Statistics

Faça cohort-analysis de retenção de usuários, queda de engajamento e adoção de recursos por coorte. Esta skill de cohort-analysis foi criada para fluxos de Trabalho de Análise de Dados que precisam de validação, cálculo, visualização e insights claros a partir de dados estruturados de comportamento do usuário.

A skill ab-test-analysis ajuda você a avaliar resultados de testes A/B com rigor estatístico, incluindo validação de tamanho de amostra, intervalos de confiança, testes de significância e recomendações de prosseguir, estender ou encerrar. Use-a para revisão de experimentos, interpretação de testes divididos e tomada de decisão em fluxos de trabalho de análise de dados.

A skill de statsmodels ajuda você a usar o statsmodels na análise de dados em Python quando precisa de modelos estatísticos, inferência e diagnósticos. Ela cobre ajuste de OLS, GLM, desfechos discretos, séries temporais e modelos mistos, com tabelas de coeficientes, valores-p, intervalos de confiança e checagens de pressupostos. Use este guia de statsmodels para econometria, previsão e relatórios com base técnica sólida.

A skill statistical-analysis ajuda você a escolher, executar e relatar testes defensáveis para Análise de Dados, incluindo pressupostos, tamanhos de efeito, poder estatístico e resultados no estilo APA. Use-a em pesquisa acadêmica, experimentos e estudos observacionais quando a escolha do teste e a clareza do relatório importam mais do que codificar um modelo específico.

Skill scikit-survival para análise de sobrevivência e modelagem time-to-event em Python. Use este guia para dados censurados, modelos de Cox, random survival forests, gradient boosting, Survival SVMs e métricas de sobrevivência como concordance index e Brier score.

scientific-critical-thinking ajuda a avaliar alegações científicas, desenho de estudo, viés, fatores de confusão e qualidade da evidência. Use-o para análise crítica, apoio à revisão de literatura, checagens de risco de viés no GRADE ou Cochrane e para uma avaliação no estilo Peer Review sobre o que um artigo realmente sustenta.

PyMC é uma skill de modelagem bayesiana para construir, ajustar, verificar e comparar modelos probabilísticos em Python. Use pymc para regressão hierárquica, análise multivariada, séries temporais, dados ausentes, erro de medição e comparação de modelos com LOO ou WAIC.

A skill peer-review ajuda você a লিখar revisões formais e fundamentadas em evidências de manuscritos e projetos de grant. Use-a para avaliar metodologia, estatística, reprodutibilidade, ética e padrões de relato como CONSORT, STROBE ou PRISMA, com feedback construtivo que autores e editores possam aplicar.

A skill exploratory-data-analysis transforma arquivos científicos em relatórios de EDA sensíveis ao formato. Ela detecta o tipo de arquivo, resume estrutura e qualidade, extrai metadados-chave e sugere análises subsequentes. Use-a para exploratory-data-analysis em Análise de Dados em química, bioinformática, microscopia, espectroscopia, proteômica, metabolômica e outros formatos de arquivos científicos.