Перевірка гіпотези: чи вони сповільнюються?

Тепер ми перевіримо нульову гіпотезу про те, що спліт-час плавця жодним чином не корелює з пройденою під час запливу дистанцією. Ми використаємо коефіцієнт кореляції Пірсона (обчислений за допомогою dcst.pearson_r()) як статистику критерію.

Ця вправа є частиною курсу

Кейс-стаді зі статистичного мислення

Переглянути курс

Інструкції до вправи

Обчисліть спостережувану кореляцію Пірсона та збережіть її як rho.
За допомогою np.empty() ініціалізуйте масив із 10 000 перестановочних реплік кореляції Пірсона, назвіть його perm_reps_rho.
Напишіть цикл for, щоб:
- Перемішати масив номерів сплітів за допомогою np.random.permutation(), назвіть його scrambled_split_number.
- Обчислити коефіцієнт кореляції Пірсона між перемішаним масивом номерів сплітів і середніми спліт-часами та зберегти його в perm_reps_rho.
Обчисліть p-значення і виведіть його на екран. Трактуйте «щонайменше настільки екстремальне», як те, що кореляція Пірсона щонайменше така сама велика, як спостережувана.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Observed correlation
rho = ____

# Initialize permutation reps
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the split number array
    scrambled_split_number = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / ____
print('p =', p_val)

Редагувати та запускати код