CommencezCommencez gratuitement

Test d'hypothèse : ralentissent-ils ?

Nous allons maintenant tester l'hypothèse nulle selon laquelle le temps intermédiaire du nageur n'est pas du tout corrélé avec la distance parcourue dans la course. Nous utiliserons le coefficient de corrélation de Pearson (calculé avec dcst.pearson_r()) comme statistique de test.

Cette activité fait partie du cours

Études de cas en pensée statistique

Voir le cours

Instructions de l’exercice

  • Calculez la corrélation de Pearson observée et stockez-la dans rho.
  • À l'aide de np.empty(), initialisez le tableau de 10 000 répliques par permutation de la corrélation de Pearson et nommez-le perm_reps_rho.
  • Écrivez une boucle for pour :
    • Mélanger le tableau des numéros de fraction de course avec np.random.permutation(), et nommez-le scrambled_split_number.
    • Calculer le coefficient de corrélation de Pearson entre le tableau mélangé des numéros de fraction et les temps intermédiaires moyens, puis l'enregistrer dans perm_reps_rho.
  • Calculez la valeur p et affichez-la à l'écran. Interprétez « au moins aussi extrême que » comme une corrélation de Pearson au moins aussi grande que celle observée.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Observed correlation
rho = ____

# Initialize permutation reps
perm_reps_rho = ____

# Make permutation reps
for i in range(10000):
    # Scramble the split number array
    scrambled_split_number = ____
    
    # Compute the Pearson correlation coefficient
    ____[i] = ____
    
# Compute and print p-value
p_val = ____(____ >= ____) / ____
print('p =', p_val)
Modifier et exécuter le code