नॉन-पैरामेट्रिक टेस्ट

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में अनुमान का आधार

SkillTag.level.advancedSkillTag.label

4.9+

इस अध्याय में, हम सैंपल्स और सांख्यिकीय रूप से उचित निष्कर्षों के बीच संबंध को समझेंगे। सही सैंपल चुनना ठोस सांख्यिकीय निर्णयों की नींव है, और हम देखेंगे कि सैंपल की पसंद आपके अनुमान के नतीजों को कैसे प्रभावित करती है.

Exercise 1: सांख्यिकीय अनुमान और रैंडम सैंपलिंग Exercise 2: Sampling और point estimates Exercise 3: बार-बार सैंपलिंग, पॉइंट एस्टीमेट्स और इनफ़ेरेंस Exercise 4: सैंपलिंग और पक्षपात Exercise 5: सैंपल्स का विज़ुअलाइज़ेशन Exercise 6: Inference और bias Exercise 7: कॉन्फिडेंस इंटरवल्स और सैंपलिंग Exercise 8: Normal sampling distributions Exercise 9: Confidence intervals की गणना Exercise 10: सैंपल से निष्कर्ष निकालना

नॉर्मैलिटी टेस्ट्स, कॉरिलेशन टेस्ट्स, और पैरामीट्रिक व नॉन-पैरामीट्रिक टेस्ट्स को सही अनुमान के लिए लागू करना सीखें। हाइपोथिसिस टेस्ट्स उपकरण हैं, और काम के लिए सही उपकरण चुनना सांख्यिकीय निर्णय लेने में बेहद अहम है। हालाँकि आप इनमें से कुछ टेस्ट्स से प्रारंभिक कोर्सों में परिचित रहे होंगे, इस अध्याय में आप और गहराई में जाकर अपना इंफेरेंशियल टूलकिट मजबूत करेंगे.

Exercise 1: Normality tests Exercise 2: Normality की जाँच Exercise 3: त्रुटियों का वितरण Exercise 4: Normal distribution फिट करना Exercise 5: Correlation tests Exercise 6: Correlation की जाँच Exercise 7: Autocorrelation Exercise 8: Explained variance Exercise 9: पैरामेट्रिक टेस्ट Exercise 10: Equal variance Exercise 11: समूहों की Normality Exercise 12: ANOVA Exercise 13: नॉन-पैरामेट्रिक टेस्ट

वर्तमान अभ्यास

Exercise 14: रैंकिंग्स की तुलना Exercise 15: मेडियन की तुलना

इस अध्याय में, आप अलग-अलग परिस्थितियों में इफ़ेक्ट साइज को मापेंगे और उसकी व्याख्या करेंगे, मल्टिपल कंपैरिज़न्स समस्या से रू-ब-रू होंगे, और किसी टेस्ट की पावर को गहराई से समझेंगे। p-values आपको यह बताते हैं कि कोई महत्वपूर्ण प्रभाव है या नहीं, लेकिन वे यह नहीं बताते कि वह प्रभाव कितना मज़बूत है। इफ़ेक्ट साइज बताता है कि किसी ट्रीटमेंट का प्रभाव कितना बड़ा है। इस अध्याय में इफ़ेक्ट साइज को निर्धारित करने वाले कारकों पर महारत हासिल करें.

Exercise 1: Effect size Exercise 2: Means के लिए Effect size Exercise 3: Correlation के लिए Effect Size Exercise 4: Categorical वैरिएबल्स के लिए effect size Exercise 5: Multiple comparisons और corrections Exercise 6: Multiple comparisons समस्या Exercise 7: Bonferonni-Holm correction Exercise 8: किसी परीक्षण की Power Exercise 9: पावर आखिर है क्या?Exercise 10: प्रयोगात्मक डिज़ाइन के लिए पावर Exercise 11: पावर और सैंपल साइज निकालना

आप अपना इंफेरेंशियल स्टैटिस्टिक्स टूलकिट और आगे बढ़ाएँगे: बूटस्ट्रैपिंग, परमीटेशन टेस्ट्स, और p-values से साक्ष्य जोड़ने की विधियों के साथ। बूटस्ट्रैपिंग आपको सांख्यिकीय सिमुलेशन की पहली झलक देगा। मेटा-एनालिसिस वाले लेसन में, आप कई स्टडीज़ के परिणामों को जोड़ना सीखेंगे। अंत में, आप परमीटेशन टेस्ट्स पर नजर डालेंगे, जो एक शक्तिशाली और लचीला नॉन-पैरामीट्रिक सांख्यिकीय टूल है.

Exercise 1: Bootstrapping Exercise 2: बूटस्ट्रैप confidence intervals Exercise 3: Bootstrapping बनाम normality Exercise 4: p-values से साक्ष्य को जोड़ना Exercise 5: SciPy में Fisher की विधि Exercise 6: Fisher's method का उपयोग करके inference Exercise 7: Fisher की विधि का सार Exercise 8: Permutation tests Exercise 9: Correlation के लिए permutation tests Exercise 10: Permutation tests और bootstrapping Exercise 11: Permutation test के साथ skewed डेटा का विश्लेषण Exercise 12: कोर्स समापन वीडियो