/** * @license * SPDX-License-Identifier: Apache-2.0 */ import React, { useState } from 'react'; import { motion, AnimatePresence } from 'motion/react'; import { Compass, AlertTriangle, CheckCircle2, BookOpen, Code2, Layers, MessageSquare, ArrowRight, Info, ChevronDown, ChevronUp, Target, Zap } from 'lucide-react'; // --- Types --- interface QAItem { question: string; answer: string; } // --- Components --- const Navbar = () => ( ); const Hero = () => (

Критический разбор

Статистика по навигатору: куда приводят карты?

Разбор популярных блок-схем и таблиц для выбора статистического теста. Поиск альтернативных подходов и развитие культуры мышления.

Начать разбор

Конспект курса Blastim

{/* Decorative Elements */}

); const TheorySection = () => (

Важные теоретические вставки

Нулевая гипотеза (H₀)

Основное предположение об отсутствии эффекта или различий. Важно помнить: у каждого теста она своя.

Уровень значимости (α, альфа)

Верхняя граница вероятности ошибки первого рода. Обычно 0.05. Выбирается ДО начала сбора данных.

Проверка на нормальность

Типичная ошибка — жестко полагаться на тесты Шапиро-Уилка. Параметрика требует нормальности распределения средних, а не исходных данных.

Центральная предельная теорема

"На больших выборках условие нормальности часто выполняется благодаря ЦПТ, даже если исходные данные распределены иначе."

N → ∞

Normal Dist.

); const LinearModelSection = () => (

Статистические тесты — это линейные модели

Более продвинутый подход, который объединяет методы в единую концепцию регрессии.

cor.test(x, y)

Корреляция

Непрерывная Y и непрерывная X.

lm(y ~ x)

t.test(y ~ x)

t-тест / ANOVA

Непрерывная Y и категориальная X.

lm(y ~ group)

wilcox.test(y ~ x)

Непараметрика

Ранговые трансформации в рамках тех же моделей.

lm(rank(y) ~ x)

Преимущество подхода

Такой подход требует более глубокого понимания, но избавляет от механического выбора и заставляет думать о данных в терминах моделей и зависимостей. Все тесты — это частные случаи функции lm().

); const QAAccordion: React.FC<{ item: QAItem }> = ({ item }) => { const [isOpen, setIsOpen] = useState(false); return ( ); }; interface ProblemCardProps { title: string; description: string; problem: string; solution?: string; icon: React.ElementType; } const ProblemCard = ({ title, description, problem, solution, icon: Icon }: ProblemCardProps) => (

{title}

{description}

Проблема

{problem}

{solution && (

Решение

{solution}

)}

); interface VariableTypeProps { title: string; desc: string; examples: string[]; } const VariableType = ({ title, desc, examples }: VariableTypeProps) => ( ); export default function App() { const qaData: QAItem[] = [ { question: "Генеративный ИИ как замена таблицам и схемам?", answer: "Для стандартных задач ИИ справляется неплохо. Проблема: ИИ начинает ошибаться в нестандартных ситуациях (смешанные модели, случайные эффекты). Самое опасное — если у вас не хватает знаний, чтобы проверить и валидировать его ответ." }, { question: "Можно ли применять параметрические методы к дискретным данным?", answer: "Использовать среднее арифметическое — можно, но с оговорками (пример с рождаемостью). А вот дисперсию использовать рискованно. Безопаснее использовать медиану и межквартильный размах (IQR)." }, { question: "Как быть с выбросами (outliers)?", answer: "Вместо теста Граббса можно использовать правило IQR: точка считается выбросом, если она больше Q3 + 1.5*IQR или меньше Q1 - 1.5*IQR. Удаление выброса зависит от домена — физически невозможные значения удаляем, в остальных случаях разбираемся с природой." }, { question: "Зависимые и независимые выборки?", answer: "Зависимые — измерения на одних и тех же объектах (до и после). Грубая ошибка: создавать зависимость внутри одной выборки (например, измерять одну мышь 3 раза, чтобы 'добить' число наблюдений). Это ломает тесты." }, { question: "Малые выборки (N=4-6)?", answer: "Проверять нормальность на таких выборках бесполезно. ANOVA применить можно на свой страх и риск. Критически важно, чтобы размеры групп были примерно равными." } ]; return ( ); }