É provável que hoje a análise de dados seja a etapa mais angustiante da sua pesquisa.
Em geral, esse momento vem acompanhado de incertezas como:
■
■
■
■
A sensação de não saber se as escolhas estatísticas são adequadas
A dificuldade de explicar, em palavras simples, por que escolheu determinado método
A insegurança ao interpretar os resultados, mesmo quando o software roda
Um desconforto constante ao pensar na banca ou nos revisores
Essa insegurança é, em grande parte, um reflexo da forma como a análise de dados é ensinada ao longo da trajetória acadêmica – e não necessariamente da falta de estudo.
Em sala de aula, isso costuma aparecer como explicações cheias de termos técnicos, linguagem rebuscada, exemplos genéricos e pouca ligação com problemas reais de pesquisa.
A consequência é que se aprende a rodar os testes, mas não a interpretar os resultados nem a defender as decisões.
A lógica por trás do curso...
O ADP foi pensado como um percurso contínuo.
Os conteúdos avançam aos poucos, retomam o que já foi visto e aprofundam o que precisa ser aprofundado.
Nada fica solto.
Essa organização se baseia em três princípios.
01
Fortalecer os conceitos desde a base
Antes de avançarmos para testes e modelos, eu faço questão de desmistificar os conceitos que realmente importam para a análise de dados.
Retomo ideias fundamentais que muitas vezes ficaram mal explicadas na graduação ou na pós, sem assumir que você já tem uma base em estatística ou exatas.
Isso ajuda a fechar lacunas que costumam gerar dúvidas mais adiante, quando chega a hora de analisar os dados do seu projeto.
02
Aliar teoria a prática desde o início
Uma informação importante: desde as primeiras aulas, a gente já começa a colocar a mão na massa.
Os conceitos teóricos não ficam soltos ou acumulados para serem aplicados depois. Eles aparecem junto com a prática, para que façam sentido no contexto da análise de dados de uma pesquisa real.
Nada de longas sequências de aulas só teóricas, sem aplicação. A ideia é que teoria e prática avancem juntas.
03
Apoiar todas as decisões na literatura
Outro ponto inegociável para mim é que tudo o que eu ensino no ADP esteja amparado na literatura científica.
Eu já fiz cursos em que os professores recomendavam certas decisões ou análises, mas, na hora de aplicar aquilo na tese ou em um artigo, eu descobria que não havia nenhum trabalho para sustentar aquela escolha.
No ADP, as análises não são apresentadas como receitas prontas. Sempre que algo é ensinado, eu explico de onde aquilo vem, em que contexto faz sentido usar e como essa decisão é tratada na literatura.
Por isso, ao longo do curso, você encontra listas de referências com os artigos que embasam o conteúdo de cada aula – organizadas e prontas para apoiar a escrita do seu trabalho.
Como são as aulas teóricas
Todas as aulas são gravadas e assíncronas, para que você possa assistir quando for mais conveniente e rever sempre que precisar.
Na prática, as aulas teóricas funcionam assim:
Videoaulas direto ao ponto, sem enrolação
Linguagem acessível, partindo do zero
Slides que acompanham o raciocínio
Exemplos retirados de artigos científicos
■
■
■
■
Esse cuidado com a explicação costuma aparecer nos feedbacks de quem assiste às aulas:
A parte prática do curso
Todas as aulas práticas do ADP acontecem no software R.
Em cada aula prática, você recebe o código e a base de dados usados no exemplo, para acompanhar a análise e repetir cada etapa no seu próprio computador.
O que é trabalhado em cada aula prática
Nas aulas sobre testes estatísticos, a gente não se limita a “rodar o teste”. Todas as práticas incluem:
■
Testagem dos pressupostos e discussão do que fazer quando eles não são atendidos
■
Cálculo do tamanho de efeito adequado para cada teste
■
Construção de gráficos adequados para publicação
■
Elaboração de um arquivo em Word com a descrição dos resultados no padrão científico
Do software para o trabalho acadêmico
Os arquivos produzidos ao longo das aulas incluem:
■
Descrição da metodologia de análise empregada, com as respectivas referências
■
Resultados apresentados em texto, tabelas e gráficos, com sugestões de legendas
A forma como a análise é conduzida já considera a etapa seguinte: a escrita dos resultados.
O que é o R?
O R é uma linguagem de programação focada em análise de dados.
Com ele, é possível organizar bases de dados, realizar análises estatísticas, gerar gráficos e documentar todo o processo de forma reprodutível.
Por que usar o R?
O ADP utiliza o R porque eu o considero o melhor software disponível hoje para a análise de dados acadêmicos.
■
É um software gratuito
■
É flexível e ilimitado, permitindo desde análises básicas até métodos avançados
■
Facilita a criação de figuras de alta qualidade, adequadas para publicação
■
Permite automatizações que reduzem erros e organizam o processo de análise
■
Todos os pacotes e funções têm referências que podem ser citadas em trabalhos acadêmicos
Eu já achei que programar não era para mim...
Mas a minha dificuldade era, na verdade, reflexo da falta de didática das aulas que eu assistia.
Hoje, acredito que qualquer pessoa pode aprender a programar, desde que as aulas sejam adequadamente planejadas.
O conteúdo do curso é diferente do que existe no YouTube?
Sim. E isso é intencional.
O conteúdo do canal foi pensado como material introdutório e de apoio.
Já o curso tem outra proposta: ele organiza o aprendizado de forma progressiva, conecta teoria e prática e aprofunda pontos que não cabem em vídeos soltos.
Por isso, todos os conteúdos do ADP são exclusivos do curso.
Há aulas teóricas e práticas sobre temas que nunca foram discutidos no YouTube. E mesmo os testes estatísticos que aparecem no canal foram totalmente regravados para o curso, com novos exemplos e scripts atualizados.
O ADP é um curso para iniciantes ou para quem já tem experiência com análise de dados?
Para os dois públicos. Te explico o porquê:
Se você nunca teve uma base sólida em estatística ou programação…
O curso foi estruturado para não assumir qualquer conhecimento prévio desses conteúdos.
A ideia é construir o entendimento com calma, sem pular etapas, e já colocar esses conceitos em uso no contexto da pesquisa.
Se você já domina os modelos mais básicos e quer avançar…
O curso não se limita aos métodos básicos.
Ao longo dos módulos, avançamos para análises mais complexas, como GLM, LMM, GLMM e GEE, sempre discutindo a base teórica desses modelos e sua implementação em R.
Mas o ADP não é para todo mundo...
Ele foi pensado para um contexto muito específico: a pesquisa acadêmica quantitativa.
Para quem é esse curso?
Pessoas que trabalham com análise quantitativa de dados na academia:
■
■
■
■
Alunos de iniciação científica
Mestrandos
Doutorandos
Professores universitários
Para quem não é esse curso?
■
■
Pessoas que trabalham com dados fora da área acadêmica, como cientistas de dados
Pessoas que trabalham apenas com análises qualitativas
Ficou em dúvida se o curso é para você?
Como o curso está organizado?
Módulos principais
01.
Conceitos iniciais e primeiros passos no R
Este módulo estabelece a base do curso.
Aqui, organizamos os conceitos fundamentais que sustentam toda a análise de dados – e já começamos a trabalhar com o R.
Você vai entender, com clareza, ideias que muitas vezes passam batidas na formação acadêmica e acabam gerando confusão mais adiante.
Neste módulo, discutimos:
■
■
■
■
Estatística descritiva × inferencial
População, amostra e tipos de variáveis
Organização correta da base de dados
Primeiros passos no R
03.
Desmistificando conceitos de inferência estatística
Este módulo enfrenta, sem atalhos, os conceitos que mais geram confusão na análise de dados acadêmica.
A proposta não é decorar definições, mas construir o raciocínio por trás da inferência estatística.
Aqui, discutimos com calma:
■
■
■
■
Valor de p e intervalo de confiança
Escore-z e suas aplicações
Tamanho de efeito e cálculo amostral
Vieses e limitações das análises
05.
Testes de hipóteses para variáveis categóricas
Este módulo aborda testes que costumam receber pouca atenção na formação acadêmica, mas são extremamente úteis em pesquisa quantitativa.
Aqui você aprende a analisar associações entre variáveis categóricas com segurança.
Nesse módulo, vamos discutir:
■
■
■
Testes qui-quadrado
Teste exato de Fisher
McNemar e Q de Cochran
02.
Dominando análises descritivas
O objetivo do módulo é fazer você ler os dados com critério, entendendo o que cada medida e cada gráfico realmente comunicam.
Você aprende a:
■
■
■
■
Interpretar medidas de posição e dispersão
Organizar tabelas descritivas
Escolher e interpretar gráficos corretamente
Rodar essas análises em R
04.
Testes de hipóteses para variáveis numéricas
Neste módulo, você aprende a escolher e aplicar testes de hipóteses, entendendo quando cada teste faz sentido.
Vamos trabalhar tanto com testes paramétricos quanto com não-paramétricos, sempre discutindo seus pressupostos e interpretações. Claro, também treinaremos como reportar a metodologia e os resultados.
Nesse módulo, veremos:
■
■
■
Testes-t e ANOVAs
Mann-Whitney e Kruskal-Wallis
Wilcoxon e Friedman
06.
Correlação e modelos lineares gerais
Aqui, a análise começa a se organizar de outra forma.
Neste módulo, conectamos correlação, regressão, ANOVA e teste-t dentro de uma mesma lógica teórica: a dos modelos lineares gerais.
Você aprende a:
■
■
■
Enxergar equivalência entre diferentes testes
Interpretar regressões com profundidade
Trabalhar com interações
A partir daqui, avançamos para modelos mais complexos...
07.
Modelos lineares generalizados (GLMs)
Nem todos os dados seguem a distribuição normal – e insistir nisso costuma levar a análises inadequadas.
Neste módulo, trabalhamos com os modelos lineares generalizados (GLMs), que permitem lidar com diferentes tipos de variáveis e distribuições de probabilidade de forma apropriada. Ao longo das aulas, discutimos a base teórica desses modelos e aprendemos a implementá-los em R.
São abordados, entre outros temas: regressão logística (binária, multinomial e ordinal), modelos para dados de contagem e taxas, além de estratégias para lidar com sobredispersão.
Este módulo é liberado 8 dias após a matrícula
08.
Modelos mistos
LMM, GLMM e GEE
Esse era um módulo muito pedido pelos alunos.
Muitos dados acadêmicos apresentam estruturas mais complexas – como medidas repetidas, hierarquias ou dependência entre observações – e exigem modelos que deem conta dessa complexidade.
Aqui, trabalhamos com modelos mistos lineares (LMM), lineares generalizados (GLMM) e com equações de estimação generalizadas (GEE). Discutimos quando utilizá-los, como interpretá-los corretamente e como implementá-los em R.
O foco não é apenas aplicar o modelo, mas compreender as suposições envolvidas e as implicações dessas escolhas na análise e na interpretação dos resultados.
Esse é um conteúdo raramente abordado com profundidade na formação em análise de dados acadêmicos.
Este módulo é liberado 8 dias após a matrícula
Além dos módulos principais...
O ADP inclui dois módulos extras pensados para facilitar a aplicação da análise de dados no dia a dia da pesquisa.
Dominando o ggplot2
O ggplot2 é um pacote do R voltado para a construção de gráficos e figuras, muito utilizado no contexto acadêmico.
Ao longo do curso, você já aprende a construir gráficos nos módulos principais. Este módulo extra existe para ir além disso: entender a lógica do ggplot2 e ganhar fluência nos pormenores desse pacote.
Falamos sobre como o ggplot2 organiza os elementos de um gráfico, como combinar camadas, personalizar detalhes e adaptar as figuras às exigências de trabalhos acadêmicos.
A proposta é sair do “tentativa e erro” e passar a construir figuras com mais segurança, deixando-as exatamente como você imaginou.
Dicas rápidas de R
Este módulo extra reúne aulas curtas e objetivas sobre tarefas que aparecem o tempo todo no dia a dia de quem analisa dados no R, e que raramente são explicadas com calma.
Aqui a ideia é facilitar o trabalho com bases reais: abrir arquivos, organizar variáveis, padronizar colunas, unir diferentes bases de dados e entender melhor como o R “pensa” essas operações.
É um módulo vivo, que vai sendo atualizado conforme novas dúvidas aparecem, pensado para economizar tempo, reduzir erros e deixar o fluxo de análise mais tranquilo.
O que você recebe ao longo do curso
Guias de referências científicas
Ao longo do curso, você tem acesso a guias de referências que reúnem os principais artigos científicos que embasam cada conteúdo ensinado.
As referências são organizadas por tema, acompanhando a progressão dos módulos, e indicam de forma clara de onde vêm os conceitos, escolhas metodológicas e análises discutidas nas aulas.
A ideia é que você não apenas aprenda a aplicar as análises, mas também tenha apoio concreto na hora de justificar essas decisões na escrita de artigos, dissertações ou teses.
Scripts e bases de dados
Em cada aula prática, você recebe os scripts e as bases de dados utilizados, para reproduzir as análises no seu próprio computador com calma.
Isso permite acompanhar cada etapa do raciocínio, testar variações e entender exatamente o que está sendo feito.
Modelo de descrição de metodologia e resultados
Ao longo das aulas práticas, você também tem acesso a um arquivo em Word com a descrição da metodologia utilizada na análise e dos resultados, seguindo o padrão de escrita científica.
O material inclui sugestões de texto, tabelas e legendas, ajudando a fazer a transição entre a análise no software e a apresentação dos resultados em artigos, dissertações ou teses.
Tem uma frase que aparece com frequência
Depois de algumas aulas, muitos alunos comentam algo muito parecido:
O suporte faz parte do curso
Todas as dúvidas que surgem ao longo do ADP são respondidas por mim.
Isso significa que as perguntas são respondidas por quem desenvolveu o conteúdo, dentro da lógica que é apresentada nas aulas – sem respostas genéricas ou desencontradas.
Esse acompanhamento próximo é parte central da experiência do curso. E é justamente por isso que as vagas são limitadas e as turmas abrem apenas duas vezes por ano: para que eu consiga oferecer suporte com atenção real a cada aluno.
Eu sei que limitação de vagas soa como discurso de marketing – mas, aqui, ela existe para garantir a qualidade da experiência de quem entra.
Depois de acompanhar o curso e aplicar os conteúdos na prática, muitos alunos descrevem o ADP dessa forma:
O ADP é um curso aprofundado de análise de dados voltado para o contexto acadêmico, com aulas teóricas e práticas, materiais de apoio e acompanhamento direto ao longo do período de acesso.
Ao se inscrever, você tem acesso a:
Aulas gravadas, organizadas por módulos, com abordagem teórica e prática
Materiais para estudo e aplicação: guias de referências, scripts e bases de dados
Suporte direto comigo para dúvidas relacionadas às aulas
Um ano de acesso a todo o conteúdo, incluindo atualizações realizadas nesse período
■
■
■
■
Investimento:
R$ 997,00 à vista
ou 12x de R$ 103,11
As matrículas não estão abertas no momento
As turmas abrem apenas algumas vezes por ano…
Quem sou eu na fila do pão (e por que eu criei o ADP)
Oi, eu sou a Fernanda!
Sou bacharel em Biomedicina, mestre e doutora em Farmacologia pela UNIFESP, e também tenho especialização em estatística aplicada.
Trabalho com pesquisa e análise de dados desde 2010 e atuo como professora desde 2011, com experiência em cursos técnicos, de graduação e de pós-graduação. Ao longo desses anos, uma coisa sempre me acompanhou: a dificuldade real que muitos pesquisadores têm em entender estatística de verdade, e não apenas aplicar fórmulas ou repetir procedimentos.
Há cerca de 7 anos, comecei a compartilhar conteúdos sobre análise de dados acadêmicos no YouTube. Desde então, milhares de alunos e pesquisadores passaram pelo meu canal – muitos deles relatando que, pela primeira vez, conseguiram compreender o raciocínio por trás das análises, e não apenas "seguir passos".
O ADP nasceu exatamente daí.
Da vontade de reunir, em um único curso, toda a base teórica e prática que eu gostaria que existisse quando eu mesma estava aprendendo – com cuidado conceitual, responsabilidade acadêmica e aplicação direta na pesquisa.
Meu objetivo com o ADP é esse: te ajudar a ganhar autonomia para analisar seus próprios dados com mais clareza, segurança e senso crítico.
