Co powinieneś był zrobić najpierw?

To był całkiem niezły test hipotezy – sprawdziłeś, czy zmiany zasad wprowadzone w 1920 roku wpłynęły na częstość meczów bez uderzenia (no-hitterów). Ale co powinieneś był zrobić z danymi w pierwszej kolejności?

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 2)

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 2)

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Wnioskowanie statystyczne posługuje się językiem prawdopodobieństwa. Rozkład prawdopodobieństwa opisujący twoje dane ma określone parametry. Głównym celem wnioskowania statystycznego jest zatem wyznaczenie wartości tych parametrów – dzięki temu możesz zwięźle i jednoznacznie opisać dane oraz wyciągać z nich wnioski. W tym rozdziale nauczysz się znajdować optymalne parametry, czyli takie, które najlepiej opisują twoje dane.

Exercise 1: Optymalne parametry Exercise 2: Jak często zdarzają się mecze bez przebicia?Exercise 3: Czy dane pasują do naszego modelu?Exercise 4: Dlaczego ten parametr jest optymalny?Exercise 5: Regresja liniowa metodą najmniejszych kwadratów Exercise 6: EDA danych dotyczących piśmienności i dzietności Exercise 7: Regresja liniowa Exercise 8: Na czym polega optymalność?Exercise 9: Znaczenie EDA: kwartet Anscombe'a Exercise 10: Znaczenie EDA Exercise 11: Regresja liniowa na odpowiednich danych z kwartetu Anscombe'a Exercise 12: Regresja liniowa na wszystkich zbiorach danych Anscombe'a

W statystycznym wnioskowaniu chciałoby się wiedzieć, co by się stało, gdyby można było powtórzyć zbieranie danych nieskończoną liczbę razy. To oczywiście niemożliwe – ale czy dysponując tylko posiadanymi danymi, można uzyskać wyniki zbliżone do tych z nieskończonej liczby eksperymentów? Tak! Technika, która to umożliwia, nosi trafną nazwę bootstrappingu. Ten rozdział zapozna cię z tym niezwykle potężnym narzędziem.

Exercise 1: Generowanie replik bootstrapowych Exercise 2: Opanowanie terminologii Exercise 3: Bootstrapping ręcznie Exercise 4: Wizualizacja próbek bootstrapowych Exercise 5: Bootstrapowe przedziały ufności Exercise 6: Generowanie wielu replikatów bootstrapowych Exercise 7: Replikaty bootstrapowe średniej i błąd standardowy SEM Exercise 8: Przedziały ufności dla danych opadowych Exercise 9: Repliki bootstrap innych statystyk Exercise 10: Przedział ufności dla częstości meczów bez trafienia Exercise 11: Bootstrapping parami Exercise 12: Funkcja do bootstrapu par Exercise 13: Sparowane bootstrapowanie danych o piśmienności i płodności Exercise 14: Rysowanie regresji bootstrapowych

Wiesz już, jak definiować i estymować parametry przy danym modelu. Pozostaje jednak pytanie: na ile uzasadnione jest zaobserwowanie takich danych, jeśli model jest prawdziwy? To pytanie rozstrzygają testy hipotez – stanowią one zwieńczenie wnioskowania statystycznego. Po ukończeniu tego rozdziału będziesz potrafić starannie formułować i testować hipotezy przy użyciu metod hacker stats.

Exercise 1: Formułowanie i symulowanie hipotezy Exercise 2: Generowanie próbki permutacyjnej Exercise 3: Wizualizacja próbkowania permutacyjnego Exercise 4: Statystyki testowe i wartości p Exercise 5: Statystyki testowe Exercise 6: Czym jest wartość p?Exercise 7: Generowanie replikacji permutacyjnych Exercise 8: Zanim przejdziesz dalej: EDA przed testowaniem hipotez Exercise 9: Test permutacyjny na danych dotyczących żab Exercise 10: Bootstrapowe testy hipotez Exercise 11: Jednopróbkowy bootstrapowy test hipotezy Exercise 12: Dwupróbkowy bootstrapowy test hipotezy dla różnicy średnich

Jak widziałeś w poprzednim rozdziale, testowanie hipotez bywa nieco kłopotliwe. Trzeba zdefiniować hipotezę zerową, opracować sposób jej symulowania i jasno określić, co oznacza "bardziej ekstremalny" wynik, aby móc obliczyć wartość p. Jak w każdej dziedzinie, ćwiczenie czyni mistrza – ten rozdział daje ci solidną praktykę w testowaniu hipotez.

Exercise 1: Testowanie A/B Exercise 2: Głosowanie nad Ustawą o Prawach Obywatelskich z 1964 roku Exercise 3: Co jest równoważne?Exercise 4: Analogia z czasem spędzonym na stronie Exercise 5: Co powinieneś był zrobić najpierw?

Bieżące ćwiczenie

Exercise 6: Test korelacji Exercise 7: Symulowanie hipotezy zerowej dotyczącej korelacji Exercise 8: Test hipotezy dla korelacji Pearsona Exercise 9: Czy neonikotynoidy mają niezamierzone skutki uboczne?Exercise 10: Bootstrapowy test hipotezy dotyczący liczby plemników pszczół

Od ponad 40 lat Peter i Rosemary Grantowie co roku przyjeżdżają na galápagowską wyspę Daphne Major i zbierają dane dotyczące zięb Darwina. Korzystając ze swoich umiejętności w zakresie wnioskowania statystycznego, spędzisz ten rozdział z ich danymi i na własne oczy – przez pryzmat danych – zaobserwujesz ewolucję w działaniu. To znakomity finał kursu!

Exercise 1: Dzioby zięb i potrzeba statystyki Exercise 2: EDA głębokości dziobów zięb Darwina Exercise 3: ECDF głębokości dziobów Exercise 4: Estymacja parametrów głębokości dzioba Exercise 5: Test hipotezy: czy dzioby są głębsze w 2012 roku?Exercise 6: Zmienność kształtów dziobów Exercise 7: EDA długości i głębokości dzioba Exercise 8: Regresje liniowe Exercise 9: Wizualizacja wyników regresji liniowej Exercise 10: Stosunek długości dzioba do jego głębokości Exercise 11: Jak bardzo różni się proporcja?Exercise 12: Obliczanie odziedziczalności Exercise 13: EDA dziedziczności Exercise 14: Korelacja danych potomstwa i rodziców Exercise 15: Korelacja Pearsona dla danych potomstwa i rodziców Exercise 16: Mierzenie odziedziczalności Exercise 17: Czy głębokość dzioba jest w ogóle dziedziczna u G. scandens?Exercise 18: Podsumowanie