Tests d’hypothèses
Hypothèse nulle, valeur p, test t et test du khi carré avec scipy.stats.
Tests d’hypothèses est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Qu’est-ce qu’un test d’hypothèse ?
Un test d’hypothèse utilise des données pour déterminer si un effet observé est réel ou s’il est simplement dû au hasard. C’est ainsi que les spécialistes des données justifient des affirmations comme « le nouveau design a augmenté le nombre de clics ».
Hypothèse nulle et alternative
L’hypothèse nulle H0 affirme qu’il n’y a NO effet (la position par défaut, sceptique). L’alternative H1 affirme qu’il IS un effet. Nous cherchons à réunir des éléments contre H0.
La p-valeur
La p-valeur est la probabilité d’observer des données aussi extrêmes IF H0 était vraie. Une faible p-valeur signifie que les données sont surprenantes sous H0, et nous doutons donc de H0.
Niveau de signification
Nous comparons p à un seuil alpha (généralement 0,05). Si p < alpha, nous rejetons H0 ; sinon, nous ne pouvons pas le rejeter. alpha est le taux de faux positifs acceptable.
Ce que p NOT signifie PAS
La p-valeur n’est NOT la probabilité que H0 soit vraie, et n’est NOT la taille de l’effet. Une p minuscule avec un très grand échantillon peut refléter une différence insignifiante. Indiquez toujours aussi la taille de l’effet.
Test t à un échantillon
ttest_1samp vérifie si la mean d’un échantillon diffère d’une valeur connue, par exemple si le temps de réponse moyen diffère d’un objectif de 200 ms.
from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)Test t à deux échantillons
ttest_ind compare les mean de deux groupes INDEPENDENT, ce qui constitue l’analyse standard d’un test A/B.
control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p) # small p -> groups differInterpréter le résultat
Comparez la p-valeur à alpha et formulez une conclusion en langage courant. La signification statistique est une décision, pas une preuve de certitude.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Test du chi carré d’indépendance
chi2_contingency vérifie si deux variables CATEGORICAL sont associées, en utilisant un tableau de contingence des effectifs.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Erreurs de type I et de type II
Une erreur de type I (faux positif) rejette un H0 vrai ; son taux est alpha. Une erreur de type II (faux négatif) ne rejette pas un H0 faux ; son taux est beta. La puissance = 1 - beta est la probabilité de détecter un effet réel.
Compromis
Réduire alpha diminue les faux positifs, mais augmente le taux de faux négatifs (et diminue la puissance). Des échantillons plus grands réduisent les deux types d’erreur, raison pour laquelle il est important de planifier la taille de l’échantillon avant une expérience.
Vérification rapide
Testez vos connaissances sur les tests d’hypothèses.
Récapitulatif
Les notions essentielles des tests d’hypothèses :
- H0 (aucun effet) contre H1 (effet) ; réunir des éléments contre H0
- p-valeur = P(données aussi extrêmes | H0) ; rejeter si p < alpha
- p n’est NOT P(H0 vraie) et n’est NOT la taille de l’effet
ttest_1samp,ttest_ind,chi2_contingency- Type I (faux positif, taux alpha) contre Type II (faux négatif, taux beta) ; puissance = 1-beta
Questions Fréquemment Posées
La leçon « Tests d’hypothèses » est-elle gratuite ?
Oui — le texte complet de « Tests d’hypothèses » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Tests d’hypothèses » ?
Hypothèse nulle, valeur p, test t et test du khi carré avec scipy.stats. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Tests d’hypothèses » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Statistiques descriptives et distributions
- Probabilités et théorème de Bayes
- Tests d’hypothèses
- Corrélation et covariance