Lequel était stratifié ?

Vous avez reçu deux DataFrame, df_1 et df_2. Vous pouvez les inspecter dans la console. Ils contiennent les colonnes 'salary', 'free_hours', et 'high_free_time' ainsi que deux colonnes supplémentaires : 'Block' est le bloc expérimental auquel ils ont été affectés, et 'T_C' est le traitement ou le contrôle auquel ils ont été affectés.

Quel DataFrame est stratifié par rapport à la colonne 'high_free_time'?

Cet exercice fait partie du cours

Conception expérimentale en Python

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Conception expérimentale en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

L'acquisition de connaissances en matière de conception expérimentale vous permet de tester des hypothèses à l'aide des meilleurs outils analytiques et de quantifier les risques liés à votre travail. Vous commencerez votre voyage en jetant les bases de ce qu'est un plan d'expérience et des différentes configurations de plan d'expérience telles que le blocage et la stratification. Vous apprendrez ensuite à appliquer des tests visuels et analytiques pour vérifier la normalité des données expérimentales.

Exercise 1: Mise en place d'expériences Exercise 2: Assignation non aléatoire des sujets Exercise 3: Assignation aléatoire des sujets Exercise 4: Configuration des données expérimentales Exercise 5: Blocage des données expérimentales Exercise 6: Stratification d'une expérience Exercise 7: Lequel était stratifié ?

Exercice en cours

Exercise 8: Données normales Exercise 9: Normalité visuelle dans une expérience agricole Exercise 10: Normalité analytique dans une expérience agricole

Vous vous plongerez dans des techniques sophistiquées de conception expérimentale, en vous concentrant sur les plans factoriels, les plans en blocs randomisés et les ajustements de covariables. Ces méthodologies permettent d'améliorer la précision, l'efficacité et l'interprétabilité des résultats expérimentaux. Grâce à une combinaison de connaissances 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 des campagnes de marketing Exercise 3: Carte thermique des interactions de la campagne Exercise 4: Plans factoriels et plans en blocs randomisés Exercise 5: Plan en blocs aléatoires : contrôle de la variance Exercise 6: Mise en œuvre d'un plan en blocs aléatoires Exercise 7: Visualisation de la productivité au sein des blocs par incitation Exercise 8: ANOVA à proximité des employés Exercise 9: Ajustement des covariables dans les plans d'expérience Exercise 10: Importance des covariables Exercise 11: Ajustement des covariables avec la croissance des poussins

Maîtrisez les tests statistiques tels que les tests t, ANOVA et Chi-Square, et plongez dans les analyses post-hoc et les éléments essentiels de l'analyse de puissance. Apprenez à sélectionner le bon test, à interpréter les valeurs p et les erreurs, et à mener habilement une analyse de puissance pour déterminer la taille des échantillons et des effets, tout en exploitant les puissantes bibliothèques de Python pour donner vie à vos observations sur les données.

Exercise 1: Choisir le bon test statistique Exercise 2: Choisir le bon test : pétrochimie Exercise 3: Choisir le bon test : ressources humaines Exercise 4: Choisir le bon test : finances Exercise 5: Analyse post-hoc après ANOVA Exercise 6: Traitements de l'anxiété ANOVA Exercise 7: En appliquant la méthode de Tukey HSD Exercise 8: Application de la correction de Bonferoni Exercise 9: Valeurs P, alpha et erreurs Exercise 10: Analyse de la durabilité des jouets Exercise 11: Visualiser les différences de durabilité Exercise 12: Rôle des niveaux de signification Exercise 13: Analyse de puissance : taille de l'échantillon et de l'effet Exercise 14: Taille de l'effet objectif Exercise 15: Estimation de la taille de l'échantillon nécessaire pour une étude sur l'énergie

Découvrez les complexités de l'analyse des données expérimentales. Apprenez à synthétiser des informations à l'aide de pandas, à traiter des problèmes de données tels que l'hétéroscédasticité avec scipy.stats, et à appliquer des tests non paramétriques tels que Mann-Whitney U. Apprenez des techniques supplémentaires pour transformer, visualiser et interpréter des données complexes, en améliorant votre capacité à mener des analyses robustes dans divers contextes expérimentaux.

Exercise 1: Synthèse des résultats d'expériences complexes Exercise 2: Visualiser le taux d'approbation des prêts Exercise 3: Explorer la satisfaction du client Exercise 4: Communiquer efficacement les données expérimentales Exercise 5: Aborder la complexité des données expérimentales Exercise 6: Contrôle de l'hétéroscédasticité de la durée de conservation Exercise 7: Explorer et transformer les données sur la durée de conservation Exercise 8: Application de tests non paramétriques à l'analyse expérimentale Exercise 9: Visualiser et tester les méthodes de conservation Exercise 10: Analyse plus approfondie des techniques de conservation des aliments Exercise 11: Félicitations!