La confiance et l'importance: Concepts clés de la statistique inférentielle

Dimension: px
Commencer à balayer dès la page:

Download "La confiance et l'importance: Concepts clés de la statistique inférentielle"

Transcription

1 La confiance et l'importance: Concepts clés de la statistique inférentielle février 2009 University of Reading Statistical Services Centre Biometrics Advisory and Support Service to DFID

2 Contents 1.Introduction L'application d'idées Estimation Les erreurs-types Les intervalles de confiance Hypothèse d'essai Un exemple simple comprendre la signification ,3 idées générales Structure Reconnaissant Taille de l'échantillon nécessaire, Des méthodes non paramétriques L'analyse de variance Introduction One-Way ANOVA Tests de comparaisons multiples Un cadre général... 21

3 1.Introduction Dans ce guide, nous passons en revue les concepts de base de l'estimation et l'hypothèse ou l'importance, les essais. Notre objectif est de discuter les idées clés de l'inférence statistique d'une façon qui est facile à comprendre. Ces idées sont souvent mal compris et ce manque de compréhension contribue à la méfiance par certains membres du personnel de l'ole r des statistiques dans leur travail.vous pouvez utiliser les trois questions suivantes pour décider si vous avez besoin d'en lire davantage. 1. L'écart-type et l'erreur-type sont à la fois utilisé pour résumer la propagation des données 1. L'intervalle de confiance à 95% pour la moyenne est l'intervalle qui couvre environ 95% des observations. 1. Si la différence entre les effets de deux pratiques de gestion agricole n'est pas statistiquement significative, la conclusion est qu'il n'y a aucune différence entre eux. Vraie Faux Je ne sais pas Si vous avez répondu faux confiance aux trois questions ci-dessus vous pouvez avoir besoin de peu de lire ce guide.question 1 est discuté à la section 3, Question 2 de la section 4 et la question 3 dans les sections 5 et 6. Par souci de simplicité, nous utilisons des "petits problèmes artificiellement" pour illustrer les idées.les articles 2 à 5 de couvrir les idées de base de l'estimation, à savoir les erreurs-types, intervalles de confiance, et les procédures de tests d'hypothèses. Les idées sont appliquées dans les sections suivantes. Nous donnons également notre point de vue sur le rôle des méthodes non-paramétriques et l'implication de l'exécution de nombreux essais sur l'interprétation de p-valeurs.ces deux questions parfois dévier des cours de formation et des discussions sur d'autres sujets, en raison des opinions bien arrêtées. Le concept général de la modélisation statistique est introduit dans la dernière section de ce guide.ceci fournit un lien vers d'autres guides sur l'analyse, et en particulier à l'un appelé les méthodes modernes d'analyse.

4 2.L'application d'idées Estimation Estimation des caractéristiques d'une population d'intérêt, à partir d'un échantillon est un objectif fondamental des travaux statistiques, si l'activité est une étude observationnelle ou de surveillance, une enquête ou d'une expérience. Estimation ponctuelle survient quand une quantité, calculée à partir de l'échantillon, est utilisé pour estimer la valeur de la population. Les estimations de l'échantillon de la population moyenne ( ) Et l'écart type ( ) Sont le plus souvent considérée comme la moyenne de l'échantillon, x, Et l'écart-type de l'échantillon, s, où x x/ n 2 et s x x / n 1 respectivement. Par exemple, considérons l'estimation de la production moyenne de maïs par les agriculteurs entre (la population de) petits agriculteurs dans une région sélectionnée agro-écologiques. Pour ce faire, supposons un échantillon de 25 agriculteurs choisis au hasard et leurs rendements du maïs sont enregistrées. La moyenne des 25 résultant rendements sont calculés, donnant dire 278 kg / ha. Cette valeur est alors considérée comme l'estimation de la production de maïs en moyenne par agriculteur dans la région sélectionnée. Elle estime ce que l'on attendrait d'une exploitation agricole individuelle.de même, l'écart type d'échantillon est une estimation du montant de la variabilité dans les rendements de ferme en ferme. D'autres estimations de la moyenne de population sont possibles. Par exemple, dans de nombreuses enquêtes les observations ne sont pas échantillonnés avec une probabilité égale. Dans ce cas, une moyenne pondérée xˆ wx / wpourraient être utilisés, au lieu de x, Avec des poids, w, qui compensent les probabilités inégales. Proportions peut également être estimée, par exemple on peut souhaiter pour estimer la proportion des années où les pluies commencent avant mai ou la proportion de familles qui possèdent leurs propres terres, ou la proportion de répondants qui indiquent un soutien pour la co-gestion de la communauté zones forestières au cours d'une entrevue semi-structurée.alors p = m / n, peut être utilisé comme l'estimation, où m est le nombre de personnes qui présentent une réponse positive de la n qui ont été interrogés.par exemple, si m = 30, de n = 150 entretiens, puis d'estimer la proportion que p = 30/150 = 0,2, ou 20% Comme point de cette estimation est la même que la mesure, x, où x = 1 si une cogestion a été pris en charge et à zéro autrement.l'estimation, p est alors la même x, Donné plus tôt, malgré les «données» à l'origine étant "non-numérique".une grande partie du matériel qualitatif peut être codée de cette façon.

5 S'il ya une question contingente, un suivi seulement pour ceux qui «qualifier» en soutenant la co-gestion, nous pourrions trouver, par exemple, k = 12 des = 30 m qui sont prêts à jouer un rôle actif dans la coopération -la gestion des réserves forestières.arithmétique, r = k / m = 12/30 = 0,4 a la forme d'une proportion, mais il est en fait le rapport de deux quantités qui peuvent à la fois changer si un autre échantillon de taille n est pris de la même manière de la même population.si la question de suivi est important, il est important que l'échantillon original est assez grand pour qu'il existe un nombre suffisant de répondants qui se qualifient (ici il y avait 30) pour la précision requise de l'étude. Parfois, notre objectif principal est de ne pas estimer la moyenne. Par exemple, en recommandant une nouvelle variété de maïs aux agriculteurs, nous souhaitera peutêtre veiller à ce que cela donne un meilleur rendement, par rapport à la variété existante pendant au moins 90% des agriculteurs. Une façon de procéder est d'abord pour calculer la différence de rendement pour chaque agriculteur. Si, de l'expérience, ou à partir de notre échantillon, nous pouvons accepter un modèle normal, c'est à dire que la population des différences de rendement a approximativement une distribution normale, alors le point de pourcentage requis se trouve (à partir de tableaux statistiques standard) à 1.28, Où est la différence moyenne et est l'écart type des différences. Dans ce cas, les estimations de et sont encore utilisés pour estimer le point de pourcentage requis, ou tout autre bien.en général, les inconnus) les quantités ( et sont appelés les paramètres du modèle.si un modèle de probabilité différente est supposé pour la distribution des rendements, les paramètres différents qui serait estimé. Les formules de changer, mais les idées restent les mêmes. Si, dans l'exemple ci-dessus, nous n'étions pas préparés à assumer toute la distribution, l'analyse pourrait encore procéder par simple commande les différences de rendements pour chaque agriculteur et de trouver la valeur dépassée par 90% des agriculteurs. Il s'agit d'une solution non-paramétrique à ce problème et nous revenons à cette approche dans la section 7. En règle générale, cette approche exige des observations plus qu'un "paramétrique" ou "basé sur un modèle" approche, telle que celle dans les paragraphes précédents. Pour référence ultérieure nous expliquer le terme degrés de liberté.c'est à peu près "des éléments d'information". Par exemple, avec l'échantillon de 25 agriculteurs, a discuté plus tôt, il ya 25 pièces de l'information. Dans toute étude, il est généralement important d'avoir de suffisamment d'informations restantes pour estimer la propagation (résiduelle) de la population. Dans cet exemple simple de la propagation

6 est estimé par s, et dans la formule, nous avons divisé par (n -1).C'est parce que la propagation est mesurée sur la moyenne de l'échantillon, x.la moyenne de l'échantillon est l'une des 25 pièces de l'information, il ya donc n -1 ou 24 degrés de liberté qui est laissée pour estimer la variabilité. 3.Les erreurs-types Quand quelque chose est estimé, il est important de donner une mesure de précision de l'estimation. La mesure de la précision d'une estimation est appelée l'erreur-type de l'estimation.la plus petite erreur-type, plus grande est la précision de l'estimation de l'échantillon. Ainsi une petite erreur standard indique que l'estimation est assez proche de la quantité de population, il est l'estimation. A titre d'exemple, supposons un échantillon aléatoire de 12 agriculteurs (n = 12) est sélectionné et leurs rendements du maïs à l'hectare est mesurée, nous pourrions trouver x = 1,5 tonnes / ha et s = 0,6 tonnes.ensuite, l'estimation de est donnée par x = 1,5 tonnes et son erreur standard (SE) est donnée par la formule se = s / n Ö. Dans ce cas, il est de 0,6 / 12 = 0,17 tonnes / ha. La formule ci-dessus montre que les estimations précises sont soit parce que les données ont une variabilité de petite taille (c.-à-s est faible) ou parce que nous avons un grand échantillon, (ie n est grand). Par exemple, si, au lieu un plus grand échantillon de 108 agriculteurs ont donné lieu à la moyenne et l'écart type même, l'erreur type de la moyenne aurait été de 0,6 / 108 = 0,058.De même, si les rendements ont été moins variable à s = 0,2 tonnes / ha, puis avec 12 agriculteurs, la SE aurait été de 0,2 / 12 = 0,058. Souvent, les différences entre les moyens (par exemple les différences de rendement moyen) sont d'intérêt, plutôt que des moyens eux-mêmes. Dans des situations simples - où il ya égalité de réplication des traitements et n répétitions par traitement - l'erreurtype de la différence entre deux moyennes est s.e.d. s 2/ n soit environ un an et une fois et demie l'erreur-type de chaque individu moyen. Les formules de l'erreur-type d'une proportion ou un rapport qui ont été examinées à la section 2 sont plus compliquées, mais le point sur la précision étant liés à la taille de l'échantillon et la variabilité des données est générale. Lorsque la conception de l'étude est complexe, les erreurs types ne peuvent pas être facilement calculée en "main" et le

7 logiciel approprié est utilisé pour obtenir les erreurs types pour les estimations d'intérêt tels que les différences de traitement. Dans cette section, nous avons mentionné à plusieurs reprises que les données sont un échantillon aléatoire de la population.la raison pour laquelle le hasard est important, c'est que cela fait partie de la logique des formules d'erreur standard. Cette logique est que, parce que notre échantillon a été prélevé au hasard, il est l'un des nombreux qui ont pu être obtenus. Typiquement, chaque échantillon ont donné une moyenne différente, ou en général une estimation différente. L'erreur-type mesure la dispersion des valeurs de l'estimation pour les différents échantillons aléatoires. L'idée de l'erreur-type mesure la précision peut aider les scientifiques à planifier un exercice de collecte de données. Dans toute étude, est la, ou résiduelles, la variation inexpliquée dans les données, et une étude efficace est celle qui tente d'expliquer le plus de variation possible.en reprenant l'exemple ci-dessus, les agriculteurs peuvent utiliser trois systèmes de production différents, donnant ainsi deux composantes de variation. Il existe des différences entre les systèmes de production et il ya des variations entre les agriculteurs au sein d'un système de production. Supposons que la variation globale des rendements, en ignorant les différents systèmes de production, on estime que s = 0,6 tonnes / h alors que le système de l'intérieur de la variabilité de la production est s = 0,2 tonnes / ha.une nouvelle enquête pour estimer la production de maïs moyenne peut soit ignorer le fait qu'il existe différents systèmes de production et de prendre un échantillon aléatoire simple de l'ensemble de la population, ou pourrait-il prendre en compte et mener une étude stratifiée. La formule d'erreur standard montre que, dans ce cas, les agriculteurs sont neuf fois plus nécessaires dans l'échantillon aléatoire simple, par rapport à l'étude stratifiée, pour obtenir à peu près la même précision. Le guide sur la présentation informative des tableaux, graphiques et statistiques décrit comment l'erreur-type est utilisé dans la communication des résultats.la section suivante de ce guide, qui se trouve sur les intervalles de confiance, montre comment l'erreur-type est utilisé pour décrire la précision. La largeur d'un intervalle de confiance est souvent une simple m ultiples de l'erreur-type.

8 4.Les intervalles de confiance L'intervalle de confiance fournit une gamme qui est très probable (souvent 95% ou 99%) pour contenir la quantité réelle de la population, ou un paramètre qui est estimée. Plus l'intervalle, le plus instructif est le résultat. Il est généralement calculé en utilisant l'estimation (voir section 2) et son erreur-type (voir Section 3). Lors de l'échantillonnage d'une population normale, un intervalle de confiance pour la moyenne peut être écrite comme x ± t s.e.( x ) t où n 1 est le point de pourcentage approprié de la distribution t avec (n -1) degrés de liberté.(voir section 2 pour une brève explication de degrés de liberté) L'intervalle de confiance de 95% est couramment utilisé, pour lesquels les valeurs de t sont respectivement de 2,2, 2,1 et 2,0 pour les 10, 20 et 30 degrés de liberté.donc, l'intervalle de confiance de 95% pour la moyenne est habituellement à peu près: x 2 s.e.( x) L'exemple de la section 3 concernant 12 agriculteurs ont x = 1,5 tonnes avec soi0,2 L'intervalle de confiance à 95% pour est donc d'environ 1,16 à 1,84 tonnes / ha, et ainsi nous pouvons dire que cette gamme est susceptible de contenir la population moyenne du rendement du maïs.(l'intervalle exact à 95%, que l'on peut obtenir à partir d'un logiciel statistique, est de 1,12 à 1,88 tonnes / ha.) Plus généralement, pour presque n'importe quelle estimation, qu'il s'agisse d'un moyen, ou quelque autre caractéristique, et de presque n'importe quelle distribution de la population, l'intervalle de confiance de 95% est à peu près estimate ±2 s.e.(estimate) Il est donc utile que le logiciel fournit régulièrement des statistiques de l'erreur-type des estimations. Avec l'exemple de la section 2 de p = 30/150 = 0,2, ou 20% des 150 agriculteurs l'erreur-type est d'environ 0,03, soit 3%, résultant dans un intervalle de confiance d'environ 0,14 à 0,26, ou 14% à 26%. Note ce un intervalle de confiance est et n'est pas. Un intervalle de confiance de 95% ne contient pas 95% des données de l'échantillon qui a généré, très approximativement l'intervalle x 2 s le ferait.cela est parfois appelé une prédiction, ou intervalle de tolérance. Dans les exemples de 12 ou de 108 agriculteurs au-dessus, avec x = 1,5 tonnes et s = 0,6 tonnes, cet intervalle est de 0,3 à 2,7 tonnes / ha et dit que la plupart des agriculteurs ont des rendements dans cette gamme.

9 Les utilisateurs confondent souvent l'intervalle de confiance pour la moyenne avec un intervalle contenant la plupart des données parce que les objectifs de l'étude sont souvent liés à d'autres paramètres que la moyenne. Cela a été examiné brièvement dans la section 2. Dans l'exemple ci-dessus, l'intervalle de confiance de 95% pour la moyenne est de 1,12 à 1,88 tonnes à l'échantillon de 12 agriculteurs.avec plus de données, cet intervalle serait plus étroit comme on le voit par rapport à l'intervalle de confiance pour un échantillon de 108 agriculteurs, où les mêmes calculs que ci-dessus donnent un intervalle de 95% pour la moyenne de l'ordre de 1,4 à 1,6 tonnes. Lorsque les hypothèses sur les données peuvent ne pas être tout à fait raison, les scientifiques peuvent estimer qu'ils doivent abandonner l'intervalle de confiance ordinaires et utiliser une procédure tout à fait différent. Habituellement, il est plus constructif au lieu de procéder en utilisant la méthode habituelle, mais en notant que la couverture réelle de l'intervalle de confiance "95%" peut ne pas être exactement de 95%. Pour la plupart des cas, le chiffre de 95% est utilisé pour fournir une mesure conventionnelle de l'incertitude sur une estimation, plutôt que la base de la prise de décision. La communication de l'ampleur approximative de l'incertitude est généralement plus importante que la valeur exacte. 5.Hypothèse d'essai 5.1 Un exemple simple Pour de bonnes raisons, de nombreux utilisateurs des tests d'hypothèses difficiles, il ya un éventail d'idées assez complexes. Nous commençons par un exemple simple. Un chercheur facilite une ferme procès pour étudier l'effet de l'utilisation de Tephrosia comme engrais vert pour restauration de la fertilité.elle revendique l'utilisation du fumier va accroître les rendements de pois d'angole, le poids des gousses dire. Dans le procès pois d'angole sont cultivées avec et sans le Tephrosia dans deux parcelles sur chacun des petits exploitants huit champs et les valeurs enregistrées sont les différences dans les rendements. Nous vérifier la justesse de cette revendication. Dans ce cas, l '«hypothèse nulle» est généralement que la moyenne réelle augmentation, = 0.Par la «vraie» augmentation moyenne, on entend l'augmentation de la population des agriculteurs dont les huit sont supposées être un échantillon aléatoire. L'hypothèse alternative est généralement que l'augmentation moyenne réelle est différente de zéro.

10 L'hypothèse nulle est souvent donnée, comme ici, de manière très explicite, avec l'hypothèse alternative étant vague. Ceci pour deux raisons: (I) (II) tests statistiques standard de calculer la probabilité d'obtenir un échantillon aussi extrême que celui observé, en supposant que l'hypothèse nulle est vraie - ce calcul doit être fait en utilisant des valeurs explicites pour le paramètre (s) de la distribution hypothèse nulle; Les tests d'hypothèse adopte la même présomption légale d'innocence jusqu'à preuve du contraire ".C'est que l'hypothèse nulle que = 0 doit être conservé, à moins que les valeurs données sont en contradiction avec elle. Les manuels scolaires font souvent la distinction entre une face et double face tests. Dans cet exemple, on pourrait considérer le test de l'hypothèse nulle, que = 0, contre la face alternative qui > 0, sur l'hypothèse qu'il n'y a aucune raison logique que le fumier de réduire les rendements.habituellement, un test unilatéral moitiés simplement le niveau de signification, si ce qui était significatif à 4% avec un test bilatéral, devient significative à 2% avec une solution de rechange à sens unique. Comme on le verra ci-dessous, nous ne tenons pas pour les lecteurs de devenir trop attaché à un niveau de signification particulière, afin de réduire de moitié la valeur n'est pas assez importante pour les utilisateurs à passer beaucoup de temps sur cette idée. tests sur une seule face sont aussi rarement trouvés dans des situations réalistes, telles que celles introduites plus tard dans ce guide. Exemple 1 : Supposons que dans l'illustration ci-dessus, les différences de poids des gousses (en kg) entre les «traités» et «non traitée" parcelles ont été comme suit. 3,0 3,6 5,4 0,4 0,8 4,2 4,8 3,2 Une analyse informatique de ces données pourrait ressembler: Test of mu = 0 vs mu not = 0 Variable N Mean StDev SE Mean podweight Variable 95.0% CI T P podweight ( 0.959, 4.791)

11 Le t-test utilisées pour étudier les hypothèses suit la formule générale: (Estimation - valeur de l'hypothèse) / SE (estimation) Ici l'intérêt est la différence moyenne du poids des gousses, de sorte que la statistique de test est: 0 /s.e. t x x soit (2,87-0) / 0,81 = 3,55 t Par comparaison avec les 7 distribution, une valeur aussi extrême que 3,55 a une probabilité de 0,009, soit moins de 1 sur 100, de se produire.donc, si l'hypothèse nulle est vraie, alors il ya une chance d'un peu moins de 1 sur 100 d'obtenir l'échantillon qui a été trouvé. Soit quelque chose a eu lieu peu probable ou l'hypothèse nulle est fausse. Cet événement est suffisamment peu probable que nous déclarons que le résultat soit statistiquement significatif et rejeter l'hypothèse nulle. Dans la section 4 sur les intervalles de confiance, un "t-value" de 2 a été utilisé pour donner approximative intervalles de confiance à 95%.De même ici, les valeurs supérieures à 2 sont extrêmes, (à peu près au niveau de signification de 5%) et, partant, jeter le doute sur la valeur émise. 5.2 comprendre la signification L'argument classique est que nous devrions aborder ce type de décision basée sur des tests d'une manière objective, en pré-réglage du niveau de signification, ou p-valeur au cours de laquelle de rejeter l'hypothèse nulle.si nous avons travaillé à un niveau de significativité de 5%, ou p = 0,05, nous rejeter au niveau de 5% et que le rapport p <0,05.Plutôt que de suivre une telle approche rigoureuse, nous recommandons que les décisions soient prises sur le motif que la p-valeur est faible. Exemple 2 : Nous avons la même hypothèse comme dans l'exemple 1, mais suppose un échantillon un peu plus variable ont été recueillies. Les valeurs données peuvent être: 3,0 3, ,6 2,0 5,8 7,1 0,3

12 L'analyse informatique de ces données donne les résultats suivants. Test of mu = 0 vs mu not = 0 Variable N Mean StDev SE Mean podweights Variable 95.0% CI T P podweights ( -0.17, 5.92) L'erreur-type de la moyenne est maintenant plus grand que dans l'exemple 1, et la statistique t est de 2,23 avec une probabilité de 0,061.Si le seuil de 5% est utilisé comme un strict point de coupure, alors nous n'aurions pas rejeter l'hypothèse nulle.cela ne signifie pas que nous acceptons l'hypothèse nulle que "true" et les utilisateurs qui écrivent comme si elle ne font preuve d'une grave faiblesse des capacités d'interprétation. La probabilité d'obtenir un tel échantillon, dans une hypothèse de nul effet est encore faible il ya une certaine suggestion d'un effet du traitement, mais pas suffisamment pour répondre à nos critères au niveau de 5%. Ici, il ya suffisamment de poids de la preuve pour tirer une conclusion sur la différence entre les traitements. Si un échantillon de 16 observations recueillies, avec la même moyenne et écart-type comme ci-dessus, l'erreur-type de la moyenne aurait été plus faible (à 0,91) et par conséquent le plus élevé t-statistique (à 3,15).Cela aurait été significative avec un p-valeur de 0,007. Notez que si la vérification d'hypothèses est entreprise parce qu'une véritable décision est faite - d'accepter ou de rejeter une nouvelle variété, par exemple - ne pas rejeter l'hypothèse nulle peut être équivaut à l'acceptation de la variété pré-existants. Ce n'est pas la même chose que d'accepter que l'hypothèse nulle est correcte. En règle générale, la recherche scientifique ne comporte pas cette coupe et séchés alternatives décision. Le but principal de tests de signification peut être simplement d'établir que l'effet attendu («hypothèse de recherche") peut être discerné et montré de manière plausible, et ce n'est pas seulement un caprice de l'échantillonnage. Tiny effets peuvent être importants si les tailles d'échantillon sont très grandes; un effet significatif doit également être suffisamment grande pour être d'une importance pratique avant qu'il ne soit «significatif» dans l'usage ordinaire de langue du terme. Inversement, un effet non significatif ne signifie pas nécessairement que l'effet est absent. Un résultat non significatif peut également se produire si la taille de l'échantillon est trop petit ou si il existe une variabilité excessive dans les données.

13 Dans ces deux cas, l'effet peut être encore présent, mais les données n'est pas en mesure de fournir des conclusions fondées sur des preuves de son existence. Ces considérations montrent qu'il est généralement plus informative pour produire un intervalle de confiance plutôt que de simplement le résultat de décisions et p-valeur d'un test d'hypothèse.dans l'exemple 1 ci-dessus, l'intervalle de confiance de 95% pour la moyenne est donnée par 0,96 à 4,79 selon la méthode de calcul indiqué à la section 4. Cela indique que l'augmentation moyenne réelle de 0 kg est peu probable, parce que la confiance de 95% pour la moyenne réelle ne contient pas la valeur émise. Étant donné une valeur t calculée ou statistique de test, il était de tradition de comparer cela à 5%, 1%, ou 0,1% de la valeur des tableaux statistiques.cependant, puisque de nombreux logiciels statistiques calculer exactement p-valeurs, les résultats peuvent être accompagnés par des déclarations telles que (p = 0,028), donnant un chiffre précis numériques pour le degré de valeur extrême de la disparité entre les résultats observés et les attentes hypothèse nulle.cette approche est préférable lorsque cela est possible. Il est plus informatif et plus facile à interpréter. 5,3 idées générales Parfois, les objectifs de l'étude correspondent à l'hypothèse standard (ou l'importance) des tests. Les exemples dans la section précédente de fournir un scénario et l'adoption d'une nouvelle pratique agricole, au lieu d'une norme, est une autre. Habituellement cependant, le test d'hypothèse est juste une partie préliminaire de l'analyse. Seuls peuvent rarement les objectifs d'une étude être satisfaits par les tests de signification standard. Le résultat statistiquement significatif fournir une preuve objective de quelque chose d'intéressant dans les données. Il sert de «passeport» pour une analyse plus approfondie des procédures. Les intervalles de confiance ou une analyse économique sont ensuite utilisés pour décrire la nature et l'importance pratique des résultats. Lorsque les résultats sont "pas significatives" cela peut indiquer que plus rien besoin de faire. Souvent, il permet un modèle plus simple à utiliser. Par exemple, si il n'ya aucune preuve d'une relation entre le niveau de scolarité et l'adoption d'une nouvelle technologie innovante, puis l'adoption peut être étudiée en utilisant tous les répondants ensemble. S'il y avait une relation alors il peut indiquer la nécessité d'une analyse séparée (c'est à dire un modèle distinct) pour chaque groupe de niveau d'éducation. De même, si une longue liste de données sur les précipitations est disponible, et il n'existe aucune preuve d'une tendance (ie des changements climatiques) dans le total pour la saison, puis l'ensemble du dossier pourrait être utilisé dans une analyse plus

14 approfondie. S'il y avait une tendance, l'analyse pourrait bien utiliser les données des dernières années. 5.4 Structure Reconnaissant Exemple 1 ci-dessus illustre comment un t-test est réalisé en utilisant les différences entre les parcelles de huit petites exploitations.les différences ont été utilisées en raison d'une paire de parcelles étaient disponibles dans chaque exploitation. Cela a conduit à une paire t-test. Supposons d'autre part, il y avait 16 fermes, chacune avec une seule parcelle, et huit ont été sélectionnés pour essayer le "traitement", avec les exploitations restantes formant le "contrôle". L'analyse consiste alors à la comparaison de deux échantillons indépendants. Il est important de reconnaître la structure dans les données lors de l'analyse. L'exemple ci-dessous montre ce qui est souvent perdue si des résultats vraiment paires sont traités comme des échantillons indépendants. Voici le x - et y représentent les valeurs de la résistance à la traction des échantillons de caoutchouc provenant de deux plantations X et Y, à 10 reprises.l'objectif était de voir si les deux plantations différait de la qualité de leurs échantillons de caoutchouc. i Mean S.D. x i y i d i La différence entre les deux moyens est de 1,8. Pour l'analyse non apparié l'erreurtype de cette différence est calculée en utilisant les écarts-types dans la dernière colonne, et trouve à 4,3, ce qui conduit à une valeur t non significatif de 0,41.La bonne stratégie d'une analyse de paires utilise les différences dans le tableau ci-dessus. L'erreur-type de ces différences est de 0,36, ce qui conduit à une valeur très significative de 5,0 t. La raison de cette différence est que l'analyse non apparié comprend l'occasion à l'occasion variation dans les échantillons dans le calcul des écarts-types utilisés dans le t-test.ne pas éliminer cette variabilité des moyens les petites différences mais systématique entre les paires ne sont pas détectés. L'analyse non apparié est inutilement faibles où appariement vrai et efficace existe. En général, cette structure

15 est similaire lié à l'idée de la stratification dans les enquêtes ou de blocage dans les expériences, et doit être correctement pris en compte dans toute analyse subséquente des données. Dans les données de séries chronologiques l'appariement est souvent différentes années. Donc, si les données ci-dessus ont été les totaux des précipitations saisonnières à partir de deux stations différentes, depuis 10 ans, une analyse couplé serait encore le cas. 6. Taille de l'échantillon nécessaire, Une question commune qui se pose aux statisticiens est de savoir comment un échantillon de grandes sont nécessaires. Pour être en mesure de répondre à ce type de question, l'information doit être donnée sur (1) comment les petites choses est-il important de détecter, et (2) comment variable les observations soient pour la réponse clé (s) d'intérêt. Cette variabilité se traduit généralement par l'écart type résiduel des données, parce que c'est la variation inexpliquée des données ayant trait à la précision de nos données. Ces deux éléments sont nécessaires pour la taille de l'échantillon à évaluer, faute de quoi un statisticien ne pouvait pas s'attendre à approuver l'étude correspondante comme étant bien planifié pour atteindre un objectif officiel. Cela ne nie pas l'importance de l'exploration ou le pilote des études, dont l'objectif est de générer ou de préciser les hypothèses, ou d'évaluer une méthodologie proposée pour l'avenir. Une raison de considérer les tests d'hypothèse est que leur simplicité fournit une base pour l'évaluation de nombreux calculs taille de l'échantillon. Il s'agit de la puissance du test, c'est à dire la probabilité de réaliser correctement rejeter l'hypothèse nulle quand elle est fausse. Si votre taille de l'échantillon est suffisante, alors vous aurez une grande puissance pour détecter une différence que vous considérez comme étant importantes. packages statistiques modernes, tels que Minitab, intégrer de nombreux services pour taille de l'échantillon ou calcul de la puissance. Il existe également des paquets spécialisés, tels que nquery. Il est probablement plus facile d'améliorer les «sentir» pour les calculs de la taille de puissance ou de l'échantillon grâce à l'utilisation pratique d'un ensemble que d'une démonstration. A titre d'exemple, prenez le test t apparié pris en compte dans la section 5.3.Supposons que l'objectif est de choisir la taille de l'échantillon, c'est à dire combien nous avons besoin d'observations pour une étude similaire. Supposons que la valeur de s sera à peu près comme avant, qui est d'environ 1,1 et que nous tenons à détecter une différence moyenne de résistance à la traction de caoutchouc entre les deux plantations, de plus de 1 unité avec une probabilité de 0,95, soit nous regardons pour

16 une puissance de 0,95.En outre, supposons que le test doit être effectué au niveau de 5%. Mettre ces conditions dans Minitab donne une taille d'échantillon requise de 18 unités. Si ce n'est trop grand nombre et à seulement 10 observations sont possibles, nous pouvons garder notre différence de 1 unité et trouverait alors que la puissance est de 0,73. Ou on peut se demander pour quelle différence la puissance sera de 0,95, ce qui donne une valeur d'une différence moyenne de 1,4. Ces résultats peuvent ensuite servir de base à une discussion sur l'étude appropriée doit être effectuée. Une étude dont la puissance est faible peuvent avoir une capacité à discerner des résultats significatifs. Il devrait être réexaminée, si elle est assez grande pour établir les effets importants, ou abandonnée si elle ne peut pas s'attendre à le faire. Une trop grande étude gaspillage de ressources, tandis que celle qui est trop petit tend aussi à être inutile, que de telles études donnent souvent des résultats peu concluants. calcul de la taille d'études sont généralement étroitement liés aux décisions sur la dépense des ressources, il est donc important de ne pas se tromper. Le choix de valeurs pour les niveaux de puissance et de l'importance dans le calcul de taille de l'échantillon est discutable. Réglage du niveau de l'importance aux valeurs classiques de 5% ou 1%, de quantifier la probabilité de faux rejet de l'hypothèse nulle, quand elle est vraie. C'est ce qu'on appelle une erreur de type I. La puissance de détecter une différence minimale significative, si elle existe, quantifie un second type d'erreur, est convenu d'appeler une erreur de type II, à savoir que une réelle différence de passer inaperçues. calculs couramment taille de l'échantillon précisent une puissance de 80%, si 90% est également utilisé. Lors de l'utilisation des résultats comme dans l'exemple ci-dessus, il est important de se rappeler que les calculs de la taille de l'échantillon ou de la puissance se rapportent à une seule hypothèse. La plupart des études ont un certain nombre d'objectifs et de tests de signification est généralement une petite partie seulement de l'analyse. En général, le même type de calcul doit donc être fait pour un certain nombre d'analyses clés pour s'assurer que la taille de l'échantillon est suffisant pour tous les objectifs de l'étude. Ainsi, la bonne planification d'une étude de la collecte des données exige que les analyses principales sont prévues et planifiées, avant la collecte des données est autorisé à démarrer. 7.Des méthodes non paramétriques La mesure est normalement distribué le point de départ de l'analyse statistique beaucoup. Il ya des situations où cela semble inquiétant inapproprié. Les mesures sont peut-être d'une distribution très biais, où une lecture occasionnelle est beaucoup

17 plus grande que la gamme habituelle et ne peut pas être expliqué ou à prix réduit. Les résultats peuvent être que des quasi-numérique, par exemple, un score importance entre 1 et 10 attribuée à plusieurs raisons possibles de pertes de poissons après la récolte. pêcheurs différentes peuvent attribuer des notes à leur manière, des partitions d'éviter l'extrême, tandis que d'autres de les utiliser. On peut alors avoir l'assurance raisonnable quant à l'ordre de classement des notes attribuées par chaque individu, mais des doutes sur l'application des procédés tels que le calcul de la moyenne ou les écarts de notes attribuées à chaque raison. Dans de tels cas il est judicieux d'envisager d'utiliser des méthodes non paramétriques. Un exemple simple est les données appariées indiqué plus haut dans la section 5. Ici, les différences dix résistance à la rupture ont été comme suit: Plus tôt, le t-test a été utilisé, mais un non-paramétrique simple test découle du fait que neuf des dix valeurs sont positives, l'autre étant nulle.s'il n'y avait pas de différence dans les avant et après la lecture nous nous attendons à environ la moitié à être positive et l'autre moitié négative, si ce simple résumé des données constitue une preuve de (p = 0,004, sur un critère formel) contre cette hypothèse.tout en notant que les observations sont positives, nulle ou négative est aussi clairement robuste contre les lectures parfois très grandes - si la première différence était de 30, au lieu de 3, cela n'affecterait pas l'analyse. Ainsi, les méthodes non paramétriques fournissent souvent une première étape simple. Ils ajoutent également supporter facilement expliqué par les conclusions d'une analyse paramétrique. Nous conseillons la prudence, cependant, au sujet de la sur-utilisation de méthodes non paramétriques. Une mauvaise compréhension du système de production de données par le chercheur peut être la vraie raison de données désordre prospectifs. Une raison courante pour les valeurs apparemment extrêmes, ou la distribution irrégulière des données, est que la population échantillonnée a été pris comme homogène, quand il est un agrégat de différentes couches sociales, dans lequel les observations suivent des schémas différents. Parfois, les données de problème de procédures de mesure mal conçue, où une définition plus réfléchie obtenir des données plus fiables. Il est alors préférable de réfléchir un peu plus sur la structure des données que de supprimer les complications et l'utilisation d'une analyse qui les ignore. L'éthique des méthodes non paramétriques provient souvent d'assumer les mesures elles-mêmes sont imparfaits, ou du moins faible, de sorte que les procédures d'estimation sont d'une importance secondaire. L'objectif principal de la plupart des

18 méthodes non paramétriques est sur les formes de tests d'hypothèses, alors que la disposition à des estimations raisonnables génère habituellement des résultats plus significatifs et utiles. La dernière section de ce guide propose un cadre plus général pour l'analyse de nombreux ensembles de données qui étaient auparavant à traiter en utilisant des méthodes non-paramétriques. 8. L'analyse de variance 8.1 Introduction Les problèmes pratiques sont généralement plus compliquée que les illustrations jusqu'ici. L'analyse de variance montre comment les concepts sont appliqués dans les grands problèmes. Comprendre l'idée de l'analyse de la variance est une condition beaucoup plus général que juste pour analyser les données expérimentales. Le même type de généralisation est possible pour les données sur les proportions, ou lorsque la régression, ou les méthodes de séries chronologiques seraient utilisés. Lorsque les données sont des distributions non-normales, telles que des données d'enquête sur les chiffres ou données journalières de pluie les jours de pluie, les idées de l'analyse de la variance sont généralisés et sont alors appelés l'analyse de la déviance. Les concepts clés restent inchangés. 8.2 One-Way ANOVA Le t-test pour deux échantillons indépendants montré dans la section 5 généralise à plus de deux échantillons sous la forme de la simple analyse de l'un des variance.la comparaison d'une collecte d'échantillons indépendants est décrit comme un "dispositif complètement aléatoire". Un exemple est le suivant: Dans une étude de la diversité des espèces dans quatre lacs africains, les données suivantes ont été recueillies sur le nombre d'espèces différentes capturées dans six captures de chaque lac.

19 Lake Tanganyika Victoria Malawi Chilwa Catches Mean L'estimation globale de la variance, 2 deux des moyens ci-dessus est s 2 s, est 100,9. L'erreur-type de la différence entre s.e.d. 2 / L'analyse traditionnelle de la variance (Anova) ressemblera donc à: - One-way ANOVA: catch versus lake Analysis of Variance for catch Source DF SS MS F P lake Error Total La valeur F et p-valeur est analogue à la valeur t et p-valeur dans le t-test pour deux échantillons indépendants.en effet, le cas de deux échantillons est un cas particulier de l'anova à un facteur, et le niveau de signification est la même, quel que soit le critère retenu. Avec plus de deux groupes, un F-value significative, comme en l'espèce, indique qu'il ya une différence quelque part entre les groupes considérés, mais ne dit pas où - ce n'est pas un résultat final d'une enquête scientifique.l'analyse a ensuite continue généralement par un examen des moyens de traitement qui sont affichées avec les données ci-dessus. Presque toujours une analyse sensée cherchera également à «contrastes» dont la forme dépend des objectifs de l'étude. Par exemple, si les lacs dans le secteur de la Tanzanie ont été à comparer avec les lacs Malawi, nous avons pu voir la différence dans la moyenne des deux premiers traitements, par rapport à la

20 moyenne de la troisième et quatrième. Si cette différence était statistiquement significative, alors l'ampleur de cette différence, avec son erreur standard, sera discuté dans le rapport sur les résultats. Dans l'analyse de variance un «non significatifs» F-valeur peut indiquer qu'il n'ya aucun effet.il faut prendre soin que l'ensemble F-valeur ne cache pas une ou plusieurs des différences individuelles importantes "diluée" par plusieurs très-différents groupes non.ce n'est pas un problème grave, la solution consiste à éviter d'être trop simpliste dans l'interprétation. Ainsi encore les chercheurs devraient éviter la dépendance excessive sur une quelconque "cut-off" p-valeur, comme 5%. 8.3 Tests de comparaisons multiples Ces tests sont souvent connus par leur auteur et notamment le test de Dunnett, Neumann Keuls, etc Elles concernent les méthodes de contrôle de différences entre les moyennes, qui exigent des analyses de type ANOVA. Certains scientifiques les utiliser régulièrement tandis que d'autres d'éviter leur utilisation. Nos points de vue sont peut-être clairement de la section 5.2. Les tests d'hypothèse est habituellement juste une étape préliminaire, et plus loin l'analyse, souvent sur les moyens de traitement, est directement liée aux objectifs énoncés de l'étude. Cela comprend habituellement les contrastes particuliers, pour étudier les différences d'importance. Nous ne recommandons pas les méthodes de comparaisons multiples, car ils ne sont généralement pas liés aux objectifs de la recherche. Le cas pour les tests de comparaisons multiples repose sur le danger de la conduite de nombreux tests de signification sur un ensemble de moyens, par exemple en comparant la plus grande avec le plus petit, sans ajuster le test pour le fait que nous avons délibérément choisi comme étant le plus grand et plus petit. L'affaire est claire, mais rien à voir avec nous dans la plupart des analyses, car nous ne voulons pas faire beaucoup de tests. Nous voulons, au lieu d'enquêter sur la taille des différences par rapport à leur importance pratique. Pour prendre un domaine d'application, que des essais sur le terrain agricole, alors habituellement la structure de traitement seront bien définies, avec la structure factorielle étant les plus courantes. En pareil cas les procédures de comparaisons multiples sont généralement clairement pas pertinent. Le seul type de facteur où les méthodes de comparaison multiple pourrait être envisagée serait de comparaison variété peut-être (de maïs dire) où l'on pourrait souhaiter présenter les résultats dans l'ordre décroissant des rendements moyens. Même ici, il est souvent beaucoup plus utile d'essayer de comprendre les différences de rendement en fonction de la durée de la saison, ou le pays d'origine, etc des variétés, que de suggérer une série de tests. Le

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

différence groupe-conseil en statistique

différence groupe-conseil en statistique Vais-je atteindre mon objectif cette année? Par Martin Carignan, associé chez Différence www.difference-gcs.com Contexte Les gestionnaires sont souvent évalués sur des résultats mesurés par des indicateurs

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques.

L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques. L'APPROCHE EXPERIMENTALE EN RECHERCHE: introduction aux statistiques 1 BUTS DU COURS : se familiariser avec le vocabulaire statistique o variable dépendante, variable indépendante o statistique descriptive,

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE 1 Définir le type de variable Dans notre cas, la variable est quantitative nominale. Note : Une variable est qualitative nominale quand

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

NC 11 Norme comptable relative aux Modifications comptables

NC 11 Norme comptable relative aux Modifications comptables NC 11 Norme comptable relative aux Modifications comptables Objectifs 01. La divulgation des informations financières repose sur les caractéristiques qualitatives prévues par le cadre conceptuel, notamment,

Plus en détail

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 I1 Connaissances préalables : Buts spécifiques : Outils nécessaires: Consignes générales : Test t de comparaison de moyennes pour

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

ARCHIVÉ - Vérification des transactions réalisées par carte d achat en 2008-2009

ARCHIVÉ - Vérification des transactions réalisées par carte d achat en 2008-2009 C O N S E I L N A T I O N A L D E R E C H E R C H E S C A N A D A ARCHIVÉ - Vérification des transactions réalisées par carte d achat en 2008-2009 Ce fichier PDF a été archivé dans le Web. Contenu archivé

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

Christophe Fournier. Clinique de Thuys. Aunége - Christophe Fournier

Christophe Fournier. Clinique de Thuys. Aunége - Christophe Fournier Christophe Fournier Clinique de Thuys Aunége - Christophe Fournier 2 Table des matières Information sur l'échantillon 3 Structure de l'échantillon...4 Point méthodologique 6 Point méthodologique...7 Représentativité

Plus en détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs

Plus en détail

A PROPOS DE BASES DE DONNEES

A PROPOS DE BASES DE DONNEES A PROPOS DE BASES DE DONNEES DES PRIX DE CONSTRUCTION INTERNATIONALES Dans ce document, "estimate" et "Devis et Métrés" se réfèrent à un même document, une liste d unités de travail, regroupées en chapitres,

Plus en détail

Alltech Young Scientist Conseils pour rédiger un papier

Alltech Young Scientist Conseils pour rédiger un papier Alltech Young Scientist Conseils pour rédiger un papier Chers étudiants, De nombreux étudiants nous ont demandé, les années passées, si nous pouvions vous communiquer un article-type, ce qui est difficile,

Plus en détail

SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE. Fethi NEJI & Mounir GRAJA

SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE. Fethi NEJI & Mounir GRAJA SONDAGE DANS LA MISSION D AUDIT UNITE MONETAIRE Le sondage est une sélection d'éléments que l'auditeur décide d'examiner afin de tirer, en fonction des résultats obtenus, une conclusion sur les caractéristiques

Plus en détail

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité

Leçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité CANEGE Leçon 5 Systèmes de gestion à recomplétement périodique et stock Objectif : A l'issue de la leçon l'étudiant doit être capable : dans le cadre des calendriers d approvisionnement à recomplètement

Plus en détail

Institut d Informatique FUNDP - Namur

Institut d Informatique FUNDP - Namur Institut d Informatique FUNDP - Namur Bilan-micro-01 v1.01.doc, version du 28/01/1999 Table des matières INTRODUCTION... 3 L'ÉCHANTILLON... 3 TECHNIQUE UTILISÉE... 4 ANALYSE DES RÉSULTATS... 5 EN FONCTION

Plus en détail

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2 Test du Khi 2 Le test du Khi 2 (khi deux ou khi carré) fournit une méthode pour déterminer la nature d'une répartition, qui peut être continue ou discrète. Domaine d application du test : Données qualitatives

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Gestion de projet - les chaînes critiques

Gestion de projet - les chaînes critiques Gestion de projet - les chaînes critiques GÉRARD CASANOVA - DENIS ABÉCASSIS Paternité - Pas d'utilisation Commerciale - Pas de Modification : http://creativecommons.org/licenses/by-nc-nd/2.0/fr/ Table

Plus en détail

Interprétation d une analyse de variance avec mesures répétées

Interprétation d une analyse de variance avec mesures répétées Approche quantitative Interprétation d une analyse de variance avec mesures répétées «Les faits sont têtus. Il est plus facile de s arranger avec les statistiques.» Mark Twain L objectif de ce document

Plus en détail

Cours 11 : Homogénéité de la variance et transformations non linéaires

Cours 11 : Homogénéité de la variance et transformations non linéaires Cours 11 : Homogénéité de la variance et transformations non linéaires Table des matières Section 1. Régularité de la nature et effets linéaires... 2 Section 2. Homogénéité des variances... 2 Section 3.

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Estimations du calendrier et des coûts selon la tolérance aux risques

Estimations du calendrier et des coûts selon la tolérance aux risques Estimations du calendrier et des coûts selon la tolérance aux risques Par Amro Elakkad Les risques d'un projet sont un fait de la vie réelle et chaque directeur de projet doit les affronter. «Le risque

Plus en détail

une décision dans un monde aléatoire : modèles inférentiels

une décision dans un monde aléatoire : modèles inférentiels Lecture 9. Comment prendre une décision dans un monde aléatoire : modèles inférentiels Prof. Kizungu Vumilia Roger UNIKIN (FACAGRO-BIOLOGIE), UNILU (FACAGRO), UEA (FACAGRO), UCB (FACAGRO), ISS, ISTA (ENVIRONNEMENT),

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

L analyse de variance à un critère de classification (ANOVA)

L analyse de variance à un critère de classification (ANOVA) Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section 14.1.1.1 et 14.1. 1 - Introduction Objectif:

Plus en détail

LE PROBLEME DU FLOT MAXIMAL

LE PROBLEME DU FLOT MAXIMAL LE PROBLEME DU FLOT MAXIMAL I Exemple d introduction Deux châteaux d'eau alimentent 3 villes à travers un réseau de canalisations au sein duquel se trouvent également des stations de pompage. Les châteaux

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

Introduction à l analyse quantitative

Introduction à l analyse quantitative Introduction à l analyse quantitative Vue d ensemble du webinaire Le webinaire sera enregistré. Les diapositives et tous les autres documents seront envoyés aux participants après la séance. La séance

Plus en détail

Plan d un Rapport de fin de projet

Plan d un Rapport de fin de projet Plan d un Rapport de fin de projet 1. COMMENT LE PROJET A ÉTÉ VÉCU DANS SON SUIVI 1.1. RÉALISATION DES OBJECTIFS Cette partie du document décrit la façon dont les objectifs du projet spécifiés dans le

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION

Plus en détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

Analyse de la variance (ANOVA)

Analyse de la variance (ANOVA) Chapitre 7 Analyse de la variance (ANOVA) Introduction L analyse de la variance (ANOVA) a pour objectif d étudier l influence d un ou plusieurs facteurs sur une variable quantitative. Nous nous intéresserons

Plus en détail

Section 9. Établissement de rapports et communication des résultats

Section 9. Établissement de rapports et communication des résultats Section 9 Établissement de rapports et communication des résultats 135 Établissement de rapports et communication des résultats Distribuer rapidement les résultats aux parties prenantes. Choisir le moyen

Plus en détail

Collecte de données. Laurent Dorey

Collecte de données. Laurent Dorey Laurent Dorey Mercredi 16 Décembre 2014 Programme : Recensement & Echantillonnage Étapes pour sélectionner un échantillon La population observée La base de sondage Les unités d enquête La taille de l échantillon

Plus en détail

Historique et fondement des conclusions Manuel de CPA Canada Comptabilité, Partie II

Historique et fondement des conclusions Manuel de CPA Canada Comptabilité, Partie II Améliorations 2014 des Normes comptables pour les entreprises à capital fermé Historique et fondement des conclusions Manuel de CPA Canada Comptabilité, Partie II Avant-propos En octobre 2014, le Conseil

Plus en détail

partie a Introduction à la statistique 1

partie a Introduction à la statistique 1 table des matières F AVANT-PROPOS À L ÉDITION AMÉRICAINE Abréviations viii xiv partie a Introduction à la statistique 1 1. Statistique et probabilité ne sont pas intuitives 3 Nous avons tendance à passer

Plus en détail

Cartes de contrôle aux mesures

Cartes de contrôle aux mesures Cartes de contrôle aux mesures 1 Une introduction à la maîtrise statistique des processus Deux objets ne sont jamais rigoureusement identiques. Quelles que soient les techniques utilisées pour fabriquer

Plus en détail

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS DIU Infirmières de Santé au Travail - IDF Faculté de Médecine Paris VII - Denis Diderot Mardi 7 juin 2016 STATISTIQUES EN SANTE AU TRAVAIL : NOTIONS ESSENTIELLES Service Central de Santé au Travail de

Plus en détail

Guide de production des notes pédagogiques mai 2011, septembre 2014

Guide de production des notes pédagogiques mai 2011, septembre 2014 Centre de cas 7 99 2011 001 Guide de production des notes pédagogiques mai 2011, septembre 2014 Document produit par la professeure Anne MESNY, marginalement révisé par la professeure Alix MANDRON 1 En

Plus en détail

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Techniques d évaluation des risques norme ISO 31010

Techniques d évaluation des risques norme ISO 31010 Techniques d évaluation des risques norme ISO 31010 www.pr4gm4.com Gestion des risques Présentation Mars 2010 Copyright 2010 - PR4GM4 Actualité du 27 janvier 2010 2 Actualité du 11 février 2010 3 Domaine

Plus en détail

Section 8. Analyse des données

Section 8. Analyse des données Section 8 Analyse des données 127 Analyse des données Ne pas retarder l analyse une fois que les données sont disponibles. Un programme de statistique ne remplace pas un statisticien. Ne pas communiquer

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informations de l'unité d'enseignement Implantation IPL Cursus de Bachelier en chimie Introduction à la statistique C1110 Cycle 1 Bloc 1 Quadrimestre 2 Pondération 1 Nombre de crédits 4 Nombre d heures

Plus en détail

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli. 1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve

Plus en détail

1 EVALUATION DES OFFRES ET NEGOCIATIONS

1 EVALUATION DES OFFRES ET NEGOCIATIONS CERN LIBRARIES, GENEVA CM-P00090679 1 EXTRAIT DU REGLEMENT INTERNE APPLIQUE PAR L'ADMINISTRATION DANS L'ATTRIBUTION DES MARCHES DU CERN 1 EVALUATION DES OFFRES ET NEGOCIATIONS 1.0 Ouverture et évaluation

Plus en détail

En considérant votre dernier projet de recherche, à quelle étape avez-vous en premier pensé aux statistiques?

En considérant votre dernier projet de recherche, à quelle étape avez-vous en premier pensé aux statistiques? ENQUÊTE: BIOSTATISTIQUES DANS LA RECHERCHE Le but de notre questionnaire n'était pas de pointer du doigt les lacunes dans la façon qu'ont les chercheurs d'aborder les statistiques ni d'apporter de manière

Plus en détail

QMF-6. Questionnaire de Motivation à la réussite en Formation RÉSULTATS. Yann FORNER XV41ZUJK 15/04/2010 TATA. Féminin. Lycéens.

QMF-6. Questionnaire de Motivation à la réussite en Formation RÉSULTATS. Yann FORNER XV41ZUJK 15/04/2010 TATA. Féminin. Lycéens. Questionnaire de Motivation à la réussite en Formation Yann FORNER RÉSULTATS Nom: Sexe: 15/04/2010 Féminin Âge: 17 Étalonnage: Lycéens Introduction Le Questionnaire de Motivation en situation de Formation

Plus en détail

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences

Plus en détail

5. Validité de la méta-analyse

5. Validité de la méta-analyse 5. Validité de la méta-analyse 5.1. Poids de la preuve d une méta-analyse Le poids de la preuve d un résultat scientifique quantifie le degré avec lequel ce résultat s approche de la réalité. Il ne s agit

Plus en détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R

Plus en détail

Evaluation de la variabilité d'un système de mesure

Evaluation de la variabilité d'un système de mesure Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les

Plus en détail

Livre Blanc Oracle Juin 2009. Gérer avec succès les risques des contrats pour établir une relation «gagnant-gagnant»

Livre Blanc Oracle Juin 2009. Gérer avec succès les risques des contrats pour établir une relation «gagnant-gagnant» Livre Blanc Oracle Juin 2009 Gérer avec succès les risques des contrats pour établir une relation «gagnant-gagnant» Préambule Ce livre blanc met en avant certains risques impliqués dans les travaux liés

Plus en détail

Équations et inéquations du 1 er degré

Équations et inéquations du 1 er degré Équations et inéquations du 1 er degré I. Équation 1/ Vocabulaire (rappels) Un équation se présente sous la forme d'une égalité constituée de nombres, de lettres et de symboles mathématiques. Par exemple

Plus en détail

SECTION DES INDICES DES INDEMNITÉS DE L'ÉTAT STATISTIQUE CANADA CALCUL DES INDICES D'INDEMNITÉS

SECTION DES INDICES DES INDEMNITÉS DE L'ÉTAT STATISTIQUE CANADA CALCUL DES INDICES D'INDEMNITÉS SECTION DES INDICES DES INDEMNITÉS DE L'ÉTAT STATISTIQUE CANADA CALCUL DES INDICES D'INDEMNITÉS DIRECTIVE SUR LES POSTES ISOLÉS ET LES LOGEMENTS DE l ÉTAT GÉNÉRALITÉS La Section des indices des indemnités

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Petit rappel sur l administration du questionnaire...

Petit rappel sur l administration du questionnaire... Petit rappel sur l administration du questionnaire... PIl existe deux procédés pour faire passer un questionnaire à la population sondée : < L entrevue avec un interviewer : Par entrevue téléphonique;

Plus en détail

Info-assurance Réunion de l IASB du 22 juillet 2014

Info-assurance Réunion de l IASB du 22 juillet 2014 www.pwc.com/ca/insurance Info-assurance Réunion de l IASB du 22 juillet 2014 Puisque divers points de vue sont analysés lors des réunions de l IASB, et qu il est souvent difficile de décrire avec précision

Plus en détail

EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO

EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national

Plus en détail

BANQUE DE QUESTIONS D'EXAMEN ÉTUDE DE MARCHÉ MRK-14811

BANQUE DE QUESTIONS D'EXAMEN ÉTUDE DE MARCHÉ MRK-14811 NQUE DE QUESTIONS D'EXMEN ÉTUDE DE MRCHÉ MRK-. Nommer et expliquer brièvement chacune des étapes du processus de recherche en marketing.. Qu'est-ce que l'échelle de ratio?. Nommer deux plans d'expérimentation

Plus en détail

Bouteilles récipients-mesures

Bouteilles récipients-mesures RECOMMANDATION OIML R 96 INTERNATIONALE Edition 1990 (F) Bouteilles récipients-mesures Measuring container bottles OIML R 96 Edition 1990 (F) ORGANISATION INTERNATIONALE DE MÉTROLOGIE LÉGALE INTERNATIONAL

Plus en détail

Bases de données nationales en matière de valeur comme outil d'évaluation des risques

Bases de données nationales en matière de valeur comme outil d'évaluation des risques Bases de données nationales en matière de valeur comme outil d'évaluation des risques Parlons-en... Les directives Directives concernant l'élaboration et l'utilisation des bases de données nationales en

Plus en détail

Séminaire des auditeurs de l ACORS. Club Belambra Presqu île du Ponant, La Grande-Motte, Les 16, 17 et 18 septembre 2015

Séminaire des auditeurs de l ACORS. Club Belambra Presqu île du Ponant, La Grande-Motte, Les 16, 17 et 18 septembre 2015 Séminaire des auditeurs de l ACORS Club Belambra Presqu île du Ponant, La Grande-Motte, Les 16, 17 et 18 septembre 2015 Intervenant : Philippe AVRIL Sous-Directeur Adjoint du DPMRF (Contrôle Interne) DDFC-CNAMTS

Plus en détail

Chacune des valeurs d une variable en est une modalité particulière.

Chacune des valeurs d une variable en est une modalité particulière. Psychologie générale Jean Paschoud STATISTIQUE Sommaire Rôle de la statistique Variables Échelles de mesure Résumer, décrire Comparer Rôle de la statistique La statistique est avant tout un outil permettant

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

Shadow Manager Simulateur de gestion globale d entreprise. Introduction

Shadow Manager Simulateur de gestion globale d entreprise. Introduction Shadow Manager Simulateur de gestion globale d entreprise Introduction Le logiciel de simulation d entreprise Shadow Manager représente le nec plus ultra des outils pédagogiques de simulation de gestion

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Evaluation de votre conférence de méthode ou cours-séminaire

Evaluation de votre conférence de méthode ou cours-séminaire Enseignement : INTRODUCTION A LA SOCIOLOGIE 2 : CONCEPTS, METHODES, ET ENJEU ACTUELS Excellent Bon Moyen Insuffisant Comment évaluez-vous la préparation et l'organisation des séances? 6 (30%) 11 (55%)

Plus en détail

TESSA : MATRICE DE SECTION VERSION WEB

TESSA : MATRICE DE SECTION VERSION WEB TESSA : MATRICE DE SECTION VERSION WEB NOM DU FICHIER TESSA : Togo_Ma_M1_S2_G_110213 PAYS TESSA : Togo DOMAINE DU MODULE : MATHEMATIQUES Module numéro : 1 Titre du module : Étude du nombre et de la structure

Plus en détail

POLITIQUE SUR LE PROCESSUS OFFICIEL D ADOPTION DE NORMES DE PRATIQUE

POLITIQUE SUR LE PROCESSUS OFFICIEL D ADOPTION DE NORMES DE PRATIQUE 15 MAI 2012 Document 212021 POLITIQUE SUR LE PROCESSUS OFFICIEL D ADOPTION DE NORMES DE PRATIQUE A. INTRODUCTION Le présent document énonce le processus et les critères définis par le Conseil des normes

Plus en détail

Note d orientation : Gestion des risques d'entreprise (GRE)

Note d orientation : Gestion des risques d'entreprise (GRE) 4711 Yonge Street Suite 700 Toronto ON M2N 6K8 Telephone: 416-325-9444 Toll Free 1-800-268-6653 Fax: 416-325-9722 4711, rue Yonge Bureau 700 Toronto (Ontario) M2N 6K8 Téléphone : 416 325-9444 Sans frais

Plus en détail

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT

NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT Introduction NORME INTERNATIONALE D AUDIT 530 SONDAGES EN AUDIT (Applicable aux audits d états financiers pour les périodes ouvertes à compter du 15 décembre 2009) SOMMAIRE Paragraphe Champ d application

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Vérification des pratiques et des dépenses de déplacement du CRSNG et du CRSH

Vérification des pratiques et des dépenses de déplacement du CRSNG et du CRSH Vérification des pratiques et des dépenses de déplacement du CRSNG et du CRSH Préparé par Conseils et Vérification Canada Numéro de projet : 310-2160 Table des matières 1. SOMMAIRE...2 2. INTRODUCTION...4

Plus en détail

GERER DES PROBLEMES. Marc Thiébaud. Novembre 2005

GERER DES PROBLEMES. Marc Thiébaud. Novembre 2005 www.forres.ch Séminaire de base GERER DES PROBLEMES Marc Thiébaud Novembre 2005 «Un problème, c'est un défi à surmonter. Mais c'est surtout un défi que l'on se crée, car il n'est pas simplement posé, il

Plus en détail

J u i n 2 0 1 0. C o n s e i l n a t i o n a l d e r e c h e r c h e s d u C a n a d a. V é r i f i c a t i o n i n t e r n e d u C N R C

J u i n 2 0 1 0. C o n s e i l n a t i o n a l d e r e c h e r c h e s d u C a n a d a. V é r i f i c a t i o n i n t e r n e d u C N R C C o n s e i l n a t i o n a l d e r e c h e r c h e s d u C a n a d a Vérification de la gestion des risques V é r i f i c a t i o n i n t e r n e d u C N R C J u i n 2 0 1 0 Juin 2010 i 1.0 Sommaire

Plus en détail

Description du logiciel Smart-MED-Parks Article technique

Description du logiciel Smart-MED-Parks Article technique Introduction Description du logiciel Smart-MED-Parks Article technique Depuis le lancement du projet en février 2013, différentes actions ont été effectuées dans le but d'accroître la sensibilisation et

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

NORME INTERNATIONALE D AUDIT 260 COMMUNICATION DES QUESTIONS SOULEVÉES À L OCCASION DE L AUDIT AUX PERSONNES CONSTITUANT LE GOUVERNEMENT D'ENTREPRISE

NORME INTERNATIONALE D AUDIT 260 COMMUNICATION DES QUESTIONS SOULEVÉES À L OCCASION DE L AUDIT AUX PERSONNES CONSTITUANT LE GOUVERNEMENT D'ENTREPRISE NORME INTERNATIONALE D AUDIT 260 COMMUNICATION DES QUESTIONS SOULEVÉES À L OCCASION DE L AUDIT AUX PERSONNES CONSTITUANT LE GOUVERNEMENT D'ENTREPRISE SOMMAIRE Paragraphes Introduction... 1-4 Personnes

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

NOTIONS DE PROBABILITÉS

NOTIONS DE PROBABILITÉS NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...

Plus en détail

6. Comparaisons non planifiées : tests post-hoc

6. Comparaisons non planifiées : tests post-hoc 6. Comparaisons non planifiées : tests post-hoc Soumis par Éric Raufaste Dernière mise à jour : 27-01-2013 UOH - Psychométrie et Statistique en L2 Objectifs. Montrer quand et comment comparer les moyennes

Plus en détail

Livret du Stagiaire en Informatique

Livret du Stagiaire en Informatique Université François-Rabelais de Tours Campus de Blois UFR Sciences et Techniques Département Informatique Livret du Stagiaire en Informatique Licence 3ème année Master 2ème année Année 2006-2007 Responsable

Plus en détail

La situation de la sécurité des clés USB en France

La situation de la sécurité des clés USB en France La situation de la sécurité des clés USB en France Synthèse Sponsorisé par Kingston Technology Préparé indépendamment par Ponemon Institute LLC Date de publication : novembre 2011 Rapport d'étude du Ponemon

Plus en détail

OUTIL D AUTOÉVALUATION DU

OUTIL D AUTOÉVALUATION DU Institut de leadership en éducation OUTIL D AUTOÉVALUATION DU L EADERSHIP Instructions Ministère de l Éducation INSTRUCTIONS ET RECOMMANDATIONS POUR L UTILISATION EFFICACE DE L OUTIL Les recherches montrent

Plus en détail

C3 : Manipulations statistiques

C3 : Manipulations statistiques C3 : Manipulations statistiques Dorat Rémi 1- Génération de valeurs aléatoires p 2 2- Statistiques descriptives p 3 3- Tests statistiques p 8 4- Régression linéaire p 8 Manipulations statistiques 1 1-

Plus en détail

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC ATELIER DE FORMATION SUR LE DIAGNOSTIC DE LA FIEVRE APHTEUSE 21 mai 2012 Labib BAKKALI KASSIMI Labib.bakkali-kassimi@anses.fr Agence Nationale de Sécurité

Plus en détail

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS

LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS Une collaboration entre homme et machine LIVRE BLANC LES SOLUTIONS MES HUMAINES METTENT EN AVANT LES INDIVIDUS 2 A PROPOS Les hommes

Plus en détail

Conf. 12.8 (Rev. CoP13) *

Conf. 12.8 (Rev. CoP13) * Conf. 12.8 (Rev. CoP13) * Etude du commerce important de spécimens d'espèces inscrites à l'annexe II RAPPELANT que l'article IV, paragraphe 2 a), de la Convention, stipule comme condition pour la délivrance

Plus en détail