Przejdź do treści
Biblioteka skilli
Dane i analityka · Analiza

statistics-and-data-science

/statistics-and-data-science

Wykonuje analizy statystyczne: statystyki opisowe, przedziały ufności, testy hipotez, regresję, ANOVA, wnioskowanie bayesowskie, bootstrap i testy A/B, ze skryptem symulacji w Pythonie.

Repozytorium
agent-skills ↗
Licencja
MIT
Ostatnia zmiana repozytorium
16.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
3
Skrypty
1
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 16.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co sprawdzić przed instalacją
  • 1 skrypt w paczce. Przejrzyj je przed instalacją, bo Claude może je uruchomić.

Skrypty: scripts/prob_sim.py

Co robi i kiedy

Wykonuje analizy statystyczne: statystyki opisowe, przedziały ufności, testy hipotez, regresję, ANOVA, wnioskowanie bayesowskie, bootstrap i testy A/B, ze skryptem symulacji w Pythonie.

Oryginalny opis (EN)

Perform statistics: descriptive statistics, estimation, confidence intervals, hypothesis tests, regression, ANOVA, Bayesian inference, bootstrapping, experimental design, model selection, causal inference basics. Includes a Python simulation script. Use for data analysis, p-values, A/B tests, and regression.

Jak działa

  1. Descriptive
  2. Estimation & inference
  3. Regression & modeling
  4. Practice
  5. Script
Sekcje z nagłówków SKILL.md, w oryginale · 26 linii, 293 słów
Podgląd SKILL.md
---
name: statistics-and-data-science
description: "Perform statistics: descriptive statistics, estimation, confidence intervals, hypothesis tests, regression, ANOVA, Bayesian inference, bootstrapping, experimental design, model selection, causal inference basics. Includes a Python simulation script. Use for data analysis, p-values, A/B tests, and regression."
---

# Statistics & Data Science

## Descriptive
Mean, median, mode, variance s^2 (n-1), IQR, skewness, kurtosis, correlation (Pearson, Spearman), outliers, visualization (histogram, box plot, scatter, QQ plot).

## Estimation & inference
- Estimators: bias, variance, MSE, consistency, efficiency; MLE (maximize log-likelihood; asymptotically normal, Fisher information, Cramer-Rao bound); method of moments.
- Confidence interval for a mean: x-bar +- t_{n-1,a/2} s/sqrt(n); proportion p-hat +- z sqrt(p-hat(1-p-hat)/n) (use Wilson interval for small n). A 95% CI means the procedure covers the true value 95% of the time, not a 95% probability for this interval.
- Hypothesis testing: null/alternative, test statistic, p-value = P(data at least as extreme | H0), alpha, Type I/II errors, power. Tests: z, t (one-sample, two-sample Welch, paired), chi-square (goodness of fit, independence), F-test, ANOVA, Mann-Whitney, Wilcoxon, Kolmogorov-Smirnov, permutation tests.
- Multiple testing: Bonferroni, Holm, Benjamini-Hochberg FDR. Effect sizes (Cohen d) and practical significance; p-hacking and pre-registration; sample-size planning.
- Bayesian: posterior ~ likelihood x prior; conjugate pairs (Beta-Binomial, Normal-Normal, Gamma-Poisson); credible intervals; Bayes factors; MCMC (Metropolis, Gibbs, HMC); posterior predictive checks.
- Bootstrap and jackknife for uncertainty without formulas.

## Regression & modeling
- OLS: beta = (X^T X)^{-1} X^T y; R^2; residual diagnostics (linearity, homoscedasticity, normality, independence); multicollinearity (VIF); leverage and Cook's distance.
- GLMs: logistic (odds ratio), Poisson regression; regularization (ridge, lasso, elastic net); cross-validation; bias-variance tradeoff; AIC/BIC.
- Time series: stationarity, ACF/PACF, ARIMA, exponential smoothing, state-space models.
- Machine learning basics: train/validation/test split, overfitting, ensemble methods, calibration. Correlation is not causation: confounders, randomized trials, instrumental variables, difference-in-differences, DAGs.

## Practice
State assumptions, check them, report effect size with interval, and avoid over-claiming. Warn about selection bias, survivorship bias, and data leakage.

## Script
`scripts/prob_sim.py`: Monte Carlo helpers (birthday paradox, Monty Hall, CLT demo, bootstrap CI, t-test via permutation).
Pliki w paczce (3)
  • SKILL.md 3 KB
  • metadata.json 1 KB
  • scripts/prob_sim.py 2 KB

Wersje

W bazie nie ma innych skilli o nazwie statistics-and-data-science.

Migawka bazy z 13.11.2026 · wersja paczki b2137c4d5f2f (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 90data-science-statistical-analysis
    Analizuje dane statystycznie: testy hipotez, regresję, prognozy szeregów czasowych i wnioskowanie bayesowskie z raportem efektów.
  • 100statistical-analysis
    Przeprowadza testy hipotez, testy A/B, przedziały ufności, moc i analizy przeżycia, z ostrożnością przy wnioskach przyczynowych.
  • 100data-scientist
    Zapewnia ekspercką wiedzę z data science, statystyki i uczenia maszynowego: analizy, projektowanie eksperymentów, wnioskowanie przyczynowe, testy A/B i metodologię badań.
  • 100experimental-data-analysis
    Prowadzi analizę statystyczną i raportowanie zbiorów danych eksperymentalnych: interpretacja wyników, testy istotności (t-testy, ANOVA) i powtarzalne raporty.
  • 98data-analysis
    Prowadzi pracę z danymi ilościowymi od czyszczenia po wnioski: eksploracja, testy statystyczne, modele i wizualizacje w Pythonie lub R, z opisem interpretacji.
  • 85statistics
    Szacuje średnie i efekty oraz ocenia przedziały ufności, wagi badań sondażowych, próby klastrowe, testy i diagnostykę, także przy niepewności ML.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.