Identificarea valorilor extreme cu IQR

Valorile extreme pot influența semnificativ statistici precum media, dar și statisticile derivate din ea, cum ar fi varianța și deviația standard. Intervalul interquartilic, sau IQR, este o altă metodă de măsurare a dispersiei, mai puțin sensibilă la valorile extreme. IQR este folosit adesea și pentru a identifica valorile extreme. Dacă o valoare este mai mică decât \(\text{Q1} - 1,5 \times \text{IQR}\) sau mai mare decât \(\text{Q3} + 1,5 \times \text{IQR}\), aceasta este considerată o valoare extremă. De fapt, exact așa se calculează lungimea mustăților într-un box plot creat cu matplotlib.

Diagram of a box plot showing median, quartiles, and outliers

În acest exercițiu, vei calcula IQR și îl vei folosi pentru a identifica câteva valori extreme. pandas a fost importat ca pd, numpy ca np, iar setul de date food_consumption este disponibil.

Acest exercițiu face parte din cursul

Introducere în Statistică cu Python

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Calculate total co2_emission per country: emissions_by_country
emissions_by_country = ____

print(emissions_by_country)

Editează și rulează codul

Acest exercițiu face parte din cursul

Introducere în Statistică cu Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Statisticile rezumative îți oferă instrumentele necesare pentru a sintetiza seturi de date masive și a scoate în evidență informațiile esențiale. În acest capitol, vei explora statistici rezumative precum media, mediana și deviația standard și vei învăța cum să le interpretezi corect. Îți vei dezvolta totodată gândirea critică, astfel încât să poți alege cele mai potrivite statistici rezumative pentru datele tale.

Exercise 1: Ce este statistica?Exercise 2: Statistică descriptivă și inferențială Exercise 3: Clasificarea tipurilor de date Exercise 4: Măsuri ale tendinței centrale Exercise 5: Calcularea mediei și medianei Exercise 6: Medie, mediană și forma distribuției Exercise 7: Măsuri ale dispersiei Exercise 8: Varianța și deviația standard Exercise 9: Cuartile, cuantile și cvintile Exercise 10: Identificarea valorilor extreme cu IQR

Exercițiul curent

În acest capitol, vei învăța cum să generezi eșantioane aleatoare și să măsori șansa folosind probabilitatea. Vei lucra cu date reale de vânzări pentru a calcula probabilitatea ca un agent de vânzări să aibă succes. La final, vei folosi distribuția binomială pentru a modela evenimente cu rezultate binare.

Exercise 1: Care sunt șansele?Exercise 2: Cu sau fără înlocuire?Exercise 3: Calcularea probabilităților Exercise 4: Eșantionarea tranzacțiilor Exercise 5: Distribuții discrete Exercise 6: Crearea unei distribuții de probabilitate Exercise 7: Identificarea distribuțiilor Exercise 8: Valoarea așteptată vs. media eșantionului Exercise 9: Distribuții continue Exercise 10: Ce distribuție?Exercise 11: Copii de rezervă ale datelor Exercise 12: Simularea timpilor de așteptare Exercise 13: Distribuția binomială Exercise 14: Simularea tranzacțiilor de vânzări Exercise 15: Calcularea probabilităților binomiale Exercise 16: Câte vânzări vor fi câștigate?

Este momentul să explorezi una dintre cele mai importante distribuții de probabilitate din statistică: distribuția normală. Vei crea histograme pentru a reprezenta distribuții normale și vei înțelege teorema limitei centrale, după care îți vei extinde cunoștințele despre funcții statistice adăugând în repertoriu distribuțiile Poisson, exponențială și t.

Exercise 1: Distribuția normală Exercise 2: Distribuția vânzărilor lui Amir Exercise 3: Probabilități din distribuția normală Exercise 4: Simularea vânzărilor în condiții de piață noi Exercise 5: Care piață este mai bună?Exercise 6: Teorema limită centrală Exercise 7: Vizualizarea distribuțiilor de eșantionare Exercise 8: TLC în acțiune Exercise 9: Media mediilor Exercise 10: Distribuția Poisson Exercise 11: Identificarea lambda Exercise 12: Urmărirea răspunsurilor la lead-uri Exercise 13: Mai multe distribuții de probabilitate Exercise 14: Potrivirea distribuțiilor Exercise 15: Modelarea timpului dintre lead-uri Exercise 16: Distribuția t

În acest capitol, vei învăța cum să cuantifici intensitatea unei relații liniare dintre două variabile și vei explora modul în care variabilele de confuzie pot influența relația dintre alte două variabile. Vei vedea, de asemenea, cum designul unui studiu poate afecta rezultatele, poate schimba modul în care datele trebuie analizate și poate influența fiabilitatea concluziilor.

Exercise 1: Corelație Exercise 2: Ghicește corelația Exercise 3: Relații între variabile Exercise 4: Capcane ale corelației Exercise 5: Ce nu poate măsura corelația?Exercise 6: Transformarea variabilelor Exercise 7: Zahărul îmbunătățește fericirea?Exercise 8: Variabile de confuzie Exercise 9: Designul experimentelor Exercise 10: Tipuri de studii Exercise 11: Studii longitudinale vs. transversale Exercise 12: Felicitări!