LoslegenKostenlos loslegen

Hypothesentest: Werden sie langsamer?

Jetzt testen wir die Nullhypothese, dass die Split-Zeit der Schwimmer überhaupt nicht mit der im Rennen zurückgelegten Distanz korreliert. Wir verwenden den Pearson-Korrelationskoeffizienten (berechnet mit dcst.pearson_r()) als Teststatistik.

Diese Übung ist Teil des Kurses

Fallstudien zum statistischen Denken

Kurs anzeigen

Anleitung zur Übung

  • Berechne die beobachtete Pearson-Korrelation und speichere sie als rho.
  • Initialisiere mit np.empty() ein Array mit 10.000 Permutationsreplikaten der Pearson-Korrelation und nenne es perm_reps_rho.
  • Schreibe eine for-Schleife, die Folgendes tut:
    • Mische das Array der Split-Nummern mit np.random.permutation() und nenne es scrambled_split_number.
    • Berechne den Pearson-Korrelationskoeffizienten zwischen dem gemischten Split-Nummern-Array und den mittleren Split-Zeiten und speichere ihn in perm_reps_rho.
  • Berechne den p-Wert und gib ihn auf dem Bildschirm aus. Interpretiere „mindestens so extrem wie“ so, dass die Pearson-Korrelation mindestens so groß ist wie die beobachtete.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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)
Code bearbeiten und ausführen