1. Apprendre
    2. /
  2. Cours
    3. /
  3. Versuchsplanung in Python
  • 1

    Versuchsplanung Vorbereitende Maßnahmen

    Gratuit

    Der Aufbau von Kenntnissen in der Versuchsplanung ermöglicht es dir, Hypothesen mit bewährten Analyseinstrumenten zu testen und das Risiko deiner Arbeit zu quantifizieren. Du beginnst deine Reise mit den Grundlagen der Versuchsplanung und den verschiedenen Versuchsaufbauten wie Blocking und Stratifikation. Dann lernst du visuelle und analytische Tests für die Normalität von Versuchsdaten kennen und anwenden.

  • 2

    Experimentelle Planungstechniken

    Du wirst dich mit ausgefeilten Versuchsplanungstechniken befassen und dich dabei auf faktorielle Versuchspläne, randomisierte Blockpläne und Kovariatenanpassungen konzentrieren. Diese Methoden tragen dazu bei, die Genauigkeit, Effizienz und Interpretierbarkeit von Versuchsergebnissen zu verbessern. Durch eine Kombination aus theoretischen Erkenntnissen und praktischen Anwendungen erwirbst du die nötigen Fähigkeiten, um komplexe Experimente in verschiedenen Forschungsbereichen zu planen, durchzuführen und zu analysieren.

  • 3

    Analysiere experimentelle Daten: Statistische Tests und Leistung

    Beherrsche statistische Tests wie t-Tests, ANOVA und Chi-Quadrat und tauche tief in die Grundlagen der Post-Hoc-Analyse und Power-Analyse ein. Lerne, den richtigen Test auszuwählen, p-Werte und Fehler zu interpretieren und Power-Analysen durchzuführen, um Stichproben- und Effektgrößen zu bestimmen, während du die leistungsstarken Bibliotheken von Python nutzt, um deine Datenerkenntnisse zum Leben zu erwecken.

  • 4

    Erweiterte Einsichten aus experimenteller Komplexität

    Steig in die Komplexität der experimentellen Datenanalyse ein. Lerne, Erkenntnisse mit Pandas zusammenzufassen, Datenprobleme wie Heteroskedastizität mit scipy.stats anzugehen und nichtparametrische Tests wie Mann-Whitney U anzuwenden. Erlerne zusätzliche Techniken zur Umwandlung, Visualisierung und Interpretation komplexer Daten und verbessere deine Fähigkeit, robuste Analysen in verschiedenen experimentellen Umgebungen durchzuführen.

Initializing

Exercice

Schätzung der erforderlichen Stichprobengröße für die Energiestudie

Im Energiesektor haben Forscherinnen und Forscher oft die Aufgabe, die Wirksamkeit neuer Technologien oder Initiativen zur Verbesserung der Energieeffizienz oder zur Senkung des Energieverbrauchs zu bewerten. In einer Studie sollen die Auswirkungen von zwei Energiesparmaßnahmen verglichen werden: "Intelligente Thermostate" und "LED Beleuchtung". Um sicherzustellen, dass die Studie ausreichend aussagekräftig ist, um einen signifikanten Unterschied bei den Energieeinsparungen zwischen diesen beiden Maßnahmen festzustellen, führst du eine Leistungsanalyse durch.

pandas as pd, numpy as np, und from statsmodels.stats.power import TTestIndPower geladen werden.

Instructions

100 XP
  • Instanziiere ein TTestIndPower-Objekt.
  • Führe die Power-Analyse durch, um die erforderliche Stichprobengröße für jede Gruppe (intelligente Thermostate und LED Beleuchtung) zu schätzen, um eine Power von 0,9 zu erreichen, wobei eine moderate Effektgröße (Cohen's d = 0,5) und ein Alpha von 0,05 bei gleich großen Gruppen angenommen wird.