CYBER WELFARE

Proteja a sua privacidade digital

Dados anónimos? Porque é que poucos detalhes te podem identificar

Ficha complementar da lição “Teoria da informação: as bases para o anonimato” — curso Anonimato online

Chamamos dados anónimos aos que já não permitem chegar a uma pessoa. Mas há detalhes que, sozinhos, parecem inofensivos e que, juntos, podem apontar para alguém sem precisar do nome: um código postal, um dia de aniversário e um par de hábitos podem bastar. Este recurso explica, sem fórmulas, porque é que poucos detalhes te podem identificar e ajuda-te a estimar a que velocidade encolhe a tua multidão.

A ideia-chave: o anonimato não é esconder tudo. Depende do tamanho da multidão em que te confundes, e cada detalhe que partilhas torna-a mais pequena.

A. Porque é que isto importa

A privacidade é decidir o que os outros sabem sobre ti. O anonimato, neste curso, é uma coisa um pouco diferente: agir sem que aquilo que fazes fique associado a quem és. Por isso, aqui a pergunta não é «o que é que partilhei?», mas «a quantas pessoas pode corresponder esta descrição?».

A lição chama a isto teoria da informação, a matemática que mede quanto diz um dado. Não precisas da matemática, só de uma intuição: cada detalhe separa as pessoas a quem se aplica das restantes, e o grupo que sobra fica mais pequeno de cada vez.

É por isso que «nunca dei o meu nome» e «os dados foram anonimizados» tranquilizam menos do que parece. O nome é só uma das maneiras de distinguir alguém; alguns detalhes banais fazem o mesmo trabalho.

O que dizem as fontes

O Comité Europeu para a Proteção de Dados (CEPD), que reúne as autoridades nacionais de proteção de dados, define dados pessoais como qualquer informação relativa a uma pessoa identificada ou identificável, de forma direta, como pelo nome, ou indireta, como por um número de cliente.

Na página que dedica à anonimização, o CEPD distingue dois conceitos. A pseudonimização reduz a possibilidade de associar os dados a uma pessoa, mas não a elimina; a anonimização, nas palavras do Comité, torna os dados «impossíveis de associar a qualquer pessoa». Só os dados verdadeiramente anonimizados ficam fora das regras europeias de proteção de dados. Tirar o nome não chega, portanto, para ter dados anónimos: conta o que fica e o que se pode associar.

Em 2014, o Grupo de Trabalho do Artigo 29.º, que se apresentava como «um órgão consultivo europeu independente», indicou três riscos a verificar quando se anonimizam dados. São eles isolar os registos de uma pessoa, associar pelo menos dois registos sobre a mesma pessoa (a versão portuguesa do parecer chama-lhe «possibilidade de ligação») e deduzir com probabilidade significativa uma informação sobre ela. O parecer avisa também que «a eliminação de elementos identificadores diretos não é suficiente, por si só».

O tema continua em aberto. O CEPD submeteu a consulta pública, até 30 de outubro de 2026, novas orientações sobre anonimização («Guidelines 02/2026 on Anonymisation»), que, segundo o seu anúncio, assentam nos mesmos três critérios. Em novembro de 2026, a página da consulta mostra só a versão submetida a consulta, sem data de adoção final: convém confirmar ali se já há versão definitiva.

A investigação mostra como bastam poucos detalhes. Em 2000, a investigadora norte-americana Latanya Sweeney estimou que 87 % da população dos Estados Unidos podia provavelmente ser identificada de forma única com três dados: o código postal de cinco algarismos, o sexo e a data de nascimento. Com a localidade em vez do código postal, a proporção rondava metade da população; com o condado, 18 %.

Um estudo de 2013 na revista Scientific Reports analisou quinze meses de dados de localização dos telemóveis de um milhão e meio de pessoas de um pequeno país europeu. Concluiu que quatro pontos de lugar e hora bastavam para identificar de forma única 95 % dessas pessoas. Em 2019, uma equipa da Universidade Católica de Lovaina, na Bélgica, e do Imperial College de Londres estimou na Nature Communications que 99,98 % dos norte-americanos seriam corretamente reidentificados com 15 atributos demográficos. Concluiu que mesmo conjuntos anonimizados e muito reduzidos por amostragem dificilmente cumprem os critérios do Regulamento Geral sobre a Proteção de Dados (RGPD).

B. Conceitos-chave

Cinco ideias para pensar com método sobre «poucos detalhes».

O conjunto de anonimato: a multidão em que te confundes

O conjunto de anonimato (em inglês, «anonymity set») é o grupo de pessoas que corresponde a tudo o que um observador sabe sobre ti. Se um site só sabe que alguém se liga a partir de Portugal, o grupo é enorme. Se sabe que mora num certo bairro, tem perto de trinta e cinco anos e corre todos os domingos no mesmo percurso, pode ficar reduzido a meia dúzia de pessoas.

Porque é que isto importa para ti: O teu anonimato é tão forte quanto o tamanho dessa multidão. «A quantas pessoas se aplica?» é uma pergunta mais útil do que «o meu nome está lá?».

Cada detalhe encolhe a multidão

Um detalhe funciona como um filtro. O sexo divide a multidão mais ou menos a meio; o ano de nascimento reduz muito mais; a data completa, mais ainda. Os filtros multiplicam-se em vez de se somarem: três detalhes modestos, uns atrás dos outros, podem levar de uma cidade a uma rua.

Porque é que isto importa para ti: Nenhum detalhe precisa de ser sensível para que a combinação te identifique. Ajuda olhar para os teus detalhes em grupo, e não um de cada vez.

Os bits: uma intuição, não uma fórmula

Quem investiga mede a informação identificativa em bits. Num texto de 2010 para a Electronic Frontier Foundation (EFF), organização norte-americana de direitos digitais, Peter Eckersley explicou que cada bit a mais duplica o número de possibilidades; visto do teu lado, cada detalhe do tipo sim ou não corta a multidão a meio. Nas contas dele, para distinguir uma pessoa em todo o planeta são precisos pouco menos de 33 bits; um dia de aniversário vale cerca de 8,5 e um signo do zodíaco cerca de 3,6. No exemplo dele, código postal, aniversário e sexo, juntos, passavam dos 33 bits: o suficiente, escrevia, para provavelmente se saber quem é a pessoa.

Porque é que isto importa para ti: Não precisas de calcular bits. Basta a intuição: uns vinte cortes a meio levam uma multidão de um milhão de pessoas a uma só, e um detalhe do dia a dia pode valer vários cortes de uma vez.

Reidentificação e dados «anonimizados»

Tirar os nomes de um conjunto de dados não é o mesmo que torná-lo anónimo. A reidentificação consiste em cruzar o que fica, como a idade, a zona e as datas, com outras informações até que um registo, isto é, uma linha de dados, volte a apontar para uma pessoa. Por isso o parecer de 2014 lembra que «a utilização de pseudónimos não é um método de anonimização de dados pessoais». Tornar os detalhes menos precisos ajuda, mas menos do que se espera: segundo o estudo de 2013, mesmo dados pouco precisos dão pouco anonimato.

Porque é que isto importa para ti: Quando um serviço diz que os teus dados são partilhados «de forma anónima», faz sentido perguntar que detalhes ficam. A resposta diz-te mais do que a palavra.

Confundir-te na multidão: a outra maneira de a alargar

Podes tornar a tua multidão maior partilhando menos detalhes, mas também partilhando os mesmos detalhes que muitas outras pessoas. Algumas ferramentas nascem desta segunda ideia: o Tor Project explica, em inglês, que o Tor Browser procura fazer com que todas as pessoas que o usam pareçam iguais. O teu navegador também é um conjunto de detalhes; o recurso desta secção sobre a impressão digital do navegador mostra como o pôr à prova.

Porque é que isto importa para ti: Parecer-te com muitas pessoas pode proteger-te tanto como ficar em silêncio. Uma combinação invulgar dá nas vistas, mesmo quando cada escolha que a compõe foi feita a pensar na privacidade.

C. Um exemplo concreto: o perfil público do Luca

O Luca, uma personagem inventada, tem 36 anos, vive no Porto e viaja com frequência. O perfil dele numa rede social mostra só uma alcunha e a fotografia de uma montanha, e ele sempre o achou bastante anónimo. Ao longo de um ano, o perfil foi-se enchendo de momentos banais: um bolo com as velas do «36», publicado no próprio dia; a corrida de domingo, sempre no mesmo troço da marginal do Douro; as localizações que marcava no ginásio; e uma fotografia no aeroporto sempre que partia de viagem.

Uma noite, olhou para o perfil como o veria uma pessoa desconhecida. «Vive no Porto» aplica-se a uma multidão muito grande. Um homem de trinta e poucos anos encolhe-a bastante, e um aniversário num dia conhecido encolhe-a outra vez.

Um percurso habitual e um ginásio concreto deixam poucas pessoas. Se se juntarem as datas em que estava fora, a multidão fica provavelmente reduzida a uma: ele. Nenhuma publicação dizia quem ele era; todas juntas, diziam.

O que mudou quando o Luca contou a sua multidão

Não se assustou. Percebeu que o perfil estava associado a ele pelos detalhes, e não pelo nome, e escolheu quais manter.

  • Manteve as fotografias de viagem, mas passou a publicá-las depois de voltar a casa, e não no aeroporto.
  • Tirou as localizações do ginásio, que diziam pouco aos amigos e muito a quem fizesse contas.
  • Tornou as publicações antigas visíveis só para os amigos, para que estranhos tivessem menos detalhes para combinar.
  • Deixou a publicação do aniversário: os amigos tinham escrito por baixo, e achou que valia o rasto que deixava.

O Luca alargou a multidão em três pontos e deixou o resto. O anonimato passou a ser, para ele, algo que se ajusta ao que lhe importa, e não algo que se tem ou não se tem.

D. Agora é a tua vez: a que velocidade encolhe a tua multidão? (15 minutos)

Quatro passos curtos com números redondos. Não escrevas os teus dados reais: usa categorias («a minha cidade», «o meu ano de nascimento») e frações aproximadas.

Passo 1 — Escolhe uma multidão de partida (3 minutos)

  • Escolhe um lugar que alguém possa descobrir facilmente sobre ti, como a tua cidade ou o teu distrito.
  • Dá-lhe um tamanho redondo: 100 mil, 1 milhão ou 10 milhões. Não precisas de o procurar; basta a ordem de grandeza certa.
  • Escreve só o número: «partida: 1 milhão».

Passo 2 — Faz uma lista de quatro detalhes públicos (4 minutos)

  • Pensa em quatro detalhes que uma pessoa desconhecida poderia descobrir sobre ti sem perguntar, num perfil, numa publicação ou num comentário antigo.
  • Escreve o tipo de detalhe, nunca o seu valor: «sexo», «ano de nascimento», «aniversário», «bairro», «entidade patronal», «desporto», «raça do cão».
  • Dá preferência aos detalhes que pessoas que não conheces conseguem ver.

Passo 3 — Encolhe a multidão (5 minutos)

  • Aplica uma fração aproximada a cada detalhe, um a seguir ao outro: para um detalhe com duas respostas comuns, divide por 2; para o ano de nascimento, divide por cerca de 50; para o aniversário (dia e mês), divide por cerca de 365; para um bairro, uma escola, uma entidade patronal ou um clube, divide por um número entre 10 e 100.
  • Exemplo: 1 milhão ÷ 2 = 500 mil; ÷ 50 = 10 mil; ÷ 365 ≈ 27. Com mais um detalhe local, a multidão pode ficar reduzida a uma pessoa.
  • As populações reais não são uniformes: lê o resultado como uma ideia de tamanho, não como uma medição.

Passo 4 — Escolhe um detalhe para aliviar (3 minutos)

  • Vê que detalhe mais encolheu a tua multidão. Muitas vezes é o mais específico, e não o mais pessoal.
  • Escolhe uma alteração: torná-lo visível para menos pessoas, torná-lo menos preciso (um mês em vez de uma data, uma cidade em vez de uma rua) ou mantê-lo como está, com conhecimento de causa.
  • Regista a tua escolha numa linha.

Uma multidão pode voltar a crescer, detalhe a detalhe.

Já tratado no curso Privacidade Online

Pegada digital: que dados deixas num dia normal
Mapeia os dados declarados, observados e inferidos que um dia normal produz; este recurso pergunta a quantas pessoas esses rastos, depois de combinados, ainda podem corresponder.

E. Vídeos, artigos e outros recursos

Primeiro as fontes institucionais europeias, em português, depois a investigação e os guias sobre direitos digitais, em inglês.

Fontes institucionais

Comité Europeu para a Proteção de Dados — Anonimização/pseudonimização
A diferença entre dados pseudonimizados, que continuam a ser dados pessoais, e dados verdadeiramente anonimizados, que deixam de o ser.
https://www.edpb.europa.eu/topics/ai-and-technology/anonymisation-pseudonymisation_pt

Grupo de Trabalho do Artigo 29.º — Parecer 05/2014 sobre técnicas de anonimização
O parecer europeu de 2014 sobre os três riscos a verificar ao anonimizar dados e sobre porque é que tirar os nomes ou usar pseudónimos não basta.
https://ec.europa.eu/justice/article-29/documentation/opinion-recommendation/files/2014/wp216_pt.pdf

Comité Europeu para a Proteção de Dados — Guidelines 02/2026 on Anonymisation
A página da consulta pública sobre as novas orientações de anonimização, com o documento e o prazo de contributos.
https://www.edpb.europa.eu/public-consultations/guidelines-022026-on-anonymisation_pt

Investigação

Data Privacy Lab — Simple Demographics Often Identify People Uniquely
O estudo de Latanya Sweeney sobre a forma como o código postal, o sexo e a data de nascimento distinguem grande parte da população norte-americana.
https://dataprivacylab.org/projects/identifiability

Scientific Reports — Unique in the Crowd: The privacy bounds of human mobility
Estudo de 2013, com dados de telemóveis de um país europeu, sobre os poucos pontos de localização que tornam únicas as deslocações de uma pessoa.
https://www.nature.com/articles/srep01376

Nature Communications — Estimating the success of re-identifications in incomplete datasets using generative models
Estudo de 2019 de investigadores da Bélgica e do Reino Unido sobre porque é que conjuntos de dados reduzidos por amostragem e «anonimizados» podem ser reidentificados; cópia de acesso aberto na PubMed Central.
https://pmc.ncbi.nlm.nih.gov/articles/PMC6650473

Guias sobre direitos digitais e ferramentas

Electronic Frontier Foundation — A Primer on Information Theory and Privacy
A intuição dos bits explicada com aniversários, signos do zodíaco e códigos postais.
https://www.eff.org/deeplinks/2010/01/primer-information-theory-and-privacy

The Tor Project — Tor Browser
Como o Tor Browser procura que as pessoas que o usam se pareçam umas com as outras, para que menos detalhes distingam alguém.
https://www.torproject.org/

Ligações verificadas em novembro de 2026. Se um endereço mudar, procurar o título no site da entidade ajuda muitas vezes a encontrá-lo.

F. O Framework Cyber Welfare: Competências, Consciência, Comportamento Seguro

Este recurso situa-se no pilar Consciência. O nível de referência deste conteúdo é o FL2 – Inicial: ver o anonimato como o tamanho de uma multidão que podes estimar, e não como um interruptor ligado ou desligado.

Competências

  • Estimar, com números redondos, quanto um detalhe encolhe a multidão a que pertences.
  • Reconhecer qual dos teus detalhes públicos é o mais específico.
  • Ler as promessas de dados «anonimizados» perguntando que detalhes ficam.

Consciência

  • Perceber o conjunto de anonimato: as pessoas que correspondem a tudo o que se sabe sobre ti.
  • Reconhecer que detalhes banais, combinados, te podem identificar sem o teu nome.
  • Saber que parecer-te com muitas pessoas pode proteger-te tanto como partilhar menos.

Comportamento Seguro

  • Tornar menos preciso ou menos visível um detalhe concreto, em vez de tentar esconder tudo.
  • Partilhar horas e lugares depois, quando o tempo real não te traz nada.
  • Repetir de vez em quando a estimativa da multidão, porque os perfis crescem sem se dar por isso.

G. Perguntas para refletir

  • Que detalhe sobre ti, inofensivo sozinho, encolheria mais a tua multidão se alguém o combinasse com outros?
  • Onde é que já te confundes numa multidão grande, e onde é que dás nas vistas?
  • Quando uma organização diz que usa os teus dados «de forma anónima», o que é que gostarias que te explicasse?

H. O que fazer agora

As recomendações (R) e as medidas de segurança (MS) da base de dados da Cyber Welfare que melhor se ajustam a este tema.

1. Os detalhes que partilhas tu

  • MS7 — Limita o acesso à tua conta, às tuas fotografias e às tuas publicações nas definições de privacidade, para que menos pessoas desconhecidas possam combinar os detalhes que partilhas.
  • Prefere detalhes menos precisos quando te servem igualmente bem: uma cidade em vez de uma rua, um mês em vez de uma data, uma viagem contada depois de voltares.

Esforço mínimo: hoje, alivia o detalhe que escolheste no passo 4.

2. Os detalhes que outros têm sobre ti

  • Quando um formulário pede mais do que parece precisar, como a data de nascimento completa para uma newsletter, verifica se o campo é facultativo.
  • Quando uma aplicação ou um inquérito diz que partilha os teus dados «de forma anónima», procura na política de privacidade que detalhes conserva: datas, lugares e escalões etários dizem-te o tamanho possível da multidão de cada registo.

Esforço mínimo: da próxima vez que leres «dados anónimos» ou «anonimizados» numa política de privacidade, procura uma frase que diga que detalhes ficam.

Em resumo

  • Detalhes que parecem inofensivos podem ser combinados e associados a uma pessoa, sem precisar do nome.
  • O teu conjunto de anonimato é a multidão em que te confundes; cada detalhe encolhe-a, e os detalhes multiplicam-se.
  • Tirar os nomes não chega para ter dados anónimos: a investigação já reidentificou pessoas a partir de poucos detalhes banais.
  • Podes alargar a tua multidão partilhando menos detalhes ou detalhes menos precisos, e parecendo-te com muitas pessoas.

Recursos associados neste curso

Descobre mais fichas complementares dos cursos do programa Proteja a Sua Privacidade Digital.

Se quiseres seguir o percurso inteiro, o Programa Cyber Welfare é gratuito e aberto a todos.

→ Aderir ao Programa Cyber Welfare

Deixe um comentário