Каталог/назад к курсам
Статистика и анализ данных на Python
Data ScienceСредний

Статистика и анализ данных на Python

Научитесь выбирать статистические тесты, оценивать размер эффекта и объяснять, насколько надёжен вывод. На Python проверите, как меняется результат, когда данные расходятся с предпосылками метода.

  • 9 модулей
  • 29 уроков
  • 94 задания с проверкой
  • ≈ 40 часов обучения

Практика в браузере

Пишите и запускайте код прямо в уроке — редактор уже настроен. Ничего устанавливать не нужно.

Именной сертификат

После прохождения курса добавьте сертификат в резюме или портфолио. Работодатель сможет проверить его по ссылке.

О курсе

Средние в двух группах разошлись. Как понять, насколько велик эффект, каким тестом его проверить и что именно можно утверждать по результату? На курсе вы научитесь разбирать такие вопросы и объяснять выводы коллегам.

От выборки до статистического вывода

В первых двух уроках освежим вероятности и матанализ, которые понадобятся дальше. Затем разберём, как из выборки оценивать параметры генеральной совокупности, откуда берётся неопределённость оценки и как её выражать доверительным интервалом.

  • Оценивание. Сравните оценки по смещению и дисперсии. Выведите оценки методом моментов и методом максимального правдоподобия.
  • Проверка гипотез. Разберите p-значение, ошибки первого и второго рода и мощность. Научитесь выбирать критерий для средних, дисперсий, долей и таблиц сопряжённости.
  • Ранги и симуляции. Реализуйте перестановочный тест и бутстрэп. Посмотрите на симуляциях, что происходит, когда предпосылки критерия перестают выполняться.
  • От результата к решению. Разберитесь, как учитывать множественные сравнения и оценивать размер эффекта на шкале, понятной для задачи.

Как устроена практика

Выводите формулы, проверяете их на небольших данных и с помощью симуляций разбираетесь, где привычные методы дают сбой. Например, сравните, как часто один и тот же тест даёт ложную тревогу на данных с лёгкими и тяжёлыми хвостами.

В финале вы соберёте анализ реального набора данных ToothGrowth. Сравните две формы подачи витамина C при нескольких дозах, учтите множественные проверки и объясните, какие выводы подтверждают данные.

Чему научитесь

  • Оценивать параметры по выборке и строить доверительные интервалы
  • Выбирать статистический критерий по данным и предпосылкам
  • Реализовывать перестановочные тесты, бутстрэп и поправки на множественные сравнения
  • Интерпретировать неопределённость и размер эффекта на реальных данных

Для кого

  • Аналитики данных и специалисты Data Science, которым нужна математическая основа статистических методов

Формат

  • Занимайтесь в своём темпе. Код можно писать и проверять прямо в браузере.

Что нужно на старте

  • Базовый Python и знакомство с pandas
  • Основы теории вероятностей, производные и интегралы
#статистика#python#scipy#проверка гипотез

Автор курса

Алексей Малышкин

Разрабатываю образовательные материалы по программированию, машинному обучению и анализу данных. Темы: Python-разработка, аналитика, ML-инструменты (LangChain, vector databases, AI agents), компьютерное зрение. Стараюсь объяснять технические концепции понятно и структурировано. Ранее преподавал на Stepik и обучил более 2000 студентов. Мой профиль на Stepik - https://stepik.org/users/273781420/profile Мой телеграм для связи @alexey_latorn

Программа

01Математический аппарат вероятности для статистики2 урока
1Одномерные случайные величины: плотности, квантили и вычисление моментовпробный
2Совместные распределения, ковариация и условные математические ожидания
02Выборка, статистика и предельные теоремы4 урока
1Случайная выборка и эмпирические статистики
2Моделирование выборочных распределений методом Монте-Карло
3Центральная предельная теорема и законы больших чисел
4Точные распределения статистик нормальных выборок: хи-квадрат, Стьюдент и Фишер
03Точечное оценивание: методы и свойства оценок5 уроков
1Качество точечных оценок: несмещенность, дисперсия и MSE
2Асимптотические свойства: состоятельность и сходимость по вероятности
3Метод моментов для параметрических моделей
4Метод максимального правдоподобия (MLE)
5Информация Фишера и асимптотическая нормальность оценок максимального правдоподобия
04Интервальное оценивание2 урока
1Метод опорных величин и точные доверительные интервалы
2Асимптотические доверительные интервалы и эмпирическое покрытие
05Математические основы проверки статистических гипотез3 урока
1Структура статистического теста: гипотезы, ошибки и критические области
2Функция мощности и выбор объема выборки
3Отношение правдоподобия и лемма Неймана–Пирсона
06Параметрические критерии для средних, дисперсий и долей4 урока
1Одновыборочные и парные критерии для среднего (Z-тест и t-тест)пробный
2Двухвыборочные критерии для средних: критерий Стьюдента и поправка Уэлча
3Проверка гипотез о дисперсиях: критерий Фишера
4Проверка гипотез о долях и интервальные оценки разности пропорций
07Анализ категориальных данных и таблицы сопряженности2 урока
1Критерий согласия хи-квадрат Пирсона
2Таблицы сопряженности: критерий независимости хи-квадрат и точный тест Фишера
08Непараметрические ранговые и вычислительные методы4 урока
1Парные непараметрические критерии: знаковый тест и тест Уилкоксона
2Критерий Манна–Уитни для независимых выборок
3Перестановочные (пермутационные) критерии
4Бутстреп: стандартные ошибки и доверительные интервалыпробный
09Множественные сравнения, размер эффекта и принятие решений3 урока
1Проблема множественного тестирования: FWER и FDR
2Размер эффекта и практическая значимость статистических выводов
3Итоговый статистический практикум: сквозной анализ прикладного эксперимента