Testes não paramétricos

Fundamentos de Inferência em Python

Paul Savala

Assistant Professor of Mathematics

Testes não paramétricos

  • Podem ter pressupostos
  • Não exigem normalidade
  • Valem para vários tipos de dados
  • Às vezes menos poderosos
  • Úteis para ordem ranqueada (ex.: estrelas)

Quatro histogramas, cada um com dados de formatos diferentes.

Fundamentos de Inferência em Python

Testes paramétricos

 

  • Teste t para amostras independentes
  • ANOVA
  • Teste t pareado
  • R de Pearson

Não paramétricos

 

  • Teste U de Wilcoxon-Mann-Whitney
  • Teste de Kruskal-Wallis
  • Teste da mediana de Mood
  • Tau de Kendall
Fundamentos de Inferência em Python

Teste da mediana de Mood

Compara medianas de duas medidas pareadas

Cinco linhas de um DataFrame com diferentes universidades e duas colunas de pontuações.

Provavelmente não normal

s, p_value, m, table = stats.median_test(df['thew_score'], df['arw_score'])
Fundamentos de Inferência em Python

Teste da mediana de Mood

print(p_value < 0.05)

TRUE
  • Conclusão: Medianas diferentes
  • Testes t assumem normalidade (o teste da mediana de Mood não)
  • Inferência válida só quando dados e pressupostos batem
  • Use a ferramenta certa para cada caso!
Fundamentos de Inferência em Python

Tau de Kendall

  • Valores entre -1 e 1
  • $\tau = -1$: Discordância total
  • $\tau = 0$: Sem correlação
  • $\tau = 1$: Concordância total

Cinco linhas de um DataFrame com diferentes universidades, mostrando os rankings de cada uma.

tau, p_value = stats.kendalltau(
    df['thew_rank'], 
    df['arw_rank'])


print(tau, p_value < 0.05)

0.651, TRUE
Fundamentos de Inferência em Python

Vamos praticar!

Fundamentos de Inferência em Python

Preparing Video For Download...