Faux Négatifs
Résultats qui manquent à détecter un effet qui est réellement présent.
Résultat d’un test statistique qui échoue à détecter un effet réel, en concluant à tort qu’il n’y a pas de différence significative entre deux variantes, alors qu’il y en a une. Dans le contexte du CRO et de l’A/B testing, un faux négatif peut conduire à rejeter une variation pourtant performante, simplement parce que le test manquait de puissance (ex. : échantillon trop petit, durée insuffisante, MDE trop faible).
Les faux négatifs sont souvent opposés aux faux positifs, qui eux indiquent à tort qu’un effet est significatif alors qu’il ne l’est pas. L’équilibre entre ces deux erreurs dépend des paramètres statistiques choisis (niveau de confiance, puissance), et doit être soigneusement calibré pour éviter des décisions erronées dans les tests d’optimisation.
Autres termes : Statistiques
Voir tout le glossaire- Approche Frequentist (A/B test)Une approche statistique qui estime les paramètres du modèle en se basant uniquement sur les données observées, sans utiliser d'informations a priori.Statistiques
- Bayesian (A/B test)Une approche statistique qui utilise la probabilité pour représenter l'incertitude sur les paramètres du modèle.Statistiques
- Confiance statistiqueNiveau de certitude que l'on a dans les résultats d'un test statistique.Statistiques
- Faux PositifsRésultats indiquant à tort qu'un effet est présent alors qu'il ne l'est pas.Statistiques
- Mann-Whitney U TestUn test non paramétrique utilisé pour comparer deux échantillons indépendants afin de déterminer s'ils proviennent de la même distribution.Statistiques
- MDE (Minimum Detectable Effect)La plus petite différence qui, si elle existe, peut être détectée de manière fiable dans un test statistique.Statistiques




