Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Implementar configurações de projeto experimental
Saiba como implementar a configuração de projeto experimental mais adequada para seu caso de uso. Saiba como os projetos de blocos aleatórios e os projetos fatoriais podem ser implementados para medir os efeitos do tratamento e tirar conclusões válidas e precisas.Realizar análises estatísticas de dados experimentais
Aprofunde-se na realização de análises estatísticas de dados experimentais, incluindo a seleção e a realização de testes estatísticos, como testes t, testes ANOVA e testes qui-quadrado de associação. Realize análises post-hoc seguindo os testes ANOVA para descobrir com precisão quais comparações entre pares são significativamente diferentes.Conduzir análise de energia
Aprenda a medir o tamanho do efeito para determinar a quantidade pela qual os grupos diferem, além de serem significativamente diferentes. Realize uma análise de poder usando um tamanho de efeito presumido para determinar o tamanho mínimo de amostra necessário para obter o poder estatístico exigido. Use a formulação d de Cohen para medir o tamanho do efeito de alguns dados de amostra e teste se as suposições do tamanho do efeito usadas na análise de potência foram precisas.Abordar as complexidades dos dados experimentais
Extraia insights de dados experimentais complexos e aprenda as práticas recomendadas para comunicar as descobertas a diferentes partes interessadas. Aborde complexidades como interações, heterocedasticidade e confusão em dados experimentais para melhorar a validade de suas conclusões. Quando os dados não atenderem às premissas dos testes paramétricos, você aprenderá a escolher e implementar um teste não paramétrico apropriado.Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Preliminares do projeto experimental
O desenvolvimento do conhecimento em design experimental permite que você teste hipóteses com ferramentas analíticas de práticas recomendadas e quantifique o risco do seu trabalho. Você começará sua jornada definindo os fundamentos do que é um projeto experimental e as diferentes configurações de projeto experimental, como bloqueio e estratificação. Em seguida, você aprenderá e aplicará testes visuais e analíticos de normalidade em dados experimentais.
- Configuração de experimentos50 XP
- Designação não aleatória de sujeitos100 XP
- Designação aleatória de sujeitos100 XP
- Configuração de dados experimentais50 XP
- Bloqueio de dados experimentais100 XP
- Estratificação de um experimento100 XP
- Qual foi estratificado?50 XP
- Dados normais50 XP
- Normalidade visual em um experimento agrícola100 XP
- Normalidade analítica em um experimento agrícola100 XP
2
Técnicas de projeto experimental
Você se aprofundará em técnicas sofisticadas de projeto experimental, concentrando-se em projetos fatoriais, projetos de blocos aleatórios e ajustes de covariáveis. Essas metodologias são fundamentais para aprimorar a precisão, a eficiência e a interpretabilidade dos resultados experimentais. Por meio de uma combinação de percepções teóricas e aplicações práticas, você adquirirá as habilidades necessárias para projetar, implementar e analisar experimentos complexos em vários campos de pesquisa.
3
Análise de dados experimentais: Testes estatísticos e potência
Domine testes estatísticos como testes t, ANOVA e qui-quadrado, e mergulhe fundo nas análises post-hoc e nos fundamentos da análise de potência. Aprenda a selecionar o teste correto, a interpretar valores p e erros e a conduzir habilmente a análise de potência para determinar os tamanhos da amostra e do efeito, tudo isso aproveitando as poderosas bibliotecas do Python para dar vida às suas percepções de dados.
4
Insights avançados da complexidade experimental
Você pode se aprofundar nas complexidades da análise de dados experimentais. Aprenda a sintetizar insights usando o pandas, abordar problemas de dados como heterocedasticidade com o scipy.stats e aplicar testes não paramétricos como o Mann-Whitney U. Aprenda técnicas adicionais para transformar, visualizar e interpretar dados complexos, aprimorando sua capacidade de realizar análises robustas em várias configurações experimentais.
Projeto experimental em Python
Curso
concluído
