Testes Não Paramétricos em Ciência de Dados

Ao avaliar métricas de desempenho de modelos de Machine Learning, que frequentemente não seguem uma distribuição normal, testes não paramétricos costumam ser a escolha mais segura para comparar algoritmos.

Isso evita conclusões equivocadas que poderiam surgir da aplicação incorreta de testes paramétricos a dados que violam seus pressupostos.

Conclusão do Módulo

Os testes de hipóteses, paramétricos ou não, fornecem uma estrutura rigorosa para validar (ou refutar) afirmações a partir de dados, complementando a estimação estudada no módulo anterior.

Juntas, estimação e teste de hipóteses formam o núcleo da inferência estatística aplicada em praticamente toda análise de dados séria.

Questões

Exercite seu aprendizado!