1. Learn
    2. /
  2. Courses
    3. /
  3. Diseño experimental en Python
  • 1

    Diseño experimental Preliminares

    Free

    Adquirir conocimientos en diseño experimental te permite probar hipótesis con las mejores herramientas analíticas y cuantificar el riesgo de tu trabajo. Comenzarás tu viaje sentando las bases de lo que es el diseño experimental y las diferentes configuraciones de diseño experimental, como el bloqueo y la estratificación. A continuación, aprenderás y aplicarás pruebas visuales y analíticas de normalidad en datos experimentales.

  • 2

    Técnicas de diseño experimental

    Profundizarás en sofisticadas técnicas de diseño experimental, centrándote en diseños factoriales, diseños de bloques aleatorizados y ajustes de covariables. Estas metodologías son fundamentales para mejorar la precisión, eficacia e interpretabilidad de los resultados experimentales. Mediante una combinación de conocimientos teóricos y aplicaciones prácticas, adquirirás las habilidades necesarias para diseñar, implementar y analizar experimentos complejos en diversos campos de investigación.

  • 3

    Análisis de datos experimentales: Pruebas estadísticas y potencia

    Domina pruebas estadísticas como las pruebas t, ANOVA, y Chi-cuadrado, y profundiza en los análisis post-hoc y en los aspectos esenciales del análisis de potencia. Aprende a seleccionar la prueba adecuada, a interpretar los valores p y los errores, y a realizar hábilmente análisis de potencia para determinar el tamaño de las muestras y los efectos, todo ello aprovechando las potentes bibliotecas de Python para dar vida a tus conocimientos sobre los datos.

  • 4

    Perspectivas avanzadas de la complejidad experimental

    Adéntrate en las complejidades del análisis de datos experimentales. Aprende a sintetizar ideas utilizando pandas, a abordar problemas de datos como la heteroscedasticidad con scipy.stats, y a aplicar pruebas no paramétricas como la U de Mann-Whitney. Aprende técnicas adicionales para transformar, visualizar e interpretar datos complejos, mejorando tu capacidad para realizar análisis sólidos en diversos entornos experimentales.

Initializing

Exercise

Normalidad analítica en un experimento agrícola

Continuando con tu trabajo anterior, tus inspecciones visuales de los datos indican que puede que no sea un conjunto de datos normal en general, pero que el punto temporal inicial puede serlo.

Desarrolla tu trabajo anterior utilizando métodos analíticos para determinar la normalidad del conjunto de datos.

Se te ha leído el DataFrame chicken_data y ya se han ejecutado las siguientes importaciones de paquetes:

import pandas as pd
from scipy.stats import shapiro
from scipy.stats import anderson

Instructions 1/4

undefined XP
    1
    2
    3
    4
  • Realiza una prueba de normalidad de Shapiro-Wilk en la columna 'weight' e imprime la estadística de la prueba y el valor p.