CommencerCommencer gratuitement

Test d’hypothèse : ralentissent-ils ?

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

Cet exercice fait partie du cours

Études de cas en pensée statistique

Afficher le cours

Instructions

  • Calculez la corrélation de Pearson observée et stockez-la dans rho.
  • À l’aide de np.empty(), initialisez le tableau de 10 000 réplicats par permutation de la corrélation de Pearson, nommé 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 ce tableau mélangé et les temps moyens par fraction, 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 cet exemple de code.

# 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