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