or
Den här övningen är en del av kursen
Genom att bygga kunskap om experimentell design kan du testa hypoteser med analytiska verktyg enligt bästa praxis och kvantifiera risken i ditt arbete. Du börjar med att lägga grunden för vad experimentell design är och olika upplägg, som blockering och stratifiering. Sedan lär du dig att tillämpa visuella och analytiska tester för normalitet i experimentdata.
Du fördjupar dig i avancerade tekniker för experimentell design med fokus på faktoriella designer, randomiserade blockdesigner och kovarianskorrigeringar. Dessa metoder är centrala för att förbättra noggrannheten, effektiviteten och tolkbarheten hos experimentella resultat. Genom en kombination av teori och praktiska tillämpningar får du de färdigheter som krävs för att designa, genomföra och analysera komplexa experiment inom olika forskningsområden.
Behärska statistiska tester som t-test, ANOVA och chi-kvadrattest, och fördjupa dig i post-hoc-analyser och grunderna i styrkeanalys. Lär dig att välja rätt test, tolka p-värden och feltyper, och genomföra styrkeanalys för att bestämma urvalsstorlek och effektstorlek – med hjälp av Pythons kraftfulla bibliotek.
Utforska komplexiteten i analys av experimentdata. Lär dig att sammanställa insikter med pandas, hantera dataproblem som heteroskedasticitet med scipy.stats, och tillämpa icke-parametriska tester som Mann-Whitney U. Du får även lära dig ytterligare tekniker för att transformera, visualisera och tolka komplexa data, vilket stärker din förmåga att genomföra robusta analyser i olika experimentella sammanhang.
Aktuell övning