\u00c0 medida que a tecnologia se torna cada vez mais presente nas nossas vidas quotidianas, s\u00e3o gerados e recolhidos mais dados do que nunca na hist\u00f3ria da humanidade.<\/span><\/p>\n A estat\u00edstica \u00e9 a \u00e1rea que pode nos ajudar a entender como utilizar esses dados para realizar as seguintes tarefas:<\/span><\/p>\n Neste artigo, compartilhamos 10 raz\u00f5es pelas quais o campo da estat\u00edstica \u00e9 t\u00e3o importante na vida moderna.<\/span><\/p>\n Estat\u00edsticas descritivas<\/a> s\u00e3o usadas para descrever um dado bruto. Existem tr\u00eas tipos principais de estat\u00edsticas descritivas:<\/span><\/p>\n Cada um desses elementos pode nos ajudar a compreender melhor os dados existentes.<\/span><\/p>\n Por exemplo, digamos que temos um conjunto de dados brutos mostrando as notas dos testes de 10.000 alunos em uma determinada cidade. Podemos usar estat\u00edsticas descritivas para:<\/span><\/p>\n Ao usar estat\u00edsticas descritivas, podemos entender as pontua\u00e7\u00f5es dos testes dos alunos com muito mais facilidade do que apenas observar os dados brutos.<\/span><\/p>\n Cada vez mais gr\u00e1ficos est\u00e3o sendo gerados em jornais, m\u00eddia, artigos online e revistas.<\/span> Infelizmente, os gr\u00e1ficos muitas vezes podem ser enganosos se voc\u00ea n\u00e3o compreender os dados subjacentes.<\/span><\/p>\n Por exemplo, suponha que um peri\u00f3dico publique um estudo que encontra uma correla\u00e7\u00e3o negativa entre as pontua\u00e7\u00f5es GPA e ACT dos alunos de uma determinada universidade.<\/span><\/p>\n No entanto, esta correla\u00e7\u00e3o negativa s\u00f3 ocorre porque os estudantes que t\u00eam uma<\/em> pontua\u00e7\u00e3o elevada no GPA e no ACT s\u00e3o capazes de frequentar uma universidade de elite, enquanto os estudantes que t\u00eam<\/em> uma pontua\u00e7\u00e3o baixa no GPA e no ACT n\u00e3o s\u00e3o admitidos de todo.<\/span> <\/p>\n Embora a correla\u00e7\u00e3o entre ACT e GPA seja positiva na popula\u00e7\u00e3o, a correla\u00e7\u00e3o parece negativa na amostra.<\/span><\/p>\n Este vi\u00e9s espec\u00edfico \u00e9 conhecido como vi\u00e9s de Berkson<\/a> . Ao estar ciente desse vi\u00e9s, voc\u00ea pode evitar ser enganado por determinados gr\u00e1ficos.<\/span><\/p>\n Um conceito importante que voc\u00ea aprender\u00e1 em estat\u00edstica \u00e9 o conceito de vari\u00e1veis confusas<\/a> .<\/span><\/p>\n S\u00e3o vari\u00e1veis que n\u00e3o s\u00e3o levadas em considera\u00e7\u00e3o e podem confundir<\/em> os resultados de um experimento e levar a conclus\u00f5es n\u00e3o confi\u00e1veis.<\/span><\/p>\n Por exemplo, suponha que um pesquisador colete dados sobre vendas de sorvetes e ataques de tubar\u00f5es e descubra que as duas vari\u00e1veis est\u00e3o altamente correlacionadas. Isso significa que o aumento das vendas de sorvetes est\u00e1 causando mais ataques de tubar\u00f5es?<\/span><\/p>\n \u00c9 improv\u00e1vel. A causa mais prov\u00e1vel \u00e9 a confusa temperatura<\/strong> vari\u00e1vel. Quando est\u00e1 mais quente l\u00e1 fora, mais pessoas compram sorvete e mais pessoas v\u00e3o para o mar.<\/span> <\/p>\n Um dos subcampos mais importantes da estat\u00edstica \u00e9 a probabilidade<\/strong> . \u00c9 o campo que estuda a probabilidade de ocorr\u00eancia de eventos.<\/span><\/p>\n Ao ter uma compreens\u00e3o b\u00e1sica de probabilidade, voc\u00ea pode tomar decis\u00f5es mais informadas no mundo real.<\/span><\/p>\n Por exemplo, suponha que um estudante do ensino m\u00e9dio saiba que tem 10% de chance de ser aceito em uma determinada universidade. Usando a f\u00f3rmula da probabilidade de aprova\u00e7\u00e3o em \u201cpelo menos uma\u201d<\/a> , esse aluno pode encontrar a probabilidade de ser aceito em pelo menos uma universidade para a qual se inscreve e pode ajustar o n\u00famero de universidades para as quais se inscreve por resultado.<\/span><\/p>\n Outro conceito importante que voc\u00ea aprender\u00e1 em estat\u00edstica s\u00e3o os valores-p<\/a> .<\/span><\/p>\n A defini\u00e7\u00e3o cl\u00e1ssica de um valor p \u00e9:<\/span><\/p>\n Um valor p<\/strong> \u00e9 a probabilidade de observar uma estat\u00edstica de amostra que seja pelo menos t\u00e3o extrema quanto sua estat\u00edstica de amostra, dado que a hip\u00f3tese nula \u00e9 verdadeira.<\/span><\/p>\n<\/blockquote>\n Por exemplo, suponha que uma f\u00e1brica afirme produzir pneus com peso m\u00e9dio de 200 libras. Um auditor levanta a hip\u00f3tese de que o peso m\u00e9dio real dos pneus produzidos nesta f\u00e1brica \u00e9 diferente em 200 libras. Ent\u00e3o ele realiza um teste de hip\u00f3tese e descobre que o valor p do teste \u00e9 0,04.<\/span><\/p>\n Veja como interpretar esse valor p:<\/span><\/p>\n Se a f\u00e1brica realmente produz pneus com peso m\u00e9dio de 200 libras, ent\u00e3o 4% de todas as auditorias atingir\u00e3o o efeito observado na amostra, ou mais, devido a erro de amostragem aleat\u00f3ria. Isso nos diz que a obten\u00e7\u00e3o dos dados amostrais obtidos pelo auditor seria bastante rara se a f\u00e1brica realmente produzisse pneus com peso m\u00e9dio de 200 libras.<\/span><\/p>\n Assim, o auditor provavelmente rejeitaria a hip\u00f3tese nula de que o peso m\u00e9dio real dos pneus produzidos nesta f\u00e1brica \u00e9 de facto de 200 libras.<\/span><\/p>\n Outro conceito importante que voc\u00ea aprender\u00e1 em estat\u00edstica \u00e9 a correla\u00e7\u00e3o<\/a> , que nos indica a associa\u00e7\u00e3o linear entre duas vari\u00e1veis.<\/span><\/p>\n O valor de um coeficiente de correla\u00e7\u00e3o est\u00e1 sempre entre -1 e 1 onde:<\/span><\/p>\n Ao compreender esses valores, voc\u00ea pode compreender a rela\u00e7\u00e3o entre as vari\u00e1veis no mundo real.<\/span><\/p>\n Por exemplo, se a correla\u00e7\u00e3o entre gastos com publicidade e receitas for 0,87, ent\u00e3o voc\u00ea poder\u00e1 entender que existe uma forte rela\u00e7\u00e3o positiva entre as duas vari\u00e1veis. \u00c0 medida que voc\u00ea gasta mais dinheiro em publicidade, pode esperar um aumento previs\u00edvel na receita.<\/span><\/p>\n Outra raz\u00e3o importante para aprender estat\u00edstica \u00e9 compreender modelos b\u00e1sicos de regress\u00e3o, como:<\/span><\/p>\n Cada um desses modelos permite fazer previs\u00f5es sobre o valor futuro de uma vari\u00e1vel de resposta<\/a> com base no valor de determinadas vari\u00e1veis preditoras no modelo.<\/span><\/p>\n Por exemplo, as empresas usam modelos de regress\u00e3o linear m\u00faltipla no mundo real o tempo todo ao usar vari\u00e1veis preditoras como idade, renda, etnia, etc. para prever quantos clientes gastar\u00e3o em suas lojas.<\/span><\/p>\n Da mesma forma, as empresas de log\u00edstica utilizam vari\u00e1veis preditivas como demanda total, tamanho da popula\u00e7\u00e3o, etc. para prever vendas futuras.<\/span><\/p>\n N\u00e3o importa em que \u00e1rea voc\u00ea atue, h\u00e1 uma boa chance de que modelos de regress\u00e3o sejam usados para prever um fen\u00f4meno futuro.<\/span><\/p>\n Outra raz\u00e3o para estudar estat\u00edsticas \u00e9 estar ciente de todos os diferentes tipos de preconceitos que podem surgir em estudos do mundo real.<\/span><\/p>\n aqui est\u00e3o alguns exemplos:<\/span><\/p>\n Ao ter uma compreens\u00e3o b\u00e1sica desses tipos de preconceitos, voc\u00ea pode evitar comet\u00ea-los ao conduzir pesquisas ou estar ciente deles ao ler outros artigos ou estudos de pesquisa.<\/span><\/p>\n Muitos testes estat\u00edsticos fazem suposi\u00e7\u00f5es sobre os dados subjacentes que est\u00e3o sendo estudados.<\/span><\/p>\n Ao ler os resultados de um estudo ou mesmo ao conduzir o seu pr\u00f3prio estudo, \u00e9 importante compreender quais suposi\u00e7\u00f5es precisam ser feitas para que os resultados sejam confi\u00e1veis.<\/span><\/p>\n Os artigos a seguir compartilham as suposi\u00e7\u00f5es feitas em muitos testes e procedimentos estat\u00edsticos comumente usados:<\/span><\/p>\n Outra raz\u00e3o para estudar estat\u00edstica \u00e9 compreender o conceito de generaliza\u00e7\u00e3o excessiva<\/strong> .<\/span><\/p>\n Isto ocorre quando os indiv\u00edduos que participam num estudo n\u00e3o s\u00e3o representativos<\/a> dos indiv\u00edduos da popula\u00e7\u00e3o em geral e, portanto, \u00e9 inadequado generalizar os resultados de um estudo para toda a popula\u00e7\u00e3o.<\/span><\/p>\n Por exemplo, digamos que queremos saber que porcentagem de alunos de uma determinada escola prefere \u201cdrama\u201d como g\u00eanero de filme favorito. Se a popula\u00e7\u00e3o estudantil total for uma mistura de 50% de rapazes e 50% de raparigas, ent\u00e3o uma amostra composta por 90% de rapazes e 10% de raparigas poderia levar a resultados tendenciosos se um n\u00famero significativamente menor de rapazes preferir o teatro como g\u00e9nero favorito.<\/span><\/p>\n Idealmente, queremos que a nossa amostra se assemelhe a uma \u201cminivers\u00e3o\u201d da nossa popula\u00e7\u00e3o. Assim, se a popula\u00e7\u00e3o estudantil global for composta por 50% de raparigas e 50% de rapazes, a nossa amostra n\u00e3o seria representativa se inclu\u00edsse 90% de rapazes e apenas 10% de raparigas.<\/span> <\/p>\n Assim, quer esteja a realizar o seu pr\u00f3prio inqu\u00e9rito ou a ler os resultados de um inqu\u00e9rito, \u00e9 importante compreender se os dados da amostra s\u00e3o representativos da popula\u00e7\u00e3o total e se os resultados do inqu\u00e9rito podem ser generalizados para a popula\u00e7\u00e3o com confian\u00e7a.<\/span><\/p>\n Confira os seguintes artigos para obter uma compreens\u00e3o b\u00e1sica dos conceitos mais importantes em estat\u00edstica introdut\u00f3ria:<\/span><\/p>\n Estat\u00edsticas descritivas ou inferenciais<\/a> O campo da estat\u00edstica preocupa-se com a coleta, an\u00e1lise, interpreta\u00e7\u00e3o e apresenta\u00e7\u00e3o de dados. \u00c0 medida que a tecnologia se torna cada vez mais presente nas nossas vidas quotidianas, s\u00e3o gerados e recolhidos mais dados do que nunca na hist\u00f3ria da humanidade. A estat\u00edstica \u00e9 a \u00e1rea que pode nos ajudar a entender como utilizar […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1821","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Raz\u00e3o 1: Use estat\u00edsticas descritivas para compreender o mundo<\/strong><\/span><\/h3>\n
\n
\n
Raz\u00e3o 2: Cuidado com gr\u00e1ficos enganosos<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/berkson6.png\")
<\/p>\n Raz\u00e3o 3: tenha cuidado com vari\u00e1veis confusas<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/confondre4.png\")
<\/p>\n Raz\u00e3o 4: tomar melhores decis\u00f5es usando probabilidades<\/strong><\/span><\/h3>\n
Raz\u00e3o 5: Compreendendo os valores P na pesquisa<\/strong><\/span><\/h3>\n
\n
Raz\u00e3o 6: Entenda a correla\u00e7\u00e3o<\/strong><\/span><\/h3>\n
\n
Raz\u00e3o 7: Fa\u00e7a previs\u00f5es sobre o futuro<\/strong><\/span><\/h3>\n
\n
Raz\u00e3o 8: Compreenda o potencial vi\u00e9s nos estudos<\/strong><\/span><\/h3>\n
\n
Raz\u00e3o 9: Compreenda as suposi\u00e7\u00f5es feitas pelos testes estat\u00edsticos<\/strong><\/span><\/h3>\n
\n
Raz\u00e3o 10: Para evitar generaliza\u00e7\u00e3o excessiva<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rep_sample1.jpg\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Popula\u00e7\u00e3o vs. amostra<\/a>
Estat\u00edsticas versus par\u00e2metros<\/a>
Vari\u00e1veis qualitativas e quantitativas<\/a>
N\u00edveis de medi\u00e7\u00e3o: nominal, ordinal, intervalo e raz\u00e3o<\/p>\n","protected":false},"excerpt":{"rendered":"