Stichprobengröße berechnen

Schließen wir unseren Blick auf statistische Tests ab, indem wir eine Power-Analyse durchführen, um die benötigte Stichprobengröße zu ermitteln. Eine Power-Analyse umfasst vier bewegliche Teile:

Stichprobengröße
Effektgröße
Minimale Effektgröße
Power

In dieser Übung arbeitest du mit einer Website und möchtest eine Differenz in der Conversion-Rate testen. Bevor du mit dem Experiment beginnst, musst du festlegen, wie viele Stichproben du pro Variante bei 5 % Signifikanz und 95 % Power benötigst.

Diese Übung ist Teil des Kurses

Statistik-Interviewfragen in Python üben

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Standardize the effect size
from statsmodels.stats.proportion import proportion_effectsize
std_effect = ____

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Statistik-Interviewfragen in Python üben

Hohe SchwierigkeitSchwierigkeitsgrad

4.7+

Kurs kostenlos starten

In diesem Kapitel startest du mit einer Wiederholung zu bedingten Wahrscheinlichkeiten, dem Satz von Bayes und dem zentralen Grenzwertsatz. Dabei lernst du, wie du Aufgaben mit häufig verwendeten Wahrscheinlichkeitsverteilungen angehst.

Exercise 1: Bedingte Wahrscheinlichkeiten Exercise 2: Aufgaben vorbereiten Exercise 3: Bayes’ Theorem angewendet Exercise 4: Zentraler Grenzwertsatz Exercise 5: Stichproben eines gewürfelten Würfels Exercise 6: Zentrales Grenzwerttheorem simulieren Exercise 7: Wahrscheinlichkeitsverteilungen Exercise 8: Bernoulli-Verteilung Exercise 9: Binomialverteilung Exercise 10: Normalverteilung

In diesem Kapitel bereitest du dich auf statistische Konzepte rund um die explorative Datenanalyse vor. Dazu gehören deskriptive Statistik, der Umgang mit kategorialen Variablen und Beziehungen zwischen Variablen. Die Übungen machen dich fit für analytische Assessments oder codingbasierte Statistikfragen.

Exercise 1: Deskriptive Statistik Exercise 2: Mittelwert oder Median Exercise 3: Standardabweichung per Hand Exercise 4: Kategorische Daten Exercise 5: Kodierungstechniken Exercise 6: Laptop-Preise erkunden Exercise 7: Zwei oder mehr Variablen Exercise 8: Arten von Zusammenhängen Exercise 9: Pearson-Korrelation Exercise 10: Empfindlichkeit gegenüber Ausreißern

Tauche tiefer in wichtige Konzepte zu Experimenten und Tests ein: Wir wiederholen Konfidenzintervalle, Hypothesentests, multiple Tests sowie die Rolle von Teststärke (Power) und Stichprobengröße. Außerdem besprechen wir Fehlertypen und was sie in der Praxis bedeuten.

Exercise 1: Konfidenzintervalle Exercise 2: Konfidenzintervall per Hand Exercise 3: Konfidenzintervalle anwenden Exercise 4: Hypothesentests Exercise 5: Einseitiger z-Test Exercise 6: Zweiseitiger t-Test Exercise 7: Power und Stichprobengröße Exercise 8: Auswirkung auf den Typ-II-Fehler Exercise 9: Stichprobengröße berechnen

Aktuelle Übung

Exercise 10: Die Beziehung visualisieren Exercise 11: Multiple Testing Exercise 12: Fehlerraten berechnen Exercise 13: Bonferroni-Korrektur

Zum Abschluss behandeln wir Konzepte rund um Regressions- und Klassifikationsmodelle. Das Kapitel startet mit einer Wiederholung grundlegender Machine-Learning-Algorithmen und führt schnell zu Modellevaluierung, dem Umgang mit Sonderfällen und dem Bias-Variance-Trade-off.

Exercise 1: Regressionsmodelle Exercise 2: Lineare Regression Exercise 3: Logistische Regression Exercise 4: Modelle bewerten Exercise 5: Bewertung von Regressionsmodellen Exercise 6: Bewertung von Klassifikationen Exercise 7: Fehlende Daten und Ausreißer Exercise 8: Umgang mit Nullwerten Exercise 9: Ausreißer erkennen Exercise 10: Bias-Variance-Trade-off Exercise 11: Test- und Trainingsfehler Exercise 12: Die Trade-off-Visualisierung Exercise 13: Zum Abschluss