Accéder au contenu principal

Cours

L’échantillonnage en Python

IntermédiaireNiveau de compétence

Actualisé 01/2025

Apprenez à tirer des conclusions de données limitées avec Python et les statistiques, incluant l’échantillonnage aléatoire, stratifié et en grappes.

Commencer le cours gratuitement

PythonProbability & Statistics

4 h

15 vidéos

51 Exercices

4,000 XP

54,008

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

L’échantillonnage en Python est la pierre angulaire des statistiques d’inférence et des tests d’hypothèse. Il s’agit d’une compétence puissante utilisée dans l’analyse d’enquêtes et la conception d’expériences pour tirer des conclusions sans interroger l’ensemble de la population. Dans ce cours sur l’échantillonnage en Python, vous découvrirez quand utiliser l’échantillonnage et comment effectuer les types d’échantillonnage courants, de l’échantillonnage aléatoire simple à des méthodes plus complexes comme l’échantillonnage stratifié et l’échantillonnage en grappes. À l’aide d’ensembles de données réels, tels que les scores de café, les chansons Spotify et l’attrition des employés, vous apprendrez à estimer les statistiques de la population et à quantifier l’incertitude de vos estimations en générant des distributions d’échantillonnage et des distributions Bootstrap.

Prérequis

Introduction to Statistics in Python

1

Introduction à l’échantillonnage

Découvrez ce qu’est l’échantillonnage et pourquoi il est si puissant. Vous découvrirez également les problèmes posés par l’échantillonnage de commodité et les différences entre l’aléatoire vrai et le pseudo-aléatoire.

Échantillonnage et estimations ponctuelles

Raisons pour l’échantillonnage

Échantillonnage simple avec pandas

Echantillonnage et calcul simples avec NumPy

Échantillonnage de commodité

Les résultats de l’échantillon sont-ils généralisables ?

Ces résultats sont-ils généralisables ?

Génération de nombres pseudo-aléatoires

Générer des nombres aléatoires

Comprendre les graines aléatoires

Commencer le chapitre

2

Méthodes d’échantillonnage

Il est temps de passer à la pratique et d’exécuter les quatre méthodes d’échantillonnage aléatoire en Python : simple, systématique, stratifié et en grappes.

Échantillonnage aléatoire simple et systématique

Échantillonnage aléatoire simple

Échantillonnage systématique

L’échantillonnage systématique convient-il ?

Échantillonnage stratifié et aléatoire pondéré

Quelle méthode d’échantillonnage ?

Échantillonnage stratifié proportionnel

Échantillonnage stratifié à dénombrements égaux

Échantillonnage pondéré

Échantillonnage en grappes

Avantages de l’échantillonnage en grappes

Réalisation d’un échantillonnage en grappes

Comparaison des méthodes d’échantillonnage

Trois types d’échantillonnage

Comparaison des estimations ponctuelles

Commencer le chapitre

3

Distributions d’échantillonnage

Testons votre échantillonnage. Dans ce chapitre, vous découvrirez comment quantifier la précision des statistiques d’un échantillon à l’aide des erreurs relatives et comment mesurer la variation de vos estimations en générant des distributions d’échantillonnage.

Erreur relative des estimations ponctuelles

Calcul des erreurs relatives

Relation entre l’erreur relative et la taille de l’échantillon

Création d’une distribution d’échantillonnage

Réplication d’échantillons

Paramètres de réplication

Distributions d’échantillonnage approximatives

Distribution d’échantillonnage exacte

Générer une distribution d’échantillonnage approximative

Exacte ou approximative

Erreurs standard et théorème de la limite centrale

Moyennes de la population et de la distribution de l’échantillonnage

Variation de la population et de la distribution d’échantillonnage

Commencer le chapitre

4

Distributions Bootstrap

Vous vous familiariserez avec le rééchantillonnage pour effectuer une distribution Bootstrap et estimer la variation dans une population inconnue. Vous apprendrez la différence entre les distributions d’échantillonnage et les distributions Bootstrap en utilisant le rééchantillonnage.

Introduction à la distribution Bootstrap

Principes du Bootstrap

Avec ou sans remplacement ?

Générer une distribution Bootstrap

Comparaison des distributions d’échantillonnage et Bootstrap

Statistiques Bootstrap et statistiques de la population

Distribution d’échantillonnage ou distribution Bootstrap

Comparaison des moyennes d’échantillonnage et Bootstrap

Comparez les écarts-types d’échantillonnage et Bootstrap

Intervalles de confiance

Interprétation des intervalles de confiance

Calcul des intervalles de confiance

Félicitations !

Commencer le chapitre

L’échantillonnage en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez L’échantillonnage en Python dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.