Summary  
Describes how to compute a 95% confidence interval by calculating the sample mean, standard error, and margin of error using code.  

General domain of usage  
Statistical data analysis

import unittest
import pandas as pd
import numpy as np
import scipy.stats as st

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestConfidenceInterval(unittest.TestCase):
    def test_confidence_interval(self):
        import user_code

        # ÐÐ°Ð²Ð°Ð½ÑÐ°Ð¶ÑÑÐ¼Ð¾ ÑÑ ÑÐ°Ð¼Ñ Ð´Ð°Ð½Ñ
        data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/section_1/mean_mass.csv'
        )

        # ÐÑÑÐºÑÐ²Ð°Ð½Ñ ÑÐµÐ·ÑÐ»ÑÑÐ°ÑÐ¸
        mean_list = data['mass']
        expected_confidence = st.norm.interval(
            confidence=0.95,
            loc=np.mean(mean_list),
            scale=st.sem(mean_list)
        )

        # ÐÐµÑÐµÐ²ÑÑÐºÐ° ÑÐ¸Ð¿ÑÐ² Ñ ÑÐ¾ÑÐ½Ð¾ÑÑÑ
        condition = (
            isinstance(user_code.mean_list, pd.Series)
            and isinstance(user_code.confidence, tuple)
            and abs(user_code.confidence[0] - expected_confidence[0]) < 1e-6
            and abs(user_code.confidence[1] - expected_confidence[1]) < 1e-6
        )

        _dynamic_test(
            self,
            condition,
            "The confidence interval is calculated correctly.",
            "The confidence interval is incorrect. Check your calculation parameters."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Opbyg et solidt fundament i statistik ved hjælp af Python. Lær essentielle statistiske begreber og anvend dem gennem NumPy og pandas. Gå fra grundlæggende mål som gennemsnit og varians til hypotesetest, konfidensintervaller og datadrevne indsigter med praktiske øvelser.

Opdag centrale statistiske principper, herunder datatyper, mål for central tendens og væsentlige forskelle mellem stikprøver og populationer.

Lær at beregne og fortolke gennemsnit, median og typetal ved hjælp af Python. Øv disse operationer med pandas for at analysere virkelige datasæt.

Forstå, hvordan varians og standardafvigelse måler dataspredning. Lær at beregne begge dele manuelt og ved hjælp af Python-værktøjer.

Undersøg, hvordan kovarians og korrelation beskriver relationer mellem variable. Øv beregning og sammenligning af begge metrikker i Python.

Behersk konfidensintervaller til at estimere populationsparametre. Brug NumPy, pandas og visualiseringsbiblioteker til at beregne og fortolke intervaller med virkelige data.

Lær det grundlæggende om hypoteseprøvning og t-testen. Forstå, hvordan man designer, udfører og fortolker tests ved hjælp af Python til at understøtte datadrevne beslutninger.

Beregn 95% Konfidensinterval

Løsning

Awesome!

Beregn 95% Konfidensinterval

Løsning