Calculer la taille de l'échantillon

Terminons notre exploration des tests statistiques en réalisant une analyse de puissance afin d'estimer la taille d'échantillon requise. Une analyse de puissance comporte quatre éléments clés :

Taille d'échantillon
Taille d'effet
Effet minimal
Puissance

Dans cet exercice, vous travaillez avec un site Web et vous voulez tester une différence du taux de conversion. Avant de lancer l'expérience, vous devez déterminer combien d'observations il vous faut par variante, avec une signification de 5 % et une puissance de 95 %.

Cette activité fait partie du cours

S'exercer aux questions d'entrevue en statistiques avec Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Standardize the effect size
from statsmodels.stats.proportion import proportion_effectsize
std_effect = ____

Modifier et exécuter le code

Cette activité fait partie du cours

S'exercer aux questions d'entrevue en statistiques avec Python

SkillTag.level.advancedSkillTag.label

4.8+

88 reviews

Commencer le cours gratuitement

Ce chapitre lance le cours en passant en revue les probabilités conditionnelles, le théorème de Bayes et le théorème central limite. En cours de route, vous apprendrez à aborder des questions faisant appel aux distributions de probabilité les plus courantes.

Exercise 1: Probabilités conditionnelles Exercise 2: Formuler les problèmes Exercise 3: Application du théorème de Bayes Exercise 4: Théorème central limite Exercise 5: Échantillons d'un lancer de dé Exercise 6: Simuler le théorème central limite Exercise 7: Lois de probabilité Exercise 8: Loi de Bernoulli Exercise 9: Loi binomiale Exercise 10: Loi normale

Dans ce chapitre, vous vous préparerez aux notions statistiques liées à l'analyse exploratoire des données. Les sujets comprennent les statistiques descriptives, la gestion des variables catégorielles et les relations entre variables. Les exercices vous prépareront à une évaluation analytique ou à une question de codage axée sur les statistiques.

Exercise 1: Statistiques descriptives Exercise 2: Moyenne ou médiane Exercise 3: Calculer l'écart type à la main Exercise 4: Données catégorielles Exercise 5: Techniques d'encodage Exercise 6: Explorer les prix des portables Exercise 7: Deux variables ou plus Exercise 8: Types de relations Exercise 9: Corrélation de Pearson Exercise 10: Sensibilité aux valeurs aberrantes

Préparez-vous à approfondir des notions cruciales sur les expériences et les tests en revoyant les intervalles de confiance, les tests d'hypothèses, les tests multiples, ainsi que le rôle de la puissance et de la taille d'échantillon. Nous aborderons aussi les types d'erreurs et leur signification en pratique.

Exercise 1: Intervalles de confiance Exercise 2: Intervalle de confiance à la main Exercise 3: Appliquer les intervalles de confiance Exercise 4: Vérification d'hypothèses Exercise 5: Test z unilatéral Exercise 6: Test t bilatéral Exercise 7: Puissance et taille de l'échantillon Exercise 8: Effet sur l'erreur de type II Exercise 9: Calculer la taille de l'échantillon

Exercice en cours

Exercise 10: Visualiser la relation Exercise 11: Tests multiples Exercise 12: Calcul des taux d'erreur Exercise 13: Correction de Bonferroni

Pour conclure, nous traiterons de notions étroitement liées aux modèles de régression et de classification. Le chapitre commence par un survol des algorithmes fondamentaux de Machine Learning et enchaîne rapidement avec l'évaluation de modèles, la gestion de cas particuliers et le compromis biais-variance.

Exercise 1: Modèles de régression Exercise 2: Régression linéaire Exercise 3: Régression logistique Exercise 4: Évaluer les modèles Exercise 5: Évaluation de la régression Exercise 6: Évaluation de la classification Exercise 7: Données manquantes et valeurs aberrantes Exercise 8: Gérer les valeurs nulles Exercise 9: Repérer les valeurs aberrantes Exercise 10: Compromis biais-variance Exercise 11: Erreur de test et d'entraînement Exercise 12: Visualiser le compromis Exercise 13: En conclusion