1 Resumo
Este curso é para quem quer aprender estatística e aplicá-la no dia a dia de trabalho, seja em economia, finanças, negócios ou marketing. Ensinamos a teoria e mostramos, em cada aula, como ela é usada na prática, com dados reais.
Hoje, aplicar estatística significa analisar dados no computador. Uma linguagem de programação, como R ou Python, é a ferramenta mais completa para isso, mas exige tempo para aprender a sintaxe, as bibliotecas e os detalhes de cada função. Saber o básico da linguagem ajuda, e um assistente de IA, que escreve o código a partir de um pedido em português, permite ir muito além desse básico.
Por isso, cada análise do curso passa por duas etapas. Primeiro, apresentamos a teoria estatística e mostramos como ela funciona na prática, com o cálculo aberto e exemplos básicos. Depois, pedimos ao assistente que aplique o mesmo método aos dados completos. Com a teoria em mãos, verificamos se o resultado do assistente está correto e usamos a IA para construir análises mais avançadas no trabalho.
Não é preciso saber programar. O pré-requisito é a matemática do ensino superior: derivada, integral e somatório.
| Categoria | Básicos fundamentais |
| Carga horária total | 22 horas |
| Horas de vídeo | 22 horas |
| Número de aulas | 45 aulas em 9 módulos |
| Nível | Avançado |
| Certificado | Sim, emitido pela Análise Macro |
| Preço | R$ 647,00 |
| Lançamento | 16/11/2026 |
Calendário de lançamento
Os três primeiros módulos são liberados em 16, 18 e 19/11/2026. A partir do Módulo 4, são liberados dois módulos por semana, às segundas e quartas-feiras.
| Módulo | Data | Dia da semana |
|---|---|---|
| Módulo 1 – Estatística descritiva | 16/11/2026 | segunda-feira |
| Módulo 2 – Probabilidade e o teorema de Bayes | 18/11/2026 | quarta-feira |
| Módulo 3 – Variáveis aleatórias | 19/11/2026 | quinta-feira |
| Módulo 4 – Distribuições discretas | 23/11/2026 | segunda-feira |
| Módulo 5 – Distribuições contínuas | 25/11/2026 | quarta-feira |
| Módulo 6 – Funções lineares e o Teorema Central do Limite | 30/11/2026 | segunda-feira |
| Módulo 7 – Estimação pontual | 02/12/2026 | quarta-feira |
| Módulo 8 – Intervalos de confiança | 07/12/2026 | segunda-feira |
| Módulo 9 – Testes de hipóteses | 09/12/2026 | quarta-feira |
2 Pré-requisitos e Objetivos
Pré-requisitos
O curso usa a matemática do ensino superior em boa parte das aulas.
- Cálculo de uma variável: derivada, integral definida, integração por partes e mudança de variável. No módulo de distribuições contínuas, calculamos probabilidades como integrais da densidade. No módulo de estimação, derivamos a log-verossimilhança e igualamos a derivada a zero.
- Álgebra de somatórios: metade das demonstrações reorganiza somatórios.
- Função, limite e série: a distribuição geométrica sai de uma série, e a Poisson sai de um limite da binomial.
- Derivação no papel: os exercícios de demonstração são feitos à mão, e o assistente revisa o desenvolvimento.
Os módulos 5, 7 e 8 dependem de cálculo.
Não é preciso saber programar. O assistente escreve o código em R ou em Python, e o curso ensina a pedir a análise e a ler o código que ele produz. O agente de IA exige assinatura paga do provedor escolhido (Claude, OpenAI ou Google), contratada direto com ele e não incluída no valor do curso. O ambiente é instalado na máquina do aluno, com o próprio agente conduzindo a instalação. VS Code, R e Python são gratuitos.
Escopo do curso
O curso cobre a estatística básica, da estatística descritiva aos testes de hipóteses, em 22 horas de vídeo e com exercícios de derivação no papel. As derivações aparecem por inteiro.
Regressão aparece como aplicação da inferência. A identificação causal, com variáveis instrumentais, diferenças em diferenças, propensity score e controle sintético, é assunto de Econometria usando IA, que parte deste curso. Estatística bayesiana, métodos não paramétricos e séries temporais também ficam para cursos próprios.
Quem busca uma introdução mais curta encontra o conteúdo nos cursos da linha regular. Quem quer aprender a linguagem de programação encontra Aprendendo R com IA e Aprendendo Python com IA.
O que o aluno será capaz de fazer
Ao final do curso, o aluno será capaz de:
- Descrever uma base de dados pelo centro, pela dispersão, pelos valores extremos e pela relação entre variáveis, informando o número de observações usado em cada medida.
- Calcular probabilidades condicionais e aplicar o teorema de Bayes, inclusive em problemas de crédito e antifraude em que o evento é raro.
- Escolher a distribuição, o estimador e o teste pela estrutura do problema.
- Derivar os resultados centrais do curso, como o divisor n − 1, os passos da máxima verossimilhança e a quantidade pivotal de cada intervalo de confiança.
- Construir um intervalo de confiança e interpretá-lo corretamente.
- Conduzir um teste de hipóteses e escrever a conclusão dentro do que a evidência permite afirmar, separando significância estatística de tamanho do efeito.
- Pedir ao assistente as informações que permitem verificar um resultado: o número de observações depois dos dados faltantes, a fonte e o período do dado, a hipótese assumida, o divisor usado e a convergência do otimizador.
- Ler o código do assistente e identificar as diferenças de parametrização entre bibliotecas, que levam a números diferentes para a mesma amostra.
Habilidades e ferramentas
Habilidades desenvolvidas no curso:
- Média e mediana, a medida que cada uma minimiza e o que a diferença entre as duas indica sobre a distribuição.
- Variância, desvio-padrão e coeficiente de variação; quartis, amplitude interquartil e o critério de 1,5·ΔQ para valores extremos.
- Covariância e correlação, e por que só a correlação é invariante à escala; o cancelamento numérico que faz a variância calculada sair negativa.
- Axiomas de Kolmogorov e o limite da definição clássica, que divide casos favoráveis por casos possíveis.
- Probabilidade condicional como cálculo restrito a uma parte do espaço amostral; a diferença entre independência e exclusão mútua.
- Lei da Probabilidade Total, árvore de probabilidades e o teorema de Bayes derivado dela; a diferença entre independência condicional e independência.
- A variável aleatória como função e a notação com maiúscula para a variável e minúscula para o valor observado.
- Valor esperado como ponto de equilíbrio, a derivação de V(X) = E(X²) − E²(X) e a desigualdade de Jensen.
- Bernoulli, Binomial, Hipergeométrica, Geométrica e Poisson, cada uma a partir do experimento que a origina, com o fator de correção para população finita e as duas aproximações.
- Uniforme, Exponencial, Normal e Lognormal; a falta de memória da exponencial; por que renda e preço não seguem a Normal.
- O valor esperado e a variância de uma soma de variáveis; a variância depende da covariância, e ignorá-la é uma causa frequente de erro no cálculo de risco.
- A média amostral como variável aleatória, o erro que cai com √n e o Teorema Central do Limite, com o caso da Cauchy, em que a média não converge.
- Estimador e estimativa, ausência de viés, eficiência e consistência; a derivação do n − 1; os cinco passos da máxima verossimilhança e os casos em que eles falham.
- A quantidade pivotal isolada passo a passo, a t de Student, o intervalo para proporção, o intervalo para variância pela χ², a diferença de médias e de proporções e a razão de variâncias pela F.
- A lógica do teste de hipóteses, os erros tipo I e tipo II, a curva de poder e os três métodos de decisão, que chegam à mesma conclusão.
- Em cada módulo, um erro frequente do assistente identificado e corrigido, e a lista do que pedir a ele para verificar cada resultado.
Ferramentas utilizadas:
- VS Code, o editor usado no curso, com o ambiente instalado na máquina do aluno.
- Claude Code, o agente usado nas demonstrações, na extensão do VS Code; Codex e Gemini CLI funcionam da mesma forma e são apresentados na primeira aula.
- R e Python, com o código escrito pelo agente sem pacotes de modelagem prontos, para que cada etapa do cálculo fique visível.
- Funções de distribuição, integração numérica, otimização e gráficos, usadas ao longo das aulas práticas.
3 Programa Detalhado
Módulo 1 – Estatística descritiva
Neste módulo, descrevemos uma base de dados pelo centro, pela dispersão, pelos valores extremos e pela relação entre variáveis, e vemos em que situação cada medida leva a uma leitura errada. Com o assistente, conferimos quantas observações entraram em cada cálculo, porque ele costuma descartar dados faltantes e valores extremos sem avisar. Também corrigimos a frase que descreve como causa uma relação que os dados mostram só como associação.
- Aula 01 - O que a estatística faz.
- Aula 02 - Média e mediana.
- Aula 03 - Variância e desvio-padrão.
- Aula 04 - Box-plot e valores extremos.
- Aula 05 - Covariância e correlação.
Módulo 2 – Probabilidade e o teorema de Bayes
Neste módulo, raciocinamos sob incerteza e reconhecemos um problema de Bayes mesmo quando o enunciado não cita o teorema. Calculamos por que a maior parte dos positivos de um teste com alta taxa de acerto pode ser falso positivo quando o evento é raro. O assistente resolve o exemplo clássico do teste diagnóstico, mas costuma errar o mesmo cálculo quando ele aparece numa pergunta de crédito ou de antifraude.
- Aula 06 - Experimento e probabilidade.
- Aula 07 - Probabilidade condicional.
- Aula 08 - Independência.
- Aula 09 - O teorema de Bayes.
- Aula 10 - A taxa de base.
Módulo 3 – Variáveis aleatórias
Neste módulo, tratamos a variável aleatória como uma função que associa um número a cada resultado do experimento, e calculamos valor esperado e variância, inclusive depois de transformações não lineares. Com o assistente, corrigimos dois erros frequentes: confundir o valor esperado com o valor mais provável e calcular E[g(X)] como g(E[X]), o que a desigualdade de Jensen mostra estar errado.
- Aula 11 - A variável aleatória.
- Aula 12 - Distribuição e densidade.
- Aula 13 - Valor esperado.
- Aula 14 - Variância e padronização.
- Aula 15 - A distribuição acumulada.
Módulo 4 – Distribuições discretas
Neste módulo, escolhemos a distribuição pela estrutura do experimento, com três perguntas: o que estamos contando, se os ensaios são independentes e se há reposição. Com o assistente, vemos que a escolha automática da Binomial produz um número na ordem de grandeza certa, mas errado.
- Aula 16 - Bernoulli.
- Aula 17 - Binomial.
- Aula 18 - Hipergeométrica.
- Aula 19 - Geométrica e Poisson.
- Aula 20 - Como escolher entre os cinco.
Módulo 5 – Distribuições contínuas
Neste módulo, calculamos probabilidades como áreas sob a densidade e escolhemos o modelo pelo fenômeno: preço, renda e tempo de espera. Derivamos a falta de memória da exponencial e vemos onde ela deixa de descrever os dados. Com o assistente, verificamos a Normal proposta para a renda, que atribui probabilidade a renda negativa e é simétrica onde os dados são assimétricos.
- Aula 21 - Uniforme.
- Aula 22 - Exponencial.
- Aula 23 - Normal.
- Aula 24 - Lognormal: preço, renda e retorno.
- Aula 25 - Como escolher entre os quatro.
Módulo 6 – Funções lineares e o Teorema Central do Limite
Neste módulo, a probabilidade passa a servir à inferência. O valor esperado de uma soma é sempre a soma dos valores esperados, e a variância da soma depende da covariância. Tratamos a média amostral como variável aleatória e mostramos por que quadruplicar a amostra reduz o erro pela metade. Com o assistente, calculamos o risco de uma carteira e corrigimos a soma de variâncias feita sem a covariância, que subestima o risco.
- Aula 26 - Somas de variáveis.
- Aula 27 - A média amostral.
- Aula 28 - O Teorema Central do Limite.
- Aula 29 - Simulando o teorema.
- Aula 30 - Carteiras, risco e diversificação.
Módulo 7 – Estimação pontual
Até o Módulo 6, o parâmetro da população é conhecido e deduzimos suas consequências. Neste módulo, partimos da amostra para estimar o parâmetro. Distinguimos estimador de estimativa, derivamos o divisor n − 1 e aplicamos os cinco passos da máxima verossimilhança, inclusive nos casos em que eles falham. Com o assistente, verificamos se o otimizador convergiu, porque ele devolve um número mesmo quando não chegou ao máximo.
- Aula 31 - Estimador e estimativa.
- Aula 32 - Por que dividir por n − 1.
- Aula 33 - Máxima verossimilhança.
- Aula 34 - Quando o otimizador engana.
- Aula 35 - O que faz um bom estimador.
Módulo 8 – Intervalos de confiança
Neste módulo, construímos o intervalo de confiança passo a passo, a partir da quantidade pivotal, e vemos a troca entre confiança e precisão. Cobrimos a t de Student, a proporção, a variância pela χ², cujo intervalo não é simétrico em torno da estimativa, e a comparação entre dois grupos. Com o assistente, corrigimos a interpretação errada do intervalo, que ele repete com fluência.
- Aula 36 - Por que um número só não basta.
- Aula 37 - Como ler um intervalo.
- Aula 38 - t de Student e tamanho da amostra.
- Aula 39 - Intervalos para proporção e variância.
- Aula 40 - Comparando grupos.
Módulo 9 – Testes de hipóteses
Neste módulo, transformamos uma pergunta de decisão em um par de hipóteses, escolhemos o teste adequado e escrevemos a recomendação com a incerteza declarada. Vemos por que a hipótese nula nunca é aceita, por que α e β não somam 1 e por que os três métodos de decisão chegam à mesma conclusão. Com o assistente, corrigimos as duas leituras erradas mais comuns: tratar o p-valor como a probabilidade de a hipótese nula ser verdadeira e tratar um resultado não significante como prova de que o efeito não existe.
- Aula 41 - Hipóteses e a lógica do julgamento.
- Aula 42 - Os dois erros e o poder do teste.
- Aula 43 - p-valor, intervalo e região crítica.
- Aula 44 - Testes de média, proporção e variância.
- Aula 45 - Significância não é relevância.
4 Inscrição
A matrícula dá acesso às 45 videoaulas, ao guia escrito de cada módulo, aos códigos e exercícios do curso, aos prompts prontos para adaptar, ao suporte individual com professores e ao certificado da Análise Macro ao concluir o curso. O acesso é de 12 meses.
O tempo de estudo passa das 22 horas de vídeo, porque os exercícios pedem derivação no papel. Os módulos seguem uma sequência, então recomendamos assistir na ordem.
- Preço: R$ 647,00
- Página do curso: https://aluno.analisemacro.com.br/cursos/estatistica-basica-usando-ia/
- Matrícula: https://aluno.analisemacro.com.br/carrinho/?add-to-cart=72931
