Как Лгать, Используя Статистику

«Есть три типа лжи:

• ложь;
• наглая ложь;
• пропагандистская статистика;
• источник цитаты в Интернете».

  Марк Твен (или нет) Он ).

• Лошади бегут по часовой стрелке быстрее, чем против часовой стрелки.

• Лошади бегут против часовой стрелки быстрее, чем по часовой стрелке.

• Лошади бегут на длинные дистанции быстрее (с более высокой скоростью), чем на короткие.

• Лошади бегут на длинные дистанции медленнее (с меньшей скоростью), чем на короткие.

Данные

Он содержит информацию об имени лошади, году, скорости, дистанции, времени и направлении скачек.

Мы будем анализировать, используя Python, библиотеки pandas и seaborn. Сначала прочитаем данные:

   

 import pandas as pd
 import seaborn as sns
 
 data = pd.read_csv("path", sep="\t")
 df = data[["Length", "Seconds", "Speed"]]

   

Очень быстрый и простой способ сравнить два распределения — построить «ящики с усами» или коробчатый сюжет



Результат 3.7 «Характеристика сетей низкого напряжения» — научный деятель на ResearchGate. Доступна с: https://www.researchgate.net/figure/Box-plot-vs-normal-PDF-By-examining-the-box-plots-key-differences-and-equivalencies_fig5_283569547 [по состоянию на 11 апреля 2022 г.

] На этом рисунке вы можете увидеть коробчатую диаграмму нормального распределения:

• жирная линия в центре — медиана;
• «ящик» включает 50% результатов, слева от него находится 25% результатов с наименьшим значением, справа — 25% с самым большим;
• «усы» иногда покрывают все распределение, иногда не включают выбросы, каждый из которых рисуется отдельно.

Сравнение скорости бега лошади по часовой стрелке и против часовой стрелки.

Да и проверять гипотезы сложно, а вот графики смотреть легко, поэтому давайте просто нарисуем два «коробочка»; если медиана одного выходит за рамки другого, мы можем с уверенностью сказать, что лошади бегут быстрее в одном направлении.

sns.boxplot(x="Speed", y="Direction", data=data)





Скорость бега лошадей против часовой стрелки существенно отличается от скорости бега по часовой стрелке, дело закрыто, поехали писать статью, которая сила Кориолиса влияет на бег лошадей и получает грант на организацию скачек в южном полушарии и на экваторе.

Доказательства того, что лошади бегут медленнее на длинные дистанции

df = (df - df.mean()) / df.abs().

max() corr = df.corr() sns.heatmap(corr, cmap=sns.color_palette("coolwarm", 19))

Удивительное открытие №1: время, необходимое для прохождения курса, сильно коррелирует с его продолжительностью.

Доказательства того, что лошади бегут быстрее на длинные дистанции

Удивительное открытие №2: лошади бегут быстрее на длинные дистанции, но только если они бегут против часовой стрелки.

Доказательство того, что лошади бегут быстрее по часовой стрелке

astype(int) data.plot(x="Year", y=["clock", "counter"])





Видно, что лошади изменили направление движения в 1920-е годы, вряд ли справедливо сравнивать результаты, между которыми прошло более века, селекция, улучшение дрессировки и новые корма могли повлиять на результаты более существенно, поэтому будем строить линейная регрессия , чтобы определить, когда результаты увеличились быстрее и какой скорости достигли бы лошади, если бы продолжали бежать в том же направлении.

sns.lmplot(data=data, y="Speed", x="Year", hue="Direction")





Пока лошади бежали по часовой стрелке, их скорость возрастала гораздо сильнее: с 1860-х по 1920-е годы она увеличивалась на 4 мили в час (~6,5 км/ч), то есть прирост на 1 км/ч каждые десять лет, и, если бы не заговор часовщиков против часовой стрелки, за последнее столетие они бы разогнались аж на 10 км/ч, вместо того жалкого топтания времени, которое мы видим в правой части графика.

Если вас не убедил этот аргумент и вы считаете, что медленный рост можно объяснить тем, что возможности лошадей вышли на плато (см.

КДПВ)

sns.regplot(data=data, y="Speed", x="Year", order=3)





Потом подумайте, выгодно ли это лошадям и заплатили ли они за это; давайте сравним данные за несколько лет до и после смены направления.

sns.scatterplot(data=df, x="Year", y="Length", hue="Direction")





Видно, что лошади пробежали одну и ту же дистанцию 5 лет до и после смены направления, поэтому сравнение будет справедливым.

Возьмем 4 года, потому что кажется, что 5 — это слишком много, а 3 — слишком мало.

(Ну не такой красивый результат они дают).

n_years = 4 df = data[(data["Year"] >= 1921 - n_years) & (data["Year"] <= 1920 + n_years)] sns.boxplot(x="Speed", y="Direction", data=df, ax=axs[ax_idx])





Синий – по часовой стрелке.

Оранжевый – против.

Существует значительная разница; лошади бегут по часовой стрелке быстрее.

выводы

• Как были получены эти данные.

• Есть ли другое объяснение видимым закономерностям?
• Сохранится ли эта закономерность, если вы измените период/страну наблюдения?
• Являются ли данные однородными и не были ли они реализованы? выбор вишни при выборе данных или статистики, рассчитанной на их основе.

• просмотрите другие данные, чтобы убедиться, что обнаруженные вами закономерности верны;
• Есть ли другое объяснение обнаруженным особенностям?

• Создание Внимания, Интереса, Желания И Действий В Интернете

  19 Oct, 24

• Температура Кипения

  19 Oct, 24

• Владимир Владимирович Научит Вас Стучать

  19 Oct, 24

• Autofox — Сервис Для Поиска Точек Обслуживания Автомобилей

  19 Oct, 24

• Как Обмен Данными Влияет На Качество Рекомендаций

  19 Oct, 24

• Обнаружен Гигантский Миксер Криптовалюты Ethereum

  19 Oct, 24

• Ночной Звонок Веб-Дизайнеру-Спамеру Или «Порносайты Нелегальны»

  19 Oct, 24

• Как Обеспечить Безопасность Разработки, Сэкономив Время И Нервы

  19 Oct, 24

• Семинар «Резервное Копирование Любых Объектов На Базе Commvault Simpana», 10 Декабря, Дата-Центр Ост (Москва)

  19 Oct, 24

• Радость Геймеров, Гибель Жабы: Asus G20Cb

  19 Oct, 24