Qual foi estratificado?

Você recebeu dois DataFrames, df_1 e df_2. Você pode inspecioná-los no console. Eles contêm as colunas 'salary', 'free_hours' e 'high_free_time', bem como duas colunas adicionais: 'Block' é o bloco experimental ao qual foram alocados e 'T_C' é se foram alocados para tratamento ou controle.

Qual DataFrame é estratificado com relação à coluna 'high_free_time'?

Este exercício faz parte do curso

Projeto experimental em Python

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Projeto experimental em Python

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

O desenvolvimento do conhecimento em design experimental permite que você teste hipóteses com ferramentas analíticas de práticas recomendadas e quantifique o risco do seu trabalho. Você começará sua jornada definindo os fundamentos do que é o design experimental e as diferentes configurações de design experimental, como bloqueio e estratificação. Em seguida, você aprenderá e aplicará testes visuais e analíticos de normalidade em dados experimentais.

Exercise 1: Configuração de experimentos Exercise 2: Designação não aleatória de sujeitos Exercise 3: Designação aleatória de sujeitos Exercise 4: Configuração de dados experimentais Exercise 5: Bloqueio de dados experimentais Exercise 6: Estratificação de um experimento Exercise 7: Qual foi estratificado?

Exercício atual

Exercise 8: Dados normais Exercise 9: Normalidade visual em um experimento agrícola Exercise 10: Normalidade analítica em um experimento agrícola

Você se aprofundará em técnicas sofisticadas de projeto experimental, concentrando-se em projetos fatoriais, projetos de blocos aleatórios e ajustes de covariáveis. Essas metodologias são fundamentais para aprimorar a precisão, a eficiência e a interpretabilidade dos resultados experimentais. Por meio de uma combinação de percepções teóricas e aplicações práticas, você adquirirá as habilidades necessárias para projetar, implementar e analisar experimentos complexos em vários campos de pesquisa.

Exercise 1: Projetos fatoriais: princípios e aplicações Exercise 2: Compreensão da eficácia da campanha de marketing Exercise 3: Mapa de calor das interações da campanha Exercise 4: Projetos fatoriais e projetos de blocos aleatórios Exercise 5: Projeto de blocos aleatórios: controle de variância Exercise 6: Implementação de um projeto de blocos aleatórios Exercise 7: Visualização da produtividade em blocos por incentivo Exercise 8: ANOVA dentro de quarteirões de funcionários Exercise 9: Ajuste de covariáveis no projeto experimental Exercise 10: Importância das covariáveis Exercise 11: Ajuste de covariável com crescimento do pintinho

Domine testes estatísticos como testes t, ANOVA e qui-quadrado, e mergulhe fundo nas análises post-hoc e nos fundamentos da análise de potência. Aprenda a selecionar o teste certo, a interpretar valores p e erros e a conduzir habilmente a análise de potência para determinar os tamanhos da amostra e do efeito, tudo isso aproveitando as poderosas bibliotecas do Python para dar vida às suas percepções de dados.

Exercise 1: Escolhendo o teste estatístico correto Exercise 2: Escolhendo o teste certo: petroquímicos Exercise 3: Escolhendo o teste certo: recursos humanos Exercise 4: Escolhendo o teste certo: finanças Exercise 5: Análise post-hoc após ANOVA Exercise 6: Tratamentos de ansiedade ANOVA Exercise 7: Aplicando o teste de Tukey HSD Exercise 8: Aplicação da correção de Bonferoni Exercise 9: Valores de p, alfa e erros Exercise 10: Análise da durabilidade dos brinquedos Exercise 11: Visualização das diferenças de durabilidade Exercise 12: Papel dos níveis de significância Exercise 13: Análise de potência: tamanho da amostra e do efeito Exercise 14: Objetivo do tamanho do efeito Exercise 15: Estimativa do tamanho da amostra necessária para o estudo de energia

Você pode se aprofundar nas complexidades da análise de dados experimentais. Aprenda a sintetizar insights usando o pandas, abordar problemas de dados como heterocedasticidade com o scipy.stats e aplicar testes não paramétricos como o Mann-Whitney U. Aprenda técnicas adicionais para transformar, visualizar e interpretar dados complexos, aprimorando sua capacidade de realizar análises robustas em várias configurações experimentais.

Exercise 1: Sintetizando percepções de experimentos complexos Exercise 2: Visualização do rendimento da aprovação do empréstimo Exercise 3: Explorando a satisfação do cliente Exercise 4: Comunicação eficaz de dados experimentais Exercise 5: Abordagem de complexidades em dados experimentais Exercise 6: Verifique se há heterocedasticidade no prazo de validade Exercise 7: Exploração e transformação de dados de prazo de validade Exercise 8: Aplicação de testes não paramétricos na análise experimental Exercise 9: Visualização e teste de métodos de preservação Exercise 10: Analisar melhor as técnicas de preservação de alimentos Exercise 11: Parabéns!