İlk önce ne yapmalıydın?

1920'deki kural değişikliklerinin no-hitter oranını değiştirip değiştirmediğini kontrol etmek için az önce güzel bir hipotez testi yaptın. Peki verilerle önce ne yapmalıydın?

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistiksel Düşünme (Bölüm 2)

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistiksel Düşünme (Bölüm 2)

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

İstatistiksel çıkarım yaparken, olasılık dilini kullanırız. Verini tanımlayan bir olasılık dağılımının parametreleri vardır. Bu yüzden, istatistiksel çıkarımın önemli bir amacı bu parametrelerin değerlerini tahmin etmektir; bu da verimizi kısa ve net biçimde tanımlamamıza ve ondan sonuçlar çıkarmamıza olanak tanır. Bu bölümde, verini en iyi tanımlayan, yani en uygun parametreleri nasıl bulacağını öğreneceksin.

Exercise 1: En uygun parametreler Exercise 2: Hiç sayı yemeden (no-hitter) ne sıklıkla oluyor?Exercise 3: Veriler hikayemize uyuyor mu?Exercise 4: Bu parametre neden en uygun?Exercise 5: En küçük kareler ile doğrusal regresyon Exercise 6: Okuryazarlık/doğurganlık verilerinin EDA'sı Exercise 7: Doğrusal regresyon Exercise 8: Nasıl optimal?Exercise 9: EDA'nın önemi: Anscombe dörtlüsü Exercise 10: EDA'nın önemi Exercise 11: Uygun Anscombe verisi üzerinde doğrusal regresyon Exercise 12: Tüm Anscombe verileri üzerinde doğrusal regresyon

"Kendi kendini çizmelerinden yukarı çekmek" deyimi, zor bir işi tek başına, hiç yardım almadan başarmayı anlatan klasik bir ifadedir. İstatistiksel çıkarımda, veri toplamayı sonsuz kez tekrarlayabilseydin ne olacağını bilmek istersin. Bu görev imkânsızdır; peki sadece sahip olduğumuz veriyi kullanarak, sayısız deneyin vereceğine yakın bir sonuca ulaşabilir miyiz? Yanıt evet! Bunu yapmaya yarayan tekniğe de yerinde bir adla bootstrapping denir. Bu bölüm, seni bu olağanüstü güçlü araçla tanıştıracak.

Exercise 1: Bootstrap çoğaltımları üretme Exercise 2: Terimleri netleştirelim Exercise 3: Elden bootstrap Exercise 4: Bootstrap örneklerini görselleştirme Exercise 5: Bootstrap güven aralıkları Exercise 6: Birçok bootstrap yinelemesi üretme Exercise 7: Ortalamanın bootstrap örnekleri ve SEM Exercise 8: Yağış verilerinin güven aralıkları Exercise 9: Diğer istatistiklerin bootstrap tekrarları Exercise 10: No-hitter hızına güven aralığı Exercise 11: Çiftler bootstrap Exercise 12: Çiftler bootstrap'i yapan bir fonksiyon Exercise 13: Okuryazarlık/doğurganlık verilerinin eşli bootstrap'ı Exercise 14: Bootstrap regresyonlarını çizme

Artık bir model verildiğinde parametreleri nasıl tanımlayıp tahmin edeceğini biliyorsun. Ama şu soru kalıyor: Bir model doğruysa, gözlediğin verinin ortaya çıkması ne kadar makul? Bu soruyu hipotez testleri yanıtlar. Onlar çıkarım pastasının kremasıdır. Bu bölümü tamamladıktan sonra, hacker istatistiklerini kullanarak hipotezleri dikkatlice kurup test edebileceksin.

Exercise 1: Bir hipotezi kurmak ve simüle etmek Exercise 2: Permütasyon örneği oluşturma Exercise 3: Permütasyon örneklemesini görselleştirme Exercise 4: Test istatistikleri ve p-değerleri Exercise 5: Test istatistikleri Exercise 6: p-değeri nedir?Exercise 7: Permütasyon replikaları üretme Exercise 8: Atlamadan önce bak: Hipotez testinden önce EDA Exercise 9: Kurbağa verisi üzerinde permütasyon testi Exercise 10: Bootstrap hipotez testleri Exercise 11: Tek örneklemli bir bootstrap hipotez testi Exercise 12: İki örneklemli ortalama farkı için bootstrap hipotez testi

Önceki bölümde gördüğün gibi, hipotez testi biraz çetrefilli olabilir. Sıfır hipotezini tanımlaman, onu nasıl benzeştireceğini (simüle edeceğini) bulman ve p-değerini hesaplamak için "daha uç" olmanın ne demek olduğunu net biçimde belirlemen gerekir. Her beceride olduğu gibi, pratik mükemmelleştirir ve bu bölüm sana hipotez testleriyle iyi bir pratik sunar.

Exercise 1: A/B testi Exercise 2: 1964'teki Medeni Haklar Yasası oylaması Exercise 3: Hangisi eşdeğer?Exercise 4: Web sitesinde geçirilen zamana benzer bir örnek Exercise 5: İlk önce ne yapmalıydın?

Geçerli egzersiz

Exercise 6: Korelasyon testi Exercise 7: Korelasyona ilişkin bir sıfır hipotezini simüle etme Exercise 8: Pearson korelasyonu üzerinde hipotez testi Exercise 9: Neonikotinoid böcek öldürücüler istenmeyen sonuçlara yol açıyor mu?Exercise 10: Arı sperm sayıları üzerinde bootstrap hipotez testi

Son 40 yılı aşkın süredir Peter ve Rosemary Grant her yıl Galápagos'taki Daphne Major adasına gidip Darwin'in ispinozlarına dair veriler topluyor. İstatistiksel çıkarım becerilerini kullanarak bu bölümde onların verileriyle çalışacak ve evrimi, veriler aracılığıyla, ilk elden gözlemleyeceksin. Kursu bitirmek için heyecan verici bir yol!

Exercise 1: İspinoz gagaları ve istatistiğe duyulan ihtiyaç Exercise 2: Darwin ispinozlarının gaga derinliklerinin EDA'sı Exercise 3: Gaga derinliklerinin ECDF'leri Exercise 4: Gaga derinliği için parametre tahminleri Exercise 5: Hipotez testi: Gaga derinlikleri 2012'de daha mı fazla?Exercise 6: Gaga şekillerindeki değişkenlik Exercise 7: Gaga uzunluğu ve derinliğinin KEA'sı Exercise 8: Doğrusal regresyonlar Exercise 9: Doğrusal regresyon sonuçlarını görselleştirme Exercise 10: Gaga uzunluğunun derinliğe oranı Exercise 11: Oran ne kadar farklı?Exercise 12: Kalıtılabilirliğin hesaplanması Exercise 13: Kalıtılabilirliğin EDA'sı Exercise 14: Yavru ve ebeveyn verilerinin korelasyonu Exercise 15: Yavru ve ebeveyn verilerinin Pearson korelasyonu Exercise 16: Kalıtılabilirliği ölçme Exercise 17: G. scandens'te gaga derinliği hiç kalıtılabilir mi?Exercise 18: Son düşünceler