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

Construa uma base sólida em estatística utilizando Python. Aprenda conceitos estatísticos essenciais e aplique-os por meio do NumPy e pandas. Progrida desde medidas básicas como média e variância até testes de hipótese, intervalos de confiança e insights orientados por dados com prática prática.

Descubra os princípios estatísticos fundamentais, incluindo tipos de dados, medidas de tendência central e principais diferenças entre amostras e populações.

Aprenda a calcular e interpretar média, mediana e moda utilizando Python. Pratique essas operações com pandas para analisar conjuntos de dados reais.

Compreensão de como a variância e o desvio padrão medem a dispersão dos dados.
Cálculo manual e com ferramentas Python de ambos os conceitos.

Explore como a covariância e a correlação descrevem relações entre variáveis. Pratique o cálculo e a comparação de ambas as métricas em Python.

Domine intervalos de confiança para estimar parâmetros populacionais. Utilize NumPy, pandas e bibliotecas de visualização para calcular e interpretar intervalos com dados reais.

Aprenda os fundamentos dos testes de hipótese e do teste t. Compreenda como planejar, executar e interpretar testes utilizando Python para embasar decisões orientadas por dados.

Calcular Intervalo de Confiança de 95%

Solução

Awesome!

Calcular Intervalo de Confiança de 95%

Solução