Passo 1 — População, amostra e variável

População: o conjunto completo que você quer entender (ex.: todos os usuários do site).
Amostra: um subconjunto observado da população (ex.: os 300 últimos acessos).
Variável: o que você mede (ex.: “clicou no botão?” sim/não; “tempo na página” em segundos).

Por que importa? Sem separar população de amostra, você generaliza demais e tira conclusões frágeis.

Microexercício: escolha um problema seu (ex.: taxa de clique). Defina população, amostra e variável.

Leituras: Estatística · População e amostra

Passo 2 — Medidas simples: média, mediana e proporção

Média: soma ÷ quantidade (boa quando não há muitos extremos).
Mediana: valor do meio (resiste a extremos).
Proporção: fração de “sucessos” (ex.: 18 cliques em 300 visitas → 18/300 = 6%).

Microexercício: calcule a proporção de sucesso de um exemplo seu.

Leituras: Média · Mediana

Passo 3 — Variabilidade em uma frase

Desvio-padrão (ideia): mede o quanto os dados variam ao redor da média.

Intuição: a mesma média pode esconder comportamentos muito diferentes se a dispersão mudar.

Microexercício: pense em dois dias de tráfego com mesma média de visitas; anote por que “regularidade” (baixa variação) ajuda a prever melhor.

Leitura: Desvio padrão

Passo 4 — Probabilidade sem dor

Probabilidade = chance entre 0 e 1 (ou 0% e 100%).

• Regra da soma (eventos mutuamente exclusivos):
• Regra do produto (eventos independentes):

Microexercício: se 30% visitam a página A e 20% a B, e ninguém visita as duas, qual a chance de visitar A ou B?

Leitura: Probabilidade

Passo 5 — Probabilidade condicional (a peça-chave)

  e  

Atenção:

Microexercício: “P(tem doença | teste positivo)” não é igual a “P(teste positivo | tem doença)”. Explique em uma frase por quê.

Leitura: Probabilidade condicional

Passo 6 — Teorema de Bayes (versão de bolso)

Bayes reequilibra sua crença inicial (prior) com a evidência do dado (verossimilhança) e devolve uma crença atualizada (posterior).

Frase-resumo:  (normalizado para virar probabilidade).

• Prior : sua crença antes do dado.
• Verossimilhança : quão compatível é o dado com a hipótese.
• Posterior : crença depois de ver o dado.

Microexercício: pense em por que um evento raro (prior baixo) continua improvável mesmo com um teste “bom”.

Leitura: Teorema de Bayes

Passo 7 — Um exemplo com números (super simples)

Cenário: doença rara (1%). Teste acerta 99% quando há doença (sensibilidade) e erra 5% em quem não tem (falso positivo).

Evidência (teste+ em geral):

Posterior (probabilidade de ter a doença após teste+):

Moral: como a doença é rara, ainda é improvável mesmo depois do teste positivo (efeito da base).

Passo 8 — Proporções com “pseudocontagem” (regra prática)

Para taxas/proporções (ex.: taxa de clique), um prior Beta(α, β) funciona como “pseudocontagens”.

• Comece simples com α=1, β=1 (prior uniforme: 0 a 100% igualmente plausível).
• Observou s sucessos e f fracassos? Então .
• A média posterior vira .

Exemplo: 18 cliques em 300 visitas, prior uniforme → → média ≈ (≈ 6,3%).

Leitura: Distribuição Beta

Passo 9 — O que reportar (sem fórmulas difíceis)

• Ponto: média (ou mediana) posterior.
• Incerteza: intervalo de credibilidade (ex.: 95%).
• Decisão: em A/B, pergunte “qual a probabilidade de A ser melhor que B?”.

Passo 10 — Armadilhas comuns

• Ignorar a base (prevalência) → superestima riscos após teste positivo.
• Prior exagerado → domina os dados. Prefira priors fracos quando não souber.
• Confundir com → inversão do condicional.
• Esquecer a incerteza → sempre relate estimativa e incerteza.

Próximos passos

1. Repetir o exemplo do teste com números seus.
2. Repetir o exemplo de proporção (Beta-Binomial) com seus dados.
3. Depois migrar para Python (PyMC/ArviZ) para intervalos de credibilidade e A/B Bayes.

Tabela resumo

Passo	O que saber	Exemplo	Resultado prático
1	População × amostra	Todos usuários × últimos 300	Evita generalizações erradas
2	Média, mediana, proporção	18/300 = 6%	Medidas simples já ajudam
3	Variabilidade	Mesma média, variância diferente	Regularidade melhora previsão
4	Regras básicas	|	Combina chances com segurança
5	Condicional		Evita confusões críticas
6	Bayes (ideia)		Atualiza crença com dado
7	Exemplo numérico	Doença rara + teste	Após positivo: ~16,6%
8	Proporção Bayes		Regra prática com pseudocontagens
9	O que reportar	Média + intervalo	Estimativa com incerteza
10	Armadilhas	Base rate, prior forte, condicional	Diagnóstico e A/B mais seguros

Referências rápidas

Estatística · Probabilidade · Probabilidade condicional · Teorema de Bayes · Distribuição Beta