Valores-p, alfa e erros

Projeto experimental em Python

James Chapman

Curriculum Manager, DataCamp

Valores-p e alfa

Valores-p: probabilidade de observar os dados se a hipótese nula for verdadeira
$\alpha$: limite para considerar resultado estatisticamente significativo
Valor-p $\le \alpha$: rejeitar a nula a favor da alternativa

Tabuleiro de gamão

O conjunto de dados: produtividade

crop_yields.head()

  Fertilizer_Type  Crop_Yield
0         Organic      26.225
1       Synthetic      17.452
2         Organic      22.283
3       Synthetic      23.548
4       Synthetic      24.138

Visualizando os dados

import seaborn as sns
sns.displot(data=crop_data, x="Crop_Yield", hue="Fertilizer_Type", kind="kde")

Gráfico comparativo de estimativa de densidade (KDE)

Fazendo um t-teste para amostras independentes

$\alpha = 0.05$

from scipy.stats import ttest_ind
organic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Organic']
['Crop_Yield']
synthetic_yield = crop_yields[crop_yields['Fertilizer_Type'] == 'Synthetic']
['Crop_Yield']
t_stat, p_val = ttest_ind(organic_yield, synthetic_yield)
print(p_val)

1.8496748715743899e-209

Explorando erros experimentais

Uma tabela que resume erros estatísticos: Erros Tipo I ocorrem quando rejeitamos incorretamente uma hipótese nula verdadeira. Erros Tipo II acontecem quando deixamos de rejeitar uma hipótese nula falsa.

Erro Tipo I: Falso positivo; rejeita uma hipótese nula verdadeira
Erro Tipo II: Falso negativo; não rejeita uma hipótese nula falsa

Mais sobre alfa

Valores comuns: 0,05; 0,01; 0,10
- Probabilidade de 5%, 1% e 10% de cometer Erro Tipo I
Escolhendo um $\alpha$
- Depende do contexto do estudo
- Equilibra a tolerância a Erro Tipo I
Convenções:
- 0,05 (5%): Mais comum, usado por convenção
- 0,01 (1%): Teste mais rigoroso; custo alto de Erro Tipo I
- 0,10 (10%): Às vezes em estudos preliminares; maior tolerância a Erro Tipo I

Vamos praticar!

Projeto experimental em Python