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

Statistiques essentielles: Le test t

Dans cours

CS-411: Digital education

This course addresses the relationship between specific technological features and the learners' cognitive processes. It also covers the methods and results of empirical studies: do student actually learn due to technologies? In fall 2025, P. Dillenbourg w ...

Description

Cette séance de cours couvre le test t, une méthode statistique utilisée pour évaluer l'effet d'une variable catégorique sur un résultat quantitatif. Il comprend des sujets tels que l'illustration des ensembles de données, le calcul de la moyenne et de l'écart-type, les tests d'hypothèses, les hypothèses de normalité et de variance, et d'autres tests comme le test t de Welch et le test Wilcoxon-Mann-Whitney.

Enseignant·e·s (2)

Pierre Dillenbourg

Ancien instituteur primaire, Pierre Dillenbourg obtient un master en Sciences de lEducation (Université de Mons, Belgique). Dans son projet de master en 1986, il est l'un des premiers au monde à appliquer les méthodes de 'machine learning' à l'éducation, afin de développer un 'self-improving teaching system'. Ceci lui permettra de débuter une thèse de doctorat en informatique à l'Université de Lancaster (UK) dans le domaine des applications éducatives de lintelligence artificielle. Il a été Maître dEnseignement et de Recherche à lUniversité de Genève. Il rejoint l'EPFL en 2012, où Il fut le directeur du Centre de Recherche sur l'Apprentissage, la formation et ses technologies(CRAFT), puis académique du Centre pour l'Education à l'Ere Digitale (CEDE) qui met en oeuvre la stratégie MOOC de l'EPFL (plus de 2 millions d'inscriptions). Il est actuellement professeur ordinaire en technologies de formation aux sein de la faculté Informatique et Communications et dirige laboratoire d'ergonomie éducative (CHILI). Depuis 2006, il a aussi été le directeur de DUAL-T, la 'leading house' dédiée aux technologies pour les systèmes de formation professionnelle duale. Il a fondé plusieurs start-ups dans l'éducation et rejoint plusieurs conseils d'administration. En 2017, Il a créé avec des collègues le 'Swiss EdTech Collider', un incubateur qui rassemble 80 start-ups dans le domaine des technologies éducatives. En 2018, ils ont lancé LEARN, le centre EPFL pour les sciences de l'apprentissage, lequel regroupe les initiatives locales en innovation éducative. Pierre est un 'inaugural fellow of the International Society of Learning Sciences'. Il est actuellement le Vice-Président Associé pour l'Education à l'EPFL.

Patrick Jermann

After studies in Geneva (TECFA) and Pittsburgh (LRDC) I joined EPFL in 2003 to coordinate eLearning projects and conduct research in the field of Computer Supported Collaborative Learning (CSCL). Starting 2013 I am responsible for MOOCs production at the Center for Digital Education (CEDE).Former Associate Editor for the IEEE Transactions on Learning Technologies and former Member of the Editorial Board for the International Journal of Computer Supported Collaborative Learning (iJCSCL). Specialties: Interaction analysis, research methods, statistical methods, prototyping, software development, pedagogical design.

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Test statistique, Statistique mathématique

Concepts associés (32)

Test de Student

En statistique, un test de Student, ou test t, désigne n'importe quel test statistique paramétrique où la statistique de test calculée suit une loi de Student lorsque l’hypothèse nulle est vraie. gauche|vignette|Façade de la brasserie historique Guinness de St. James. vignette|William Sealy Gosset, qui inventa le test t, sous le pseudonyme Student. Le test de Student et la loi de probabilités qui lui correspond ont été publiés en 1908 dans la revue Biometrika par William Gosset.

Alternative hypothesis

In statistical hypothesis testing, the alternative hypothesis is one of the proposed proposition in the hypothesis test. In general the goal of hypothesis test is to demonstrate that in the given condition, there is sufficient evidence supporting the credibility of alternative hypothesis instead of the exclusive proposition in the test (null hypothesis). It is usually consistent with the research hypothesis because it is constructed from literature review, previous studies, etc.

Statistique de test

En statistique, une statistique de test - aussi appelée variable de décision - est une variable aléatoire construite à partir d'un échantillon statistique permettant de formuler une règle de décision pour un test statistique. Cette statistique n'est pas unique, ce qui permet de construire différentes règles de décision et de les comparer à l'aide de la notion de puissance statistique. Il est impératif de connaitre sa loi de probabilité lorsque l'hypothèse nulle est vraie. Sa loi sous l'hypothèse alternative est souvent inconnue.

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).

Test Z

En statistique, un test Z est un terme générique désignant tout test statistique dans lequel la statistique de test suit une loi normale sous l'hypothèse nulle. On considère un n-échantillon avec et un risque . Si l'on teste La statistique de test sous l'hypothèse nulle est : qui suit une loi normale Si , la réalisation de la statistique de test, est supérieur au quantile d'ordre de la loi alors on rejette l'hypothèse nulle. Si l'on teste Si est supérieur au quantile d'ordre de la loi alors on rejette l'hypothèse nulle.

Afficher plus

Séances de cours associées (42)

Tests d'hypothèse et intervalles de confiance: concepts clés

Fournit un aperçu des tests d'hypothèses et des intervalles de confiance dans les statistiques, y compris des exemples pratiques et des concepts clés.

Analyse de la variance (ANOVA)

Couvre l'analyse de la variance (ANOVA) pour évaluer les effets variables catégoriels sur les résultats quantitatifs.

Tests d'hypothèse et intervalles de confiance: un aperçu

Couvre les tests d'hypothèses, les intervalles de confiance et leurs applications dans les statistiques.

Statistiques et conception expérimentale

Explore la probabilité conditionnelle, les études de Framingham, la taille de l'effet, le test t et l'erreur d'échantillonnage dans les statistiques.

Comprendre les statistiques et le design expérimental

Fournit un aperçu de la théorie des probabilités de base, de l'ANOVA, des tests t, du théorème de limite centrale, des métriques, des intervalles de confiance et des tests non paramétriques.

Afficher plus

Concepts associés (32)

Test de Student

Alternative hypothesis