Visualização da produtividade em blocos por incentivo

Continuando com o exemplo da produtividade do trabalhador, você explorará se as pontuações de produtividade estão distribuídas pelos dados como seria de se esperar com a atribuição aleatória do tratamento. Observe que essa é uma etapa de precaução, e o tratamento e os resultados de acompanhamento sobre o impacto dos três tratamentos ainda não foram concluídos!

seaborn e matplotlib.pyplot como sns e plt, respectivamente, são carregados.

Este exercício faz parte do curso

Projeto experimental em Python

Instruções de exercício

Visualize as pontuações de produtividade nos blocos por tratamento usando um boxplot com 'block' para x, 'productivity_score' para y e 'Treatment' para hue.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Make a plot showing how positivity_score varies within blocks
sns.____(x='____', 
            y='____', 
            hue='____', 
            data=prod_df)

plt.show()

Editar e executar código

Este exercício faz parte do curso

Projeto experimental em Python

IntermediárioNível de habilidade

4.8+

Iniciar curso gratuitamente

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?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

Exercício atual

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!