ComeçarComece de graça

Teste de hipótese: isso pode ter sido por acaso?

A EDA e a análise de regressão linear são bem conclusivas. Mesmo assim, você vai finalizar a análise do efeito zigue-zague testando a hipótese de que a distribuição das raias não tem relação com a diferença fracionária média entre raias pares e ímpares, usando um teste de permutação. Você usará o coeficiente de correlação de Pearson, que pode ser calculado com dcst.pearson_r(), como estatística de teste. As variáveis lanes e f_13 já estão no seu ambiente de trabalho.

Este exercício faz parte do curso

Estudos de caso em pensamento estatístico

Ver curso

Instruções do exercício

  • Calcule o coeficiente de correlação de Pearson observado e armazene em rho.
  • Inicialize um array para armazenar 10.000 réplicas de permutação de rho usando np.empty(). Nomeie o array de perm_reps_rho.
  • Escreva um loop for para gerar as réplicas de permutação.
    • Embaralhe o array lanes usando np.random.permutation().
    • Calcule o coeficiente de correlação de Pearson entre o array lanes embaralhado e f_13. Armazene o resultado em perm_reps_rho.
  • Calcule e imprima o valor de p. Considere "pelo menos tão extremo quanto" como o coeficiente de correlação de Pearson ser maior ou igual ao observado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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 e executar o código