O que é estatística, do jeitinho que ela realmente é
A estatística descritiva resume dados. A inferencial tenta extrapolar conclusões sobre uma população inteira com base apenas em uma amostra. O problema é que quase ninguém consegue explicar a diferença de forma útil na prática, então vou só descrever como eu uso isso no dia a dia. A descritiva envolve média, mediana, desvio padrão, variância, quartis,Histograma e tabelas de frequência. Basicamente, é organizar o que você já tem na mão. Já a inferencial faz testes de hipótese, intervalos de confiança, regressões, ANOVA. É onde você tenta responder perguntas sobre algo que não pode medir diretamente.
estatistica inferencial e descritiva na prática
No meu caso, eu trabalho bastante com dados de qualidade industrial e survey. Às vezes a gente coleta 500 respostas de um questionário e precisa saber se a proporção de "sim" é realmente diferente de 50%, ou se é só ruído amostral. Aí entra o teste binomial ou o intervalo de confiança para proporções. Sem isso, você fica no achismo. Um exemplo simples de descritiva: você tem 1.200 tempos de resposta de um sistema e quer saber se a média é 3 segundos. Você calcula a média, olha o desvio padrão, vê se há outliers. Pronto, isso é descritivo. Se quiser afirmar que todos os 10 mil usuários do sistema têm tempo médio próximo de 3 segundos, isso já é inferência.
Achei que eu ia fazer só isso, mas tem uma coisa que as pessoas geralmente entendem errado. A estatística descritiva não te diz nada sobre o futuro. Ela só organiza o passado. Já a inferencial tenta projectar, mas com margem de erro. E essa margem é o que mais causa problemas quando as pessoas não prestam atenção.
Como eu monto uma análise do zero
Primeiro passo: limpar os dados. Isso consome mais tempo do que qualquer fórmula. Eu já vi gente começar a calcular média e desvio antes de verificar se há nulos, duplicados ou valores negativos onde não deveriam existir. Aí o resultado sai torto e ninguém sabe o porquê. Depois, faço uma análise exploratória inicial. Histograma das variáveis numéricas, cross-tabulações para categóricas. Só aí eu decido se preciso transformar variáveis, normalizar, ou usar testes não paramétricos. Em geral, se o histograma mostrar uma distribuição bimodal, eu parei pra pensar antes de aplicar qualquer teste paramétrico.
Quando vou pra inferência, começo escolhendo a pergunta. Qual hipótese quero testar? Se for comparar médias de dois grupos, verifico primeiro se as variâncias são homogêneas com o teste de Levene. Se forem diferentes, uso Welch em vez do t-test padrão. Isso é algo que a maioria dos manuais ensina mas poucos aplicam na hora H.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O problema que eu encontrei e como resolvi
Uma vez eu tive um conjunto com 2.000 observações onde os dados estavam agrupados por site de coleta, e havia correlação intra-clusters. Apliquei regressão linear comum e os intervalos de confiança ficaram estreitos demais, dando significância para variáveis que na verdade não tinham. O problema era a non-independence dos dados. A solução foi usar modelos mistos com efeito aleatório para site, ou pelo menos calcular robust standard errors clustered by site. O tempo de processamento aumentou, mas as conclusões ficaram mais confiáveis. Isso é algo que poucos consultores verificam e que pode levar a decisões erradas em escala.
Ferramentas que eu uso
Para descritiva rápida, eu prefiro Python com pandas e seaborn, ou R com tidyverse. Para inferência mais pesada, R ainda é imbatível em testes estatísticos prontos. O Python tem statsmodels, mas a sintaxe é mais verbosa. Se o trabalho envolver modelos hierárquicos, o lme4 do R é o padrão do mercado. Se você quer começar do jeito mais direto possível, instalar o RStudio e rodar um script básico com summary() nos seus dados já resolve 80% das situações de descritiva. Para inferência, um t.test() ou chisq.test() cobre a maioria dos casos do dia a dia. A parte difícil não é executar o teste, é decidir qual teste usar e se as suposições dele são válidas para os seus dados.
Pegadinhas que eu vejo todo mundo cair
A primeira é confundir significância estatística com relevância prática. Um teste pode dar p-valor menor que 0.05 para uma diferença de 0.01 em uma escala de 0 a 100. Isso é estatisticamente significativo com uma amostra grande, mas não muda nada no mundo real. Sempre olhe o tamanho do efeito junto com o p-valor. A segunda é ignorar pressupostos. Teste t assume normalidade e homocedasticidade. Quando você tem amostras pequenas, isso é crítico. Com amostras grandes, o teorema central do limite ajuda, mas ainda assim, outliers extremos podem distorcer tudo. Eu recomendo sempre olhar o QQ-plot antes de confiar em testes paramétricos.
A terceira, e talvez a mais perigosa, é o p-hacking. Você testa várias variáveis, vários subgrupos, e acaba achando significância por acaso. Isso é especialmente comum em projetos onde o objetivo final é "provar algo" em vez de descobrir algo. A correção de Bonferroni ajuda, mas muitas vezes mata o poder estatístico demais. O ideal é pré-registrar as hipóteses antes de coletar os dados.
Resumo prático
Descritiva é sobre descrever o que você tem. Inferência é sobre generalizar a partir do que você tem. As duas se complementam, mas uma não substitui a outra. Comece sempre pela descritiva. Só depois vá pra inferência, e só depois de ter certeza de que os pressupostos dos testes estão sendo satisfeitos. Se você está começando agora, não tente aprender todos os testes de uma vez. Domine a descrição básica dos dados, o teste t, qui-quadrado e correlação. Quando esses estiverem naturais, parte pra regressão e ANOVA. O resto vem com o tempo e com a quantidade de projetos que você já rodou.
