Ao realizar um teste A/B, o objetivo é determinar se uma nova variante (B) é realmente diferente do controle (A) com base nos dados coletados. No entanto, a conclusão pode estar incorreta por dois motivos principais: detectar uma diferença quando não existe nenhuma (**erro Tipo I**, ou "falso positivo"), ou deixar de identificar uma diferença real (**erro Tipo II**, ou "falso negativo"). Para identificar qual erro - se houver - ocorreu, é necessário comparar a verdade do mundo real (se existe um efeito verdadeiro) com o resultado do teste estatístico (se foi declarado um efeito significativo).

Se o teste encontrar um resultado significativo quando não existe um efeito real, ocorreu um **erro Tipo I**. Se o teste não encontrar um resultado significativo quando existe um efeito real, ocorreu um **erro Tipo II**. Se a conclusão corresponder à realidade (detectando corretamente um efeito real ou concluindo corretamente que não há efeito), foi tomada uma **decisão correta**. Compreender esses cenários é fundamental para interpretar as implicações práticas dos testes e para tomar decisões de negócios informadas com base nos resultados.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib

class TestTask(unittest.TestCase):
    def test_correct_decision_true_effect_significant(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(True, True)
        _dynamic_test(
            self,
            result == "Correct Decision",
            'Returns "Correct Decision" for (True, True)',
            f'Expected "Correct Decision" for (True, True), got {result}'
        )

    def test_correct_decision_no_effect_not_significant(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(False, False)
        _dynamic_test(
            self,
            result == "Correct Decision",
            'Returns "Correct Decision" for (False, False)',
            f'Expected "Correct Decision" for (False, False), got {result}'
        )

    def test_type_i_error(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(False, True)
        _dynamic_test(
            self,
            result == "Type I Error",
            'Returns "Type I Error" for (False, True)',
            f'Expected "Type I Error" for (False, True), got {result}'
        )

    def test_type_ii_error(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(True, False)
        _dynamic_test(
            self,
            result == "Type II Error",
            'Returns "Type II Error" for (True, False)',
            f'Expected "Type II Error" for (True, False), got {result}'
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Domine a arte e a ciência dos testes A/B utilizando Python. Este curso aborda os fundamentos estatísticos, o design de experimentos e a implementação prática de testes A/B, com forte ênfase em prática e cenários do mundo real. Aprenda a analisar resultados, evitar erros comuns e comunicar descobertas de forma eficaz.

Explore os conceitos essenciais de testes A/B — desde a terminologia fundamental e o método científico até fluxos de trabalho práticos utilizados em tecnologia e marketing. Esta seção oferece uma base abrangente, incluindo o contexto histórico, a justificativa para experimentação e o vocabulário essencial necessário para uma comunicação eficaz em ambientes orientados por dados.

Domine as habilidades necessárias para projetar testes A/B robustos: desde a formulação de hipóteses e randomização até o cálculo do tamanho da amostra e a seleção de métricas. Esta seção aborda em detalhes a criação de hipóteses, randomização, determinação do tamanho da amostra e seleção de métricas, com exemplos práticos e exercícios aplicados.

Mergulhe nos conceitos estatísticos que fundamentam o A/B testing, incluindo significância, valores de p, tipos de erro e intervalos de confiança. Esta seção oferece explicações detalhadas, exemplos práticos de código e exercícios práticos para consolidar seu entendimento.

Mergulhe nos fundamentos da análise prática de testes A/B — simule dados, interprete resultados, crie visualizações envolventes e comunique descobertas para as partes interessadas. Aprenda a comunicar resultados de forma eficaz, criar visualizações impactantes e evitar armadilhas comuns na interpretação.

Desafio: Identificação de Tipos de Erro

Solução