By name: spec-012-d3-estatistica description: "Suite TDD para D3 (Raciocinio Estatistico) do CORA-Eval. 9 testes em niveis N2-N3: Teste t (2), ANOVA, Regressao Linear, Correlacao de Pearson, Bootstrap, MCMC, PCA, Correcao Multiplas Comparacoes. 11 funcoes implementadas. Validacao via TDD com dados sinteticos seed 42." spec: "SPEC-012" version: "1.1" category: research tags: [cora-eval, d3, estatistica, tdd, validacao] dependencies: [SPEC-001, CORA-Eval] tdd_suite: "artigo/evaluations/tests/test_d3_estatistica.py" ct_count: 9 status: active
SPEC-012 — Suite D3: Raciocínio Estatístico
Objetivo
Validar a capacidade de raciocínio estatístico formal (D3 do CORA-Eval) via 9 testes automatizados com dados sintéticos (seed 42), abrangendo níveis N2 (Métodos Clássicos) e N3 (Métodos Avançados).
⚠️ Nota de Auditoria (2026-05-31): O SKILL.md original listava 10 CTs e 18 funções, mas o código real contém 9 testes e 11 funções. Os CTs D3-N3-03 (Inferência Bayesiana) e D3-N3-05 (Regressão Gaussiana GP) não estão implementados. As funções
shapiro_wilk,kde,metropolis_hastings,pca_explained_variance,bayesian_update,spectral_clusteringegaussian_process_regressionestão listadas mas não existem no código (os testes implementam a lógica inline). Esta versão 1.1 corrige o registro para refletir fielmente o código real.
CTs (Testes Reais)
| CT | Descrição | Nível | Funções Cobertas |
|---|---|---|---|
| D3-N2-01a | Teste t — amostras da mesma população: |t| pequeno (p > 0.05) | N2 | t_statistic |
| D3-N2-01b | Teste t — amostras diferentes: |t| grande, Cohen's d grande | N2 | t_statistic, cohens_d |
| D3-N2-02 | ANOVA one-way — F grande entre 3 grupos com médias diferentes | N2 | mean, variance |
| D3-N2-03 | Regressão linear — y = 2 + 3x + ruído: recupera b₀, b₁, R² > 0.95 | N2 | linear_regression, r_squared, mean |
| D3-N2-04a | Correlação de Pearson — r ≈ 1 (correlacionado), r ≈ 0 (independente) | N2 | pearson_r |
| D3-N2-04b | Bootstrap IC 95% — IC bootstrap contém média populacional | N2 | mean |
| D3-N3-01 | MCMC Metropolis-Hastings — amostragem N(0,1): média ≈ 0, std ≈ 1 | N3 | mean, std (inline MCMC) |
| D3-N3-02 | PCA — variância explicada: PC1 > 70% em dados 2D correlacionados | N3 | mean (inline autovalores) |
| D3-N3-04 | Correção MCP — Bonferroni (sem falsos positivos) + BH (FDR controlado) | N3 | bonferroni_correction, benjamini_hochberg |
Funções Implementadas (11)
| Função | Descrição | Testada em |
|---|---|---|
mean(x) |
Média aritmética | Todos |
variance(x, ddof=1) |
Variância amostral | D3-N2-01, D3-N2-02 |
std(x, ddof=1) |
Desvio padrão amostral | D3-N3-01 |
t_statistic(x, y) |
Estatística t de Welch (variâncias desiguais) | D3-N2-01a, D3-N2-01b |
welch_df(x, y) |
Graus de liberdade de Welch-Satterthwaite | (definida mas não testada explicitamente) |
cohens_d(x, y) |
Tamanho de efeito de Cohen (d) | D3-N2-01b |
pearson_r(x, y) |
Coeficiente de correlação de Pearson | D3-N2-04a |
r_squared(y_true, y_pred) |
Coeficiente de determinação R² | D3-N2-03 |
linear_regression(x, y) |
Regressão linear simples: retorna (b₀, b₁) | D3-N2-03 |
bonferroni_correction(p_values) |
Correção de Bonferroni: p_adj = min(1, p × n) | D3-N3-04 |
benjamini_hochberg(p_values, alpha=0.05) |
FDR control via Benjamini-Hochberg | D3-N3-04 |
CTs Pendentes (Não Implementados)
| CT | Descrição | Prioridade |
|---|---|---|
| D3-N3-03 | Inferência Bayesiana — atualização de prior com likelihood normal | Média |
| D3-N3-05 | Regressão Gaussiana (GP) — predição com kernel RBF e incerteza calibrada | Baixa |
Execução
python artigo/evaluations/tests/test_d3_estatistica.py
Integração CORA-Eval
D3 cobre métodos estatísticos clássicos (N2) e computacionais (N3) com dados sintéticos reproduzíveis via seed 42. Preenche a lacuna de validação estatística do CORA-Eval.