Média ou mediana

Como cientistas de dados, muitas vezes buscamos descrever os dados da forma mais concisa possível. Isso nos leva às duas medidas de centralidade mais comuns: média e mediana. Neste exercício, você vai analisar alguns cenários diferentes e decidir qual métrica é mais adequada para descrever os dados de forma eficaz.

De forma mais concreta, você vai explorar dados meteorológicos da Austrália com variáveis relacionadas a temperatura e velocidade do vento. Esse conjunto de dados já foi importado como weather, e os pacotes matplotlib e pandas foram importados como plt e pd para você usar ao longo do restante do capítulo.

Este exercicio faz parte do curso

Praticando perguntas de entrevista de Estatística em Python

Ver curso

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Visualize the distribution 
plt.hist(____)
plt.show()

Editar e Executar Código

Este exercicio faz parte do curso

Praticando perguntas de entrevista de Estatística em Python

AvançadoNível de habilidade

4.8+

84 reviews

Comece o curso gratuitamente

This chapter kicks the course off by reviewing conditional probabilities, Bayes' theorem, and central limit theorem. Along the way, you will learn how to handle questions that work with commonly referenced probability distributions.

Exercise 1: Conditional probabilities Exercise 2: Setting up problems Exercise 3: Bayes' theorem applied Exercise 4: Central limit theorem Exercise 5: Samples from a rolled die Exercise 6: Simulating central limit theorem Exercise 7: Probability distributions Exercise 8: Bernoulli distribution Exercise 9: Binomial distribution Exercise 10: Normal distribution

In this chapter, you will prepare for statistical concepts related to exploratory data analysis. The topics include descriptive statistics, dealing with categorical variables, and relationships between variables. The exercises will prepare you for an analytical assessment or stats-based coding question.

Exercise 1: Estatística descritiva Exercise 2: Média ou mediana

Exercicio Atual

Exercise 3: Calculando o desvio padrão na mão Exercise 4: Dados categóricos Exercise 5: Técnicas de codificação Exercise 6: Explorando preços de laptops Exercise 7: Duas ou mais variáveis Exercise 8: Tipos de relacionamentos Exercise 9: Correlação de Pearson Exercise 10: Sensibilidade a outliers

Prepare to dive deeper into crucial concepts regarding experiments and testing by reviewing confidence intervals, hypothesis testing, multiple tests, and the role that power and sample size play. We'll also discuss types of errors, and what they mean in practice.

Exercise 1: Confidence intervals Exercise 2: Confidence interval by hand Exercise 3: Applying confidence intervals Exercise 4: Hypothesis testing Exercise 5: One tailed z-test Exercise 6: Two tailed t-test Exercise 7: Power and sample size Exercise 8: Effect on type II error Exercise 9: Calculating sample size Exercise 10: Visualizing the relationship Exercise 11: Multiple testing Exercise 12: Calculating error rates Exercise 13: Bonferroni correction

Wrapping up, we'll address concepts related closely to regression and classification models. The chapter begins by reviewing fundamental machine learning algorithms and quickly ramps up to model evaluation, dealing with special cases, and the bias-variance tradeoff.

Exercise 1: Regression models Exercise 2: Linear regression Exercise 3: Logistic regression Exercise 4: Evaluating models Exercise 5: Regression evaluation Exercise 6: Classification evaluation Exercise 7: Missing data and outliers Exercise 8: Handling null values Exercise 9: Identifying outliers Exercise 10: Bias-variance tradeoff Exercise 11: Test and training error Exercise 12: Visualizing the tradeoff Exercise 13: Wrapping up