TESTES DE HIPÓTESES

O teste de hipóteses é um método estatístico usado para tomar decisões ou fazer inferências sobre parâmetros populacionais a partir de dados amostrais.

Entenda a importância dos erros tipo I e tipo II em testes estatísticos e como eles afetam a tomada de decisões.

Siga estes passos para realizar um teste de hipóteses de forma eficaz: definir as hipóteses, escolher um nível de significância, conduzir o teste e interpretar os resultados.

Aprenda o que o valor-p representa, seu papel em testes de hipóteses, e como usá-lo de forma eficaz.

O poder de um teste mede a capacidade de um teste estatístico de detectar um efeito quando ele existe

A correção de Bonferroni controla o risco de falsos positivos ao executar muitos testes de hipóteses de uma vez, dividindo o limiar de significância pelo número de testes.

Aprenda a realizar testes de hipóteses para a média populacional, seja conhecendo a variância populacional ou não, e os cenários em que se aplica.

Aprenda a realizar testes de hipóteses para a variância, essenciais para comparar a variabilidade de diferentes populações ou garantir a consistência de processos.

Aprenda a realizar testes de hipóteses para proporções, uma técnica fundamental em estatística usada para comparar proporções populacionais com um valor específico ou entre si.

O teste z de uma amostra testa se a média populacional é igual a um valor específico quando o desvio padrão populacional é conhecido.

O teste F avalia se duas populações têm variâncias iguais, usando a razão de suas variâncias amostrais e a distribuição F.

O teste t de Welch compara as médias de dois grupos independentes sem assumir que as variâncias populacionais são iguais, o que o torna mais robusto do que o teste t combinado.

O teste z de duas amostras compara duas proporções populacionais usando uma estimativa combinada sob a hipótese nula de proporções iguais.

O teste t pareado compara duas medidas relacionadas nos mesmos sujeitos, reduzindo o problema a um teste de uma amostra sobre as diferenças.

Aprenda sobre a Análise de Variância (ANOVA), uma técnica estatística fundamental usada para determinar se existem diferenças significativas entre as médias de três ou mais grupos.

O teste HSD de Tukey compara cada par de médias de grupo após uma ANOVA significativa, controlando a taxa de erro familiar para que o risco geral de falso positivo permaneça no alfa escolhido.

O teste de Bartlett verifica a homogeneidade de variância entre dois ou mais grupos, assumindo que os dados são distribuídos normalmente. É mais poderoso do que o teste de Levene quando essa suposição se mantém, e menos confiável quando não se mantém.

Aprenda a realizar e interpretar o teste qui-quadrado, uma ferramenta estatística fundamental para examinar a associação entre variáveis categóricas.

Aprenda a aplicar o teste de Kolmogorov-Smirnov (Lilliefors), um teste não paramétrico usado para avaliar a aderência de uma distribuição amostral a uma distribuição de referência.

O teste de Shapiro-Wilk é uma ferramenta poderosa para avaliar se uma determinada amostra vem de uma população com distribuição normal. É especialmente útil em amostras pequenas.

Aprenda sobre o teste de Jarque-Bera, um teste estatístico que verifica a normalidade de um conjunto de dados examinando sua assimetria e curtose.

Aprenda a realizar e interpretar o teste dos sinais, uma alternativa não paramétrica ao teste t pareado que não faz suposições sobre a distribuição dos dados.

Aprenda a aplicar e interpretar o teste de Wilcoxon, um método não paramétrico versátil usado para testes de hipóteses em amostras pareadas ou independentes sem assumir normalidade.

Entenda o teste de Ljung-Box, uma ferramenta fundamental para identificar autocorrelação em dados de séries temporais, e aprenda a aplicá-lo com eficácia.

O teste de Kruskal-Wallis é a alternativa não paramétrica à ANOVA de um fator, comparando três ou mais grupos independentes usando postos em vez dos valores brutos.

O teste exato de Fisher calcula um valor-p exato para tabelas de contingência pequenas, usando a distribuição hipergeométrica em vez da aproximação qui-quadrado.

O teste de Levene verifica se dois ou mais grupos têm variâncias iguais, sem assumir que os dados são distribuídos normalmente.

O teste de McNemar compara resultados binários pareados medidos nos mesmos sujeitos, como antes/depois ou dois avaliadores sobre os mesmos casos, usando apenas os pares que discordam.