Suposições em testes de hipótese

Testes de Hipóteses em Python

James Chapman

Curriculum Manager, DataCamp

Aleatoriedade

Suposição

As amostras são subconjuntos aleatórios de populações maiores

Consequência
  • A amostra não representa a população
Como verificar
  • Entenda como os dados foram coletados
  • Fale com quem coletou os dados/especialista do domínio

Um logotipo com a frase 'Responsibly Sourced Ingredients'.

1 Técnicas de amostragem são discutidas em "Sampling in Python".
Testes de Hipóteses em Python

Independência das observações

Suposição

Cada observação (linha) no conjunto de dados é independente

Consequência
  • Maior chance de erro falso negativo/positivo
Como verificar
  • Entenda como os dados foram coletados
Testes de Hipóteses em Python

Amostra grande

Suposição

A amostra é grande o bastante para reduzir a incerteza, de modo que o Teorema Central do Limite se aplique

Consequência
  • Intervalos de confiança mais amplos
  • Maior chance de erros falso negativo/positivo
Como verificar
  • Depende do teste
Testes de Hipóteses em Python

Amostra grande: teste t

Uma amostra
  • Pelo menos 30 observações na amostra

$n \ge 30$

$n$: tamanho da amostra

Duas amostras
  • Pelo menos 30 observações em cada amostra

$n_{1} \ge 30, n_{2} \ge 30$

$n_{i}$: tamanho da amostra do grupo $i$

Amostras pareadas
  • Pelo menos 30 pares de observações entre as amostras

Número de linhas nos dados $\ge 30$

ANOVA
  • Pelo menos 30 observações em cada amostra

$n_{i} \ge 30$ para todo $i$

Testes de Hipóteses em Python

Amostra grande: testes de proporção

Uma amostra
  • Número de sucessos na amostra ≥ 10

$n \times \hat{p} \ge 10$

  • Número de fracassos na amostra ≥ 10

$n \times (1 - \hat{p}) \ge 10$

$n$: tamanho da amostra
$\hat{p}$: proporção de sucessos na amostra

Duas amostras
  • Número de sucessos em cada amostra ≥ 10

$n_{1} \times \hat{p}_{1} \ge 10$

$n_{2} \times \hat{p}_{2} \ge 10$

  • Número de fracassos em cada amostra ≥ 10

$n_{1} \times (1 - \hat{p}_{1}) \ge 10$

$n_{2} \times (1 - \hat{p}_{2}) \ge 10$

Testes de Hipóteses em Python

Amostra grande: testes qui-quadrado

  • Número de sucessos em cada grupo ≥ 5

$n_{i} \times \hat{p}_{i} \ge 5$ para todo $i$

  • Número de fracassos em cada grupo ≥ 5

$n_{i} \times (1 - \hat{p}_{i}) \ge 5$ para todo $i$

$n_{i}$: tamanho da amostra do grupo $i$
$\hat{p}_{i}$: proporção de sucessos no grupo $i$

Testes de Hipóteses em Python

Verificação rápida

Se a distribuição bootstrap não parecer normal, as suposições provavelmente não valem

  • Reveja a coleta para checar aleatoriedade, independência e tamanho da amostra
Testes de Hipóteses em Python

Vamos praticar!

Testes de Hipóteses em Python

Preparing Video For Download...