10 Coisas que você deve saber sobre as estatísticas para usar o Excel - dummies

Excel é uma ferramenta maravilhosa quando você precisa usar estatísticas. Se você nunca esteve exposto a estatísticas na escola ou faz uma década ou duas desde que você era, deixe essas dicas ajudá-lo a usar algumas das ferramentas estatísticas que o Excel fornece.

As estatísticas descritivas são diretas

A primeira coisa que você deve saber é que algumas análises estatísticas e algumas medidas estatísticas são bastante claras. As estatísticas descritivas, que incluem coisas como as tabelas cruzadas da tabela dinâmica, bem como algumas das funções estatísticas, fazem sentido mesmo para alguém que não é tão quantitativo.

As médias não são tão simples às vezes

Quando alguém usa a média , , o que ele geralmente se refere é a medida média mais comum, que é significar. Compreender que o termo média é impreciso torna a funcionalidade estatística do Excel mais compreensível.

Para tornar esta discussão mais concreta, suponha que você esteja olhando um pequeno conjunto de valores: 1, 2, 3, 4 e 5. Como você pode saber, a média neste pequeno conjunto de valores é 3. Você pode calcular a média adicionando todos os números no conjunto (1 + 2 + 3 + 4 + 5) e dividindo essa soma (15) pelo número total de valores no conjunto (5).

O valor médio é o valor que separa os maiores valores dos valores mais pequenos. No conjunto de dados 1, 2, 3, 4 e 5, a mediana é 3. O valor 3 separa os maiores valores (4 e 5) dos valores mais pequenos (1 e 2).

Você não precisa entender diferentes medidas médias, mas você deve lembrar que o termo média é bastante impreciso.

Os desvios-padrão descrevem a dispersão

A fórmula para o desvio padrão e a lógica são bastante fáceis de entender.

A desvio padrão descreve como os valores em um conjunto de dados variam em torno da média. A coisa pura sobre medidas estatísticas como um desvio padrão, você geralmente adquire informações reais sobre as características dos dados que você está olhando. Outra coisa é que, com estes dois bits de dados, muitas vezes você pode extrair inferências sobre dados, olhando amostras.

Uma observação é uma observação

Observação é um dos termos que você encontrará se você ler alguma coisa sobre estatísticas. Uma observação é apenas uma observação. Uma maneira de definir o termo observação é assim: sempre que você realmente atribuir um valor a uma de suas variáveis ​​aleatórias, você cria uma observação.

Uma amostra é um subconjunto de valores

A amostra é uma coleção de observações de uma população. Por exemplo, se você criar um conjunto de dados que registre a alta temperatura diária em seu bairro, sua pequena coleção de observações é uma amostra.

Em comparação, uma amostra não é uma população. A população inclui todas as observações possíveis.

As estatísticas inferenciais são legais, mas complicadas

Se você olhar para uma amostra de valores de uma população e a amostra é representativa e suficientemente grande, você pode tirar conclusões sobre a população com base nas características da amostra.

As estatísticas inferenciais, embora muito poderosas, possuem duas qualidades que você precisa saber:

• Problemas de precisão

• Curva de aprendizado íngreme

As funções de distribuição de probabilidade nem sempre são confusas

P distribuição de robability a função parece bastante complicada; mas você pode realmente entender intuitivamente qual é a função de distribuição de probabilidade com alguns exemplos úteis.

Uma distribuição comum que você conhece nas classes de estatísticas, por exemplo, é uma distribuição de T. A distribuição T é essencialmente uma distribuição normal, exceto com caudas mais pesadas e mais gordas.

Uma função de distribuição de probabilidade comum é uma distribuição uniforme. Em uma distribuição uniforme, cada evento tem a mesma probabilidade de ocorrência. A única coisa sobre esta distribuição é que tudo é bastante difícil.

Outro tipo comum de função de distribuição de probabilidade é a distribuição normal , também conhecida como curva de sino ou uma distribuição gaussiana .

Uma distribuição normal ocorre naturalmente em muitas situações. Por exemplo, os quocientes de inteligência (QI) são distribuídos normalmente.

Os parâmetros não são tão complicados

Um parâmetro é uma entrada para a função de distribuição de probabilidade. Em outras palavras, a fórmula ou função ou equação que descreve uma curva de distribuição de probabilidade precisa de insumos. Nas estatísticas, essas entradas são chamadas de parâmetros.

Algumas funções de distribuição de probabilidade precisam apenas de um único parâmetro simples. Por exemplo, para trabalhar com uma distribuição uniforme, tudo o que você realmente precisa é o número de valores no conjunto de dados. Um dado de seis lados, por exemplo, tem apenas seis possibilidades.

Skewness e kurtosis descrevem uma forma de distribuição de probabilidade

Um par de outros termos estatísticos úteis a serem conhecidos são a elasticidade e a curtose. Skewness quantifica a falta de simetria em uma distribuição de probabilidade. Em uma distribuição perfeitamente simétrica, como a distribuição normal, a aspereza é igual a zero. Se uma distribuição de probabilidade se inclina para a direita ou para a esquerda, no entanto, a afinidade equivale a algum valor diferente de zero e o valor quantifica a falta de simetria.

Kurtosis quantifica o peso das caudas em uma distribuição. Em uma distribuição normal, a curtose é igual a zero. A cauda é a coisa que atinge o lado esquerdo ou direito. No entanto, se uma cauda em uma distribuição é mais pesada do que uma distribuição normal, a curtose é um número positivo.Se as caudas em uma distribuição estiverem mais macias do que em uma distribuição normal, a curtose é um número negativo.

Os intervalos de confiança parecem complicados no início, mas são úteis

As probabilidades geralmente confundem as pessoas. Uma coisa importante para entender os níveis de confiança é que estão ligados à margem de erro.

Outra coisa importante para entender sobre os níveis de confiança é que quanto maior for o tamanho da amostra, menor será a sua margem de erro usando o mesmo nível de confiança.

Como apenas um exemplo, diga que você teve alguns dados do Google Analytics em dois anúncios da Web diferentes que você está executando para promover sua pequena empresa e você quer saber qual anúncio é mais efetivo. Você pode usar a fórmula do intervalo de confiança para descobrir quanto tempo seus anúncios precisam ser exibidos antes que o Google recupere dados suficientes para que você saiba qual anúncio é realmente melhor.