Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Problème de tests multiples

Dans cours

MATH-474: Statistics for genomic data analysis

After a short introduction to basic molecular biology and genomic technologies, this course covers the most useful statistical concepts and methods for the analysis of genomic data. ...

Description

Cette séance de cours couvre le problème des tests multiples dans l'analyse des données génomiques, en mettant l'accent sur les défis de tester simultanément plusieurs hypothèses nulles. Il traite des concepts d'erreurs de type I et de type II, ainsi que de diverses méthodes de contrôle des taux d'erreurs, telles que les procédures Bonferroni, Sidak et Holm. La séance de cours explore également l'importance des valeurs de p ajustées et le contrôle des taux de fausses découvertes. De plus, il se penche sur l'application de tests de permutation, d'avantages, de limitations et d'écueils dans les essais d'hypothèses, soulignant la nécessité d'interpréter soigneusement la signification statistique dans les études génomiques.

Enseignant·e

Darlene Goldstein

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Test statistique

Concepts associés (32)

False discovery rate

In statistics, the false discovery rate (FDR) is a method of conceptualizing the rate of type I errors in null hypothesis testing when conducting multiple comparisons. FDR-controlling procedures are designed to control the FDR, which is the expected proportion of "discoveries" (rejected null hypotheses) that are false (incorrect rejections of the null). Equivalently, the FDR is the expected ratio of the number of false positive classifications (false discoveries) to the total number of positive classifications (rejections of the null).

Test statistique

En statistiques, un test, ou test d'hypothèse, est une procédure de décision entre deux hypothèses. Il s'agit d'une démarche consistant à rejeter ou à ne pas rejeter une hypothèse statistique, appelée hypothèse nulle, en fonction d'un échantillon de données. Il s'agit de statistique inférentielle : à partir de calculs réalisés sur des données observées, on émet des conclusions sur la population, en leur rattachant des risques d'être erronées. Hypothèse nulle L'hypothèse nulle notée H est celle que l'on considère vraie a priori.

Family-wise error rate

In statistics, family-wise error rate (FWER) is the probability of making one or more false discoveries, or type I errors when performing multiple hypotheses tests. John Tukey developed in 1953 the concept of a familywise error rate as the probability of making a Type I error among a specified group, or "family," of tests. Ryan (1959) proposed the related concept of an experimentwise error rate, which is the probability of making a Type I error in a given experiment.

Multiple comparisons problem

In statistics, the multiple comparisons, multiplicity or multiple testing problem occurs when one considers a set of statistical inferences simultaneously or infers a subset of parameters selected based on the observed values. The more inferences are made, the more likely erroneous inferences become. Several statistical techniques have been developed to address that problem, typically by requiring a stricter significance threshold for individual comparisons, so as to compensate for the number of inferences being made.

Hypothèse nulle

En statistiques et en économétrie, l'hypothèse nulle (symbole international : ) est une hypothèse postulant l'égalité entre des paramètres statistiques (généralement, la moyenne ou la variance) de deux échantillons dont elle fait l’hypothèse qu'ils sont pris sur des populations équivalentes. Elle est toujours testée contre une hypothèse alternative qui postule soit la différence des données (test bilatéral), soit une inégalité (plus petit que ou plus grand que) entre les données (test unilatéral).

Afficher plus

Séances de cours associées (42)

Essais d'hypothèse en statistique

Déplacez-vous dans les tests d'hypothèses, couvrant les statistiques d'essais, les régions critiques, les fonctions de puissance, les valeurs p, les tests multiples et les statistiques non paramétriques.

Comprendre les statistiques et le design expérimental

Explore les tests t, les intervalles de confiance, l'ANOVA et les tests d'hypothèse dans les statistiques, en soulignant l'importance d'éviter les fausses découvertes et de comprendre la logique derrière les tests statistiques.

GLM: Essai d'hypothèse statistique

Explore les tests d'hypothèses statistiques, les types d'erreurs, le seuil et les comparaisons multiples dans GLM.

Essais d'hypothèses : état de la nature

Explore les tests d'hypothèse, en soulignant l'état de la nature et l'importance de choisir le test le plus puissant.

Essais d'hypothèse en statistique

Examine les tests d'hypothèse dans les statistiques, en mettant l'accent sur la prise de décision basée sur des données d'échantillon et le contrôle des probabilités d'erreurs.

Afficher plus

Concepts associés (32)

False discovery rate

Test statistique

Family-wise error rate

Multiple comparisons problem

Hypothèse nulle

Afficher plus