Biostatistiques Licence 2
|
|
- Jean Déry
- il y a 7 ans
- Total affichages :
Transcription
1 Biostatistiques Licence 2 BIO2006L Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
2 Présentation du cours de biostatistiques et bioinformatique Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 2 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
3 Présentation du cours de biostatistiques et bioinformatique Organisation globale du module 2 3 de biostatistiques, avec 9 CM et 14 TD de 1h30, en début de semestre 1 3 de bioinformatique, avec 3 CM de 1h30 et 5 TP de 3h00, en fin de semestre L UE étant en CCI, il n y a aucune seconde session, ni pour les biostatistiques, ni pour la bioinformatique. 3 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
4 Présentation du cours de biostatistiques et bioinformatique Notation et examens Biostatistiques (67%) : 2 ou 3 contrôles (CC) au cours du semestre, soit 33% de la note finale au total. 1 examen en fin de semestre : 34% de la note finale. Bioinformatique (33%) : 1 rapport de TP : 8% de la note finale 1 examen de TP sur machine en fin de semestre : 25% de la note finale. Des rattrapages seront organisés si besoin en fin de semestre pour les éventuelles absences justifées. 4 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
5 Présentation du cours de biostatistiques et bioinformatique Comment réussir en stats? 5 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
6 Présentation du cours de biostatistiques et bioinformatique Comment réussir en stats? En travaillant au moins une heure par semaine sur le module, en dehors des cours et TD 5 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
7 Présentation du cours de biostatistiques et bioinformatique Comment bien travailler en stats? En assistant aux cours et aux TD En préparant les exercices de TD chez vous En interagissant avec les enseignants et les autres étudiants En employant des livres de statistiques pour s entraîner, à la BU : Probabilités et statistiques (Couty/Debord/Fredon) COU (Rappels de cours succints et beaucoup d exercices corrigés) Biostatistique Licence PCEM PCEP (Beauscart), coll. Omniscience VAL Biostatistique pour les sciences de la vie et de la santé par Triola, Marc M. Triola, Mario F TRI 6 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
8 Présentation du cours de biostatistiques et bioinformatique Contacts Pour les interactions, plusieurs possibilités : Le forum du cours sur Spiral-Connect Par marc.bailly-bechet@univ-lyon1.fr Par , avec vos enseignants de TD (voir TOMUSS) De vive voix : Bat. Mendel, 2ème étage, porte rouge, bureau marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
9 Présentation du cours de biostatistiques et bioinformatique Pourquoi faire des statistiques en biologie? Variabilité : Une expérience en biologie donne rarement un résultat tranché ou parfaitement reproductible. Quantité : Les nouvelles technologies biologiques permettent de recueillir des quantités pharamineuses de données. 8 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
10 Présentation du cours de biostatistiques et bioinformatique Les statistiques vues de loin Population Échantillon p, µ, σ 2 n individus tirés aléatoirement Tests, estimation n, x, s2 Statistique inférentielle Statistiques descriptives k 9 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
11 Variables aléatoires et lois de probabilité Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 10 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
12 Variables aléatoires et lois de probabilité Loi binomiale La loi binomiale est la loi de probabilité décrivant le nombre de réussites parmi un ensemble de tirages aléatoires et indépendants. Elle se note B(n, p) avec n le nombre de tirages et p la probabilité de réussite à chaque tirage. Probabilité n= Nombre de succès p = 0.01 p = 0.05 p = 0.1 p = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
13 Variables aléatoires et lois de probabilité Loi de Poisson La loi de Poisson (de Siméon Denis Poisson, ) est la loi de probabilité décrivant le nombre d évenements aléatoires et indépendants arrivant dans le même intervalle de temps ou d espace. Elle se note P(λ) avec λ l espérance et la variance de la loi. Probabilité Nombre d'évenements λ = 1 λ = 2 λ = 5 λ = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
14 Variables aléatoires et lois de probabilité Représentation graphique d une variable discrète : diagramme en bâtons La distribution de données discrètes se représente à l aide d un diagramme en bâtons. Ici, on s intéresse à un parasite de la châtaigne, le balanin (Curculio elephas). Nb. de parasites x i et plus Nombre de fruits n i ayant x i parasites Fréquence f i = 1000 n i i n i Nombre de châtaignes Fréquence Nombre de parasites Nombre de parasites 13 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
15 Variables aléatoires et lois de probabilité Une variable qui semble suivre une loi de Poisson Les données de parasistisme du balanin suivent une décroissance exponentielle, et on peut supposer que les parasites sont indépendants dans chaque châtaigne. On trace sur le diagramme en bâtons une loi de Poisson : Fréquence Nombre de parasites 14 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
16 Variables aléatoires et lois de probabilité Probabilité absolue Pas de 10 cm Pas de 5 cm a<p(x)<b a<p(x)<b Taille Taille Pas de 1 cm Pas de 0.1 cm a<p(x)<b a<p(x)<b marc.bailly-bechet@univ-lyon1.fr Taille Biostatistiques L2 Taille
17 Variables aléatoires et lois de probabilité Densité de probabilité Densité Densité Pas de 10 cm Taille Pas de 1 cm Densité Densité Pas de 5 cm Taille Limite continue marc.bailly-bechet@univ-lyon1.fr Taille Biostatistiques L2 Taille
18 Variables aléatoires et lois de probabilité Loi normale La loi normale est la loi de probabilité des variables aléatoires continues dépendantes d un grand nombre de causes indépendantes et additives. Elle se note N (µ, σ) avec µ l espérance de la loi et σ l écart-type. Densité de probabilité µ= Valeur obtenue σ = 1 σ = 2 σ = 5 σ = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
19 Variables aléatoires et lois de probabilité Représentation graphique d une variable continue : histogramme On s intéresse au mélange de mangues issu de k = 4 différentes récoltes pour faire du jus. Chaque type de mangue a un taux de glucose différent et relativement imprécis. Concentration (g.l 1 ) Moyenne Nb de mangues X xj n j [135, 165[ [165, 180[ [180, 195[ [195, 225[ Nombre de mangues Concentration en glucose (g/l) Densité de mangues 18 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L Concentration en glucose (g/l)
20 Variables aléatoires et lois de probabilité Une variable qui semble suivre une loi normale Le jeu de données concernant les mangues est unimodal et relativement symétrique ; de plus on peut supposer que la concentration en glucose est la somme de nombreux facteurs indépendants, environnementaux et génétiques. On peut tracer sur l histogramme une loi normale : Densité Concentration en glucose (g/l) 19 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
21 Variables aléatoires et lois de probabilité Loi de Student C est une variante de la loi normale, plus étalée sur les ailes. Ici on la compare à une loi normale centrée réduite. 0.4 ddl =1 ddl=5 Normale 0.3 Densité de probabilité Valeur obtenue 20 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
22 Statistiques descriptives, estimation et intervalles de confiance Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 21 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
23 Statistiques descriptives, estimation et intervalles de confiance Moyenne observée sur des données groupées On veut la moyenne du taux de glucose dans le mélange final de nos 4 types de mangues : Concentration (g.l 1 ) Moyenne Nb de mangues X xj n j [135, 165[ [165, 180[ [180, 195[ [195, 225[ x = 1 62 ( ) = = g.l 1 22 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
24 Statistiques descriptives, estimation et intervalles de confiance Variance et écart-type observés, données groupées La variance sur des données groupées se calcule ainsi : Concentration (g.l 1 ) Moyenne Nb de mangues X xj n j [135, 165[ [165, 180[ [180, 195[ [195, 225[ x = g.l 1 s 2 = 1 ( ) = s = = g.l 1 23 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
25 Statistiques descriptives, estimation et intervalles de confiance Loi de la moyenne de n v.a., n grand Fréquence Fréquence n= n=20 Fréquence Fréquence n= n= marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
26 Statistiques descriptives, estimation et intervalles de confiance Distribution d échantillonage d une moyenne observée 0.4 Densité de probabilité µ Moyenne observée de l'échantillon 25 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
27 Statistiques descriptives, estimation et intervalles de confiance Quantiles de la loi normale P(µ C α < x < µ + C α ) = 1 α 0.4 Densité de probabilité α 2 α 2 µ C α µ µ + C α Moyenne observée de l'échantillon 26 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
28 Statistiques descriptives, estimation et intervalles de confiance Quantiles de la loi normale, α = 0.20 P(µ C 0.20 < x < µ + C 0.20 ) = Densité de probabilité µ C 0.2 µ µ + C 0.2 Moyenne observée de l'échantillon 27 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
29 Statistiques descriptives, estimation et intervalles de confiance Quantiles de la loi normale, α = 0.05 P(µ C 0.05 < x < µ + C 0.05 ) = Densité de probabilité µ C 0.05 µ µ + C 0.05 Moyenne observée de l'échantillon 28 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
30 Statistiques descriptives, estimation et intervalles de confiance Quantiles de la loi normale, α = P(µ C < x < µ + C ) = Densité de probabilité e 04 5e 04 µ C µ µ + C Moyenne observée de l'échantillon 29 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
31 Statistiques descriptives, estimation et intervalles de confiance Quantiles de la loi normale centrée réduite 0.4 Densité de probabilité ε ε 0.05 ε ε 0.2 ε 0.05 ε z = x µ σ 2 n 30 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
32 Tests de comparaison de moyennes et de proportions Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 31 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
33 Tests de comparaison de moyennes et de proportions Distribution d échantillonnage et moyenne observée 0.4 Densité de probabilité µ 0 x 32 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
34 Tests de comparaison de moyennes et de proportions Distribution d échantillonnage et moyenne observée Densité de probabilité Risque α µ 0 x 33 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
35 Tests de comparaison de moyennes et de proportions Distribution d échantillonnage centrée réduite Densité de probabilité Risque α x µ 0 σ 2 n 34 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
36 Tests de comparaison de moyennes et de proportions Risque de deuxième espèce 0.4 H 0 H 1 Densité de probabilité x µ σ 2 n 35 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
37 Tests de comparaison de moyennes et de proportions Risque de deuxième espèce 0.4 H 0 H 1 Densité de probabilité α 2 α x µ σ 2 n 36 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
38 Tests de comparaison de moyennes et de proportions Risque de deuxième espèce 0.4 H 0 H 1 Densité de probabilité α 2 β α x µ σ 2 n 37 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
39 Tests de comparaison de moyennes et de proportions Test unilatéral, α = 5% H 1 : µ µ 0 H 1 : µ > µ Densité de probabilité α 2 α α ε 0.05 = ε 0.1 = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
40 Tests du χ 2 Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 39 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
41 Tests du χ 2 Les gros pandas vivent-ils en altitude? On mesure le poids de N = 200 pandas vivant à différentes altitudes. Poids (kgs) Altitude (m) marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
42 Tests du χ 2 Les catégories sociales se mélangent-elles? On note la catégorie sociale du mari et de la femme chez des couples pris au hasard. Homme Cadre Technicien Employé Femme Cadre Technicienne Employée marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
43 Tests du χ 2 Les balanins suivent-ils vraiment une loi de Poisson? Nb. de parasites x i Nombre de fruits n i ayant x i parasites Fréquence f i = n i i n i Fréquence Nombre de parasites 42 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
44 Tests du χ 2 Les balanins suivent-ils vraiment une loi de Poisson? k = 7 n = x = 1 n k j=1 k n j = 1329 j=1 n j x j = 1 ( ) 1329 = 0.36 parasites par fruit Effectif théorique de la classe 0 : n P(λ = 0.36, X = 0) = e 0.36 = = ! Nb. de parasites x j et plus Nombre de fruits n j ayant x j parasites Nombre de fruits théorique ayant n j parasites 43 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
45 Tests du χ 2 Non! On regroupe les classes, puis on calcule les χ 2 partiels et le χ 2 global. χ 2 ( )2 {0} = = Nb. de parasites x j et plus Somme Nombre de fruits n j observés ayant x j parasites Nombre de fruits théorique ayant n j parasites χ 2 partiel χ ,4 1 1 ddl = < H 0 rejetée et H 1 acceptée. 44 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
46 Tests du χ 2 Les gros pandas vivent-ils en altitude? On mesure le poids de N = 200 pandas vivant à différentes altitudes. Poids (kgs) Somme Altitude (m) Somme marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
47 Tests du χ 2 Le poids et l altitude sont liés : règle de Bergmann On calcule les effectifs théoriques. Par exemple pour la première case : t 11 = = Poids (kgs) Somme Altitude (m) Somme χ 2 obs = ( ) ( ) ( ) = > χ ,4 3 = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
48 ANOVA 1 Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 47 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
49 ANOVA 1 Evolution du poids des marmottes On dispose des poids de différents individus, au total N = 37, pour chaque année. Année Poids (kgs) marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
50 ANOVA 1 Représentation graphique 3.8 y i 3.6 Poids (kgs) y Année 49 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
51 ANOVA 1 Calculs intermédiaires SCE tot = ( ) 2 + ( ) ( ) SCE inter = 4 ( ) ( ) SCE intra = SCE tot SCE inter. Année Poids (kgs) ȳ i (kgs) n i ȳ = 3.23 kgs 50 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
52 ANOVA 1 Analyse par ANOVA 1 Variabilité ddl SCE CM F obs F seuil (α = 0.05) Totale Intra Inter On peut donc conclure, au risque de 5%, que le facteur temps a bien un effet sur le poids des marmottes. 51 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
53 ANOVA 2 Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 52 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
54 ANOVA 2 Réplication du virus de la grippe On mesure la vitesse de réplication (unités arbitraires) du virus de la grippe dans différentes conditions, pour différentes souches. Température Souche 34 C 37 C 40 C 44 C N K P marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
55 ANOVA 2 Représentation graphique On représente souvent les moyennes sur le même graphe ici ils sont séparés pour une meilleure lecture. Souche N Souche K Souche P Réplication virale Réplication virale Réplication virale Température Température 54 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2 Température
56 ANOVA 2 Calculs intermédiaires On calcule toutes les moyennes : par case, en ligne et en colonne. Température Souche 34 C 37 C 40 C 42 C Moyennes N K P Moyennes marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
57 ANOVA 2 Réplication du virus de la grippe : ANOVA2 Après application des formules, on obtient : ddl Somme Carrés F F seuil des carrés moyens Température Souche Interaction Résidus marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
58 ANOVA 2 Conclusions statistiques F Temperature > F3, : le taux de réplication moyen dépend de la température. F Souche F2, : le taux de réplication est en moyenne le même pour toutes les souches. F Interaction > F6, : le taux de réplication ne varie pas de la même manière en fonction de la température pour les différentes souches. 57 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
59 Analyse bivariée et corrélation Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 58 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
60 Analyse bivariée et corrélation Existe-t-il un lien quantitatif entre concentration d ARNm et de protéine? On étudie dans plusieurs tissus la concentration en ARNm et en protéine pour un gène donné. ARNm Protéine (/cellule) (x1000/cellule) marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
61 Analyse bivariée et corrélation Représentation graphique [Protéine] (x1000 par cellule) x,y [ARNm] (par cellule) 60 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
62 Analyse bivariée et corrélation Les différentes contributions à la covariance Contribution à la covariance X Y x y Positive Négative 61 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
63 Analyse bivariée et corrélation Interprétation graphique de r r = r = r = r = r = r = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
64 Analyse bivariée et corrélation Le quartet d Anscombe Pour ces 4 graphes : r = marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
65 Analyse bivariée et corrélation Calculs intermédiaires Variables ARNm X Protéine Y (/cellule) (x1000/cellule) N 9 9 Moyennes Variances Écarts-types marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
66 Analyse bivariée et corrélation Résultats finaux s XY = r XY = =0.903, r 2 XY =0.815 t obs = = La valeur seuil pour N = 7 ddl et un risque α = 0.05 vaut : t obs > t seuil, on rejette H 0 et on accepte H 1. La concentration en protéine dans une cellule est linéairement reliée à la concentration dans les ARNm correspondants. 65 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
67 Analyse bivariée et corrélation La vengeances des pandas alpins On mesure le poids de N = 200 pandas vivant à différentes altitudes. Poids (kgs) Altitude (m) marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
68 Analyse bivariée et corrélation Test du coefficient de corrélation linéaire sur des données groupées En notant X l altitude et Y le poids, les calculs donnent (vérifiez que vous arrivez à le retrouver!) : x = s 2 X = ȳ = 90.9 s 2 Y = s XY = r = r 2 = t obs = = Pour 198 ddl et un risque α = 0.05, t seuil = 1.96, on rejette H 0 et on accepte H 1 : il existe une relation linéaire entre le poids des pandas et l altitude à laquelle ils vivent. 67 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
69 Modèle et régression linéaire Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 68 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
70 Modèle et régression linéaire Quelle droite entre [ARNm] et [protéine]? On veut maintenant modéliser la concentration en ARNm et en protéine pour un gène donné. ARNm Protéine (/cellule) (x1000/cellule) [Protéine] (x1000 par cellule) [ARNm] (par cellule) 69 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
71 Modèle et régression linéaire Notion d écart à la valeur prédite Y e i y i y^i x i X 70 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
72 Modèle et régression linéaire N utilise pas tes yeux, Luke. Utilise... la régression ARNm X Protéine Y (/cellule) (x1000/cellule) n = 9, x = , ȳ = 133 s 2 X = , s XY = [Protéine] (x1000 par cellule) [ARNm] â = 0.584, ˆb = Y = 0.584X marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
73 Modèle et régression linéaire L attaque des résidus [ARNm] [Protéine] (x1000) Estimation Erreur x i y i ŷ i e i = y i ŷ i On vérifie : n e i = 0 i=1 (ici n i=1 e i = à cause des erreurs d arrondis) 72 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
74 Modèle et régression linéaire La contre-attaque des résidus X Y X Y Distribution des résidus X Résidus 73 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
75 Modèle et régression linéaire Les résidus ninjas hétéroscédastiques X Y X Y Distribution des résidus X Résidus 74 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
76 Modèle et régression linéaire Le sacrifice des résidus autocorrélés X Y X Y Distribution des résidus X Résidus 75 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
77 Modèle et régression linéaire Les résidus extrêmes : renaissance X Y X Y Distribution des résidus X Résidus 76 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
78 Modèle et régression linéaire Les régressions vont toujours parfois par deux : [Protéine] (x1000 par cellule) x,y Y = ax + b â = 0.584, ˆb = X = a Y + b â = 1.399, ˆb = 44.4 [ARNm] (par cellule) 77 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
79 Modèle et régression linéaire En pratique : intervalles de confiance ARNm X Protéine Y (/cellule) (x1000/cellule) n = 9, x = , ȳ = 133 s 2 X = , s XY = ˆσ 2 R = N N 2 N ei 2 = i=1 â = 0.584, ˆb = t (9 2),0.05 = IC 0.05 a : < a < IC 0.05 b : < b < marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
80 Modèle et régression linéaire Prédictions pour les valeurs individuelles 300 [Protéine] (x1000 par cellule) [ARNm] 79 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
81 Modèle et régression linéaire Prédictions à grande échelle? 2000 [Protéine] (x1000 par cellule) ? [ARNm] 80 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
82 Modèle et régression linéaire Test de la pente On veut vérifier si notre gène d intérêt a la même relation [ARNm]-[protéine] qu un ensemble de gènes de référence, pour lesquels on a γ = Test de la pente : t obs = t obs = 1.567, t 7,0.05 = t obs < t 7,0.05 : On conserve H 0 au risque β inconnu, a = γ. 81 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
83 Décomposition de variance et test de linéarité Table des matières 1 Présentation du cours de biostatistiques et bioinformatique 2 Variables aléatoires et lois de probabilité 3 Statistiques descriptives, estimation et intervalles de confiance 4 Tests de comparaison de moyennes et de proportions 5 Tests du χ 2 6 ANOVA 1 7 ANOVA 2 8 Analyse bivariée et corrélation 9 Modèle et régression linéaire 10 Décomposition de variance et test de linéarité 82 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
84 Décomposition de variance et test de linéarité Le retour des marmottes du Jedi Quel test effectuer? ANOVA1 ou test de corrélation linéaire? Lequel est le plus général? Année Poids (kgs) Biostatistiques L2
85 Décomposition de variance et test de linéarité Graphiquement Modèle linéaire Modèle ANOVA 1 Y écart résiduel écart expliqué y i y^i y y i y i y écart résiduel écart expliqué x x i X 84 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
86 Biostatistiques L2 Décomposition de variance et test de linéarité Exemple d interprétation graphique Y Y=aX+b Y Y=cte x 1 x i x p Les 2 tests sont significatifs, η 2 R 2 : Relation fortement linéaire. X x 1 x i x p Le test de l ANOVA 1 est significatif, mais pas le test de linéarité, η 2 R 2 : Relation non linéaire. X 85 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
87 Décomposition de variance et test de linéarité L Empire des marmottes contre-attaque Poids (kgs) Année 86 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
88 Décomposition de variance et test de linéarité L ultime sacrifice des marmottes fantômes Analyse par ANOVA 1. Variabilité ddl SCE CM F obs F seuil (α = 0.05) Totale Intra Inter On peut donc conclure, au risque de 5%, que le facteur temps a bien un effet sur le poids des marmottes. 87 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
89 Décomposition de variance et test de linéarité Les marmottes des étoiles : nouvelle génération Analyse de linéarité. Variabilité ddl SCE CM F obs F seuil (α = 0.05) Inter (résiduelle) Expliquée Ecart à la régression F obs est inférieur à 1 (et donc à fortiori à F seuil ), on doit donc conserver H 0 et accepter la linéarité du poids des marmottes avec le temps. 88 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
90 Décomposition de variance et test de linéarité En guise de conclusion générale... Vous devriez maintenant savoir : Quand et comment faire les tests correspondants aux situations biologiques classiques. Qu il est vous possible de suivre (de réaliser?) un calcul théorique simple de quelques lignes. Qu on peut faire des statistiques en manipulant des concepts et pas des nombres. Si ces cours vous ont intéressé, rendez-vous en L3, et pourquoi pas en MIV? May the stats be with you. 89 marc.bailly-bechet@univ-lyon1.fr Biostatistiques L2
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 détailAnalyse 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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailAnalyses 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 détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCours (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 détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailEstimation 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCONCOURS 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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailTESTS 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 détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailFiche d utilisation du logiciel. 1 - Installation. J. Thioulouse & D. Chessel
Fiche d utilisation du logiciel 1 - Installation J. Thioulouse & D. Chessel Résumé Cette fiche est une introduction à l'utilisation du logiciel R pour les trois environnements Unix, Windows et MacOS. Plan
Plus en détailUNIVERSITE DE TOULON UFR FACULTE DE DROIT REGLEMENT D EXAMEN ANNEE 2012/2017 LICENCE DROIT MENTION DROIT GENERAL
UNIVERSITE DE TOULON UFR FACULTE DE DROIT REGLEMENT D EXAMEN ANNEE 01/017 LICENCE DROIT MENTION DROIT GENERAL Les présentes règles s inscrivent dans le cadre réglementaire national défini par les tetes
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailELEC2753 Electrotechnique examen du 11/06/2012
ELEC2753 Electrotechnique examen du 11/06/2012 Pour faciliter la correction et la surveillance, merci de répondre aux 3 questions sur des feuilles différentes et d'écrire immédiatement votre nom sur toutes
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailPROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux
PROGRAMME DETAILLE du Master IRS Parcours en première année en apprentissage Unités d Enseignement (UE) 1 er semestre ECTS Charge de travail de l'étudiant Travail personnel Modalités de contrôle des connaissances
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailEvaluation 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 détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailStatistiques et traitement des données
Statistiques et traitement des données Mention : Mathématiques Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 2 ans Crédits ECTS : 120 Formation accessible en
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détail