ibmecstats 0.1.4

Uma biblioteca de estatística para fins acadêmicos do IBMEC.

Biblioteca IBMEC Stats

Um pacote Python com funções fundamentais para Estatística, Inferência Estatística e Métodos de Previsão, com visualizações prontas usando seaborn.

Este projeto contém implementações de funções estatísticas para uso na disciplina de Inferência Estatística Métodos de Previsão do IBMEC/SP.

Instalação

pip install ibmecstats

---

Requisitos

Este pacote utiliza:

• numpy, pandas, scipy
• matplotlib, seaborn
• statsmodels (para suavização exponencial e ACF/PACF)

---

Quickstart

import pandas as pd
import ibmecstats as ibs

ibs.set_theme()

x = [10, 11, 10, 12, 9, 10, 11, 10, 200]  # tem outlier :)

# Descritiva
print(ibs.summary_stats(x))
print(ibs.freq_table(["A","A","B","C","A"], normalize=True))
out = ibs.iqr_outliers(x)
print(out[out["is_outlier"]])

# Inferência
print(ibs.ci_mean(x, alpha=0.05, method="t"))
print(ibs.t_test_1samp(x, mu0=10, alternative="two-sided"))

# Gráficos
ibs.plot_distribution(x, kde=True, title="Distribuição de x")
ibs.plot_qq(x, title="Q-Q plot")

---

API (Referência)

1) Estatística Descritiva (ibmecstats.descritiva)

summary_stats(x, percentiles=(...), ddof=1) -> pd.Series

Resumo de estatísticas:

• n, média, desvio-padrão, min/max
• quantis informados
• assimetria (skew) e curtose

Exemplo

ibs.summary_stats(x, percentiles=(0.25, 0.5, 0.75))

---

freq_table(x, normalize=False, dropna=False, sort=True) -> pd.DataFrame

Tabela de frequência para variáveis categóricas.

Parâmetros

• normalize: adiciona proporção
• dropna: inclui/exclui NaN
• sort: ordena por frequência

Exemplo

ibs.freq_table(["A","A","B"], normalize=True)

---

iqr_outliers(x, k=1.5) -> pd.DataFrame

Detecta outliers pela regra do IQR.

Parâmetros

• k: multiplicador do IQR (1.5 padrão)

Exemplo

ibs.iqr_outliers(x, k=1.5)

---

correlation_matrix(df, method="pearson") -> pd.DataFrame

Matriz de correlação para colunas numéricas.

method

• "pearson", "spearman", "kendall"

Exemplo

ibs.correlation_matrix(df, method="spearman")

---

2) Inferência Estatística (ibmecstats.inferencia)

ci_mean(x, alpha=0.05, method="t") -> (lower, upper)

IC para a média.

• method="t": t-student (recomendado)
• method="z": normal

Exemplo

ibs.ci_mean(x, alpha=0.01, method="t")

---

ci_proportion(k, n, alpha=0.05, method="wilson") -> (lower, upper)

IC para proporção.

method

• "wald" (clássico)
• "wilson" (recomendado)
• "agresti-coull"

Exemplo

ibs.ci_proportion(k=42, n=100, method="wilson")

---

Testes t

t_test_1samp(x, mu0, alternative="two-sided") -> dict

Teste t de 1 amostra.

alternative

• "two-sided", "less", "greater"

Exemplo

ibs.t_test_1samp(x, mu0=10, alternative="greater")

t_test_ind(x1, x2, equal_var=False, alternative="two-sided") -> dict

Teste t de 2 amostras independentes.

• equal_var=False usa Welch (recomendado)

t_test_paired(x1, x2, alternative="two-sided") -> dict

Teste t pareado.

---

Proporção (teste z)

z_test_proportion(k, n, p0, alternative="two-sided", continuity=True) -> dict

Teste z para proporção.

---

Qui-quadrado

chi2_gof(observed, expected=None) -> dict

Teste de aderência (GOF).

• expected=None assume equiprovável.

chi2_independence(table, correction=True) -> dict

Teste de independência em tabela de contingência.

---

ANOVA

anova_oneway(*groups) -> dict

ANOVA de um fator.

---

Normalidade

normality_tests(x) -> pd.DataFrame

Retorna tabela com:

• Shapiro-Wilk
• Anderson-Darling (normal)
• KS vs N(mu, sigma) (observação: KS com parâmetros estimados não é Lilliefors)

---

Bootstrap

bootstrap_ci(x, statfunc=np.mean, alpha=0.05, n_boot=10000, random_state=None) -> dict

IC bootstrap percentil para qualquer estatística.

---

3) Métodos de Previsão (ibmecstats.previsao)

Todos retornam um ForecastResult com:

• yhat: previsão (pd.Series)
• fitted (quando aplicável)
• residuals (quando aplicável)
• info: metadados do modelo

naive_forecast(y, h, seasonal_period=None) -> ForecastResult

• sem sazonalidade: repete último valor
• com sazonalidade: repete o último ciclo sazonal

drift_forecast(y, h) -> ForecastResult

Método drift (tendência linear entre o primeiro e último ponto).

moving_average_forecast(y, h, window=3) -> ForecastResult

Média móvel simples.

ses_forecast(y, h, alpha=None, optimized=True) -> ForecastResult

SES (Simple Exponential Smoothing) via statsmodels.

holt_forecast(y, h, damped_trend=False, optimized=True, smoothing_level=None, smoothing_trend=None) -> ForecastResult

Holt (nível + tendência) via statsmodels.

holt_winters_forecast(y, h, seasonal_periods, trend="add", seasonal="add", damped_trend=False, optimized=True) -> ForecastResult

Holt-Winters (tendência + sazonalidade) via statsmodels.

---

4) Métricas de Forecast (ibmecstats.metrics)

• mae(y_true, y_pred)
• mse(y_true, y_pred)
• rmse(y_true, y_pred)
• mape(y_true, y_pred, eps=1e-9)
• smape(y_true, y_pred, eps=1e-9)
• wape(y_true, y_pred, eps=1e-9)
• mase(y_true, y_pred, y_train, seasonal_period=1, eps=1e-9)
• forecast_accuracy(y_true, y_pred, y_train=None, seasonal_period=1) -> pd.DataFrame

Exemplo

train, test = ibs.train_test_split_time(y, test_size=0.2)
res = ibs.naive_forecast(train, h=len(test))
ibs.forecast_accuracy(test, res.yhat, y_train=train, seasonal_period=12)

---

5) Gráficos (ibmecstats.plots) — seaborn

• set_theme(style="whitegrid", context="talk", palette="deep", font_scale=1.0, rc=None)
• plot_distribution(x, bins="auto", kde=True, title=None)
• plot_boxplot(x, title=None)
• plot_qq(x, dist="norm", title=None)
• plot_pp(x, dist="norm", title=None)
• plot_time_series(y, title=None)
• plot_acf_pacf(y, lags=40, title=None) (requer statsmodels)
• plot_forecast(y_train, y_test, y_pred, title=None)
• plot_residuals(residuals, title=None)