CommencerCommencer gratuitement

Page d’accueil
Cours
Inférence pour des données numériques en R

Revoir les méthodes du percentile et de l’erreur standard

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

Inférence pour des données numériques en R

AvancéNiveau de compétence

4.9+

Commencer le cours gratuitement

Dans ce chapitre, vous utiliserez des techniques de bootstrapping pour estimer un seul paramètre d’une distribution numérique.

Exercise 1: Bienvenue dans le cours !Exercise 2: Générer une distribution bootstrap pour la médiane Exercise 3: Revoir les méthodes du percentile et de l’erreur standard

Exercice en cours

Exercise 4: Calculer un intervalle bootstrap avec les deux méthodes Exercise 5: Quelle méthode est la plus appropriée : percentiles ou écart-type ?Exercise 6: Visites chez le médecin pendant la grossesse Exercise 7: Nombre moyen de visites chez le médecin Exercise 8: Écart type du nombre de visites chez le médecin Exercise 9: Recentrer une distribution bootstrap Exercise 10: Test pour la médiane du loyer des appartements 1 chambre à Manhattan Exercise 11: Conclure le test d’hypothèse sur la médiane Exercise 12: Test pour le poids moyen des bébés

Dans ce chapitre, vous utiliserez des techniques fondées sur le théorème central limite pour estimer un seul paramètre d’une distribution numérique. Vous le ferez à l’aide de la loi de Student.

Exercise 1: loi t (t-distribution)Exercise 2: Quand utiliser la loi t ?Exercise 3: Probabilités sous la loi t Exercise 4: Seuils sous la loi de Student Exercise 5: Estimer une moyenne avec un intervalle t Exercise 6: Durée moyenne du trajet domicile-travail des Américains Exercise 7: Nombre moyen d’heures travaillées Exercise 8: Intervalle t pour des données appariées Exercise 9: Intervalle t à différents niveaux Exercise 10: Comprendre les intervalles de confiance Exercise 11: Tester une moyenne avec un test t Exercise 12: Estimer la différence médiane des prix des manuels Exercise 13: Test d’une différence des médianes des scores au test Exercise 14: Interpréter la p-valeur

Dans ce chapitre, vous étendrez ce que vous avez appris jusqu’ici pour utiliser à la fois des techniques de simulation et basées sur le TCL pour inférer la différence entre deux paramètres issus de deux distributions numériques indépendantes.

Exercise 1: Test d’hypothèse pour comparer deux moyennes Exercise 2: Évaluer l’efficacité d’un traitement par cellules souches Exercise 3: Évaluer l’efficacité d’un traitement par cellules souches (suite)Exercise 4: Conclusion du test d’hypothèse Exercise 5: Évaluer la relation entre le tabagisme pendant la grossesse et le poids de naissance Exercise 6: IC bootstrap pour la différence entre deux moyennes Exercise 7: Quantifier la relation entre le tabagisme pendant la grossesse et le poids de naissance Exercise 8: Médianes des durées de grossesse pour les mères fumeuses et non fumeuses Exercise 9: Comparer des moyennes avec un test t Exercise 10: Salaire horaire vs. statut de citoyenneté Exercise 11: Estimer la différence entre deux moyennes avec un intervalle t

Dans ce chapitre, vous utiliserez l’ANOVA (analyse de la variance) pour tester une différence de moyennes entre plusieurs groupes.

Exercise 1: Score de vocabulaire : variation entre les classes sociales (autodéclarées)Exercise 2: EDA : score de vocabulaire et classe sociale Exercise 3: Comparer visuellement plusieurs moyennes Exercise 4: ANOVA Exercise 5: ANOVA pour le score de vocabulaire vs. classe sociale (auto-déclarée)Exercise 6: Conditions pour l’ANOVA Exercise 7: Vérifier la condition de normalité Exercise 8: Vérifier l’hypothèse de variance constante Exercise 9: Tests post hoc Exercise 10: Calculer alpha*Exercise 11: Comparer des moyennes par paires Exercise 12: Félicitations !