{ "cells": [ { "cell_type": "markdown", "source": [ "## Introduction to Probability and Statistics\n", "## Assignment\n", "\n", "ഈ അസൈൻമെന്റിൽ, നാം [ഇവിടെ നിന്നുള്ള](https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html) പ്രാപ്തരായ രോഗികളുടെ ഡാറ്റാസെറ്റ് ഉപയോഗിക്കും.\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": 13, "source": [ "import pandas as pd\n", "import numpy as np\n", "\n", "df = pd.read_csv(\"../../data/diabetes.tsv\",sep='\\t')\n", "df.head()" ], "outputs": [ { "output_type": "execute_result", "data": { "text/plain": [ " AGE SEX BMI BP S1 S2 S3 S4 S5 S6 Y\n", "0 59 2 32.1 101.0 157 93.2 38.0 4.0 4.8598 87 151\n", "1 48 1 21.6 87.0 183 103.2 70.0 3.0 3.8918 69 75\n", "2 72 2 30.5 93.0 156 93.6 41.0 4.0 4.6728 85 141\n", "3 24 1 25.3 84.0 198 131.4 40.0 5.0 4.8903 89 206\n", "4 50 1 23.0 101.0 192 125.4 52.0 4.0 4.2905 80 135" ], "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
AGESEXBMIBPS1S2S3S4S5S6Y
059232.1101.015793.238.04.04.859887151
148121.687.0183103.270.03.03.89186975
272230.593.015693.641.04.04.672885141
324125.384.0198131.440.05.04.890389206
450123.0101.0192125.452.04.04.290580135
\n", "
" ] }, "metadata": {}, "execution_count": 13 } ], "metadata": {} }, { "cell_type": "markdown", "source": [ "ഈ ഡാറ്റാസെറ്റിൽ, കോളങ്ങൾ താഴെപ്പറയുന്നവയാണ്:\n", "* പ്രായവും ലിംഗവും സ്വയംവിവരണമാണ്\n", "* BMI എന്നത് ബോഡി മാസ്സ് ഇൻഡക്സ് ആണ്\n", "* BP എന്നത് ശരാശരി രക്തസമ്മർദ്ദം ആണ്\n", "* S1 മുതൽ S6 വരെ വ്യത്യസ്ത രക്ത അളവുകൾ ആണ്\n", "* Y എന്നത് ഒരു വർഷംക്കുള്ളിൽ രോഗത്തിന്റെ പുരോഗതിയുടെ ഗുണനിലവാര അളവാണ്\n", "\n", "സാധ്യതയും സ്ഥിതിവിവരശാസ്ത്രവും ഉപയോഗിച്ച് ഈ ഡാറ്റാസെറ്റ് പഠിക്കാം.\n", "\n", "### Task 1: എല്ലാ മൂല്യങ്ങൾക്കും ശരാശരി മൂല്യങ്ങളും വ്യതിയാനവും കണക്കാക്കുക\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": null, "source": [], "outputs": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "### ടാസ്‌ക് 2: ലിംഗത്തിന്റെ അടിസ്ഥാനത്തിൽ BMI, BP, Y എന്നിവയുടെ ബോക്സ്‌പ്ലോട്ടുകൾ വരയ്ക്കുക\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": null, "source": [], "outputs": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "### ടാസ്‌ക് 3: പ്രായം, ലിംഗം, ബിഎംഐ, Y വേരിയബിളുകളുടെ വിതരണമെന്താണ്?\n" ], "metadata": {} }, { "cell_type": "code", "execution_count": null, "source": [], "outputs": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "### Task 4: വ്യത്യസ്ത വേരിയബിളുകളും രോഗ പുരോഗതിയും (Y) തമ്മിലുള്ള സഹസംബന്ധം പരിശോധിക്കുക\n", "\n", "> **സൂചന** ഏത് മൂല്യങ്ങൾ ആശ്രിതമാണെന്ന് അറിയാൻ സഹസംബന്ധ മാട്രിക്സ് ഏറ്റവും ഉപകാരപ്രദമായ വിവരങ്ങൾ നൽകും.\n" ], "metadata": {} }, { "cell_type": "markdown", "source": [], "metadata": {} }, { "cell_type": "markdown", "source": [ "### ടാസ്‌ക് 5: പുരുഷന്മാരും സ്ത്രീകളും തമ്മിലുള്ള പ്രമേഹത്തിന്റെ പുരോഗതിയുടെ ഡിഗ്രി വ്യത്യസ്തമാണെന്ന് ഹിപോത്തസിസ് പരിശോധിക്കുക\n" ], "metadata": {} }, { "cell_type": "markdown", "source": [], "metadata": {} }, { "cell_type": "markdown", "metadata": {}, "source": [ "---\n\n\n**അസൂയാ**: \nഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.\n\n" ] } ], "metadata": { "orig_nbformat": 4, "language_info": { "name": "python", "version": "3.8.8", "mimetype": "text/x-python", "codemirror_mode": { "name": "ipython", "version": 3 }, "pygments_lexer": "ipython3", "nbconvert_exporter": "python", "file_extension": ".py" }, "kernelspec": { "name": "python3", "display_name": "Python 3.8.8 64-bit (conda)" }, "interpreter": { "hash": "86193a1ab0ba47eac1c69c1756090baa3b420b3eea7d4aafab8b85f8b312f0c5" }, "coopTranslator": { "original_hash": "6d945fd15163f60cb473dbfe04b2d100", "translation_date": "2025-12-19T17:05:58+00:00", "source_file": "1-Introduction/04-stats-and-probability/assignment.ipynb", "language_code": "ml" } }, "nbformat": 4, "nbformat_minor": 2 }