Verifica della normalità

Un potente insieme di strumenti statistici, che comprende diversi test d'ipotesi tra i più comuni, si basa sull'assunzione che i dati sottostanti seguano una distribuzione normale. Anche se un istogramma può suggerire se i dati sono approssimativamente normali, vari test d'ipotesi ci permettono di verificare direttamente questa assunzione. Inoltre, gli istogrammi possono essere molto sensibili al numero di bin, soprattutto quando la dimensione del campione è piccola.

In questo esercizio lavorerai con i dati sugli stipendi dei dipendenti della City of Austin in salary_df. In particolare, ti concentrerai sui vigili del fuoco di origine ispanica. Analizzerai se i loro anni di servizio sono approssimativamente distribuiti normalmente usando il test d'ipotesi di Anderson-Darling.

Questo esercizio fa parte del corso

Fondamenti dell'inferenza in Python

Visualizza corso

Istruzioni dell'esercizio

Traccia un istogramma che mostri i Years of Employment dei dipendenti.
Esegui un test di Anderson-Darling per la normalità per verificare se Years of Employment è approssimativamente normale.
Trova quali critical_values sono inferiori alla statistic del test.
Stampa i significance_level ai quali l'ipotesi nulla verrebbe rifiutata.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Plot a histogram of the employees' "Years of Employment"
____.plot(kind="____")
plt.show()

# Conduct an Anderson-Darling test using the years of employment from salary_df
result = stats.____(____)

# Print which critical values the test statistic is greater than the critical values
print(result.____ > result.____)

# Print the significance levels at which the null hypothesis is rejected
print(result.____[result.____ > result.____])

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Fondamenti dell'inferenza in Python

AvançadoNível de habilidade

4.9+

Inizia il corso gratuitamente

In questo capitolo esploreremo la relazione tra campioni e conclusioni giustificabili dal punto di vista statistico. La scelta di un campione è la base per decisioni statistiche solide, e vedremo come questa scelta influenzi l’esito della tua inferenza.

Exercise 1: Inferenza statistica e campionamento casuale Exercise 2: Campionamento e stime puntuali Exercise 3: Campionamento ripetuto, stime puntuali e inferenza Exercise 4: Campionamento e bias Exercise 5: Visualizzare i campioni Exercise 6: Inferenza e bias Exercise 7: Intervalli di confidenza e campionamento Exercise 8: Distribuzioni campionarie normali Exercise 9: Calcolare gli intervalli di confidenza Exercise 10: Trarre conclusioni dai campioni

Scopri come applicare test di normalità, test di correlazione e test parametrici e non parametrici per un'inferenza solida. I test di ipotesi sono strumenti, e scegliere quello giusto per il compito è cruciale per il decision making statistico. Anche se potresti conoscerne alcuni dai corsi introduttivi, qui andrai più a fondo per potenziare la tua cassetta degli attrezzi inferenziale.

Exercise 1: Test di normalità Exercise 2: Verifica della normalità

Esercizio attuale

Exercise 3: Distribuzione degli errori Exercise 4: Adattare una distribuzione normale Exercise 5: Test di correlazione Exercise 6: Verificare la correlazione Exercise 7: Autocorrelazione Exercise 8: Varianza spiegata Exercise 9: Test parametrici Exercise 10: Varianza uguale Exercise 11: Normalità dei gruppi Exercise 12: ANOVA Exercise 13: Test non parametrici Exercise 14: Confrontare le classifiche Exercise 15: Confrontare le mediane

In questo capitolo misurerai e interpreterai l’effect size in vari contesti, affronterai il problema dei confronti multipli ed esplorerai in profondità la potenza di un test. Mentre i p-value ti dicono se è presente un effetto significativo, non indicano quanto sia forte. L’effect size misura l’intensità dell’effetto di un trattamento. Padroneggia i fattori alla base dell’effect size in questo capitolo.

Exercise 1: Dimensione dell'effetto Exercise 2: Dimensione dell'effetto per le medie Exercise 3: Dimensione dell'effetto per le correlazioni Exercise 4: Dimensione dell'effetto per variabili categoriche Exercise 5: Confronti multipli e correzioni Exercise 6: Problema dei confronti multipli Exercise 7: Correzione di Bonferroni-Holm Exercise 8: Potenza di un test Exercise 9: Che cos’è la potenza, in pratica?Exercise 10: Potenza per la progettazione sperimentale Exercise 11: Calcolare potenza e dimensioni del campione

Amplierai ulteriormente la tua cassetta degli attrezzi per l'inferenza con un approfondimento su bootstrapping, test di permutazione e metodi per combinare le evidenze dai p-value. Il bootstrapping ti offrirà una prima introduzione alla simulazione statistica. Nella lezione sulla meta-analisi, imparerai a combinare i risultati di più studi. Concluderai con i test di permutazione, uno strumento statistico non parametrico potente e flessibile.

Exercise 1: Bootstrapping Exercise 2: Intervalli di confidenza bootstrap Exercise 3: Bootstrap vs. normalità Exercise 4: Combinare l'evidenza dai p-value Exercise 5: Metodo di Fisher in SciPy Exercise 6: Inferenza con il metodo di Fisher Exercise 7: Riepilogo del metodo di Fisher Exercise 8: Test di permutazione Exercise 9: Test di permutazione per le correlazioni Exercise 10: Test di permutazione e bootstrapping Exercise 11: Analizzare dati asimmetrici con un test di permutazione Exercise 12: Video di chiusura del corso