Inferência Estatística

Este tema aborda os princípios fundamentais da inferência

estatística, que é a parte da estatística que se preocupa com a
obtenção de conclusões sobre uma população a partir de uma
amostra representativa. Os tópicos principais incluem
amostragem e distribuições amostrais, estimação pontual e
intervalar, e testes de hipóteses para uma e duas amostras.
by Professor Thiago Paiva
Amostragem e Distribuições Amostrais
Amostragem Distribuição Normal Amostragem
Aleatória Simples Estratificada
A distribuição normal,
A amostragem aleatória também conhecida como A amostragem
simples envolve a seleção distribuição gaussiana, é estratificada envolve a
aleatória de uma amostra fundamental na teoria divisão da população em
a partir de uma estatística. Muitos subgrupos homogêneos e
população. É um método fenômenos naturais a seleção de amostras a
comum e eficaz para seguem essa distribuição, partir de cada estrato. É
obter uma amostra o que a torna essencial útil para garantir que
representativa para para a compreensão de todos os grupos da
análise estatística. dados. população estejam
representados na
amostra.
Estimação Pontual e Intervalar

1 Estimação Pontual 2 Intervalo de 3 Erro Padrão

Confiança
A estimação pontual O erro padrão é a
envolve a utilização Os intervalos de medida da variação
de uma única confiança fornecem na estimativa devido
estimativa, como a uma faixa de valores à aleatoriedade na
média ou a dentro da qual se amostragem. Quanto
proporção, para acredita que uma menor o erro padrão,
inferir características estimativa pontual da mais precisamente a
da população. É um população esteja estimativa reflete a
método eficaz, mas contida. Eles são verdadeira
vem com incerteza essenciais para medir característica da
associada. a incerteza associada população.
à estimação pontual.
Testes de Hipóteses para Uma e
Duas Amostras
1 Definição de Hipótese Nula e Alternativa
No teste de hipóteses, a hipótese nula representa a alegação padrão,
enquanto a hipótese alternativa desafia a hipótese nula. Estabelecer
claramente essas hipóteses é essencial para a condução do teste.

2 Valor-P e Nível de Significância

O valor-p é a probabilidade de observar uma estatística de teste igual ou mais
extrema do que aquela observada na amostra, assumindo que a hipótese nula
é verdadeira. O nível de significância é a probabilidade de rejeitar
erroneamente a hipótese nula.

3 Teste t-Student
O teste t-Student é usado para determinar se há diferença significativa entre
as médias de duas amostras independentes. Ele é amplamente aplicado em
estudos comparativos e experimentais.
Erro Tipo I e Erro Tipo II
1 Erro Tipo I 2 Erro Tipo II
O erro tipo I ocorre quando a O erro tipo II ocorre quando a
hipótese nula é rejeitada hipótese nula não é rejeitada,
erroneamente, ou seja, quando embora exista um efeito ou
se conclui que há um efeito ou relação significativa na
relação significativa quando na população. É a falha em
verdade não existe. detectar um efeito real.
ANOVA e ANCOVA
Análise de Variância (ANOVA) Análise de Covariância (ANCOVA)

A ANOVA é utilizada para comparar médias ANCOVA incorpora variáveis de

de três ou mais grupos independentes. Ela covariância no modelo de análise,
verifica se há diferença significativa entre permitindo o controle de fatores que
as médias, garantindo uma análise podem afetar a variável dependente. Ela é
abrangente de variação. útil para validar os resultados da análise
estatística.
Regressão Linear e Logística
Regressão Linear
A regressão linear é usada para modelar a relação entre uma
variável dependente contínua e uma ou mais variáveis
independentes, buscando entender a natureza dessa relação e fazer
previsões.
Regressão Logística
A regressão logística é utilizada quando a variável dependente é
binária ou categórica, permitindo a previsão da probabilidade de
ocorrência de um evento com base em variáveis independentes.
Correlação e Covariância
Correlação Covariância
A correlação quantifica a força e direção A covariância mede a relação conjunta
da relação linear entre duas variáveis. entre duas variáveis e é usada para
Uma correlação próxima de 1 indica avaliar como duas variáveis variam
uma forte relação positiva, -1 uma forte juntas. No entanto, é mais difícil de
relação negativa, e 0 indica falta de interpretar do que a correlação devido à
relação. sua escala bruta.
Regressão Múltipla e Não Linear
Regressão Múltipla Regressão Não Linear

A regressão múltipla examina a relação A regressão não linear é aplicada quando

entre uma variável dependente e várias a relação entre as variáveis não pode ser
variáveis independentes. Ela permite descrita por um modelo linear. Ela busca
modelar a influência conjunta e individual modelar fenômenos mais complexos e
dessas variáveis sobre a variável curvilíneos.
dependente.
Mineração de Dados e Aprendizado
de Máquina
1 Mineração de Dados 2 Aprendizado de Máquina
A mineração de dados envolve a O aprendizado de máquina permite
descoberta de padrões, tendências e que os sistemas computacionais
relações em grandes conjuntos de aprendam e melhorem
dados. Ela utiliza métodos automaticamente a partir da
estatísticos e de aprendizado de experiência. Algoritmos estatísticos
máquina para extrair insights são aplicados para construir modelos
valiosos. preditivos e analíticos.
Estatística Bayesiana
Teorema de Bayes Atualização de Crenças
O teorema de Bayes descreve a Na estatística bayesiana, as
probabilidade de um evento crenças sobre os parâmetros são
baseado no conhecimento prévio atualizadas com base nos dados
das condições que podem estar observados, permitindo uma
relacionadas ao evento. Ele é análise mais flexível e a
fundamental na estatística incorporação contínua de
bayesiana. informações.
Simulação e Modelagem Estatística
1 Simulação Estatística
A simulação estatística envolve a geração de dados baseada em
um modelo estatístico para estudar o comportamento e as
propriedades de um sistema. É útil para prever resultados sob
diferentes cenários.

2 Modelagem Estatística
A modelagem estatística utiliza técnicas matemáticas e estatísticas
para descrever e explicar a relação entre variáveis. Ela é essencial
para a compreensão e previsão de fenômenos complexos.