Testes de permutação e bootstrap

Quando você deve usar um teste de permutação e quando deve usar um intervalo de confiança por bootstrap? Cada carta abaixo descreve uma situação, e você deve classificá-las na melhor técnica para o cenário descrito.

Este exercicio faz parte do curso

Fundamentos de Inferência em Python

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Fundamentos de Inferência em Python

AvançadoNível de habilidade

4.9+

Comece o curso gratuitamente

Neste capítulo, vamos explorar a relação entre amostras e conclusões estatisticamente justificáveis. A escolha de uma amostra é a base para tomar boas decisões estatísticas, e vamos ver como essa escolha afeta o resultado da sua inferência.

Exercise 1: Inferência estatística e amostragem aleatória Exercise 2: Amostragem e estimativas pontuais Exercise 3: Amostragem repetida, estimativas pontuais e inferência Exercise 4: Amostragem e viés Exercise 5: Visualizando amostras Exercise 6: Inferência e viés Exercise 7: Intervalos de confiança e amostragem Exercise 8: Distribuições amostrais normais Exercise 9: Calculando intervalos de confiança Exercise 10: Tirando conclusões a partir de amostras

Aprenda a aplicar testes de normalidade, testes de correlação e testes paramétricos e não paramétricos para uma inferência sólida. Testes de hipótese são ferramentas, e escolher a ferramenta certa para cada situação é fundamental para a tomada de decisão estatística. Embora você talvez já conheça alguns desses testes em cursos introdutórios, aqui você vai se aprofundar para ampliar seu kit de ferramentas inferencial.

Exercise 1: Testes de normalidade Exercise 2: Testando normalidade Exercise 3: Distribuição dos erros Exercise 4: Ajustando uma distribuição normal Exercise 5: Testes de correlação Exercise 6: Testando correlação Exercise 7: Autocorrelação Exercise 8: Variância explicada Exercise 9: Testes paramétricos Exercise 10: Variância igual Exercise 11: Normalidade dos grupos Exercise 12: ANOVA Exercise 13: Testes não paramétricos Exercise 14: Comparing rankings Exercise 15: Comparando medianas

Neste capítulo, você vai medir e interpretar o tamanho de efeito em diferentes situações, conhecer o problema de comparações múltiplas e explorar em profundidade o poder de um teste. Enquanto valores de p indicam se há um efeito significativo, eles não dizem quão forte esse efeito é. O tamanho de efeito mede a intensidade do efeito de um tratamento. Domine os fatores que sustentam o tamanho de efeito neste capítulo.

Exercise 1: Tamanho do efeito Exercise 2: Tamanho de efeito para médias Exercise 3: Tamanho de efeito para correlações Exercise 4: Tamanho de efeito para variáveis categóricas Exercise 5: Comparações múltiplas e correções Exercise 6: Problema de múltiplas comparações Exercise 7: Correção de Bonferroni-Holm Exercise 8: Poder de um teste Exercise 9: Afinal, o que é poder?Exercise 10: Potência no desenho experimental Exercise 11: Calculando potência e tamanhos de amostra

Você vai ampliar ainda mais seu kit de ferramentas de estatística inferencial com um olhar sobre bootstrapping, testes de permutação e métodos de combinar evidências a partir de valores de p. O bootstrapping vai oferecer um primeiro contato com simulação estatística. Na lição sobre meta-análise, você vai aprender tudo sobre combinar resultados de múltiplos estudos. Você vai encerrar com testes de permutação, uma ferramenta estatística não paramétrica poderosa e flexível.

Exercise 1: Bootstrapping Exercise 2: Intervalos de confiança por bootstrap Exercise 3: Bootstrapping vs. normalidade Exercise 4: Combinando evidências a partir de valores de p Exercise 5: Método de Fisher no SciPy Exercise 6: Inferência usando o método de Fisher Exercise 7: Resumindo o método de Fisher Exercise 8: Testes de permutação Exercise 9: Testes de permutação para correlações Exercise 10: Testes de permutação e bootstrap

Exercicio Atual

Exercise 11: Analisando dados enviesados com um teste de permutação Exercise 12: Vídeo de encerramento do curso