def test_means(self, population_A, population_B, sample_size_A,
sample_size_B, variable, SEED):
# gets a sample for each popuplation
sample_A = population_A.sample(n=sample_size_A,
random_state=SEED)[variable]
sample_B = population_B.sample(n=sample_size_B,
random_state=SEED)[variable]
# prepares the tests
test_pop_A = DescrStatsW(sample_A)
test_pop_B = DescrStatsW(sample_B)
# makes the comparison
test_compare = CompareMeans(test_pop_A, test_pop_B)
# tests
z, p_value = test_compare.ztest_ind(alternative='larger', value=0)
return p_value
# Teste Unicaudal
# Rejeitar H_0 se o valor p\leq\alpha
from statsmodels.stats.weightstats import DescrStatsW, CompareMeans
test_setosa = DescrStatsW(setosa)
test_virginica = DescrStatsW(virginica)
test_A = test_setosa.get_compare(test_virginica)
z, p_valor = test_A.ztest_ind(alternative='larger', value=0)
print('O valor de z é ', z)
print('O p-valor é ', p_valor)
test_B = CompareMeans(test_setosa, test_virginica)
z, p_valor = test_B.ztest_ind(alternative='larger', value=0)
print('O valor de z é ', z)
print('O p-valor é ', p_valor)
p_valor <= significancia
# Aceitamos a hipótese nula.
# Testes não Paramétricos
"""
Teste do Qui-Quadrado (\chi^2)
Também conhecido como teste de adequação ao ajustamento, seu nome se
deve ao fato de utilizar uma variável estatística padronizada, representada pela
letra grega qui ( \chi) elevada ao quadrado. A tabela com os valores padronizados
