Začněte nyníZačněte zdarma

Test hypotézy: zpomalují plavci?

Nyní otestujeme nulovou hypotézu, že čas úseku plavce nijak nesouvisí s tím, jak daleko v závodě se nachází. Jako testovací statistiku použijeme Pearsonův korelační koeficient (vypočítaný pomocí dcst.pearson_r()).

Toto cvičení je součástí kurzu

Případové studie ve statistickém myšlení

Zobrazit kurz

Pokyny k cvičení

  • Vypočítej pozorovanou Pearsonovu korelaci a ulož ji jako rho.
  • Pomocí np.empty() inicializuj pole 10 000 permutačních replikátů Pearsonovy korelace a pojmenuj ho perm_reps_rho.
  • Napiš cyklus for, ve kterém:
    • Zamícháš pole čísel úseků pomocí np.random.permutation() a výsledek pojmenuješ scrambled_split_number.
    • Vypočítáš Pearsonův korelační koeficient mezi zamíchaným polem čísel úseků a průměrnými časy úseků a uložíš ho do perm_reps_rho.
  • Vypočítej p-hodnotu a zobraz ji na obrazovce. Za „stejně nebo více extrémní" považuj případ, kdy je Pearsonova korelace alespoň tak velká, jaká byla pozorována.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Observed correlation
rho = ____

# Initialize permutation reps
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the split number array
    scrambled_split_number = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / ____
print('p =', p_val)
Upravit a spustit kód