Choisir le bon test : pétrochimie

Dans un laboratoire de recherche en chimie, des scientifiques évaluent l'efficacité de trois catalyseurs bien connus — le palladium (Pd), le platine (Pt) et le nickel (Ni) — pour favoriser une réaction donnée. Chaque catalyseur est utilisé dans une série de réactions identiques sous conditions contrôlées, et le temps nécessaire pour atteindre la fin de la réaction est consigné avec soin. Votre objectif est de comparer les temps moyens de réaction des trois groupes de catalyseurs afin d'identifier si l'un d'eux présente un temps de réaction significativement différent.

Les données sont disponibles dans le DataFrame chemical_reactions. pandas as pd, numpy as np, et les fonctions suivantes ont également été chargées :

from scipy.stats import ttest_ind
from scipy.stats import f_oneway
from scipy.stats import chi2_contingency

Cette activité fait partie du cours

Conception d'expériences en Python

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Conception d'expériences en Python

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Se former à la conception expérimentale vous permet de tester des hypothèses avec des outils d'analyse éprouvés et de quantifier le risque associé à votre travail. Vous commencerez par poser les bases de ce qu'est la conception expérimentale et par explorer différents montages, comme le blocage et la stratification. Vous apprendrez ensuite à appliquer des tests visuels et analytiques de normalité sur des données expérimentales.

Exercise 1: Mise en place des expériences Exercise 2: Affectation non aléatoire des sujets Exercise 3: Affectation aléatoire des sujets Exercise 4: Préparation des données expérimentales Exercise 5: Blocage de données expérimentales Exercise 6: Stratifier une expérience Exercise 7: Lequel a été stratifié?Exercise 8: Données normales Exercise 9: Normalité visuelle dans une expérience agricole Exercise 10: Normalité analytique dans une expérience agricole

Vous approfondirez des techniques avancées de conception expérimentale, en mettant l'accent sur les plans factoriels, les plans en blocs aléatoires et l'ajustement pour covariables. Ces approches sont essentielles pour améliorer la précision, l'efficacité et l'interprétabilité des résultats. Grâce à un mélange d'aspects théoriques et d'applications pratiques, vous acquerrez les compétences nécessaires pour concevoir, mettre en œuvre et analyser des expériences complexes dans divers domaines de recherche.

Exercise 1: Plans factoriels : principes et applications Exercise 2: Comprendre l'efficacité d'une campagne marketing Exercise 3: Carte thermique des interactions de la campagne Exercise 4: Plans factoriels et plans en blocs aléatoires Exercise 5: Plan en blocs aléatoires : maîtriser la variance Exercise 6: Mettre en œuvre un plan en blocs aléatoires Exercise 7: Visualiser la productivité par bloc selon l'incitatif Exercise 8: ANOVA à l'intérieur des blocs d'employés Exercise 9: Ajustement des covariables dans la planification expérimentale Exercise 10: Importance des covariables Exercise 11: Ajustement par covariable avec la croissance des poussins

Maîtrisez des tests statistiques comme les tests t, l'ANOVA et le khi carré, puis approfondissez les analyses post hoc et les notions clés d'analyse de puissance. Apprenez à choisir le bon test, à interpréter les valeurs p et les erreurs, et à réaliser une analyse de puissance pour déterminer la taille d'échantillon et la taille d'effet, tout en tirant parti des puissantes bibliothèques Python pour donner vie à vos analyses.

Exercise 1: Choisir le bon test statistique Exercise 2: Choisir le bon test : pétrochimie

Exercice en cours

Exercise 3: Choisir le bon test : ressources humaines Exercise 4: Choisir le bon test : finances Exercise 5: Analyse post hoc après une ANOVA Exercise 6: ANOVA sur les traitements de l'anxiété Exercise 7: Appliquer le test HSD de Tukey Exercise 8: Appliquer la correction de Bonferroni Exercise 9: Valeurs p, alpha et erreurs Exercise 10: Analyse de la durabilité des jouets Exercise 11: Visualiser les écarts de durabilité Exercise 12: Rôle des seuils de signification Exercise 13: Analyse de puissance : taille d'échantillon et taille d'effet Exercise 14: Objectif de la taille d'effet Exercise 15: Estimer la taille d'échantillon requise pour l'étude sur l'énergie

Plongez dans les complexités de l'analyse de données expérimentales. Apprenez à synthétiser des constats avec pandas, à traiter des enjeux comme l'hétéroscédasticité avec scipy.stats, et à appliquer des tests non paramétriques comme celui de Mann-Whitney U. Découvrez d'autres techniques pour transformer, visualiser et interpréter des données complexes, afin de mener des analyses robustes dans divers contextes expérimentaux.

Exercise 1: Synthétiser des constats à partir d'expériences complexes Exercise 2: Visualiser le rendement d'approbation des prêts Exercise 3: Explorer la satisfaction de la clientèle Exercise 4: Communiquer efficacement des données expérimentales Exercise 5: Gérer les complexités dans les données expérimentales Exercise 6: Vérifier l'hétéroscédasticité de la durée de conservation Exercise 7: Explorer et transformer les données de durée de conservation Exercise 8: Appliquer des tests non paramétriques dans l'analyse expérimentale Exercise 9: Visualiser et tester les méthodes de conservation Exercise 10: Approfondir l'analyse des techniques de conservation des aliments Exercise 11: Félicitations !