Проверка нормальности
Многие статистические инструменты, в том числе ряд распространённых проверок гипотез, опираются на предположение о нормальном распределении исходных данных. Гистограмма может дать первое представление о том, насколько данные близки к нормальному распределению, однако специальные статистические тесты позволяют проверить это предположение напрямую. К тому же гистограммы чувствительны к выбору числа интервалов, особенно при небольших объёмах выборки.
В этом упражнении вы будете работать с данными о зарплатах сотрудников администрации города Остин из набора salary_df. В частности, вас интересуют пожарные испанского происхождения. Вам предстоит проверить, подчиняется ли распределение стажа их работы нормальному закону, с помощью теста Андерсона–Дарлинга.
Это упражнение является частью курса
Основы статистического вывода на Python
Инструкции к упражнению
- Постройте гистограмму для столбца
Years of Employmentпо сотрудникам. - Проведите тест Андерсона–Дарлинга, чтобы проверить, является ли распределение
Years of Employmentприближённо нормальным. - Определите, какие из значений
critical_valuesменьше тестовой статистикиstatistic. - Выведите уровень (уровни) значимости
significance_level, при которых нулевая гипотеза была бы отвергнута.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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.____])