Analyse inférentielle
L’analyse inférentielle permet d’aller au-delà de l’observation brute des données. Elle fournit un cadre mathématique pour valider des hypothèses, modéliser des phénomènes et quantifier l’incertitude. En d’autres termes, c’est grâce à elle qu’on peut affirmer si un résultat est significatif ou simplement dû au hasard.
Ce chapitre vous introduit aux fondements de la statistique appliquée à la donnée, en partant des bases (comme les tests d’hypothèses) jusqu’aux modèles probabilistes plus avancés. L’objectif est d’acquérir une boîte à outils fiable pour interpréter vos analyses avec rigueur.
Ce que vous allez apprendre dans ce chapitre :
Introduction à l’analyse inférentielle
- Comprendre la différence entre statistiques descriptives et inférentielles et leur rôle dans un projet data
Tests d’hypothèses
- Hypothèse nulle et hypothèse alternative : Comprenez les concepts d’hypothèse nulle (H₀) et d’hypothèse alternative (H₁) et leur rôle dans les tests statistiques.
- Types d’erreurs (Erreur de type I et type II) : Apprenez à différencier les erreurs de type I (faux positifs) et de type II (faux négatifs) lors des tests d’hypothèses.
- Niveau de signification (alpha) : Découvrez ce qu’est le niveau de signification (α) et son importance dans la détermination de la probabilité d’une erreur de type I.
Tests de comparaison de moyennes
- Test t de Student : Apprenez à utiliser le test t de Student pour comparer les moyennes de deux échantillons indépendants ou appariés.
- Test de Mann-Whitney : Découvrez le test de Mann-Whitney pour comparer les distributions de deux groupes indépendants lorsque les conditions du test t ne sont pas remplies.
Tests de variance
Intervalles de confiance et p-values
- Savoir estimer une statistique d’intérêt et interpréter la signification statistique de vos résultats.
Test de corrélation et régression
- Test de Pearson : Apprenez à utiliser le test de Pearson pour mesurer la force et la direction de la relation linéaire entre deux variables continues.
- Test de Spearman : Découvrez le test de Spearman pour évaluer la corrélation entre deux variables ordinales ou non linéaires.
- Régression linéaire simple et multiple : Maîtrisez les techniques de régression linéaire pour modéliser la relation entre une variable dépendante et une ou plusieurs variables indépendantes.
- Régression logistique : Comprenez la régression logistique pour prédire des résultats binaires en fonction de variables indépendantes.
💡 Astuce :
La statistique, c’est l’art de tirer des conclusions solides à partir de l’incertitude !