População: Uma população é um conjunto completo de elementos, indivíduos, objetos ou eventos
que se deseja estudar ou sobre os quais se deseja tirar conclusões.
Amostra: Uma amostra é um subconjunto representativo selecionado da população. A amostragem
é o processo de escolher amostras da população para análise estatística.
Variável: Uma variável é uma característica ou propriedade que pode ser medida ou observada.
Pode ser uma variável numérica (quantitativa) ou uma variável categórica (qualitativa).
Dados: Os dados são os valores ou observações obtidos para uma ou mais variáveis. Eles podem
ser coletados de várias fontes, como pesquisas, experimentos ou registros.
Estatística Descritiva: A estatística descritiva envolve a organização, resumo e apresentação dos
dados de forma compreensível. Isso inclui medidas como média, mediana, moda, desvio padrão,
gráficos e tabelas.
Estatística Inferencial: A estatística inferencial é usada para fazer inferências, tirar conclusões ou
fazer generalizações sobre uma população com base em uma amostra. Envolve técnicas como
estimativa de parâmetros, testes de hipóteses e intervalos de confiança.
Parâmetro: Um parâmetro é uma medida numérica que descreve uma característica da população,
como a média ou a proporção. Em geral, é desconhecido e é estimado com base nos dados da
amostra.
Estimativa: Uma estimativa é uma medida calculada com base nos dados da amostra para inferir
um valor desconhecido do parâmetro populacional. Estimativas pontuais são valores únicos,
enquanto as estimativas intervalares fornecem um intervalo de valores plausíveis.
Teste de Hipótese: Um teste de hipótese é uma técnica estatística usada para tomar uma decisão
entre duas hipóteses concorrentes, a hipótese nula (H0) e a hipótese alternativa (H1), com base nos
dados da amostra.
Intervalo de Confiança: Um intervalo de confiança é uma faixa de valores plausíveis que estima
um parâmetro populacional desconhecido. É construído em torno de uma estimativa pontual e
indica a incerteza associada à estimativa.
P valor: O p-valor é uma medida que nos ajuda a descobrir se algo é realmente verdadeiro ou
apenas aconteceu por acaso. Imagina que você tem uma ideia de que alunos veteranos tiram
melhores notas que alunos calouros. Para testar essa ideia, você organiza uma avaliação com
conceitos básicos entre alunos veteranos e alunos calouros.
Depois da avaliação, você coleta os resultados. O p-valor é como uma nota que você calcula com
base nesses resultados. Se o p-valor for menor que 0,05 (5%), isso significa que é muito improvável
que os resultados tenham ocorrido apenas por acaso. Portanto, você pode dizer que os alunos
veteranos tiram realmente notas melhores que os alunos calouros.
1
A razão pela qual adotamos 5% como limite para o p-valor é uma convenção estatística. É uma
maneira comum de tomar decisões e estabelecer um nível de confiança. Quando escolhemos um
limite de 5%, estamos dizendo que aceitamos um pequeno risco de cometer erros ao afirmar algo
como verdadeiro. Portanto, se o p-valor for menor que 5%, temos confiança suficiente para
acreditar na nossa ideia.
Lembre-se, o p-valor é apenas uma ferramenta que nos ajuda a entender se os resultados são
confiáveis ou não. É importante usar outras evidências e fazer mais pesquisas para ter certeza sobre
as conclusões que tiramos.
Significância: A significância estatística é uma medida que nos ajuda a avaliar se os resultados de
um estudo são estatisticamente significativos ou se podem ter ocorrido por acaso. Em termos
simples, a significância estatística nos diz se os resultados são confiáveis e se podemos generalizá-
los para uma população maior.
Distribuição normal: A distribuição normal, também conhecida como distribuição de Gauss ou
distribuição em forma de sino, é um padrão estatístico comum encontrado em muitos fenômenos
naturais. Uma distribuição normal é simétrica, com a maioria dos dados concentrados em torno da
média e uma diminuição gradual em direção às extremidades. Muitas técnicas estatísticas assumem
que os dados seguem uma distribuição normal.
Exemplo: Imagine que você está medindo a altura das pessoas em uma cidade. Quando você coloca
todos os valores em um gráfico, pode notar um padrão interessante. A maioria das pessoas tem
uma altura próxima da média e, à medida que você se afasta dessa média, o número de pessoas
diminui. Esse padrão é chamado de distribuição normal.
Você pode imaginar a distribuição normal como uma espécie de montanha ou colina. A parte mais
alta da montanha representa a altura média das pessoas na cidade. À medida que você se move
para os lados da montanha, a altura das pessoas vai ficando mais alta ou mais baixa.
O formato da distribuição normal é como uma curva suave, parecida com uma forma de sino. Isso
significa que a maioria das pessoas está perto da média, e as alturas extremas são menos comuns.
A curva também é simétrica, o que significa que os valores acima da média são iguais aos valores
abaixo da média.
Essa distribuição normal é importante em estatística porque aspectos cotidianos seguem esse
padrão. Por exemplo, o peso das pessoas, as notas dos alunos em uma prova ou até mesmo a
quantidade de chuva em diferentes dias podem seguir uma distribuição normal. Quando estudamos
a distribuição normal, podemos fazer cálculos e usar fórmulas especiais para entender melhor os
dados e fazer previsões. Isso nos ajuda a entender como as coisas funcionam e a tomar decisões
baseadas em informações confiáveis.
Variável dependente: Uma variável dependente é aquela que está sendo estudada ou medida e que
pode ser influenciada ou dependente de outras variáveis. É o resultado que queremos explicar ou
prever. Por exemplo, em um estudo sobre o desempenho acadêmico dos alunos, a variável
dependente poderia ser as notas obtidas.
2
Variável independente: Uma variável independente é aquela que é manipulada ou controlada no
estudo e que pode ter um efeito sobre a variável dependente. É a causa ou fator que queremos
investigar em relação à variável dependente. Continuando com o exemplo anterior, a quantidade
de horas de estudo dos alunos poderia ser uma variável independente que investigamos em relação
às notas.
Teste de hipótese: Um teste de hipótese é uma técnica estatística usada para tomar decisões ou
fazer afirmações sobre uma população com base em dados de amostra. É usado para testar se há
evidências suficientes para suportar ou rejeitar uma hipótese sobre um parâmetro populacional.
Basicamente, usamos um teste de hipótese para verificar se nossas suposições ou crenças sobre
uma população são suportadas pelos dados amostrais que coletamos.
Esses são apenas alguns dos principais conceitos estatísticos. À medida que você avança em seus
estudos, encontrará muitos outros conceitos e técnicas estatísticas importantes.
