EmpezarEmpieza gratis

Prueba de hipótesis: ¿puede ser por azar?

El análisis exploratorio y la regresión lineal son bastante concluyentes. Aun así, vas a rematar el análisis del efecto en zigzag comprobando la hipótesis de que la asignación de calles no tiene relación con la diferencia fraccional media entre las calles pares e impares mediante una prueba de permutación. Usarás el coeficiente de correlación de Pearson, que puedes calcular con dcst.pearson_r() como estadístico de prueba. Las variables lanes y f_13 ya están en tu espacio de nombres.

Este ejercicio forma parte del curso

Casos prácticos de pensamiento estadístico

Ver curso

Instrucciones del ejercicio

  • Calcula el coeficiente de correlación de Pearson observado y guárdalo como rho.
  • Inicializa un array para almacenar las 10.000 réplicas por permutación de rho usando np.empty(). Llama al array perm_reps_rho.
  • Escribe un bucle for para generar las réplicas por permutación.
    • Baraja el array lanes usando np.random.permutation().
    • Calcula el coeficiente de correlación de Pearson entre el array lanes barajado y f_13. Guarda el resultado en perm_reps_rho.
  • Calcula e imprime el valor p. Considera "al menos tan extremo como" que el coeficiente de correlación de Pearson sea mayor o igual que lo observado.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Compute observed correlation: rho
rho = ____

# Initialize permutation reps: perm_reps_rho
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the lanes array: scrambled_lanes
    scrambled_lanes = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / 10000
print('p =', p_val)
Editar y ejecutar código