Sumário estratégico

Estatística em concurso é uma disciplina com cara de fórmula, mas alma de interpretação. A banca quer saber se você entende população, amostra, variabilidade, incerteza, inferência e modelo. Quando a conta aparece, ela costuma ser simples; o que derruba é usar a ferramenta errada com confiança demais.

1. Raio-X dos editais

   Cebraspe, FGV, IBGE, fiscalização, controle, polícia e áreas técnicas
   p. 04
2. Descritiva e análise exploratória

   Variáveis, escalas, frequências, gráficos, medidas, boxplot e outliers
   p. 07
3. Probabilidade e variáveis aleatórias

   Axiomas, condicional, Bayes, esperança, variância, discretas e contínuas
   p. 18
4. Distribuições e teoremas-limite

   Binomial, Poisson, normal, t, qui-quadrado, F, Lei dos Grandes Números e TCL
   p. 26
5. Amostragem, estimação e testes

   Métodos amostrais, tamanho amostral, estimadores, intervalos, p-valor e potência
   p. 36
6. Modelagem estatística

   Correlação, regressão, ANOVA, resíduos, multivariada, séries e dados públicos
   p. 49
7. Mapa, revisão e questões

   Checklist final, fórmulas essenciais, referências e 10 questões comentadas
   p. 60

O que você vai dominar

Dica do Fuffu

Estatística não é uma coleção de nomes difíceis. É uma língua para falar de incerteza com alguma honestidade. Quando você entende o que a fórmula está tentando proteger, a prova fica muito menos assustadora.

Prof. Affonsinho explica, Módulo 01

1 O que mais cai em Estatística

O mapeamento dos editais recentes mostra repetição forte. Em Cebraspe, cargos como Estatístico da Polícia Federal Administrativa 2025, Analista Judiciário - Estatística do TJ-PA 2025, Polícia Federal 2025 e Agente Fazendário Estadual - Estatístico do Paraná 2025 repetem o eixo: descritiva, probabilidade, variáveis aleatórias, distribuições, Lei dos Grandes Números, Teorema Central do Limite, inferência, regressão e amostragem.

Na FGV, a Controladoria Geral do Estado de São Paulo 2025 traz estatística descritiva, coeficiente de variação, amplitude interquartil, correlação, histogramas, boxplot, outliers, distribuições binomial e normal, inferência, testes, regressão e amostragem. Em processos do IBGE, a leitura de dados e a cultura de pesquisa aparecem com peso prático.

Alerta do Examinador

Quando o cargo é de Estatístico, o edital não para na média e no desvio-padrão. Ele chega em suficiência, máxima verossimilhança, credibilidade, regressão, ANOVA, multivariada e ferramentas de dados. A aula precisa cobrir o tronco inteiro.

Prof. Affonsinho explica, Módulo 01

1.1 Ordem inteligente de estudo

Estudar Estatística pela ordem do edital pode funcionar, mas a ordem conceitual é melhor: primeiro dados; depois variabilidade; depois probabilidade; depois amostragem; depois inferência; por fim modelos. Sem essa sequência, teste de hipótese vira ritual mecânico e regressão vira uma reta misteriosa que aparece do nada.

O vilão da aula

O Concurseiro Virado no Rivotril vai decorar meia dúzia de fórmulas e tentar resolver tudo no automático. Parece rápido. É exatamente assim que a banca pega quem troca conceito por impulso.

Prof. Affonsinho explica, Módulo 01

1.2 De onde veio a disciplina

A estatística moderna nasce do encontro entre aritmética política, probabilidade e ciência experimental. John Graunt analisou registros de mortalidade no século XVII; Jakob Bernoulli consolidou ideias que desembocam na Lei dos Grandes Números; Thomas Bayes formulou a base da inferência bayesiana; Adolphe Quetelet aplicou regularidades estatísticas ao estudo social.

No século XX, a disciplina ganha a face cobrada em concursos. Karl Pearson trabalha correlação e qui-quadrado; Ronald Fisher formaliza máxima verossimilhança, ANOVA, desenho experimental e suficiência; Neyman e Pearson estruturam a teoria de testes com erro tipo I, erro tipo II e potência; Tukey fortalece a análise exploratória de dados; Cochran e Kish viram referências em amostragem.

Bate-papo com o Seu Teoffilo

Em disciplinas jurídicas, a gente cita súmula e precedente. Aqui, a profundidade vem da tradição técnica: Fisher para estimação e ANOVA, Neyman-Pearson para testes, Tukey para exploração, Cochran e Kish para amostragem, Box para modelagem. Concurso avançado adora essa camada conceitual.

Prof. Affonsinho explica, Módulo 02

2 População, amostra e unidade estatística

População é o conjunto completo de unidades de interesse. Amostra é o subconjunto observado. Unidade estatística é o elemento sobre o qual se mede algo: pessoa, processo, escola, município, contrato, domicílio, ligação telefônica ou item produzido. Sem definir a unidade, a análise começa torta.

O parâmetro descreve a população; a estatística descreve a amostra. A média populacional costuma ser representada por μ; a média amostral, por x̄. A proporção populacional é p; a proporção amostral é p̂. Essa diferença é a porta de entrada da inferência.

2.1 Variáveis qualitativas e quantitativas

Variável é o atributo observado. Qualitativa nominal classifica sem ordem: sexo, cargo, órgão, cor, tipo de processo. Qualitativa ordinal classifica com ordem: escolaridade, nível de satisfação, classe de risco. Quantitativa discreta vem de contagem: número de filhos, processos, erros. Quantitativa contínua vem de mensuração: tempo, altura, renda, distância.

As escalas também importam. Escala nominal apenas nomeia; ordinal ordena; intervalar tem diferenças interpretáveis, mas zero arbitrário; razão tem zero absoluto e permite quocientes. Temperatura em Celsius é intervalar; massa, tempo e renda são de razão.

Pegadinha da Dotôra Soffya

Número não transforma automaticamente uma variável em quantitativa. CEP, CPF, código de órgão e número de matrícula são identificadores. Fazer média de CEP é uma confusão elegante, mas continua confusão.

2.2 Frequência absoluta, relativa e acumulada

Frequência absoluta é a contagem de ocorrências. Frequência relativa divide a frequência absoluta pelo total, podendo aparecer em fração, decimal ou percentual. Frequência acumulada soma as frequências até certo ponto. Para variáveis contínuas, costuma-se agrupar em classes.

A montagem das classes exige cuidado: intervalos devem ser exaustivos e não sobrepostos. Se uma classe vai de 10 a 20 e outra de 20 a 30, diga se 20 entra na primeira ou na segunda. Ambiguidade em classe é convite para erro de contagem.

Alerta do Examinador

FGV e Cebraspe gostam de pedir leitura de frequência acumulada. Procure palavras como "até", "no máximo", "abaixo de" e "pelo menos". Elas mudam a direção da soma.

2.3 Gráfico certo para pergunta certa

Gráfico de barras compara categorias. Gráfico de linhas mostra evolução temporal. Histograma representa distribuição de variável quantitativa contínua por classes. Diagrama de dispersão mostra relação entre duas variáveis quantitativas. Boxplot resume posição, dispersão, assimetria e valores atípicos.

Dica do Raffinha

Antes de interpretar um gráfico, olhe eixos, unidade, escala e fonte. Muita questão é menos sobre Estatística e mais sobre atenção visual.

2.4 Média, mediana e moda

Média soma os valores e divide pela quantidade. Mediana é o valor central depois da ordenação. Moda é o valor mais frequente. Em distribuição simétrica e unimodal, as três podem ficar próximas. Em distribuição assimétrica, a média é puxada pela cauda.

Se há valores extremos, a mediana costuma representar melhor o centro. Se a variável é qualitativa nominal, moda é a medida natural. Se há pesos, use média ponderada: cada valor entra multiplicado por seu peso, e o resultado é dividido pela soma dos pesos.

2.5 Quando pesos mudam tudo

Em concursos, média ponderada aparece em notas, indicadores compostos, índices e distribuição de frequência. O erro comum é tirar média simples das médias parciais sem considerar tamanhos de grupo. Uma média de turma com 10 pessoas não tem o mesmo peso de uma média de turma com 100 pessoas.

Se um órgão A tem 20 servidores com média 80 e órgão B tem 80 servidores com média 60, a média conjunta é (20·80 + 80·60)/100 = 64, não 70. O número de observações é peso natural.

Alerta do Examinador

Sempre pergunte: esses grupos têm o mesmo tamanho? Se não têm, média de médias quase sempre está errada.

2.6 Quartis, decis e percentis

Medidas de posição dividem dados ordenados. Quartis dividem em quatro partes; decis, em dez; percentis, em cem. O percentil 90 indica que cerca de 90% dos valores estão abaixo ou iguais àquele ponto, conforme a convenção usada.

Há convenções diferentes para calcular quantis em amostras pequenas. Em prova objetiva, a banca costuma deixar claro o método ou usar dados em que a posição é direta. Se o enunciado não especifica e as alternativas dependem de convenção, a questão fica tecnicamente frágil.

2.7 Amplitude, variância e desvio-padrão

Medidas de dispersão mostram o quanto os dados se afastam do centro. Amplitude = máximo - mínimo. É simples, mas depende só dos extremos. Variância mede média dos quadrados dos desvios em relação à média. Desvio-padrão é a raiz da variância e volta à unidade original dos dados.

Na amostra, a variância usual divide por n - 1, não por n, quando o objetivo é estimar a variância populacional. Essa correção, associada aos graus de liberdade, aparece bastante em inferência.

2.8 Dispersão relativa

O coeficiente de variação compara o desvio-padrão com a média: CV = s / x̄, normalmente expresso em percentual. Ele é útil para comparar variabilidade de séries com unidades diferentes ou médias muito diferentes.

Exemplo: desvio-padrão de 10 pode ser enorme se a média é 20 e pequeno se a média é 1000. O CV captura essa proporção. A FGV tem cobrado explicitamente esse tópico em editais recentes, inclusive junto de amplitude interquartil.

Pegadinha da Dotôra Soffya

CV perto de média zero pode ficar instável ou sem interpretação útil. Não use coeficiente de variação no piloto automático.

2.9 Forma da distribuição

Assimetria descreve cauda. Assimetria positiva tende a ter cauda à direita; a média costuma ficar maior que a mediana. Assimetria negativa tem cauda à esquerda; a média costuma ficar menor que a mediana. Curtose descreve peso de caudas e concentração relativa, mas muitas questões tratam de modo simplificado.

Em concursos, o mais importante é interpretar. Dados de renda, tempo de espera e valores de contratos costumam ter assimetria positiva: poucos valores muito altos puxam a média para cima. Por isso, mediana e quartis podem ser mais informativos que média isolada.

Bate-papo com o Seu Teoffilo

Tukey defendia olhar os dados antes de formalizar teste. Boxplot, assimetria e valores extremos não são perfumaria: são a triagem que impede inferência bonita sobre dado torto.

2.10 Boxplot, IQR e valores atípicos

O boxplot usa mediana, Q1, Q3 e amplitude interquartil. A caixa vai de Q1 a Q3; a linha interna marca a mediana. A amplitude interquartil é IQR = Q3 - Q1. Uma regra comum identifica valores atípicos abaixo de Q1 - 1,5·IQR ou acima de Q3 + 1,5·IQR.

Outlier não é automaticamente erro. Pode ser digitação errada, fraude, caso raro legítimo ou sinal de subpopulação. Em órgão público, valores extremos podem apontar problema de qualidade de dado, caso excepcional ou fato administrativo relevante. Estatístico bom investiga antes de apagar.

Prof. Affonsinho explica, Módulo 03

3 Experimento, espaço amostral e evento

Probabilidade começa com experimento aleatório, cujo resultado individual é incerto, mas o conjunto de possibilidades pode ser descrito. Espaço amostral é o conjunto de resultados possíveis. Evento é subconjunto do espaço amostral.

Os axiomas de Kolmogorov estruturam a disciplina: probabilidade é não negativa; a probabilidade do espaço amostral é 1; eventos mutuamente exclusivos têm probabilidade da união igual à soma das probabilidades. Desse tripé saem as regras básicas da prova.

3.1 Contar antes de dividir

Em espaços equiprováveis, P(A) = casos favoráveis / casos possíveis. A dificuldade está em contar. O princípio fundamental da contagem multiplica escolhas sucessivas independentes. Permutação ordena todos; arranjo escolhe e ordena; combinação escolhe sem ordenar.

Alerta do Examinador

Comissão, grupo e subconjunto costumam indicar combinação. Senha, fila, cargo e ordem de chegada costumam indicar arranjo ou permutação.

3.2 Regra da adição

Para dois eventos, P(A ∪ B) = P(A) + P(B) - P(A ∩ B). A subtração evita contar duas vezes a interseção. Se A e B são mutuamente exclusivos, P(A ∩ B) = 0, então a fórmula vira soma simples.

Mutuamente exclusivos significa que não podem ocorrer juntos. Independentes significa que a ocorrência de um não altera a probabilidade do outro. São ideias diferentes. Dois eventos mutuamente exclusivos com probabilidades positivas não são independentes.

Pegadinha da Dotôra Soffya

Eventos mutuamente excludentes não são independentes. Se um evento aconteceu e impede o outro, ele obviamente altera a chance do outro acontecer.

3.3 Probabilidade condicional

A probabilidade de A dado B é P(A | B) = P(A ∩ B) / P(B), com P(B) > 0. O evento B vira o novo universo de análise. Palavras como "sabendo que", "dado que", "entre os que" e "considerando apenas" costumam acionar probabilidade condicional.

A regra do produto sai daí: P(A ∩ B) = P(A | B)P(B). Se os eventos são independentes, P(A | B) = P(A), e então P(A ∩ B) = P(A)P(B).

3.4 Teorema de Bayes

Bayes atualiza probabilidade quando uma evidência aparece. A forma básica é P(A | B) = P(B | A)P(A) / P(B). Quando há partição A₁, A₂, ..., Aₖ, usa-se o denominador pela probabilidade total: P(B) = ΣP(B | Aᵢ)P(Aᵢ).

Em prova, Bayes aparece em testes diagnósticos, auditoria, classificação, defeitos de produção e filtros. A sensibilidade P(positivo | doente) não é a mesma coisa que P(doente | positivo). Trocar essas duas probabilidades é erro clássico.

Dica do Jeff

Monte uma árvore. Probabilidade de caminho é multiplicação; probabilidade de chegar ao mesmo resultado por caminhos diferentes é soma. A árvore deixa Bayes menos místico e mais operacional.

3.5 Variável aleatória discreta

Variável aleatória é função que associa resultado do experimento a número. Se assume valores contáveis, é discreta. Sua distribuição pode ser descrita por função de probabilidade: p(x) = P(X = x), com p(x) ≥ 0 e soma das probabilidades igual a 1.

A função de distribuição acumulada é F(x) = P(X ≤ x). Ela sempre cresce ou fica constante, nunca diminui, e tende a 0 à esquerda e a 1 à direita. Em variável discreta, F tem saltos nos pontos com massa de probabilidade.

3.6 Valor esperado e momentos

A esperança é média teórica da distribuição. Não precisa ser valor possível. Em um dado honesto, E(X)=3,5, embora nenhuma face mostre 3,5. Variância mede dispersão teórica: Var(X)=E[(X-μ)²]=E(X²)-[E(X)]².

Propriedades essenciais: E(aX+b)=aE(X)+b. Var(aX+b)=a²Var(X). Se X e Y são independentes, E(XY)=E(X)E(Y) e Var(X+Y)=Var(X)+Var(Y). Sem independência, entra covariância.

3.7 Variável aleatória contínua

Em variável contínua, probabilidades pontuais são zero: P(X = a)=0. A probabilidade aparece em intervalos e é área sob a função densidade. A densidade f(x) precisa ser não negativa e integrar 1 no domínio.

A função de distribuição é F(x)=P(X≤x)=∫f(t)dt até x. Se a densidade é contínua, F'(x)=f(x). Em concursos, isso aparece em distribuições uniforme, normal e exponencial, além de transformações simples.

3.8 Conjunta, marginal e condicional

Distribuição conjunta descreve duas ou mais variáveis ao mesmo tempo. A marginal de X sai somando ou integrando a conjunta sobre os valores de Y. A condicional de X dado Y fixa a informação de Y e renormaliza a distribuição.

Covariância mede associação linear conjunta: Cov(X,Y)=E[(X-μX)(Y-μY)]. Correlação padroniza a covariância entre -1 e 1. Independência implica covariância zero, quando as variâncias existem; mas covariância zero não garante independência em geral.

Bate-papo com o Seu Teoffilo

Essa distinção é fina e cai em cargo técnico. Independência é uma propriedade da distribuição inteira. Correlação zero só fala de associação linear.

Prof. Affonsinho explica, Módulo 04

4 Distribuições discretas clássicas

Bernoulli modela ensaio com dois resultados: sucesso e fracasso. Se X~Bernoulli(p), então E(X)=p e Var(X)=p(1-p). Binomial soma n ensaios de Bernoulli independentes, com mesma probabilidade p. Se X~Bin(n,p), então P(X=k)=C(n,k)pᵏ(1-p)ⁿ⁻ᵏ.

Use binomial quando há número fixo de tentativas, independência, dois resultados e probabilidade constante. Se a retirada é sem reposição de população finita, cuidado: pode ser hipergeométrica.

4.1 Geométrica e binomial negativa

A distribuição geométrica modela o número de tentativas até o primeiro sucesso, em ensaios independentes com probabilidade constante p. A binomial negativa generaliza para o número de tentativas até r sucessos.

O ponto de prova é reconhecer a pergunta. "Quantos sucessos em n tentativas?" lembra binomial. "Quantas tentativas até o primeiro sucesso?" lembra geométrica. "Quantas tentativas até o terceiro sucesso?" lembra binomial negativa.

Dica do Raffinha

Olhe a variável que a questão quer contar. Se o total de tentativas já está fixo, pense em binomial. Se o total é aleatório até alcançar sucesso, pense em geométrica ou binomial negativa.

4.2 Retirada sem reposição

A hipergeométrica modela sucessos em amostra de tamanho n retirada sem reposição de população finita com K sucessos em N elementos. A probabilidade é P(X=k)=C(K,k)C(N-K,n-k)/C(N,n).

Ela aparece em auditoria, controle de qualidade, seleção de processos, sorteio de peças e amostras sem reposição. Se a população é grande e a fração amostral é pequena, a binomial pode aproximar; mas em prova, se o enunciado enfatiza sem reposição, use hipergeométrica.

4.3 Contagens raras em intervalo

A distribuição de Poisson modela contagens de eventos em intervalo de tempo, área, volume ou exposição, quando a taxa média λ é estável e eventos ocorrem de forma aproximadamente independente. P(X=k)=e⁻λ λᵏ/k!, com E(X)=Var(X)=λ.

Exemplos: chamadas por minuto, falhas por lote, acidentes por trecho, erros por página, demandas por hora. Se o intervalo dobra e a taxa é constante, λ dobra. Essa escala do parâmetro é muito cobrada.

Alerta do Examinador

Poisson conta eventos. Exponencial, que aparece junto, modela tempo entre eventos em um processo de Poisson.

4.4 Distribuições contínuas de base

A uniforme contínua em [a,b] distribui probabilidade igualmente pelo intervalo. Sua densidade é 1/(b-a). A esperança é (a+b)/2 e a variância é (b-a)²/12. É simples, mas ótima para testar se você entendeu área sob curva.

A exponencial modela tempo de espera entre eventos de um processo de Poisson, com taxa λ. Tem densidade f(x)=λe⁻λx para x≥0, esperança 1/λ e propriedade de falta de memória: o tempo futuro não depende do tempo já esperado.

4.5 Normal e padronização

A normal é simétrica, unimodal e descrita por média μ e variância σ². A normal padrão tem média 0 e variância 1. Padronizar é transformar Z=(X-μ)/σ, para consultar probabilidades na normal padrão.

A regra empírica ajuda: em distribuição normal, cerca de 68% dos valores estão a até 1 desvio-padrão da média, 95% a até 2 desvios e 99,7% a até 3 desvios. Essa regra é aproximação, não substitui tabela quando a prova dá valores críticos.

4.6 Distribuições amostrais de prova

A distribuição t de Student aparece quando se estima média com variância populacional desconhecida, especialmente em amostras pequenas sob normalidade. Ela é parecida com a normal, mas tem caudas mais pesadas. À medida que os graus de liberdade aumentam, aproxima-se da normal.

A qui-quadrado aparece em variância de população normal, aderência e independência em tabelas. A F aparece em razão de variâncias e ANOVA. Graus de liberdade não são detalhe decorativo: fazem parte da distribuição.

4.7 Transformação de variáveis

Editais Cebraspe mencionam transformação de variáveis. A ideia é descobrir a distribuição de Y=g(X). Em casos simples, use a função de distribuição: Fᵧ(y)=P(Y≤y). Quando g é monótona e derivável, a densidade transforma com o valor absoluto da derivada inversa.

Em prova objetiva, costuma aparecer transformação linear: se Y=aX+b, então E(Y)=aE(X)+b e Var(Y)=a²Var(X). Se X é normal, Y também é normal. Essa propriedade sustenta padronização e intervalos.

Bate-papo com o Seu Teoffilo

Transformação não é só cálculo. Log, raiz e padronização podem melhorar escala, estabilizar variância ou tornar interpretação mais conveniente em modelos.

4.8 Estabilidade da média amostral

A Lei dos Grandes Números diz, em linguagem de prova, que a média amostral tende ao valor esperado conforme o tamanho da amostra cresce, sob condições adequadas. Ela justifica a intuição de que repetição reduz erro aleatório médio.

Mas ela não diz que uma sequência curta deve "compensar" resultados passados. Se uma moeda honesta deu cara cinco vezes, a próxima jogada continua com probabilidade 1/2 de cara. A lei fala de comportamento de longo prazo, não de dívida cósmica do acaso.

Pegadinha da Dotôra Soffya

A falácia do jogador é achar que o acaso tem memória corretiva. Não tem. Independência continua independência, mesmo depois de uma sequência estranha.

4.9 Por que a normal aparece tanto

O Teorema Central do Limite afirma, sob condições usuais, que a distribuição da média amostral padronizada tende à normal conforme n cresce, mesmo que a distribuição original não seja normal. É por isso que tantos intervalos e testes usam aproximação normal.

O TCL não autoriza ignorar qualquer problema. Amostras dependentes, caudas pesadas extremas, vieses de seleção e desenho amostral ruim podem destruir a conclusão. Tamanho grande reduz erro aleatório, não cura erro sistemático.

Prof. Affonsinho explica, Módulo 05

5 Amostra aleatória simples

Na amostragem aleatória simples, toda amostra de tamanho n tem a mesma probabilidade de seleção. É o desenho mais básico, mas nem sempre o mais eficiente. Ele exige cadastro amostral adequado, sorteio real e controle de não resposta.

AAS aparece em fórmulas de erro-padrão, intervalo de confiança e tamanho amostral. Quando a população é finita e a fração amostral é relevante, pode haver correção para população finita. Em muitos concursos, a fórmula simplificada basta quando o enunciado não pede correção.

Alerta do Examinador

Amostra aleatória não é "peguei quem estava disponível". Conveniência não vira aleatoriedade por receber nome técnico.

5.1 Amostragem estratificada

Na amostragem estratificada, a população é dividida em estratos internamente mais homogêneos, e amostras são sorteadas dentro de cada estrato. Pode haver alocação proporcional ao tamanho do estrato ou alocação ótima considerando variâncias e custos.

Ela é útil quando subgrupos precisam estar representados: regiões, carreiras, faixas etárias, tipos de unidade, porte de município. O erro comum é confundir estrato com conglomerado. Estrato é grupo do qual se sorteia parte; conglomerado é grupo sorteado como unidade, muitas vezes com elementos internos.

5.2 Desenhos com economia operacional

Na amostragem sistemática, escolhe-se um ponto inicial aleatório e depois seleciona-se a cada k unidades. Ela é simples, mas perigosa se houver periodicidade na lista. Se a lista alterna padrões de forma sincronizada com k, a amostra fica enviesada.

Na amostragem por conglomerados, sorteiam-se grupos naturais, como escolas, setores censitários, lotes, agências ou municípios. É mais barata, mas pode ter maior variância se elementos dentro do conglomerado são parecidos. Conglomerados internamente homogêneos reduzem diversidade amostral.

Pegadinha da Dotôra Soffya

Conglomerado bom para logística não significa estimativa mais precisa. Se todo mundo dentro do conglomerado se parece, você entrevista muita gente repetindo a mesma informação.

5.3 O que amostra grande não conserta

Erro amostral vem do fato de observar parte da população. Ele tende a diminuir com n. Viés é erro sistemático: cadastro incompleto, seleção inadequada, pergunta mal formulada, não resposta seletiva, mensuração ruim. Aumentar n reduz variabilidade, mas não elimina viés.

Esse ponto é essencial para concursos de controle e políticas públicas. Uma pesquisa enorme, feita só com quem responde voluntariamente pela internet, pode ser menos confiável que uma pesquisa menor com desenho probabilístico bem executado.

5.4 Margem de erro e confiança

Para estimar proporção em AAS, fórmula comum é n = z²p(1-p)/e², em que z é o valor crítico, p é proporção esperada e e é margem de erro. Se p é desconhecido, usa-se p=0,5 para tamanho conservador, pois maximiza p(1-p).

Para média com desvio-padrão conhecido ou estimado, n = (zσ/e)². Aumentar confiança aumenta z e, portanto, aumenta n. Reduzir margem de erro pela metade multiplica o tamanho amostral por quatro. Essa relação quadrática cai muito.

Prof. Affonsinho explica, Módulo 06

6 Estimador e estimativa

Estimador é regra aleatória, como x̄. Estimativa é o valor calculado na amostra concreta, como 12,4. A distinção é simples e muito importante: antes de observar a amostra, o estimador varia; depois, a estimativa é número.

Boas propriedades de estimadores incluem não viés, consistência, eficiência e suficiência. Um estimador não viesado tem esperança igual ao parâmetro. Um estimador consistente converge para o parâmetro conforme n cresce. Eficiência compara variância entre estimadores.

Bate-papo com o Seu Teoffilo

Fisher valorizou suficiência: uma estatística suficiente carrega toda a informação da amostra sobre o parâmetro, dentro do modelo. Cebraspe já coloca a palavra no edital. Não ignore.

6.1 Momentos e máxima verossimilhança

O método dos momentos iguala momentos amostrais a momentos teóricos para resolver parâmetros. É intuitivo e muitas vezes simples. A máxima verossimilhança escolhe o parâmetro que torna os dados observados mais prováveis dentro do modelo.

MLE costuma ter boas propriedades assintóticas, mas depende do modelo. Se o modelo está errado, o estimador pode ser precisamente errado. A frase parece dura, mas é a vida: estatística não salva premissa ruim.

6.2 Estimar com incerteza explícita

Intervalo de confiança combina estimativa pontual, erro-padrão e valor crítico. A forma geral é estimativa ± valor crítico · erro-padrão. O nível de confiança se refere ao procedimento em repetidas amostras: antes de observar dados, 95% dos intervalos construídos assim cobririam o parâmetro.

Depois de observado o intervalo frequentista, o parâmetro fixo está ou não está nele. Não é rigoroso dizer que há 95% de probabilidade de o parâmetro estar naquele intervalo específico, salvo em leitura bayesiana com premissas próprias.

Pegadinha da Dotôra Soffya

Confiança de 95% não significa que 95% dos dados estão no intervalo. Isso é uma confusão entre intervalo de confiança e intervalo de previsão ou dispersão dos dados.

6.3 Média com σ conhecido ou desconhecido

Se a população é normal ou a amostra é grande e σ é conhecido, usa-se z: x̄ ± z·σ/√n. Se σ é desconhecido e estimado por s, usa-se t de Student: x̄ ± t·s/√n, com n-1 graus de liberdade, especialmente em amostras pequenas.

Na prática de concurso, se a questão fornece tabela t ou fala em variância desconhecida com amostra pequena, vá de t. Se fala em amostra grande e fornece z crítico, use normal. O enunciado costuma entregar a pista.

6.4 Proporções e margens

Para proporção, uma aproximação comum é p̂ ± z√[p̂(1-p̂)/n], desde que a amostra seja suficientemente grande para a aproximação normal. Em provas, a banca geralmente fornece z e trabalha com números amigáveis.

A margem de erro cresce quando p̂(1-p̂) cresce. O máximo ocorre em p̂=0,5. Por isso, quando não se sabe a proporção esperada, p=0,5 gera amostra conservadora em planejamento.

Alerta do Examinador

Não confunda proporção com média. Proporção é média de variável indicadora 0/1, mas a fórmula prática usa p̂(1-p̂).

6.5 Linguagem bayesiana

Editais recentes citam intervalos de credibilidade. Na inferência bayesiana, o parâmetro é tratado como variável incerta, combinando distribuição a priori e verossimilhança para formar a distribuição posterior. Um intervalo de credibilidade de 95% pode ser lido como região que contém 95% da probabilidade posterior.

A diferença de linguagem é importante. Intervalo de confiança fala do procedimento em repetição. Intervalo de credibilidade fala da probabilidade posterior do parâmetro, condicionada ao modelo, aos dados e à priori.

Bate-papo com o Seu Teoffilo

Bayes não é mágica e frequentismo não é atraso. São estruturas diferentes de inferência. Em concurso, saiba traduzir a interpretação sem comprar briga filosófica na hora da prova.

Prof. Affonsinho explica, Módulo 07

7 Hipótese nula, alternativa e decisão

Teste de hipótese começa com H₀, a hipótese nula, e H₁, a alternativa. A lógica é avaliar se os dados seriam suficientemente incompatíveis com H₀. Se a evidência é forte, rejeita-se H₀. Se não é forte, não se rejeita H₀. Isso não prova que H₀ é verdadeira.

O nível de significância α é a probabilidade máxima tolerada de erro tipo I: rejeitar H₀ quando H₀ é verdadeira. O erro tipo II β é não rejeitar H₀ quando H₀ é falsa. Potência é 1-β.

7.1 O que o p-valor diz

p-valor é a probabilidade, assumindo H₀ verdadeira, de observar estatística de teste tão extrema quanto a observada ou mais extrema, conforme a direção do teste. Se p ≤ α, rejeita-se H₀ no nível α.

p-valor não é a probabilidade de H₀ ser verdadeira. Também não mede tamanho de efeito. Um efeito pequeno pode ser estatisticamente significativo em amostra enorme; um efeito relevante pode não atingir significância em amostra pequena.

Pegadinha da Dotôra Soffya

"p = 0,03" não significa "3% de chance de a hipótese nula ser verdadeira". Significa que, sob H₀, um resultado tão extremo teria probabilidade de 3%.

7.2 Teste z e teste t

Para média, o teste z é usado quando σ é conhecido ou em aproximações grandes. O teste t é usado quando σ é desconhecido e estimado por s, especialmente com normalidade e amostras pequenas. A estatística t é (x̄-μ₀)/(s/√n).

Teste unilateral tem região crítica em uma cauda. Teste bilateral reparte α nas duas caudas. A escolha depende da hipótese alternativa, não do resultado observado. Alterar unilateral/bilateral depois de ver os dados é manipular o teste.

7.3 Proporção e aproximação normal

Para proporção, usa-se estatística z = (p̂-p₀)/√[p₀(1-p₀)/n] em muitos testes de uma proporção, sob condições de aproximação normal. Em duas proporções, compara-se diferença p̂₁-p̂₂, com erro-padrão apropriado.

O detalhe que cai: no teste sob H₀, o erro-padrão costuma usar p₀ ou proporção combinada, conforme o caso. No intervalo de confiança, usa-se a estimativa observada. Teste e intervalo são parentes, mas não são a mesma rotina.

Alerta do Examinador

Leia se a questão pede teste ou intervalo. A fórmula muda pouco, mas o parâmetro usado no erro-padrão pode mudar.

7.4 Aderência e independência

O teste qui-quadrado de aderência compara frequências observadas com frequências esperadas por uma distribuição teórica. O teste de independência avalia associação entre duas variáveis categóricas em tabela de contingência.

A estatística geral soma (observado - esperado)²/esperado. Valores muito grandes indicam discrepância. Os graus de liberdade dependem do problema: em tabela r×c para independência, gl=(r-1)(c-1).

7.5 Comparar várias médias

ANOVA compara médias de mais de dois grupos pela decomposição da variabilidade total em variabilidade entre grupos e dentro dos grupos. A estatística F compara quadrado médio entre grupos com quadrado médio residual.

H₀ diz que as médias populacionais são iguais. Rejeitar H₀ indica que pelo menos uma média difere, mas não diz automaticamente qual. Para isso entram comparações múltiplas, como Tukey, quando cabíveis.

Bate-papo com o Seu Teoffilo

Fisher desenvolveu ANOVA no contexto de experimentos agrícolas. A lógica continua atual: separar sinal de tratamento do ruído residual.

Prof. Affonsinho explica, Módulo 08

8 Covariância, Pearson e Spearman

Correlação de Pearson mede associação linear entre duas variáveis quantitativas. Varia de -1 a 1. Valor próximo de 1 indica associação linear positiva; próximo de -1, associação linear negativa; próximo de 0, ausência de associação linear forte.

Spearman mede associação monotônica baseada em postos, sendo útil quando a relação não é linear ou há sensibilidade a outliers. Nenhuma correlação, sozinha, prova causalidade. Pode haver variável omitida, causalidade reversa ou coincidência.

Pegadinha da Dotôra Soffya

Correlação alta entre venda de sorvete e afogamentos não transforma sorvete em agente causal. Pode haver temperatura, férias, praia e um monte de variável escondida no meio.

8.1 Reta, intercepto e inclinação

A regressão linear simples modela E(Y|X)=β₀+β₁X. O intercepto β₀ é o valor esperado de Y quando X=0, se essa interpretação fizer sentido no contexto. A inclinação β₁ é a variação média esperada em Y para aumento de uma unidade em X.

O método dos mínimos quadrados escolhe a reta que minimiza a soma dos quadrados dos resíduos. Resíduo é observado menos ajustado: eᵢ = yᵢ - ŷᵢ. A reta não precisa passar por todos os pontos; ela resume tendência média.

8.2 Vários preditores

A regressão linear múltipla inclui mais de uma variável explicativa. O coeficiente βⱼ mede associação parcial: variação esperada em Y para aumento de uma unidade em Xⱼ, mantendo constantes as demais variáveis do modelo.

Esse "mantendo constantes" é o que a banca cobra. O coeficiente de escolaridade em modelo com idade, renda e região não tem a mesma leitura de uma correlação simples entre escolaridade e renda. Modelo múltiplo tenta isolar relações condicionais, mas ainda depende de hipóteses.

Alerta do Examinador

Regressão múltipla não elimina automaticamente viés de variável omitida. Ela controla apenas as variáveis que entraram corretamente no modelo.

8.3 Qualidade de ajuste

R² mede a proporção da variabilidade de Y explicada pelo modelo linear, no contexto do ajuste. R² alto não prova causalidade nem garante bom modelo fora da amostra. R² baixo não torna o modelo inútil se o fenômeno é naturalmente ruidoso e o efeito é substantivamente importante.

Análise de resíduos verifica padrões, heterocedasticidade, não linearidade, outliers e violações de hipóteses. Resíduos devem parecer ruído sem estrutura relevante. Se sobrou padrão nos resíduos, o modelo deixou informação na mesa.

8.4 Testes sobre coeficientes

Em regressão, testa-se frequentemente H₀: βⱼ=0. O teste t avalia se o coeficiente é estatisticamente diferente de zero, dado o modelo. O teste F pode avaliar significância global ou restrições conjuntas.

Intervalos de confiança para coeficientes expressam incerteza. Se um intervalo de 95% para βⱼ não contém zero, em teste bilateral ao nível de 5% há rejeição de H₀, sob as condições usuais. Essa equivalência é muito útil.

Bate-papo com o Seu Teoffilo

O coeficiente é uma frase condicional. Sempre complete mentalmente: "mantidas as demais variáveis constantes e aceitas as hipóteses do modelo".

8.5 PCA, fatorial, discriminante e agrupamento

Cargos técnicos já cobram análise multivariada. Componentes principais reduzem dimensionalidade criando combinações lineares que explicam variância. Análise fatorial busca fatores latentes que explicam correlações entre variáveis. Análise discriminante classifica grupos conhecidos. Agrupamento forma grupos sem rótulo prévio.

8.6 Tendência, sazonalidade e ruído

Série temporal é sequência de observações ordenadas no tempo. Componentes comuns: tendência, sazonalidade, ciclo e ruído. Média móvel suaviza variações de curto prazo. Índices comparam evolução relativa a uma base.

Atenção: observações no tempo frequentemente são dependentes. Métodos que assumem independência podem falhar. Em concursos gerais, costuma bastar interpretar gráfico temporal, variação percentual, média móvel e sazonalidade.

Dica do Raffinha

Se o dado tem calendário, pergunte se há sazonalidade. Arrecadação, matrícula, doença, turismo e energia costumam ter padrão por mês ou estação.

8.7 Precisão, exatidão e cartas de controle

Em concursos laboratoriais e técnicos, aparecem precisão, exatidão, repetibilidade e reprodutibilidade. Precisão é proximidade entre medições repetidas. Exatidão é proximidade do valor verdadeiro ou de referência. É possível ser preciso e inexato: repetir consistentemente um erro.

Cartas de controle monitoram processos ao longo do tempo, com linha central e limites de controle. Ponto fora dos limites ou padrões não aleatórios sugerem causa especial. A lógica é separar variação comum de sinal operacional.

Alerta do Examinador

Precisão não é sinônimo de exatidão. Essa troca é uma das favoritas em estatística aplicada a laboratório.

Prof. Affonsinho explica, Módulo 09

9 Estatística no setor público

Em concursos de IBGE, controle, planejamento e avaliação, Estatística vira ferramenta de Estado: pesquisa domiciliar, indicador social, auditoria de políticas, avaliação de programas, monitoramento de risco, qualidade de dados e transparência. A pergunta deixa de ser só "qual fórmula?" e passa a ser "que decisão pública esse dado sustenta?".

Indicadores precisam de definição, fonte, periodicidade, unidade, população-alvo, método de coleta e limitações. Comparar municípios, anos ou programas sem padronizar denominadores pode gerar conclusão falsa. Taxas existem para tornar comparações mais justas.

9.1 Ferramentas que entraram no edital

Editais recentes para Estatístico já citam noções de Python e SQL. Em Python, o núcleo é saber listas, tuplas, dicionários, funções e estruturas de controle. Em análise de dados, aparecem bibliotecas como pandas, NumPy, matplotlib e scikit-learn, embora o edital possa cobrar apenas lógica básica.

Em SQL, os tópicos recorrentes são seleção, filtragem, agrupamento, ordenação e junções. A mentalidade estatística continua a mesma: consulta errada gera dado errado, e dado errado alimenta inferência errada. Antes de testar hipótese, confira a extração.

9.2 Antes da análise vem o dado

Dados faltantes, duplicidades, codificação inconsistente, unidade trocada, outliers, datas inválidas e categorias mal preenchidas comprometem a análise. Estatística aplicada começa com auditoria do dado. Não é glamour, mas é onde muita decisão séria nasce ou morre.

Dados faltantes podem ser completamente aleatórios, aleatórios condicionais a outras variáveis ou não aleatórios. Cada caso pede tratamento diferente. Apagar linhas sem pensar pode introduzir viés. Imputar sem método pode fabricar certeza.

Dica do Fuffu

Checklist mínimo: unidade, período, população, duplicidade, faltantes, extremos, categorias e regra de negócio. Sete perguntas antes de qualquer gráfico bonito.

9.3 O que derruba candidato bom

As armadilhas se repetem: confundir média com mediana, independência com eventos mutuamente excludentes, densidade com probabilidade, confiança com probabilidade posterior, p-valor com chance de H₀, correlação com causalidade, regressão com previsão perfeita e amostra grande com amostra representativa.

Outra armadilha é ignorar unidade. Variância fica em unidade ao quadrado; desvio-padrão volta à unidade original. Taxa precisa de denominador. Percentual precisa de base. Índice precisa de ano-base. Modelo precisa de hipótese.

Alerta do Examinador

Se uma alternativa usa palavras absolutas como "sempre", "nunca", "garante" e "prova causalidade", desconfie. Estatística séria fala em condições.

Mapa mental

Síntese

Dado descreve. Probabilidade modela incerteza. Amostra aproxima população. Inferência decide sob risco. Modelo explica, mas não faz milagre.

Fórmulas para levar

Checklist final

Fontes-base da aula

Editais oficiais Cebraspe PF Administrativo 2025, TJ-PA Servidor 2025, PF 2025, SEFA-PR 2025; edital FGV CGE-SP 2025; página oficial FGV do PSS IBGE 2025; doutrina técnica clássica de Fisher, Neyman-Pearson, Tukey, Cochran, Kish, Box e Casella-Berger.

Referências e editais

Esta aula foi montada a partir de editais recentes e bibliografia técnica consolidada. Em Estatística, não há súmulas ou jurisprudência específica como eixo de cobrança; a profundidade vem da doutrina estatística, dos métodos matemáticos e da incidência concreta dos editais.

Editais e páginas oficiais

• Cebraspe - PF Administrativo 2025: conteúdo de Estatístico com descritiva, probabilidade, inferência, regressão, amostragem, multivariada, Python e SQL.
• Cebraspe - TJ-PA Servidor 2025: Analista Judiciário - Estatística, com probabilidade, transformação de variáveis, estimação, testes, regressão e amostragem.
• Cebraspe - Polícia Federal 2025: estatística, probabilidade condicional, Bayes, inferência, regressão e amostragem.
• Cebraspe - SEFA-PR 2025: cargo de Estatístico com o núcleo clássico completo.
• FGV - CGE-SP 2025: estatística descritiva, correlação, histogramas, boxplot, outliers, distribuições, testes e amostragem.
• FGV - PSS IBGE 2025: processo seletivo do IBGE com foco aplicado em pesquisas, coleta, qualidade e interpretação de dados.

Bibliografia técnica

• Fisher: estimação, suficiência, máxima verossimilhança, ANOVA e desenho experimental.
• Neyman e Pearson: estrutura de testes, erro tipo I, erro tipo II e potência.
• Tukey: análise exploratória de dados.
• Cochran e Kish: teoria e prática de amostragem.
• Box, Hunter e Hunter: modelagem, experimentos e qualidade.
• Casella e Berger: inferência estatística moderna.