0Pricing
Learn AI with Python · Aula

Testes de hipóteses

Hipótese nula, valor-p, teste t e teste qui-quadrado com scipy.stats.

Testes de hipóteses é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.

O que é um teste de hipótese?

Um teste de hipótese usa dados para decidir se um efeito observado é real ou apenas acaso aleatório. É assim que cientistas de dados justificam afirmações como "o novo design aumentou os cliques".

Nula versus alternativa

A hipótese nula H0 afirma que não há efeito (a posição padrão e cética). A hipótese alternativa H1 afirma que IS um efeito. Tentamos reunir evidências contra H0.

O valor de p

O valor de p é a probabilidade de observar dados tão extremos quanto estes IF H0 fosse verdadeira. Um valor de p pequeno significa que os dados são surpreendentes sob H0, então duvidamos de H0.

Nível de significância

Comparamos p com um limite alpha (comumente 0,05). Se p < alpha, rejeitamos H0; caso contrário, não conseguimos rejeitá-la. alpha é a taxa aceitável de falsos positivos.

O que p NÃO significa

O valor de p NÃO é a probabilidade de H0 ser verdadeira e NOT o tamanho do efeito. Um p minúsculo com uma amostra enorme pode refletir uma diferença pequena demais para ter importância prática. Sempre informe também o tamanho do efeito.

Teste t de uma amostra

ttest_1samp verifica se a mean de uma amostra difere de um valor conhecido, por exemplo, se o tempo médio de resposta difere de uma meta de 200 ms.

from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)

Teste t de duas amostras

ttest_ind compara as médias de dois grupos INDEPENDENT, a análise padrão de um teste A/B.

control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p)   # small p -> groups differ

Interpretando o resultado

Compare o valor de p com alpha e apresente uma conclusão em linguagem simples. Significância é uma decisão, não uma prova de certeza.

alpha = 0.05
if p < alpha:
    print("Reject H0: the groups differ significantly")
else:
    print("Fail to reject H0: no significant difference")

Teste qui-quadrado de independência

chi2_contingency testa se duas variáveis CATEGORICAL estão associadas, usando uma tabela de contingência com contagens.

table = np.array([[30, 10], [20, 40]])   # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)

Erros do Tipo I e do Tipo II

Um erro do Tipo I (falso positivo) rejeita um H0 verdadeiro; sua taxa é alpha. Um erro do Tipo II (falso negativo) não rejeita um H0 falso; sua taxa é beta. Poder estatístico = 1 - beta é a chance de detectar um efeito real.

Compromissos

Reduzir alpha diminui os falsos positivos, mas aumenta a taxa de falsos negativos (menor poder estatístico). Amostras maiores reduzem os dois tipos de erro, por isso planejar o tamanho da amostra é importante antes de um experimento.

Verificação rápida

Teste seus conhecimentos sobre testes de hipótese.

Recapitulação

Essenciais dos testes de hipótese:

  • H0 (sem efeito) versus H1 (efeito); reúna evidências contra H0
  • valor de p = P(dados tão extremos quanto estes | H0); rejeite se p < alpha
  • p não é P(H0 verdadeira) e NOT o tamanho do efeito
  • ttest_1samp, ttest_ind, chi2_contingency
  • Tipo I (falso positivo, taxa alpha) versus Tipo II (falso negativo, taxa beta); poder = 1-beta

Perguntas Frequentes

A aula “Testes de hipóteses” é grátis?

Sim — o texto completo de “Testes de hipóteses” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.

O que vou aprender em “Testes de hipóteses”?

Hipótese nula, valor-p, teste t e teste qui-quadrado com scipy.stats. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar Learn AI with Python?

Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.

Quanto tempo leva a aula “Testes de hipóteses”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de Learn AI with Python?

Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. Estatística descritiva e distribuições
  2. Probabilidade e teorema de Bayes
  3. Testes de hipóteses
  4. Correlação e covariância
← Voltar para Learn AI with Python