6

docs/6.md

@@ -68,7 +68,7 @@ pyplot.xlabel('height (cm)')
 None
 ```
 
-![png](../img/6.1_8_0.png)
+![png](../img/6-1-1.png)
 
 
 我们现在假设这些是总体的真实分布。当然，在现实生活中，我们从未观察到真实的总体分布。我们通常需要使用随机样本。
@@ -296,7 +296,7 @@ superiority 0.932
 '''
 ```
 
-![png](../img/6.1_45_1.png)
+![png](../img/6-1-2.png)
 
 
 你可以使用交互式组件来显示`d`的不同值的含义：
@@ -312,7 +312,7 @@ superiority 0.931
 '''
 ```
 
-![png](../img/6.1_47_1.png)
+![png](../img/6-1-3.png)
 
 Cohen 的`d`有一些不错的属性：
 
@@ -380,7 +380,7 @@ pyplot.ylabel('PDF')
 None
 ```
 
-![png](../img/6.2_5_0.png)
+![png](../img/6-2-1.png)
 
 
 `make_sample`从此分布中抽取随机样本。 结果是 NumPy 数组。
@@ -433,7 +433,7 @@ pyplot.ylabel('count')
 None
 ```
 
-![png](../img/6.2_17_0.png)
+![png](../img/6-2-2.png)
 
 
 样本均值接近实际总体均值，这很好，但实际上并不重要。
@@ -503,7 +503,7 @@ SE 1.71202891175
 '''
 ```
 
-![png](../img/6.2_31_1.png)
+![png](../img/6-2-3.png)
 
 
 现在我们可以使用`interact`和不同的`n`值来运行`plot_sample_stats`。注意：`xlim`设置`x`轴的限制。
@@ -522,7 +522,7 @@ SE 1.71314776815
 '''
 ```
 
-![png](../img/6.2_33_1.png)
+![png](../img/6-2-4.png)
 
 
 此框架适用于我们想要估计的任何其他数量。通过更改`sample_stat`，你可以计算任何样本统计量的 SE 和 CI。
@@ -553,7 +553,7 @@ SE 1.67195986148
 '''
 ```
 
-![png](../img/6.2_35_1.png)
+![png](../img/6-2-5.png)
 
 
 ### 第二部分
@@ -623,7 +623,7 @@ SE 1.72606450921
 '''
 ```
 
-![png](../img/6.2_41_1.png)
+![png](../img/6-2-6.png)
 
 
 现在我们可以在交互中使用`plot_resampled_stats`：
@@ -639,7 +639,7 @@ SE 1.67407589545
 '''
 ```
 
-![png](../img/6.2_43_1.png)
+![png](../img/6-2-7.png)
 
 
 练习：编写一个名为`StdResampler`的新类，它继承自`Resampler`并覆盖`sample_stat`，因此它计算重采样数据的标准差。
@@ -670,7 +670,7 @@ SE 1.30056137605
 '''
 ```
 
-![png](../img/6.2_47_1.png)
+![png](../img/6-2-8.png)
 
 
 当你的`StdResampler`能用时，你应该能够与它进行交互：
@@ -686,7 +686,7 @@ SE 1.29095098626
 '''
 ```
 
-![png](../img/6.2_49_1.png)
+![png](../img/6-2-9.png)
 
 
 ### 第三部分
@@ -798,7 +798,7 @@ SE 0.160707033098
 '''
 ```
 
-![png](../img/6.2_65_1.png)
+![png](../img/6-2-10.png)
 
 
 该示例展示了计算框架优于数学分析的优点。Cohen 的`d`等统计量是其他统计数据的比率，相对难以分析。 但是通过计算方法，所有样本统计量都同样“容易”。
@@ -923,7 +923,7 @@ pyplot.ylabel('count')
 None
 ```
 
-![png](../img/6.3_22_0.png)
+![png](../img/6-3-1.png)
 
 p 值是零假设下的检验统计量超过实际值的概率。
 
@@ -1063,7 +1063,7 @@ means permute pregnancy length
 ht.PlotHist()
 ```
 
-![png](../img/6.3_33_0.png)
+![png](../img/6-3-2.png)
 
 
 作为练习，编写一个名为`DiffStdPermute`的类，它扩展了`DiffMeansPermute`并覆盖`TestStatistic`来计算标准差的差异。标准差的差异是否具有统计学意义？