Visão Geral

Se você acha que as estatísticas não têm nada a dizer sobre o que você faz, ou como você poderia fazer melhor, então você está errado ou precisa de um trabalho mais interessante.

- Stephen Senn

A estatística é a ciência da ciência de dados. Sem ele, sua tomada de decisão "orientada por dados" pode estar levando você para a beira do precipício. Uma compreensão sólida de raciocínio estatístico garante que você extraia apenas percepções válidas de seus dados.

Muitas armadilhas aguardam o explorador de dados incauto. Neste curso, você aprenderá como evitar erros embaraçosos que podem prejudicar meses de trabalho.

Você ganhará experiência prática com as ferramentas necessárias para entender seus dados e tirar as conclusões corretas. O foco está no pensamento estatístico. Os conceitos serão introduzidos intuitivamente antes de serem expandidos formalmente. Você aprenderá como pensar em termos de distribuições - não estimativas de um único ponto. Os métodos estatísticos serão introduzidos no contexto de como usá-los para obter insights e resolver problemas. Como bônus, você também terá a chance de usar o poderoso ambiente R padrão da indústria para fazer cálculos numéricos.

Introdução à Estatística é um curso essencial para qualquer pessoa técnica, gerencial ou administrativa - interessada em usar dados para informar sua tomada de decisão. Existem pacotes de certificação disponíveis com este treinamento.

Objetivo

Após realizar este curso você será capaz de:

• Visualize os dados
• Tire conclusões sobre os recursos e a qualidade dos conjuntos de dados
• Resuma seus dados
• Determinar correlação
• Pense nos números como distribuições
• Compreenda a amostragem e sua importância na inferência estatística
• Use o poder dos computadores para gerar distribuições para qualquer problema
• Calcular intervalos de confiança e valores p
• Faça inferências estatísticas válidas usando uma variedade de testes de hipótese
• Análise estatística crítica
• Projete e execute seus próprios projetos estatísticos

Publico Alvo

• Qualquer pessoa que tire conclusões a partir de números.
• Nenhum conhecimento prévio de estatísticas ou pacotes de software é necessário. Uma natureza curiosa e interesse em usar números para resolver problemas são essenciais.
  

Pre-Requisitos

• Os participantes devem ser capazes de compreender conceitos matemáticos básicos (nível de ensino médio) e ter um nível de conforto com o uso de softwares de computador, como o Excel.
  

Materiais

Português/Inglês

Conteúdo Programatico

Introduction and Overview

1. Course philosophy
2. Software
3. Contents

What is Statistics?

1. Definition
2. Types of statistician
3. Variability
4. Probability
5. Let the die roll!
6. Die roll outcomes
7. Why is knowledge of statistics important?
8. Descriptive vs inferential statistics
9. Inferring population parameters
10. Quantitative data
11. Qualitative data
12. R statistical software
13. RStudio
14. Interactive exercise manual demo

Exploratory Data Analysis

1. What is exploratory data analysis (EDA)
2. Histograms and bar charts
3. Bar chart vs histogram
4. Central tendency and spread
5. Bin width is crucial
6. Right-skewed data
7. Outliers
8. Left-skewed data
9. Bimodal data
10. Separate subpopulations for analysis
11. Individual value plot
12. Subpopulation individual value plots
13. Benefits of boxplots
14. Boxplot
15. Boxplot vs histogram
16. Left-skewed boxplot
17. Compare subpopulations using boxplots
18. Swedish salaries by level of education
19. Measures of central tendency
20. Mean vs median
21. Mean vs median for skewed data
22. Mode
23. Measures of spread
24. Range and IQR
25. Standard deviation
26. Six figure summary
27. Central tendency and spread equations
28. Quantiles
29. Benefits of scatterplots
30. Scatterplot
31. Highlighting subgroups on scatterplot
32. What is correlation?
33. Correlation examples
34. Random data correlation
35. Literacy rate correlation
36. # children per woman correlation
37. Interpreting correlation coefficients
38. Correlation doesn’t imply causation
39. Causation doesn’t imply (linear) correlation
40. Probability Distributions
41. Numbers are mostly reckless estimates
42. Random variables
43. Male life expectancy in UK distribution
44. What’s the probability that a US man is 6’ or more?
45. What is a probability distribution?
46. Populations vs samples
47. Sampling the heights of 10 random American men
48. Sampling the heights of 100,000 random American men
49. Discrete probability distributions
50. Roll two dice and histogram the results
51. Poisson distribution
52. Binary probability distributions
53. Probability distribution for cars/household in the UK
54. Binomial distribution
55. Geometric distribution
56. Negative Binomial distribution
57. Continuous probability distributions
58. Uniform distribution
59. Triangular distribution
60. Normal distribution
61. Properties of the normal distribution
62. Distribution of IQ scores
63. Different means (same standard deviation)
64. Different standard deviations (same mean)
65. z-distribution
66. 68–95–99.7 (empirical) rule
67. Quantile-Quantile (Q-Q) plot
68. Q-Q plot of non-normal data
69. Common probability distributions “family tree”

Sampling

1. Samples are proxies for the population of interest
2. Unfortunately, samples vary
3. Larger samples exhibition less variation
4. Statistics vs parameters
5. Distributions involved in statistical inference
6. Sampling distribution of mean IQ
7. Collecting more IQ samples
8. Sampling distribution of mean die roll
9. Sampling distribution of mean project duration
10. Create a sampling distribution
11. Central limit theorem
12. Implications of the central limit theorem
13. Standard error of the mean (SEM)
14. Impact of sample size on SEM
15. What is a confidence interval?
16. 95% confidence interval
17. Bigger samples give greater precision
18. Smaller confidence levels result in tighter intervals
19. How should we interpret the confidence interval?
20. Random sampling
21. Simple random sampling
22. Stratified sampling
23. Cluster sampling
24. What is bootstrapping?
25. Estimating median life expectancy

Statistical Inference

1. What is statistical inference?
2. Why must we use samples?
3. Why do we need to conduct hypothesis tests?
4. What is hypothesis testing?
5. Null hypothesis
6. Alternative hypothesis
7. Rejecting the null hypothesis
8. One- vs Two-tailed hypothesis tests
9. Choosing between one- and two-tailed tests
10. What are p-values?
11. Significance level (?)
12. Types of errors
13. Confidence levels vs significance levels
14. Performing hypothesis tests
15. p-value controversy
16. When to use a t-test
17. t-value
18. t-distribution
19. t-distributions
20. Slot machine observed ”Return to Player”
21. Are slot machine payouts within tolerance?
22. Preform a t-test on RTP data using R
23. Two-sample t-test
24. When to use a z-test
25. Conducting hypothesis tests using z-scores
26. When to use a 2 test
27. Education and Brexit vote
28. Brexit vote breakdown
29. 2 value
30. 2 distributions
31. Are education and Brexit vote related?
32. When to use a F-test
33. Conducting hypothesis tests using F-values
34. F-distributions
35. Height distribution by sex
36. Does height variation differ by sex?
37. When to use analysis of variance (ANOVA)
38. Determining the F-value
39. Are all diets the same?
40. All diets are apparently not the same
41. Normality hypothesis tests
42. Statistically significant treatments?
43. What is statistical power?
44. Calculating statistical power
45. Statistical power curve
46. Improving statistical power of hypothesis tests