Ce este valoarea p?

Valoarea p reprezintă, în general, o măsură a:

Acest exercițiu face parte din cursul

Gândire statistică în Python (Partea 2)

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Gândire statistică în Python (Partea 2)

SkillTag.level.intermediateSkillTag.label

4.8+

256 reviews

Începe cursul gratuit

În inferența statistică, vorbim limbajul probabilității. O distribuție de probabilitate care descrie datele tale are parametri. Prin urmare, unul dintre obiectivele principale ale inferenței statistice este estimarea valorilor acestor parametri – ceea ce ne permite să descriem datele concis și fără ambiguitate, trăgând concluzii clare din ele. În acest capitol vei învăța cum să găsești parametrii optimi, adică aceia care descriu cel mai bine datele tale.

Exercise 1: Parametri optimi Exercise 2: Cât de des se înregistrează meciuri fără lovituri reușite?Exercise 3: Datele urmează modelul nostru?Exercise 4: De ce este acest parametru optim?Exercise 5: Regresie liniară prin metoda celor mai mici pătrate Exercise 6: EDA a datelor privind alfabetizarea/fertilitatea Exercise 7: Regresie liniară Exercise 8: De ce este optimal?Exercise 9: Importanța EDA: cuarteta lui Anscombe Exercise 10: Importanța AED Exercise 11: Regresie liniară pe datele potrivite din cuarteta Anscombe Exercise 12: Regresie liniară pe toate datele Anscombe

În inferența statistică, ne dorim să știm ce s-ar întâmpla dacă am putea repeta colectarea datelor de un număr infinit de ori. Această sarcină este imposibilă în practică – dar putem folosi doar datele pe care le avem deja pentru a obține un rezultat aproape echivalent cu cel al unei infinități de experimente? Răspunsul este da! Tehnica prin care realizăm acest lucru se numește, în mod sugestiv, bootstrapping. Acest capitol îți va prezenta acest instrument extraordinar de puternic.

Exercise 1: Generarea replicilor bootstrap Exercise 2: Să clarificăm terminologia Exercise 3: Bootstrapping manual Exercise 4: Vizualizarea eșantioanelor bootstrap Exercise 5: Intervale de încredere prin bootstrap Exercise 6: Generarea mai multor replici bootstrap Exercise 7: Replici bootstrap ale mediei și SEM Exercise 8: Intervale de încredere pentru datele despre precipitații Exercise 9: Replici bootstrap pentru alte statistici Exercise 10: Interval de încredere pentru rata de meciuri fără eliminări Exercise 11: Bootstrap pe perechi Exercise 12: O funcție pentru bootstrap pe perechi Exercise 13: Bootstrap pe perechi pentru datele privind alfabetizarea/fertilitatea Exercise 14: Reprezentarea grafică a regresiilor bootstrap

Știi deja cum să definești și să estimezi parametrii unui model. Însă rămâne o întrebare esențială: cât de rezonabil este să observi datele tale dacă un anumit model este adevărat? Această întrebare este abordată prin teste de ipoteză. Ele reprezintă piesa de rezistență a inferenței statistice. După ce vei finaliza acest capitol, vei fi capabil să construiești și să testezi ipoteze cu rigoare, folosind metode statistice practice.

Exercise 1: Formularea și simularea unei ipoteze Exercise 2: Generarea unui eșantion prin permutare Exercise 3: Vizualizarea eșantionării prin permutare Exercise 4: Statistici de test și valori p Exercise 5: Statistici de test Exercise 6: Ce este valoarea p?

Exercițiul curent

Exercise 7: Generarea replicatelor de permutare Exercise 8: Privește înainte să sari: EDA înainte de testarea ipotezelor Exercise 9: Test de permutare pe datele broaștelor Exercise 10: Teste de ipoteză prin bootstrap Exercise 11: Test de ipoteză bootstrap cu un singur eșantion Exercise 12: Un test bootstrap pe două eșantioane pentru diferența de medii

După cum ai văzut în capitolul anterior, testarea ipotezelor poate fi uneori dificilă. Trebuie să definești ipoteza nulă, să găsești o modalitate de a o simula și să stabilești clar ce înseamnă o valoare „mai extremă", pentru a putea calcula p-valoarea. Ca orice abilitate, practica duce la perfecțiune – iar acest capitol îți oferă o bună ocazie de a exersa testele de ipoteză.","chapter4.md|parsed_data|description":"Ca orice abilitate, practica duce la perfecțiune – iar acest capitol îți oferă o bună ocazie de a exersa testele de ipoteză.

Exercise 1: Testare A/B Exercise 2: Votul pentru Legea Drepturilor Civile din 1964 Exercise 3: Ce este echivalent?Exercise 4: Un analog al timpului petrecut pe site Exercise 5: Ce ar fi trebuit să faci mai întâi?Exercise 6: Test de corelație Exercise 7: Simularea unei ipoteze nule privind corelația Exercise 8: Test de ipoteză pe corelația Pearson Exercise 9: Insecticidele neonicotinoide au efecte nedorite?Exercise 10: Test de ipoteză bootstrap pe numărul de spermatozoizi la albine

În fiecare an, de peste 40 de ani, Peter și Rosemary Grant merg pe insula Daphne Major din Arhipelagul Galápagos și colectează date despre cintezele lui Darwin. Folosindu-ți abilitățile de inferență statistică, vei petrece acest capitol lucrând cu datele lor, urmărind direct prin date evoluția în acțiune. Este o modalitate captivantă de a încheia cursul!

Exercise 1: Ciocurile cintezelor și necesitatea statisticii Exercise 2: EDA a adâncimii ciocului la cintezele lui Darwin Exercise 3: ECDF-urile adâncimilor ciocului Exercise 4: Estimări ale parametrilor pentru adâncimea ciocului Exercise 5: Test de ipoteză: Sunt ciocurile mai adânci în 2012?Exercise 6: Variația formelor ciocului Exercise 7: EDA a lungimii și adâncimii ciocului Exercise 8: Regresii liniare Exercise 9: Afișarea rezultatelor regresiei liniare Exercise 10: Raportul lungime-adâncime al ciocului Exercise 11: Cât de diferit este raportul?Exercise 12: Calculul heritabilității Exercise 13: EDA a eredității Exercise 14: Corelația dintre datele descendenților și ale părinților Exercise 15: Corelația Pearson dintre datele descendenților și ale părinților Exercise 16: Măsurarea heritabilității Exercise 17: Adâncimea ciocului este heritabilă la G. scandens?Exercise 18: Gânduri finale