ibmecstats 0.1.6

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) Utilitários (ibmecstats.utils)

• ForecastResult: estrutura padrão de retorno para previsão (yhat, fitted, residuals, info).
• ensure_datetime_index(y, date_col=None, freq=None): garante índice temporal em Series/DataFrame.
• train_test_split_time(y, test_size=0.2): separa série temporal em treino/teste sem embaralhar.

---

2) Estatística Descritiva (ibmecstats.descritiva)

• summary_stats(x, percentiles=(...), ddof=1): resumo estatístico (n, média, desvio, quantis, skew, curtose).
• freq_table(x, normalize=False, dropna=False, sort=True): tabela de frequências absolutas e proporcionais.
• iqr_outliers(x, k=1.5): identifica outliers pela regra do IQR.
• correlation_matrix(df, method="pearson"): matriz de correlação numérica (pearson, spearman, kendall).

---

3) Inferência Estatística (ibmecstats.inferencia)

Intervalos de confiança

• ci_mean(x, alpha=0.05, method="t"): IC da média (t ou z).
• ci_mean_diff(x1, x2, alpha=0.05, paired=False, equal_var=False): IC da diferença entre médias.
• ci_proportion(k, n, alpha=0.05, method="wilson"): IC de uma proporção.
• ci_proportion_diff(k1, n1, k2, n2, alpha=0.05): IC da diferença entre duas proporções.
• ci_variance(x, alpha=0.05): IC da variância usando qui-quadrado.

Testes de hipótese

• t_test_1samp(x, mu0, alternative="two-sided"): teste t de 1 amostra.
• t_test_ind(x1, x2, equal_var=False, alternative="two-sided"): teste t para amostras independentes (Welch por padrão).
• t_test_paired(x1, x2, alternative="two-sided"): teste t pareado.
• z_test_proportion(k, n, p0, alternative="two-sided", continuity=True): teste z para uma proporção.
• z_test_2proportions(k1, n1, k2, n2, alternative="two-sided"): teste z para comparar duas proporções.
• chi2_gof(observed, expected=None): qui-quadrado de aderência.
• chi2_independence(table, correction=True): qui-quadrado de independência.
• chi2_homogeneity(table, correction=False): qui-quadrado de homogeneidade.
• anova_oneway(*groups): ANOVA de um fator.
• bartlett_homoscedasticity(*groups): teste de Bartlett para igualdade de variâncias.
• cochran_c_test(*groups, n_sim=20000, random_state=None): teste C de Cochran para homocedasticidade.
• f_test_variances(x1, x2, alternative="two-sided"): teste F para comparação de duas variâncias.
• correlation_test(x, y, method="pearson"): teste de correlação (Pearson, Spearman, Kendall).
• jarque_bera_test(x): teste de normalidade Jarque-Bera.
• normality_tests(x): tabela de testes de normalidade (Shapiro, Anderson-Darling, KS e Jarque-Bera).

Reamostragem

• bootstrap_ci(x, statfunc=np.mean, alpha=0.05, n_boot=10000, random_state=None): IC bootstrap percentil para estatística arbitrária.

Exemplo rápido (cochran_c_test)

import ibmecstats as ibs

g1 = [10, 11, 9, 12, 10]
g2 = [8, 7, 9, 8, 10]
g3 = [12, 15, 13, 14, 16]

out = ibs.cochran_c_test(g1, g2, g3, n_sim=5000, random_state=42)
print(out)  # {'statistic': ..., 'pvalue': ..., 'k_groups': ...}

---

4) Regressão Linear (ibmecstats.regressao)

• add_dummy_variables(df, columns, drop_first=True): cria variáveis dummy para colunas categóricas.
• ols_fit(y, x, add_constant=True): ajusta regressão linear por mínimos quadrados ordinários.
• ols_predict(model, x_new): gera previsões com modelo OLS ajustado.
• ols_diagnostics(model): retorna métricas de ajuste (R², R² ajustado, F, AIC, BIC, sigma).
• best_subset_selection(y, x, criterion="aic", max_features=None, add_constant=True): seleciona melhor subconjunto de variáveis (AIC/BIC).
• model_selection(y, x, method="forward", criterion="aic", add_constant=True): seleção de modelos (forward, backward, stepwise, bestsubset).

Exemplo rápido (ols_fit e model_selection)

import pandas as pd
import ibmecstats as ibs

df = pd.DataFrame({
    "y": [10, 11, 13, 14, 16, 18],
    "x1": [1, 2, 3, 4, 5, 6],
    "x2": [2, 1, 2, 3, 2, 4],
    "grupo": ["A", "A", "B", "B", "A", "B"],
})

x = ibs.add_dummy_variables(df[["x1", "x2", "grupo"]], columns=["grupo"], drop_first=True)
model = ibs.ols_fit(df["y"], x, add_constant=True)
print(ibs.ols_diagnostics(model))

sel = ibs.model_selection(df["y"], x, method="stepwise", criterion="aic")
print(sel["features"])

---

5) Métodos de Previsão (ibmecstats.previsao)

Todos retornam ForecastResult.

• naive_forecast(y, h, seasonal_period=None): previsão ingênua (último valor ou sazonal ingênua).
• drift_forecast(y, h): projeção com tendência linear entre primeiro e último ponto.
• moving_average_forecast(y, h, window=3): previsão por média móvel simples.
• trend_projection_forecast(y, h, model="linear"): projeção por tendência via MQ (linear, quadratic, exponential).
• autoregressive_forecast(y, h, lags=1, trend="c", seasonal=False, period=None): previsão AR(p) por Yule-Walker.
• ses_forecast(y, h, alpha=None, optimized=True): suavização exponencial simples (statsmodels).
• holt_forecast(...): suavização de Holt (nível + tendência) via statsmodels.
• holt_winters_forecast(...): Holt-Winters (tendência + sazonalidade) via statsmodels.

Exemplo rápido (trend_projection_forecast)

import ibmecstats as ibs

y = [120, 124, 129, 133, 140, 147, 155]
res = ibs.trend_projection_forecast(y, h=3, model="quadratic")
print(res.yhat)

---

6) Métricas de Forecast (ibmecstats.metrics)

• mae(y_true, y_pred): erro absoluto médio.
• mse(y_true, y_pred): erro quadrático médio.
• rmse(y_true, y_pred): raiz do erro quadrático médio.
• mape(y_true, y_pred, eps=1e-9): erro percentual absoluto médio.
• smape(y_true, y_pred, eps=1e-9): erro percentual absoluto médio simétrico.
• wape(y_true, y_pred, eps=1e-9): erro percentual absoluto ponderado.
• mase(y_true, y_pred, y_train, seasonal_period=1, eps=1e-9): erro absoluto escalonado.
• forecast_accuracy(y_true, y_pred, y_train=None, seasonal_period=1): tabela com métricas resumidas.

---

7) Gráficos (ibmecstats.plots) — seaborn

• set_theme(...): define estilo visual padrão.
• plot_distribution(x, bins="auto", kde=True, title=None): histograma com opção de KDE.
• plot_boxplot(x, title=None): boxplot.
• plot_qq(x, dist="norm", title=None): gráfico QQ.
• plot_pp(x, dist="norm", title=None): gráfico PP.
• plot_time_series(y, title=None): série temporal.
• plot_acf_pacf(y, lags=40, title=None): ACF/PACF (requer statsmodels).
• plot_forecast(y_train, y_test, y_pred, title=None): gráfico de treino, teste e previsão.
• plot_residuals(residuals, title=None): diagnóstico visual de resíduos.