Estatística Descritiva x Estatística Inferencial

Compartilhe esse post

Olá pessoal, tudo bem?

O assunto de hoje em nosso blog é a diferença entre estatística descritiva e estatística inferencial. Vamos entender melhor esses dois tipos de procedimentos estatísticos.

Estatística Descritiva

A estatística descritiva tem como objetivo descrever os dados, seja de uma amostra ou de uma população. Nesse tipo de análise, verificamos a representatividade dos dados, ordenamos as informações, compilamos em tabelas e criamos gráficos para visualização. Além disso, calculamos medidas resumo como média, mediana, moda e estabelecemos relações funcionais entre as variáveis. Por exemplo, imagine um gerente de um restaurante fast food que registra os tempos de espera dos clientes durante uma semana no horário do almoço. Na estatística descritiva, ele pode resumir esses dados calculando o tempo médio de espera, o desvio padrão em relação ao tempo de entrega das refeições, entre outros.

Aqui estão exemplos computacionais de estatística descritiva usando a linguagem Rstudio:

# Dados amostrais

dados <- c(22, 18, 20, 16, 24, 21, 19, 23, 25, 17)

# Média

media <- mean(dados)

print(paste(“Média:”, media))

# Mediana

mediana <- median(dados)

print(paste(“Mediana:”, mediana))

# Desvio padrão

desvio_padrao <- sd(dados)

print(paste(“Desvio padrão:”, desvio_padrao))

Nesse exemplo, usamos as funções mean, median e sd para calcular a média, mediana e desvio padrão dos dados amostrais. Isso nos fornece medidas resumo para descrever o conjunto de dados.

Estatística Inferencial

Agora, vamos falar sobre estatística inferencial. Esse é o segundo tipo de procedimento estatístico e está focado no raciocínio necessário para obter conclusões gerais a partir dos dados. O objetivo da estatística inferencial é fazer afirmações sobre uma população com base em uma amostra. Essas inferências ou generalizações podem ser de dois tipos: estimações ou decisões, que são realizadas por meio de testes de hipóteses. Para ilustrar esse conceito, vamos usar o exemplo de uma fábrica de pregos. Seria impraticável medir o diâmetro de todos os pregos produzidos, mas é possível medir o diâmetro de uma amostra representativa e usar essas informações para fazer generalizações sobre o diâmetro dos pregos produzidos.

Aqui estão exemplos computacionais de estatística inferencial usando a linguagem Rstudio:

# Dados amostrais

dados <- c(6, 4, 5, 3, 7, 2, 8, 3, 5, 4)

# Teste t de uma amostra

resultado_teste <- t.test(dados, mu = 5)

if (resultado_teste$p.value < 0.05) {

  print(“Há evidências estatísticas para rejeitar a hipótese nula.”)

} else {

  print(“Não há evidências estatísticas para rejeitar a hipótese nula.”)

}

Nesse exemplo, usamos a função t.test para realizar um teste t de uma amostra. O teste é usado para verificar se a média populacional é significativamente diferente de um valor específico, neste caso, 5. Com base no valor-p retornado pelo teste, podemos tomar uma decisão sobre rejeitar ou não a hipótese nula.

Esses são apenas exemplos simples para ilustrar a aplicação da estatística descritiva e inferencial usando a linguagem Rstudio. Existem muitas outras funções estatísticas disponíveis em pacotes como stats e tidyverse que podem ser utilizadas para análises mais complexas.

É assim que se diferencia a estatística descritiva da estatística inferencial. Na descritiva, focamos na descrição dos dados e no resumo numérico ou gráfico. Já na inferencial, buscamos fazer conclusões gerais a partir de amostras representativas, utilizando técnicas como estimações e testes de hipóteses.

Espero que este artigo tenha sido esclarecedor para vocês. Fiquem ligados para mais conteúdos interessantes em nosso blog. Um forte abraço e até a próxima!

Escrito por Diogo Gomes Pires

Se interessou?

Deixe seu email que entraremos em contato!

Posts recentes

Entenda a importância de dados na tomada de decisão

Em um mundo cada vez mais digital e interconectado, os dados se tornaram um recurso valioso e indispensável para empresas, governos e indivíduos. Mas por que os dados são tão importantes na tomada de decisão? Vamos explorar alguns aspectos cruciais que ilustram essa importância.