Tests d'hypothèses en Python
Apprenez comment et quand utiliser les tests d'hypothèse courants comme les tests t, les tests de proportion et les tests du khi-deux en Python.
Commencer Le Cours Gratuitement4 heures15 vidéos50 exercices38 727 apprenantsDéclaration de réalisation
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.Formation de 2 personnes ou plus ?
Essayer DataCamp for BusinessApprécié par les apprenants de milliers d'entreprises
Description du cours
Les tests d'hypothèse vous permettent de répondre à des questions sur vos ensembles de données d'une manière statistiquement rigoureuse. Dans ce cours, vous développerez vos compétences analytiques Python en apprenant comment et quand utiliser des tests courants tels que les tests t, les tests de proportion et les tests du chi carré. En travaillant avec des données réelles, y compris les commentaires des utilisateurs de Stack Overflow et les données de la chaîne d'approvisionnement pour les expéditions de matériel médical, vous comprendrez en profondeur le fonctionnement de ces tests et les hypothèses clés qui les sous-tendent. Vous découvrirez également comment les tests non paramétriques peuvent être utilisés pour dépasser les limites des tests d'hypothèse traditionnels.
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Principes de la statistique en Python
Aller à la piste- 1
Principes de base des tests d'hypothèses
GratuitComment fonctionne le test d'hypothèse et quels sont les problèmes qu'il permet de résoudre ? Pour le savoir, vous allez suivre le déroulement d'un test de proportion d'un échantillon. Ce faisant, vous rencontrerez des concepts importants tels que les scores z, les valeurs p et les erreurs faussement négatives et faussement positives.
Tests d'hypothèse et scores z50 xpUtilisations des tests A/B50 xpCalcul de la moyenne de l'échantillon100 xpCalcul d'un score z100 xpValeurs p50 xpProcès criminels et tests d'hypothèses50 xpQueue gauche, queue droite, deux queues100 xpCalcul des valeurs p100 xpSignification statistique50 xpDécisions à partir des valeurs p50 xpCalculer un intervalle de confiance100 xpErreurs de type I et de type II100 xp - 2
Tests à deux échantillons et ANOVA
Dans ce chapitre, vous apprendrez à tester les différences de moyennes entre deux groupes à l'aide de tests t et à les étendre à plus de deux groupes à l'aide de ANOVA et de tests t par paire.
Réalisation de tests t50 xpFlux de travail des tests d'hypothèse100 xpStatistique du test de la moyenne à deux échantillons100 xpCalcul des valeurs p à partir des statistiques t50 xpPourquoi t est-il nécessaire ?50 xpLa distribution t50 xpDe t à p100 xpTests t par paires50 xpL'appariement est-il nécessaire ?100 xpVisualiser la différence100 xpUtilisation de ttest()100 xpANOVA tests50 xpVisualiser de nombreuses catégories100 xpRéalisation d'un test ANOVA100 xpTests t par paire100 xp - 3
Tests de proportion
Il est maintenant temps de tester les différences de proportions entre deux groupes à l'aide de tests de proportion. Grâce à des exercices pratiques, vous étendrez vos tests de proportion à plus de deux groupes avec les tests d'indépendance du chi-carré, et reviendrez au cas d'un seul échantillon avec les tests d'adéquation du chi-carré.
Tests de proportion à un échantillon50 xpt pour les proportions ?50 xpTest pour les proportions uniques100 xpTests de proportion à deux échantillons50 xpTest de deux proportions100 xpproportions_ztest() pour deux échantillons100 xpTest d'indépendance du khi-deux50 xpLa distribution du chi-carré50 xpCombien de queues pour les tests du chi-carré ?50 xpRéalisation d'un test du chi-carré100 xpTests d'adéquation du chi-carré50 xpVisualisation de la qualité de l'ajustement100 xpRéalisation d'un test d'adéquation100 xp - 4
Tests non paramétriques
Enfin, il est temps de découvrir les hypothèses des tests d'hypothèse paramétriques et de voir comment les tests non paramétriques peuvent être utilisés lorsque ces hypothèses ne sont pas respectées.
Hypothèses dans les tests d'hypothèses50 xpHypothèses communes des tests d'hypothèse50 xpTaille de l'échantillon de test100 xpTests non paramétriques50 xpQuel test paramétrique ?50 xpTest de Wilcoxon signé100 xpTests non paramétriques ANOVA et tests t non appariés50 xpWilcoxon-Mann-Whitney100 xpKruskal-Wallis100 xpFélicitations !50 xp
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Principes de la statistique en Python
Aller à la pisteensembles de données
Late ShipmentsStack OverflowU.S. Democrat Votes 2012/2016U.S. Republican Votes 2008/2012collaborateurs
prérequis
Sampling in Python
Qu’est-ce que les autres apprenants ont à dire ?
Inscrivez-vous 15 millions d’apprenants et commencer Tests d'hypothèses en Python Aujourd’hui!
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.