencher provas e apostilas.

No entanto, no século XXI, talvez estejamos entrando justamente na era em que a estatística deixa de ser um tema abstrato e passa a se tornar um dos pilares invisíveis das cidades inteligentes. Na semana passada discutimos nesta coluna a necessidade de municípios desenvolverem um Atlas Social — uma espécie de mapa analítico da vulnerabilidade humana, territorial e institucional. Agora surge a pergunta inevitável:- Aonde conceitos aparentemente escolares poderiam ser aplicados concretamente numa ferramenta pública como essa?

A resposta é:- Em praticamente tudo.

Comecemos por um conceito básico: variáveis discretas e contínuas.

Quando uma prefeitura analisa o número de filhos por família, está trabalhando com uma variável discreta — afinal, pessoas podem ter 1, 2 ou 3 filhos, mas não 2,7 filhos. Já a renda familiar é uma variável contínua, pois pode assumir infinitos valores possíveis. Pode parecer detalhe acadêmico, mas essa distinção define a forma como os dados serão organizados, analisados e interpretados.

Outro conceito clássico é a diferença entre probabilidade e frequência.

A probabilidade representa uma chance teórica. Já a frequência mostra o que realmente está acontecendo. Por exemplo: teoricamente, um território pode possuir risco elevado de evasão escolar. Mas a frequência observada — o número real de casos — é que mostrará se o problema está de fato se agravando. Eis um ponto importante: política pública moderna não pode mais funcionar apenas por percepção subjetiva. Ela precisa medir.

Outro conceito frequentemente ignorado nas salas de aula é a diferença entre população e amostra.

Num censo tradicional, busca-se observar toda a população. Já em pesquisas menores trabalha-se com amostras representativas. O interessante é que ferramentas modernas como o Cadastro Único permitem que algumas áreas da administração pública trabalhem quase com “populações completas” de vulnerabilidade social. Isso muda radicalmente o potencial analítico das cidades. Pela primeira vez, municípios começam a ter capacidade de enxergar padrões sociais em escala territorial fina.

Entramos então num tema ainda mais poderoso: estatística descritiva versus inferencial.

A estatística descritiva responde perguntas como:

Qual a renda média? Quantas famílias vivem em determinada condição? Qual território concentra mais vulnerabilidade?

Já a estatística inferencial tenta responder perguntas mais complexas:

Determinada política pública funcionou? Um programa reduziu evasão escolar? Um território está piorando ou melhorando?

Perceba que aqui a estatística deixa de ser apenas matemática e começa a tocar diretamente a governança pública. Talvez, sem perceber, estamos entrando numa nova fase histórica das cidades: a gestão baseada em evidências.

Finalmente chegamos ao tema que domina o imaginário contemporâneo: Machine Learning.

Apesar do nome sofisticado, a lógica é relativamente simples: sistemas tentam aprender padrões para prever situações futuras.

Num Atlas Social, isso poderia identificar:

territórios com tendência de agravamento; risco futuro de evasão escolar; regiões com crescimento de pressão social; possíveis colapsos em serviços públicos.

Mas há um detalhe fundamental.

Antes de qualquer inteligência artificial, uma cidade precisa primeiro dominar algo muito mais difícil: organização; qualidade dos dados; integração entre secretarias municipais; governança da informação.

Sem isso, não existe inteligência artificial — existe apenas ilusão tecnológica. Talvez este seja o ponto mais importante desta discussão. A estatística ensinada na escola nunca foi apenas um exercício acadêmico. O problema é que durante décadas a sociedade não possuía infraestrutura suficiente para transformar esses conceitos em inteligência operacional.

Agora possui.

O Atlas Social surge justamente nesse encontro entre:

matemática; dados; território; política pública; e inteligência analítica.

E talvez estejamos apenas começando.

Isso me lembra a frase que é popularmente atribuída a diferentes autores do meio fitness e motivacional, mas a versão mais conhecida costuma aparecer como: “The heaviest weight in the gym is the front door.” Em português: “O peso mais pesado da academia é a porta de entrada.” A ideia por trás da frase é muito poderosa: o mais difícil não é o treino, mas vencer a inércia inicial.

📚 Aplicação Prática: https://github.com/ailtonfv/Atlas-Social-de-Hortolandia

* AILTON VENDRAMINI, Engenheiro eletrotécnico com 40+ anos no setor privado (ABB, VA TECH, Schneider, Veccon etc.), liderando contratos e grandes projetos. Experiência executiva no Brasil e exterior. Hoje, Diretor de Dados & Estatística e DPO de Hortolândia, à frente de LGPD e projetos de dados/IA. Articulista e consultor; MBA USP, pós-graduações FGV e especialização em Big Data.