merge presentation with jupyter

bootstrap-t.ipynb

@@ -2,47 +2,30 @@
  "cells": [
   {
    "cell_type": "markdown",
-   "metadata": {
-    "collapsed": false
-   },
+   "metadata": {},
    "source": [
-    "Bootstrapowa wersja testu t.\n",
-    "Implementacja powinna obejmować test dla jednej próby, dla dwóch prób niezależnych oraz dla dwóch prób zależnych.\n",
-    "W każdej sytuacji oczekiwanym wejście jest zbiór danych w odpowiednim formacie, a wyjściem p-wartość oraz ostateczna decyzja.\n",
-    "Dodatkowo powinien być rysowany odpowiedni rozkład statystyki testowej."
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {
-    "collapsed": false
-   },
-   "source": [
-    "Zbiór danych          - ???\n",
-    "Hipoteza zerowa       - ???\n",
-    "Hipoteza alternatywna - ???\n",
+    "# Projekt - Test t studenta\n",
     "\n",
-    "Dla każdego z 3 testów inne\n",
-    "https://www.jmp.com/en_ch/statistics-knowledge-portal/t-test.html"
+    "- Marcin Kostrzewski\n",
+    "- Krystian Wasilewski\n",
+    "- Mateusz Tylka\n",
+    "\n",
+    "## Test t studenta\n",
+    "\n",
+    "Metoda statystyczna służącą do porównania dwóch średnich między sobą gdy znamy liczbę badanych próbek, średnią arytmetyczną oraz wartość odchylenia standardowego lub wariancji.\n",
+    "Jest to jeden z mniej skomplikowanych i bardzo często wykorzystywanych testów statystycznych używanych do weryfikacji hipotez. Dzięki niemu możemy dowiedzieć się czy dwie różne średnie są różne niechcący (w wyniku przypadku) czy są różne istotnie statystycznie (np. z uwagi na naszą manipulację eksperymentalna).\n",
+    "Wyróżniamy 3 wersję testu t:\n",
+    "\n",
+    "1. test t Studenta dla jednej próby\n",
+    "2. test t Studenta dla prób niezależnych\n",
+    "3. test t Studenta dla prób zależnych\n",
+    "\n",
+    "Wszystkie rodzaje testów są testami parametrycznymi, a co za tym idzie nasze mierzone zmienne ilościowe powinny mieć rozkład normalny."
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 155,
-   "outputs": [],
-   "source": [
-    "# TODO: Poprzestawiać kolejność definicji funkcji?"
-   ],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 156,
+   "execution_count": 48,
    "metadata": {
     "pycharm": {
      "name": "#%%\n"
@@ -62,7 +45,110 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 157,
+   "execution_count": 49,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "dataset = pd.read_csv('experiment_data.csv')"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 50,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def calculate_p(t_stat, df):\n",
+    "    \"\"\"Funkcja oblicza wartość *p* na podstawie statystyki testowej i stopni swobody\"\"\"\n",
+    "    return (1.0 - t.cdf(abs(t_stat), df)) * 2.0"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 51,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def calculate_cv(df, alpha=0.05):\n",
+    "    \"\"\"Funkcja oblicza wartość krytyczną (critical value)\"\"\"\n",
+    "    return t.ppf(1.0 - alpha, df)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 53,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def t_test(sample_1, sample_2=None, df_fn=df_single, t_stat_fn=t_stat_single, population_mean=None, alpha=0.05):\n",
+    "    \"\"\"\n",
+    "    Funkcja przeprowadza test T-studenta dla dwóch zmiennych.\n",
+    "    liczba kolumn wynosi 1, test jest przeprowadzany dla jednej zmiennej.\n",
+    "    @param df_fn - funkcja obliczająca stopnie swobody\n",
+    "    @param t_stat_fn - funkcja obliczająca statystykę T\n",
+    "    \"\"\"\n",
+    "    t_stat_list = get_t_stats(sample_1, sample_2, t_stat_fn, population_mean=population_mean)\n",
+    "    t_stat_sum = sum(t_stat_list)\n",
+    "\n",
+    "    data_size = sample_1.shape[0]\n",
+    "\n",
+    "    t_stat = t_stat_sum / data_size\n",
+    "    # TODO: dolna i górna opcja dają inne wyniki z jakiegoś powodu (???)\n",
+    "    t_stat = mean(t_stat_list)\n",
+    "\n",
+    "    if sample_2 is None:\n",
+    "        df = df_fn(sample_1)\n",
+    "    else:\n",
+    "        df = df_fn(sample_1, sample_2)\n",
+    "    cv = calculate_cv(df, alpha)\n",
+    "    p = calculate_p(t_stat, df)\n",
+    "    return t_stat, df, cv, p, t_stat_list"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 54,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def get_t_stats(sample_1, sample_2=None, t_stat_fn=t_stat_single, population_mean=None):\n",
+    "    \"\"\"Funkcja oblicza listę statystyk testowych dla każdej próbki bootstrapowej wybranej na podstawie danych sample_1 i sample_2\"\"\"\n",
+    "    t_stat_list = []\n",
+    "\n",
+    "    # One sample test\n",
+    "    if t_stat_fn==t_stat_single:\n",
+    "        if not population_mean:\n",
+    "            raise Exception(\"population_mean not provided\")\n",
+    "        for bootstrap in generate_bootstraps(sample_1):\n",
+    "            stat = t_stat_fn(bootstrap, population_mean)\n",
+    "            t_stat_list.append(stat)\n",
+    "        return t_stat_list\n",
+    "\n",
+    "    # Two sample test\n",
+    "    for bootstrap_1, bootstrap_2 in zip(generate_bootstraps(sample_1), generate_bootstraps(sample_2)):\n",
+    "        stat = t_stat_fn(bootstrap_1, bootstrap_2)\n",
+    "        t_stat_list.append(stat)\n",
+    "    return t_stat_list"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Testowanie hipotez metodą bootstrap\n",
+    "\n",
+    "**Bootstrap** – metoda szacowania (estymacji) wyników poprzez wielokrotne losowanie ze zwracaniem z próby. Polega ona na utworzeniu nowego rozkładu wyników, na podstawie posiadanych danych, poprzez wielokrotne losowanie wartości z posiadanej próby. Metoda ze zwracaniem polega na tym, że po wylosowaniu danej wartości, “wraca” ona z powrotem do zbioru.\n",
+    "\n",
+    "Metoda bootstrapowa znajduje zastosowanie w sytuacji, w której nie znamy rozkładu z populacji z której pochodzi próbka lub w przypadku rozkładów małych lub asymetrycznych. W takim wypadku, dzięki tej metodzie, wyniki testów parametrycznych i analiz opartych o modele liniowe są bardziej precyzyjne. Zazwyczaj losuje się wiele próbek, np. 2000 czy 5000."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 55,
    "metadata": {
     "pycharm": {
      "name": "#%%\n"
@@ -77,9 +163,20 @@
     "        yield data.iloc[indices, :]"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Test t studenta dla jednej próby\n",
+    "\n",
+    "**Test t Studenta dla jednej próby** wykorzystujemy gdy chcemy porównać średnią “teoretyczną” ze średnią, którą faktycznie możemy zaobserwować w naszej bazie danych. Średnia teoretyczna to średnia pochodząca z innych badań lub po prostu bez większych uzasadnień pochodząca z naszej głowy.\n",
+    "\n",
+    "Wyobraźmy sobie, że mamy dane z takimi zmiennymi jak wzrost pewnej grupy ludzi. Dzięki testowi t Studenta dla jednej próby możemy dowiedzieć się np. czy wzrost naszego młodszego brata wynoszący 155cm odbiega znacząco od średniej wzrostu tej grupy. Hipoteza zerowa w takim badaniu wyglądałaby następująco H0: Badana próba została wylosowana z populacji, w której wzrost osób wynosi średnio 155cm. Z kolei hipoteza alternatywna będzie brzmiała H1: Badana próba nie została wylosowana z populacji gdzie średni wzrost wynosi 155cm\n"
+   ]
+  },
   {
    "cell_type": "code",
-   "execution_count": 158,
+   "execution_count": 60,
    "metadata": {
     "collapsed": false,
     "pycharm": {
@@ -92,11 +189,88 @@
     "    \"\"\"Funkcja oblicza wartość statystyki testowej dla jednej próbki\"\"\"\n",
     "    if sample.empty:\n",
     "        raise Exception(\"Empty sample\")\n",
-    "    sample = sample[0].values.tolist()\n",
+    "    sample = sample['Height'].values.tolist()\n",
     "    sample_size = len(sample)\n",
     "    return (mean(sample) - population_mean) / (stdev(sample) / sqrt(sample_size))"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": 57,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def df_single(sample_1):\n",
+    "    \"\"\"Funkcja oblicza stopnie swobody dla jednej próbki\"\"\"\n",
+    "    # TODO: I have no clue what to return from here\n",
+    "    return len(sample_1)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 58,
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def bootstrap_one_sample(sample, population_mean):\n",
+    "    return t_test(\n",
+    "        sample_1=sample,\n",
+    "        df_fn=df_single,\n",
+    "        t_stat_fn=t_stat_single,\n",
+    "        population_mean=population_mean\n",
+    "    )"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Sprawdzenie czy osoba o wzroście 165cm pasuje do populacji (nie jest odmieńcem)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 61,
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "t: 6.854929920812628, df: 500, cv: 1.6479068539295045, p: 2.1091128843409024e-11\n",
+      "\n"
+     ]
+    }
+   ],
+   "source": [
+    "#TODO: poprawić kod aby można było podawać kolumny\n",
+    "\n",
+    "t_stat, df, cv, p, _ = bootstrap_one_sample(dataset, 165)\n",
+    "pretty_print_full_stats(t_stat, df, cv, p)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Test t studenta dla prób niezależnych\n",
+    "\n",
+    "**Test t Studenta dla prób niezależnych** jest najczęściej stosowaną metodą statystyczną w celu porównania średnich z dwóch niezależnych od siebie grup. Wykorzystujemy go gdy chcemy porównać dwie grupy pod względem jakiejś zmiennej ilościowej. Na przykład gdy chcemy porównać średni wzrost kobiet i mężczyzn w danej grupie.\n",
+    "\n",
+    "Zazwyczaj dwie średnie z różnych od siebie grup będą się różnić. Test t Studenta powie nam jednak czy owe różnice są istotne statystycznie – czy nie są przypadkowe. Hipoteza zerowa takiego testu będzie brzmiała H0: Średni wzrost w grupie mężczyzn jest taki sam jak średni w grupie kobiet. Hipoteza alternatywna z kolei H1: Kobiety będą różnić się od mężczyzn pod wzrostu.\n",
+    "Jeśli wynik testu t Studenta będzie istotny na poziomie p < 0,05 możemy odrzucić hipotezę zerową na rzecz hipotezy alternatywnej.\n"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 159,
@@ -118,6 +292,57 @@
     "    return (mean(sample_1) - mean(sample_2)) / sed"
    ]
   },
+  {
+   "cell_type": "code",
+   "execution_count": 162,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def df_ind(sample_1, sample_2):\n",
+    "    \"\"\"Funkcja oblicza stopnie swobody dla dwóch próbek niezależnych\"\"\"\n",
+    "    return len(sample_1) + len(sample_2) - 2"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 167,
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def bootstrap_independent(sample_1, sample_2):\n",
+    "    return t_test(\n",
+    "        sample_1=sample_1,\n",
+    "        sample_2=sample_2,\n",
+    "        df_fn=df_ind,\n",
+    "        t_stat_fn=t_stat_ind\n",
+    "    )"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "# TODO: Wyciągnąć wysokości kobiet i mężczyzn oraz poprawić kod aby można było podawać kolumny\n",
+    "t_stat, df, cv, p, _ = bootstrap_independent(dataset, dataset)\n",
+    "pretty_print_full_stats(t_stat, df, cv, p)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Test t studenta dla prób zależnych\n",
+    "\n",
+    "W odróżnieniu od testu t – Studenta dla prób niezależnych, gdzie porównujemy dwie grupy, ten rodzaj testu stosujemy gdy poddajemy analizie tą samą pojedynczą grupę, ale dwukrotnie w czasie. Na przykład gdy chcemy porównać średnie wagi grupy osób przed dietą oraz po diecie, aby sprawdzić czy dieta spowodowała istotne zmiany statystyczne.\n",
+    "\n",
+    "Hipoteza zerowa takiego testu będzie brzmiała H0: Średnia waga osób po diecie jest taka sama jak przed dietą. Hipoteza alternatywna z kolei H1: Dieta znacząco wpłynęła na średnią wagę danej grupy."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 160,
@@ -154,91 +379,6 @@
     "    return l1"
    ]
   },
-  {
-   "cell_type": "code",
-   "execution_count": 162,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def df_ind(sample_1, sample_2):\n",
-    "    \"\"\"Funkcja oblicza stopnie swobody dla dwóch próbek niezależnych\"\"\"\n",
-    "    return len(sample_1) + len(sample_2) - 2"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 163,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def df_single(sample_1):\n",
-    "    \"\"\"Funkcja oblicza stopnie swobody dla jednej próbki\"\"\"\n",
-    "    # TODO: I have no clue what to return from here\n",
-    "    return len(sample_1)"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 164,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def calculate_p(t_stat, df):\n",
-    "    \"\"\"Funkcja oblicza wartość *p* na podstawie statystyki testowej i stopni swobody\"\"\"\n",
-    "    return (1.0 - t.cdf(abs(t_stat), df)) * 2.0"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 165,
-   "metadata": {},
-   "outputs": [],
-   "source": [
-    "def calculate_cv(df, alpha=0.05):\n",
-    "    \"\"\"Funkcja oblicza wartość krytyczną (critical value)\"\"\"\n",
-    "    return t.ppf(1.0 - alpha, df)"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 166,
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   },
-   "outputs": [],
-   "source": [
-    "def bootstrap_one_sample(sample, population_mean):\n",
-    "    return t_test(\n",
-    "        sample_1=sample,\n",
-    "        df_fn=df_single,\n",
-    "        t_stat_fn=t_stat_single,\n",
-    "        population_mean=population_mean\n",
-    "    )"
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 167,
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   },
-   "outputs": [],
-   "source": [
-    "def bootstrap_independent(sample_1, sample_2):\n",
-    "    return t_test(\n",
-    "        sample_1=sample_1,\n",
-    "        sample_2=sample_2,\n",
-    "        df_fn=df_ind,\n",
-    "        t_stat_fn=t_stat_ind\n",
-    "    )"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 168,
@@ -260,64 +400,19 @@
    ]
   },
   {
-   "cell_type": "code",
-   "execution_count": 169,
+   "cell_type": "markdown",
    "metadata": {},
-   "outputs": [],
    "source": [
-    "def get_t_stats(sample_1, sample_2=None, t_stat_fn=t_stat_single, population_mean=None):\n",
-    "    \"\"\"Funkcja oblicza listę statystyk testowych dla każdej próbki bootstrapowej wybranej na podstawie danych sample_1 i sample_2\"\"\"\n",
-    "    t_stat_list = []\n",
-    "\n",
-    "    # One sample test\n",
-    "    if t_stat_fn==t_stat_single:\n",
-    "        if not population_mean:\n",
-    "            raise Exception(\"population_mean not provided\")\n",
-    "        for bootstrap in generate_bootstraps(sample_1):\n",
-    "            stat = t_stat_fn(bootstrap, population_mean)\n",
-    "            t_stat_list.append(stat)\n",
-    "        return t_stat_list\n",
-    "\n",
-    "    # Two sample test\n",
-    "    for bootstrap_1, bootstrap_2 in zip(generate_bootstraps(sample_1), generate_bootstraps(sample_2)):\n",
-    "        stat = t_stat_fn(bootstrap_1, bootstrap_2)\n",
-    "        t_stat_list.append(stat)\n",
-    "    return t_stat_list"
+    "# TODO: Wyciągnąć wagi przed dietą i po oraz poprawić kod aby można było podawać kolumny\n",
+    "t_stat, df, cv, p, _ = bootstrap_dependent(dataset, dataset)\n",
+    "pretty_print_full_stats(t_stat, df, cv, p)"
    ]
   },
   {
-   "cell_type": "code",
-   "execution_count": 170,
-   "metadata": {
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   },
-   "outputs": [],
+   "cell_type": "markdown",
+   "metadata": {},
    "source": [
-    "def t_test(sample_1, sample_2=None, df_fn=df_single, t_stat_fn=t_stat_single, population_mean=None, alpha=0.05):\n",
-    "    \"\"\"\n",
-    "    Funkcja przeprowadza test T-studenta dla dwóch zmiennych.\n",
-    "    liczba kolumn wynosi 1, test jest przeprowadzany dla jednej zmiennej.\n",
-    "    @param df_fn - funkcja obliczająca stopnie swobody\n",
-    "    @param t_stat_fn - funkcja obliczająca statystykę T\n",
-    "    \"\"\"\n",
-    "    t_stat_list = get_t_stats(sample_1, sample_2, t_stat_fn, population_mean=population_mean)\n",
-    "    t_stat_sum = sum(t_stat_list)\n",
-    "\n",
-    "    data_size = sample_1.shape[0]\n",
-    "\n",
-    "    t_stat = t_stat_sum / data_size\n",
-    "    # TODO: dolna i górna opcja dają inne wyniki z jakiegoś powodu (???)\n",
-    "    t_stat = mean(t_stat_list)\n",
-    "\n",
-    "    if sample_2 is None:\n",
-    "        df = df_fn(sample_1)\n",
-    "    else:\n",
-    "        df = df_fn(sample_1, sample_2)\n",
-    "    cv = calculate_cv(df, alpha)\n",
-    "    p = calculate_p(t_stat, df)\n",
-    "    return t_stat, df, cv, p, t_stat_list"
+    "## Wykresy"
    ]
   },
   {
@@ -342,9 +437,16 @@
     "    plt.show()"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## Testy"
+   ]
+  },
   {
    "cell_type": "code",
-   "execution_count": 172,
+   "execution_count": 31,
    "metadata": {
     "collapsed": false,
     "pycharm": {
@@ -398,21 +500,22 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 173,
+   "execution_count": 39,
    "metadata": {},
    "outputs": [
     {
      "name": "stdout",
      "output_type": "stream",
      "text": [
+      "<class 'pandas.core.frame.DataFrame'>\n",
       "Statystyki dla jednej próby:\n",
-      "t: 1.8524997668616348, df: 5, cv: 2.015048372669157, p: 0.12315232406912302\n",
+      "t: 1.8073147056683616, df: 5, cv: 2.015048372669157, p: 0.13052275003443325\n",
       "\n",
       "Statystyki dla dwóch prób zależnych:\n",
-      "t: 3.166992562129946, df: 5, cv: 2.015048372669157, p: 0.02489883191814224\n",
+      "t: 3.0790273716290404, df: 5, cv: 2.015048372669157, p: 0.027500015466573435\n",
       "\n",
       "Statystyki dla dwóch prób niezależnych:\n",
-      "t: 3.0429202631473986, df: 8, cv: 1.8595480375228421, p: 0.015992147409949586\n",
+      "t: 2.8109511013364576, df: 8, cv: 1.8595480375228421, p: 0.02280961069987497\n",
       "\n"
      ]
     }
@@ -423,6 +526,8 @@
     "def pretty_print_full_stats(t_stat, df, cv, p):\n",
     "    print(f't: {t_stat}, df: {df}, cv: {cv}, p: {p}\\n')\n",
     "\n",
+    "print(type(dummy))\n",
+    "\n",
     "print('Statystyki dla jednej próby:')\n",
     "t_stat, df, cv, p, _ = bootstrap_one_sample(dummy, 2)\n",
     "pretty_print_full_stats(t_stat, df, cv, p)\n",
@@ -435,21 +540,6 @@
     "t_stat, df, cv, p, _ = bootstrap_independent(dummy2, dummy3)\n",
     "pretty_print_full_stats(t_stat, df, cv, p)"
    ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": 174,
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   },
-   "outputs": [],
-   "source": [
-    "dataset = pd.read_csv('experiment_data.csv')\n",
-    "#make_decision(dataset, ['Weight', 'Age'])"
-   ]
   }
  ],
  "metadata": {
@@ -477,4 +567,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
+}