Comece agoraComece grátis

Testando normalidade

Um conjunto poderoso de ferramentas estatísticas, que inclui vários testes de hipótese comuns, depende da suposição de que os dados subjacentes seguem uma distribuição normal. Embora um histograma possa indicar se os dados são aproximadamente normais, vários testes de hipótese permitem testar essa suposição diretamente. Além disso, histogramas podem ser muito sensíveis ao número de bins, especialmente quando o tamanho da amostra é pequeno.

Neste exercício, você vai trabalhar com dados salariais de funcionários da cidade de Austin em salary_df. Em particular, você vai analisar bombeiros hispânicos. Você vai avaliar se os seus anos de emprego são aproximadamente normalmente distribuídos usando o teste de hipótese de Anderson-Darling.

Este exercicio faz parte do curso

Fundamentos de Inferência em Python

Ver curso

Instruções do exercicio

  • Plote um histograma mostrando os Years of Employment dos funcionários.
  • Realize um teste de normalidade de Anderson-Darling para verificar se Years of Employment é aproximadamente normalmente distribuído.
  • Descubra quais critical_values são menores do que a statistic do teste.
  • Imprima o(s) significance_level em que a hipótese nula seria rejeitada.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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.____])
Editar e Executar Código