Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Dans ce cours, vous apprendrez à utiliser des techniques statistiques pour effectuer des inférences et des estimations à partir de données numériques. Deux approches sont utilisées pour ces tâches courantes. La première s’appuie sur le bootstrapping et la permutation pour créer des tests et des intervalles de confiance fondés sur le rééchantillonnage. La seconde utilise des résultats théoriques et la loi de Student (t-distribution) pour parvenir au même objectif. Vous verrez quand et comment réaliser un test t, construire un intervalle de confiance et effectuer une ANOVA !
Prérequis
Programme de formation
Plan du cours
1
Bootstrapping pour estimer un paramètre
Dans ce chapitre, vous utiliserez des techniques de bootstrapping pour estimer un seul paramètre d’une distribution numérique.
- Bienvenue dans le cours !50 XP
- Générer une distribution bootstrap pour la médiane100 XP
- Revoir les méthodes du percentile et de l’erreur standard50 XP
- Calculer un intervalle bootstrap avec les deux méthodes100 XP
- Quelle méthode est la plus appropriée : percentiles ou écart-type ?50 XP
- Visites chez le médecin pendant la grossesse50 XP
- Nombre moyen de visites chez le médecin100 XP
- Écart type du nombre de visites chez le médecin100 XP
- Recentrer une distribution bootstrap50 XP
- Test pour la médiane du loyer des appartements 1 chambre à Manhattan100 XP
- Conclure le test d’hypothèse sur la médiane50 XP
- Test pour le poids moyen des bébés100 XP
2
Introduction à la loi de Student
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.
3
Inférence sur la différence entre deux paramètres
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.
4
Comparer plusieurs moyennes
Dans ce chapitre, vous utiliserez l’ANOVA (analyse de la variance) pour tester une différence de moyennes entre plusieurs groupes.
R
Inférence pour des données numériques en R
Cours
terminé
