03 Significativité statistique ou erreur type I скачать в хорошем качестве

03 Significativité statistique ou erreur type I

Les connaissances empiriques ne peuvent pas être exactes à 100 %. Il y a toujours un risque d'observer la différence par erreur. Cette erreur statistique de type I ou faux positif est quelque chose que la communauté scientifique préfère éviter. Le niveau de significativité c'est exactement la mesure de l'erreur de type I ou des faux positifs. Signification (p) moins que 0.05 signifie que le risque de démontrer la différence par hasard alors qu'elle n'existe pas dans la réalité est inférieur à 5%. Le T-test est réalisé par l'estimation de paramètres statistiques (moyenne, écart-type, puis erreur type par utilisation de la taille d'échantillon et, finalement intervalle de confiance 95%) Le test de bootstrap est réalisé différemment mais il donne aussi l'intervalle de confiance 95%. Pour le test de bootstrap, il faut prendre des échantillons aléatoires avec remplacement à partir de l'ensemble de données d'origine pour simuler la population "globale" et calculer la variabilité de la statistique d'intérêt (e.g. moyenne). La procédure pour effectuer un test de bootstrap comprend les étapes suivantes : [1] Prendre un échantillon aléatoire avec remplacement à partir de l'ensemble de données d'origine. [2] Calculer la statistique d'intérêt sur les données rééchantillonnées (e.g. moyenne). [3] Répéter les étapes 1 et 2 B fois, où B est un grand nombre d'échantillons de bootstrap (e.g. 10000). [4] Construire un intervalle de confiance pour la statistique en utilisant les 95% percentiles centraux des échantillons de bootstrap. Le calepin en Python No 03 permet d'explorer (1) un test paramétrique de significativité, i.e. T-test à un échantillon, one-sample t-test en anglais et (2) un test non-paramétrique de significativité, i.e. test de bootstrap: https://colab.research.google.com/dri...