C. Lalanne. 22 février 2005 LENA, CNRS UPR 640. C. Lalanne. Introduction
|
|
- Coraline Roberge
- il y a 7 ans
- Total affichages :
Transcription
1 Statistiques Appliquées à l Expérimentation en Sciences Humaines LENA, CNRS UPR février 2005 Analyse
2 Objectifs : recueillir recueil et traitement de données numériques décrire production de résumés numériques et graphiques synthétiques inférer analyse inférentielle Organisation : ce qui sera traité. ce qui sera survolé. ce qui ne sera pas traité. s il reste du temps, s il y a des questions... Analyse
3 Objectifs : recueillir recueil et traitement de données numériques décrire production de résumés numériques et graphiques synthétiques inférer analyse inférentielle Organisation : ce qui sera traité. ce qui sera survolé. ce qui ne sera pas traité. s il reste du temps, s il y a des questions... Analyse
4 Objectifs : recueillir recueil et traitement de données numériques décrire production de résumés numériques et graphiques synthétiques inférer analyse inférentielle Organisation : ce qui sera traité. ce qui sera survolé. ce qui ne sera pas traité. s il reste du temps, s il y a des questions... Analyse
5 Objectifs : recueillir recueil et traitement de données numériques décrire production de résumés numériques et graphiques synthétiques inférer analyse inférentielle Organisation : ce qui sera traité. ce qui sera survolé. ce qui ne sera pas traité. s il reste du temps, s il y a des questions... Analyse
6 résumer transformer les données brutes en un ensemble d indicateurs descriptifs (échantillon) décrire caractériser la distribution des observations (univarié), comparer les distributions (multivarié) et analyser les effets des facteurs en fonction du type de variable (quantitative/quantitative, quantitative/qualitative, etc.) (échantillon) expliquer / prédire généraliser les résultats observés sur la population non observée, expliquer la variabilité, prédire des valeurs non observées en fonction d un modèle linéaire (population) Analyse
7 résumer transformer les données brutes en un ensemble d indicateurs descriptifs (échantillon) décrire caractériser la distribution des observations (univarié), comparer les distributions (multivarié) et analyser les effets des facteurs en fonction du type de variable (quantitative/quantitative, quantitative/qualitative, etc.) (échantillon) expliquer / prédire généraliser les résultats observés sur la population non observée, expliquer la variabilité, prédire des valeurs non observées en fonction d un modèle linéaire (population) Analyse
8 résumer transformer les données brutes en un ensemble d indicateurs descriptifs (échantillon) décrire caractériser la distribution des observations (univarié), comparer les distributions (multivarié) et analyser les effets des facteurs en fonction du type de variable (quantitative/quantitative, quantitative/qualitative, etc.) (échantillon) expliquer / prédire généraliser les résultats observés sur la population non observée, expliquer la variabilité, prédire des valeurs non observées en fonction d un modèle linéaire (population) Analyse
9 situation expérimentale situation contrôlée - effet exclusif du ou des facteur(s) d étude (hypothèse générale) protocole expérimental formaliser cette situation expérimentale à l aide de méthodes spécifiques d allocation des sujets et de répartition des conditions expérimentales notion de plan expérimental (hypothèse(s) opérationnelle(s)) Analyse
10 situation expérimentale situation contrôlée - effet exclusif du ou des facteur(s) d étude (hypothèse générale) protocole expérimental formaliser cette situation expérimentale à l aide de méthodes spécifiques d allocation des sujets et de répartition des conditions expérimentales notion de plan expérimental (hypothèse(s) opérationnelle(s)) Analyse
11 un peu de vocabulaire... observation, effectif, individu, unité statistique échantillon, groupe, population (parente ou ) variable, facteur, caractère niveau, modalité, traitement Analyse
12 variable = constituée d un ensemble de modalités mutuellement exclusives définissant son domaine de variation. variables qualitative ou quantitative - ordinale, nominale, dichotomisée - discrète, continue variables dépendante et indépendante - VD = variable mesurée - VI = variable manipulée (invoquée ou provoquée) Analyse
13 variable = constituée d un ensemble de modalités mutuellement exclusives définissant son domaine de variation. variables qualitative ou quantitative - ordinale, nominale, dichotomisée - discrète, continue variables dépendante et indépendante - VD = variable mesurée - VI = variable manipulée (invoquée ou provoquée) Analyse
14 différentes méthodes d allocation des sujets dans différentes conditions expérimentales définies par les variables de l étude (i.e. facteurs) groupes indépendants individus différents dans les groupes (ou conditions) (pas de corrélation entre résultats) groupes appariés mêmes individus dans les différentes conditions (corrélation inter-conditions liée à l appariement) mesures répétées chaque i-ème individu passe toutes les conditions ( généralisation de l appariement) Intérêt : décomposer les différentes sources de variation de la VD variabilité expliquée par le(s) facteur(s) vs. fluctuations aléatoires Analyse
15 différentes méthodes d allocation des sujets dans différentes conditions expérimentales définies par les variables de l étude (i.e. facteurs) groupes indépendants individus différents dans les groupes (ou conditions) (pas de corrélation entre résultats) groupes appariés mêmes individus dans les différentes conditions (corrélation inter-conditions liée à l appariement) mesures répétées chaque i-ème individu passe toutes les conditions ( généralisation de l appariement) Intérêt : décomposer les différentes sources de variation de la VD variabilité expliquée par le(s) facteur(s) vs. fluctuations aléatoires Analyse
16 différentes méthodes d allocation des sujets dans différentes conditions expérimentales définies par les variables de l étude (i.e. facteurs) groupes indépendants individus différents dans les groupes (ou conditions) (pas de corrélation entre résultats) groupes appariés mêmes individus dans les différentes conditions (corrélation inter-conditions liée à l appariement) mesures répétées chaque i-ème individu passe toutes les conditions ( généralisation de l appariement) Intérêt : décomposer les différentes sources de variation de la VD variabilité expliquée par le(s) facteur(s) vs. fluctuations aléatoires Analyse
17 Formalisme particulier 2 notions pour les relations k-aires entre variables : relation d emboîtement S < G > relation de croisement S T e.g. un facteur de groupement/classification (sexe des sujets) et un facteur croisé (type d items présenté) plan : S < A > B - facteurs élémentaires = A, B, S(A) - termes d interaction = AB, BS(A) Analyse
18 Formalisme particulier 2 notions pour les relations k-aires entre variables : relation d emboîtement S < G > relation de croisement S T e.g. un facteur de groupement/classification (sexe des sujets) et un facteur croisé (type d items présenté) plan : S < A > B - facteurs élémentaires = A, B, S(A) - termes d interaction = AB, BS(A) Analyse
19 Formalisme particulier 2 notions pour les relations k-aires entre variables : relation d emboîtement S < G > relation de croisement S T e.g. un facteur de groupement/classification (sexe des sujets) et un facteur croisé (type d items présenté) plan : S < A > B - facteurs élémentaires = A, B, S(A) - termes d interaction = AB, BS(A) Analyse
20 2 exemples de plans classiques : plan factoriel plan en carré latin permet de ventiler les conditions au travers d un nombre optimal de sujets Analyse
21 2 exemples de plans classiques : plan factoriel plan en carré latin permet de ventiler les conditions au travers d un nombre optimal de sujets Analyse
22 2 exemples de plans classiques : plan factoriel plan en carré latin permet de ventiler les conditions au travers d un nombre optimal de sujets Analyse
23 e.g. 2 facteurs A et B à 2 et 3 modalités : S 3 < A 2 B 3 > ou S 6 < B 3 > A 2 et carré latin à 3 facteurs A 2 B 3 s7, s8, s9 s10, s11, s12 s1, s2, s3 s4, s5, s6 s13, s14, s15 s16, s17, s18 A 2 B 3 s4, s5, s6 s4, s5, s6 s1, s2, s3 s1, s2, s3 s7, s8, s9 s7, s8, s9 B 3 A 3 a2b1c2 a2b2c3 a2b3c1 a1b1c1 a1b2c2 a1b3c3 a3b1c3 a3b2c1 a3b3c2 Analyse
24 résumer l information - codage, recodage des données - différentes représentations numériques : effectifs, effectifs cumulés, fréquences, fréquences cumulées,... - différents indicateurs de synthèse : tendance centrale, dispersion,... - différentes représentations graphiques : diagramme en bâtonnets, histogrammes, boîtes à moustaches,... décrire l information - situer un individu (ou une observation) dans la distribution d effectifs (cas univarié) - caractériser les liaisons entre variables (cas bivarié) L analyse univariée précède toujours l analyse bivariée! étape préalable indispensable à l analyse inférentielle Analyse
25 résumer l information - codage, recodage des données - différentes représentations numériques : effectifs, effectifs cumulés, fréquences, fréquences cumulées,... - différents indicateurs de synthèse : tendance centrale, dispersion,... - différentes représentations graphiques : diagramme en bâtonnets, histogrammes, boîtes à moustaches,... décrire l information - situer un individu (ou une observation) dans la distribution d effectifs (cas univarié) - caractériser les liaisons entre variables (cas bivarié) L analyse univariée précède toujours l analyse bivariée! étape préalable indispensable à l analyse inférentielle Analyse
26 résumer l information - codage, recodage des données - différentes représentations numériques : effectifs, effectifs cumulés, fréquences, fréquences cumulées,... - différents indicateurs de synthèse : tendance centrale, dispersion,... - différentes représentations graphiques : diagramme en bâtonnets, histogrammes, boîtes à moustaches,... décrire l information - situer un individu (ou une observation) dans la distribution d effectifs (cas univarié) - caractériser les liaisons entre variables (cas bivarié) L analyse univariée précède toujours l analyse bivariée! étape préalable indispensable à l analyse inférentielle Analyse
27 résumer l information - codage, recodage des données - différentes représentations numériques : effectifs, effectifs cumulés, fréquences, fréquences cumulées,... - différents indicateurs de synthèse : tendance centrale, dispersion,... - différentes représentations graphiques : diagramme en bâtonnets, histogrammes, boîtes à moustaches,... décrire l information - situer un individu (ou une observation) dans la distribution d effectifs (cas univarié) - caractériser les liaisons entre variables (cas bivarié) L analyse univariée précède toujours l analyse bivariée! étape préalable indispensable à l analyse inférentielle Analyse
28 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
29 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
30 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
31 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
32 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
33 cas univarié indicateurs de tendance centrale indicateurs de dispersion indicateurs de forme de la distribution cas bivarié indicateurs de différence : variables quantitative/qualitative indicateurs : variables quantitative/quantitative indicateurs : variables quantitative/qualitative Analyse
34 Mode valeur de la variable étudiée associée au plus grand nombre d observations e.g. âges (arrondis à l année) relevés dans une classe : mode = 16 (observé 6 fois) variables ordinales Médiane valeur telle que 50 % des effectifs sont situés avant med = 16 (var discrète : calcul à partir des effectifs cumulés) variables nominales, quantitatives (discrètes/continues) Analyse
35 Mode valeur de la variable étudiée associée au plus grand nombre d observations e.g. âges (arrondis à l année) relevés dans une classe : mode = 16 (observé 6 fois) variables ordinales Médiane valeur telle que 50 % des effectifs sont situés avant med = 16 (var discrète : calcul à partir des effectifs cumulés) variables nominales, quantitatives (discrètes/continues) Analyse
36 Méthode de calcul de la médiane cas discret : à partir des effectifs cumulés N i e.g. effectifs d une classe de neige en fonction de l âge x i n i N i f i F i rang médian (n/2 ou n/2 + 1 suivant la parité de n) - médiane = valeur VD correspondante au rang médian ici, rang médian = 13.5 med = 16 Analyse
37 Illustration sur un histogramme (e.g. même type de données regroupées par classe) : cas continu : formule d interpolation [ ( n x med = x 2 med + N ] med 1) h n med formule d accroissement appliquée aux données représentées sur une courbe des effectifs cumulés Analyse
38 Moyenne arithmétique centre de gravité, quantification ou x = 1 n x = n i=1 x i n p i x i i=1 avec p i = n i /n > 0 et i p i = 1. Remarque. Autres types de moyenne (géométrique, harmonique, quadratique)... Analyse
39 Comment quantifier la dispersion des notes autour des indicateurs de tendance centrale? e.g. différentes mesures des écarts associés aux valeurs centrales (médiane et moyenne) Analyse
40 Étendue - écart entre valeur max et valeur min - sensible aux valeurs extrêmes Intervalle inter-quantile - écart entre 1er et 3ème quartile - moins sensible aux valeurs extrêmes Écarts à la moyenne - (x i x) ou x i x - indices relatifs, ne renseignent que sur les écarts locaux - sensible aux valeurs extrêmes Écart moyen (EAM) - moyenne des écarts absolus à la moyenne : EAM = 1 n n x i x i=1 - sensible aux valeurs extrêmes Analyse
41 Étendue - écart entre valeur max et valeur min - sensible aux valeurs extrêmes Intervalle inter-quantile - écart entre 1er et 3ème quartile - moins sensible aux valeurs extrêmes Écarts à la moyenne - (x i x) ou x i x - indices relatifs, ne renseignent que sur les écarts locaux - sensible aux valeurs extrêmes Écart moyen (EAM) - moyenne des écarts absolus à la moyenne : EAM = 1 n n x i x i=1 - sensible aux valeurs extrêmes Analyse
42 Étendue - écart entre valeur max et valeur min - sensible aux valeurs extrêmes Intervalle inter-quantile - écart entre 1er et 3ème quartile - moins sensible aux valeurs extrêmes Écarts à la moyenne - (x i x) ou x i x - indices relatifs, ne renseignent que sur les écarts locaux - sensible aux valeurs extrêmes Écart moyen (EAM) - moyenne des écarts absolus à la moyenne : EAM = 1 n n x i x i=1 - sensible aux valeurs extrêmes Analyse
43 Étendue - écart entre valeur max et valeur min - sensible aux valeurs extrêmes Intervalle inter-quantile - écart entre 1er et 3ème quartile - moins sensible aux valeurs extrêmes Écarts à la moyenne - (x i x) ou x i x - indices relatifs, ne renseignent que sur les écarts locaux - sensible aux valeurs extrêmes Écart moyen (EAM) - moyenne des écarts absolus à la moyenne : EAM = 1 n n x i x i=1 - sensible aux valeurs extrêmes Analyse
44 Somme des carrés des écarts - (x i x) 2 - sensible aux valeurs extrêmes - propriétés intéressantes : écarts quadratiques Variance - moyenne des écarts quadratiques - formule : V (x) = 1 n (x i x) 2 n i=1 - sensible aux valeurs extrêmes - non-interprétable dans l unité de mesure, mais propriétés intéressantes pour l inférence Analyse
45 Somme des carrés des écarts - (x i x) 2 - sensible aux valeurs extrêmes - propriétés intéressantes : écarts quadratiques Variance - moyenne des écarts quadratiques - formule : V (x) = 1 n (x i x) 2 n i=1 - sensible aux valeurs extrêmes - non-interprétable dans l unité de mesure, mais propriétés intéressantes pour l inférence Analyse
46 Écart-type - racine carrée de la variance - sensible aux valeurs extrêmes - exprimé dans l unité de mesure Coefficient de variation - pondération de l écart-type en fonction de la moyenne - formule : cv x = σ x x utile pour la comparaison de groupes non-homogènes du point de vue de leurs moyennes Analyse
47 Écart-type - racine carrée de la variance - sensible aux valeurs extrêmes - exprimé dans l unité de mesure Coefficient de variation - pondération de l écart-type en fonction de la moyenne - formule : cv x = σ x x utile pour la comparaison de groupes non-homogènes du point de vue de leurs moyennes Analyse
48 différents moyens d étude : alignement des indicateurs de tendance centrale e.g. mode < médiane < moyenne : asymétrie à droite indicateurs caractéristiques (moments centrés d ordre 3 et 4) Coefficient d asymétrie moyenne des cubes des valeurs centrées-réduites des observations symétrie relative de la distribution d effectifs par rapport à la moyenne Coefficient d aplatissement moyenne des puissances quatrièmes des observations centrées-réduites mesure de dispersion exprimée en fonction de la valeur de la moyenne ± son écart-type Remarque. toujours en référence à une distribution normale Analyse
49 différents moyens d étude : alignement des indicateurs de tendance centrale e.g. mode < médiane < moyenne : asymétrie à droite indicateurs caractéristiques (moments centrés d ordre 3 et 4) Coefficient d asymétrie moyenne des cubes des valeurs centrées-réduites des observations symétrie relative de la distribution d effectifs par rapport à la moyenne Coefficient d aplatissement moyenne des puissances quatrièmes des observations centrées-réduites mesure de dispersion exprimée en fonction de la valeur de la moyenne ± son écart-type Remarque. toujours en référence à une distribution normale Analyse
50 Différence entre deux échantillons quantifier une différence, du point de vue d une variable quantitative, entre deux échantillons définis par une variable qualitative (facteur) : notion d effet d un facteur effet moyen d obs - d obs = x 1 x 2 - interprétation sens et ampleur (critères sémantiques) effet calibré EC - EC = d obs /s (s = variance intra) - interprétation sens et ampleur (critères psychométriques) - Critères psychométriques : - EC < 1/3, l effet est considéré comme faible ; - 1/3 EC 2/3, l effet est considéré comme intermédiaire ; - EC > 2/3, l effet est considéré comme important. Analyse
51 Différence entre deux échantillons quantifier une différence, du point de vue d une variable quantitative, entre deux échantillons définis par une variable qualitative (facteur) : notion d effet d un facteur effet moyen d obs - d obs = x 1 x 2 - interprétation sens et ampleur (critères sémantiques) effet calibré EC - EC = d obs /s (s = variance intra) - interprétation sens et ampleur (critères psychométriques) - Critères psychométriques : - EC < 1/3, l effet est considéré comme faible ; - 1/3 EC 2/3, l effet est considéré comme intermédiaire ; - EC > 2/3, l effet est considéré comme important. Analyse
52 Liaison var. quantitative/quantitative liaison entre 2 variables numériques continues : association linéaire Attention : pas nécessairement de relation de causalité entre les variables! 2 indicateurs : covariance cov(x, y) = i (x i x)(y i ȳ) coefficient de corrélation linéaire (Bravais Pearson) r xy = cov(x, y) σ x σ y r 1 Analyse
53 Liaison var. quantitative/quantitative mesurent le degré d association linéaire r xy est plus facilement interprétable car indicateur borné On distinguera le sens de la liaison (signe de r) et son ampleur (valeur absolue de r) Critères (psychométriques) : - r < 0.20 : corrélation faible - r > 0.40 : corrélation forte (dépend également du contexte) Analyse
54 Liaison var. quantitative/quantitative Autre indicateur : coefficient de détermination R 2 = r 2 xy indique la part de variabilité de Y expliquée par la prise en compte de la liaison linéaire Critères (psychométriques) : - 0 R 2 < 0.04 : R 2 faible R : R 2 intermédiaire - R 2 > 0.16 : R 2 important Analyse
55 Liaison var. quantitative/quantitative Ne pas négliger l interprétation graphique... Analyse
56 Liaison var. quantitative/quantitative... tout en prenant garde aux unités des axes! Analyse
57 Liaison var. quantitative/qualitative variabilité totale observée sur n sujets répartis en plusieurs groupes (facteur) : V totale = V inter + V intra i.e. fluctuations inter-groupes (V inter ) et intra-groupes (V intra ) Qauntification de la liaison entre la variable qualitative (facteur) et les réponses observées (variable quantitative quelconque)? η 2, rapport de variance η 2 = V inter V totale mesure analogue au coefficient de détermination ; mêmes critères d interprétation... Analyse
58 Objectifs des procédures inférentielles - échantillon extrait d une population parente non observée - effet moyen d un ou plusieurs facteurs sur VD mesurée au travers de cette échantillon - généralisation à la population parente : effet parent? estimation paramètres de population décision concernant un modèle probabiliste Analyse
59 Objectifs des procédures inférentielles - échantillon extrait d une population parente non observée - effet moyen d un ou plusieurs facteurs sur VD mesurée au travers de cette échantillon - généralisation à la population parente : effet parent? estimation paramètres de population décision concernant un modèle probabiliste Analyse
60 Formalisme notations : - échantillon : x, s 2,... - population : µ, σ,... notions d estimateur : estimer les paramètres de population à partir de l échantillon... moyenne empirique x = estimateur sans biais de la moyenne de population µ mais variance classique doit être corrigée car sous-estime la variance de population (estimateur biaisé) : s 2 = variance classique avec dénominateur à n 1 estimation ponctuelle Analyse
61 Formalisme notations : - échantillon : x, s 2,... - population : µ, σ,... notions d estimateur : estimer les paramètres de population à partir de l échantillon... moyenne empirique x = estimateur sans biais de la moyenne de population µ mais variance classique doit être corrigée car sous-estime la variance de population (estimateur biaisé) : s 2 = variance classique avec dénominateur à n 1 estimation ponctuelle Analyse
62 Formalisme notations : - échantillon : x, s 2,... - population : µ, σ,... notions d estimateur : estimer les paramètres de population à partir de l échantillon... moyenne empirique x = estimateur sans biais de la moyenne de population µ mais variance classique doit être corrigée car sous-estime la variance de population (estimateur biaisé) : s 2 = variance classique avec dénominateur à n 1 estimation ponctuelle Analyse
63 Loi normale loi normale N (µ; σ) = loi continue à 2 paramètres, très utilisée en statistiques et en calcul des probabilités f (x) = 1 σ 2π e (x µ) 2 2σ 2 forme de la distribution d échantillonnage de la moyenne : X N (µ; σ/ n) Remarque. loi (faible) des grands nombres, théorème central limite... Analyse
64 Loi normale loi normale N (µ; σ) = loi continue à 2 paramètres, très utilisée en statistiques et en calcul des probabilités f (x) = 1 σ 2π e (x µ) 2 2σ 2 forme de la distribution d échantillonnage de la moyenne : X N (µ; σ/ n) Remarque. loi (faible) des grands nombres, théorème central limite... Analyse
65 Loi normale loi normale N (µ; σ) = loi continue à 2 paramètres, très utilisée en statistiques et en calcul des probabilités f (x) = 1 σ 2π e (x µ) 2 2σ 2 forme de la distribution d échantillonnage de la moyenne : X N (µ; σ/ n) Remarque. loi (faible) des grands nombres, théorème central limite... Analyse
66 Loi normale loi normale centrée-réduite N (0; 1) : z i = x i x σ Avantage : la fonction de répartition est tabulée ; on connaît donc la proportion des valeurs situées avant une certaine valeur Analyse
67 Loi normale loi normale centrée-réduite N (0; 1) : z i = x i x σ Avantage : la fonction de répartition est tabulée ; on connaît donc la proportion des valeurs situées avant une certaine valeur Analyse
68 Calcul élémentaire de probabilités e.g. distribution théorique de la taille des individus (sexe masculin, nationalité française, âge ans) = N (170; 10) P(X < 185) = P(Z < ) = P(X > 198) = 1 P(X < 198) = 1 P(Z < ) = P(174 < X < 186) = P(X < 186) P(X < 174) = P(Z < ) P(Z < ) = Analyse
69 Calcul élémentaire de probabilités e.g. distribution théorique de la taille des individus (sexe masculin, nationalité française, âge ans) = N (170; 10) P(X < 185) = P(Z < ) = P(X > 198) = 1 P(X < 198) = 1 P(Z < ) = P(174 < X < 186) = P(X < 186) P(X < 174) = P(Z < ) P(Z < ) = Analyse
70 Intervalles de confiance - PP connue X N (µ; σ/ n) alors la statistique Z = x µ σ/ N (0; 1) n et P( z α/2 Z z α/2 ) = 1 α d où IC 100(1 α) = [ X zα/2 σ/ n; X + z α/2 σ/ n ] Analyse
71 Intervalles de confiance - PP connue X N (µ; σ/ n) alors la statistique Z = x µ σ/ N (0; 1) n et P( z α/2 Z z α/2 ) = 1 α d où IC 100(1 α) = [ X zα/2 σ/ n; X + z α/2 σ/ n ] Analyse
72 Intervalles de confiance - PP connue X N (µ; σ/ n) alors la statistique Z = x µ σ/ N (0; 1) n et P( z α/2 Z z α/2 ) = 1 α d où IC 100(1 α) = [ X zα/2 σ/ n; X + z α/2 σ/ n ] Analyse
73 Intervalles de confiance - PP inconnue σ inconnue... même raisonnement mais avec la statistique T = X µ S/ n T (n 1) loi de Student intervalle de confiance construit de manière identique : IC 100(1 α) = [ X tα/2 S/ n; X + t α/2 S/ n ] avec S comme estimé de la variance parente. Analyse
74 Intervalles de confiance - PP inconnue σ inconnue... même raisonnement mais avec la statistique T = X µ S/ n T (n 1) loi de Student intervalle de confiance construit de manière identique : IC 100(1 α) = [ X tα/2 S/ n; X + t α/2 S/ n ] avec S comme estimé de la variance parente. Analyse
75 Intervalles de confiance - PP inconnue σ inconnue... même raisonnement mais avec la statistique T = X µ S/ n T (n 1) loi de Student intervalle de confiance construit de manière identique : IC 100(1 α) = [ X tα/2 S/ n; X + t α/2 S/ n ] avec S comme estimé de la variance parente. Analyse
76 Intervalles de confiance - PP inconnue σ inconnue... même raisonnement mais avec la statistique T = X µ S/ n T (n 1) loi de Student intervalle de confiance construit de manière identique : IC 100(1 α) = [ X tα/2 S/ n; X + t α/2 S/ n ] avec S comme estimé de la variance parente. Analyse
77 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
78 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
79 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
80 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
81 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
82 Principe des tests statistiques test d hypothèse : schéma d inférence statistiques et lois de distribution type d hypothèse alternative (orientée ou non) risque d erreur et seuil de décision, puissance des tests conditions d application (paramétriques vs. non-paramétriques), robustesse des tests interprétation Test de typicalité Analyse
83 différentes techniques en fonction du type de variables, et en fonction du protocole expérimental... 1 ou 2 échantillon(s) : comparaison de moyennes 1 var. quantitative/1 var. qualitative : ANOVA à un seul facteur (modèles I et II) 1 var. quantitative/p var. qualitatives : ANOVA à plusieurs facteurs (modèles I, II, III ; plan factoriel/hiérarchique/bloc/mesures répétées) 1 var. quantitative/1 var. quantitative : Corrélation/Régression 1 var. quantitative/p var. quantitatives : Régression multiple 2 var. quantitatives/1 var. qualitative : Analyse de Covariance Analyse
84 p var. quantitatives/q var. qualitatives : Analyse de variance multivariée 1 var. qualitative/p var. quantitatives : Analyse Discriminante 1 var qualitative/p var. qualitatives : Régression logistique sans oublier les méthodes d analyse factorielle simples et multiples, sans visée inférentielle : ACP, AFC, ACM, etc. Analyse
85 Analyse
86 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
87 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
88 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
89 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
90 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
91 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
92 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
93 Données. - 1 VD numérique quelconque - 1 échantillon sélectionné au hasard, n observations ( x, s x ) Question. L échantillon observé provient-il de la même population que la population? (test de conformité) Conditions d applications. normalité Hypothèses. H 0 : µ = µ 0 ; H 1 : µ µ 0 (non orientée) ou H 1 : µ > µ 0 (orientée) ou H 1 : µ < µ 0 (orientée) Remarque. H 0 : µ = µ 0 µ µ 0 = 0 H 1 : µ > µ 0 µ µ 0 > 0 Analyse
94 Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X = P n i=1 (x i x) 2 n 1 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = X µ 0 s X n (variance corrigée de l échantillon) loi de Student a (n 1) dl Analyse
95 Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X = P n i=1 (x i x) 2 n 1 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = X µ 0 s X n (variance corrigée de l échantillon) loi de Student a (n 1) dl Analyse
96 Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X = P n i=1 (x i x) 2 n 1 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = X µ 0 s X n (variance corrigée de l échantillon) loi de Student a (n 1) dl Analyse
97 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
98 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
99 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
100 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
101 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
102 Echantillons indépendants Données. - 1 VD numérique quelconque - 2 échantillons indépendants sélectionnés au hasard, n 1 et n 2 observations ( x 1, s x1, x 2, s x2 ) indépendants = pas de corrélation entre les deux séries d observations (2 groupes de sujets différents) Question. Les échantillons observés proviennent-ils de la même population parente ou de populations ayant des caractéristiques similaires? Conditions d applications. normalité (iid) homogénéité des variances (homoscédasticité) Hypothèses. H 0 : µ 1 = µ 2 ; H 1 : µ 1 µ 2 (non orientée) ou H 1 : µ 1 > µ 2 (orientée) ou H 1 : µ 1 < µ 2 (orientée) Analyse
103 Echantillons indépendants Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X1 X 2 commune) = s2 c n 1 + s2 c n 2 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = t obs = X 1 X 2 s X1 X 2 où s 2 c = SC1+SC2 ν 1+ν 2 (variance loi de Student a (n 1 + n 2 2) dl Analyse
104 Echantillons indépendants Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X1 X 2 commune) = s2 c n 1 + s2 c n 2 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = t obs = X 1 X 2 s X1 X 2 où s 2 c = SC1+SC2 ν 1+ν 2 (variance loi de Student a (n 1 + n 2 2) dl Analyse
105 Echantillons indépendants Seuil de décision. - H 1 non-orientée test bilatéral, risque de première espèce α - H 1 orientée test unilatéral, risque de première espèce α/2 Statistique de test. avec s X1 X 2 commune) = s2 c n 1 + s2 c n 2 Décision. rejet H 0 ssi t obs > t α,n 1 t obs = t obs = X 1 X 2 s X1 X 2 où s 2 c = SC1+SC2 ν 1+ν 2 (variance loi de Student a (n 1 + n 2 2) dl Analyse
106 Test approximatif de Welch si hypothèse d homoscédasticité non vérifiée : Statistique de test. t obsw = X 1 X 2 s 2 1 n 1 + s2 2 n 2 à comparer à la distribution du t de Student avec ν = «s n + s2 2 1 n2 s 1 2! 2 n 1 n s 2 2! 2 n 2 n 2 1 ddl Analyse
107 Echantillons appariés même principe général, sauf que l on prend en compte l appariement des observations... On se ramène au cas de la comparaison d un échantillon à une moyenne théorique en dérivant le protocole par différence, et en posant H 0 : µ 1 µ 2 = 0 vs. H 1 : µ 1 µ 2 0 (non orientée) Statistique de test. t obs = X 1 X 2 sd 2 n où sd 2 est la variance (estimée) de l échantillon dérivé par différence. Remarque. sd 2 = s2 1 + s2 2 2ρs 1s 2 Analyse
108 Echantillons appariés même principe général, sauf que l on prend en compte l appariement des observations... On se ramène au cas de la comparaison d un échantillon à une moyenne théorique en dérivant le protocole par différence, et en posant H 0 : µ 1 µ 2 = 0 vs. H 1 : µ 1 µ 2 0 (non orientée) Statistique de test. t obs = X 1 X 2 sd 2 n où sd 2 est la variance (estimée) de l échantillon dérivé par différence. Remarque. sd 2 = s2 1 + s2 2 2ρs 1s 2 Analyse
109 Echantillons appariés même principe général, sauf que l on prend en compte l appariement des observations... On se ramène au cas de la comparaison d un échantillon à une moyenne théorique en dérivant le protocole par différence, et en posant H 0 : µ 1 µ 2 = 0 vs. H 1 : µ 1 µ 2 0 (non orientée) Statistique de test. t obs = X 1 X 2 sd 2 n où sd 2 est la variance (estimée) de l échantillon dérivé par différence. Remarque. sd 2 = s2 1 + s2 2 2ρs 1s 2 Analyse
110 Alternatives non-paramétriques échantillons indépendants Wilcoxon-Mann-Whitney échantillons appariés Wilcoxon (test des signes) Analyse
111 Alternatives non-paramétriques échantillons indépendants Wilcoxon-Mann-Whitney échantillons appariés Wilcoxon (test des signes) Analyse
112 Lors d une expérimentation médicale, on a relevé le temps de sommeil de 10 patients sous l effet de deux médicaments. Chaque sujet a pris successivement l un et l autre des deux médicaments. Ces données ont été recueillies pour tester l hypothèse que le médicament m2 est plus efficace que le médicament m1. i1 i2 i3 i4 i5 i6 i7 i8 i9 i10 m m Analyse
113 Analyse
114 Analyse
115 H 0 : µ 2 = µ 1 vs. H 1 : µ 2 > µ 1 (hypothèse orientée) α = Procédure manuelle : t obs = d obs s 2 n = conclusion : test significatif, rejet H 0 = 4.06 > t 0.005,9 = Analyse
116 ANOVA d ordre 1 : Comparaison de k moyennes ANOVA = ANalysis Of VAriance généralisation de la comparaison de 2 moyennes à k moyennes 1 variable de classement = facteur à k modalités 2 questions : effet global du facteur? effets spécifiques du facteur? 2 techniques : ANOVA comparaisons multiples Analyse
117 ANOVA d ordre 1 : Comparaison de k moyennes ANOVA = ANalysis Of VAriance généralisation de la comparaison de 2 moyennes à k moyennes 1 variable de classement = facteur à k modalités 2 questions : effet global du facteur? effets spécifiques du facteur? 2 techniques : ANOVA comparaisons multiples Analyse
118 ANOVA d ordre 1 : Comparaison de k moyennes ANOVA = ANalysis Of VAriance généralisation de la comparaison de 2 moyennes à k moyennes 1 variable de classement = facteur à k modalités 2 questions : effet global du facteur? effets spécifiques du facteur? 2 techniques : ANOVA comparaisons multiples Analyse
119 Types d ANOVA différents modèles d ANOVA : modèle I : effets fixes modèle II : effets aléatoires modèle III : effets mixtes (uniquement pour les ANOVA à plusieurs facteurs) et différents types de plan : plan factoriel plan hiérarchique plan avec blocs plan avec mesures répétées avec ou sans réplication Analyse
120 Données Données. - 1 VD numérique quelconque - 1 VI qualitative (facteur à k modalités) : k échantillons indépendants sélectionnés au hasard, n k observations organisation dans un tableau : - observations en lignes - modalités du facteur en colonnes g 1 g 2... g i... g k X 11 X X i1... X k1 X 12 X X i2... X k2 X 13 X X i3... X k X 1j X 2j... X ij... X kj X 1n1 X 2n2... X ini... X 1 X 2... X i... X kni X k X Analyse
121 Données Données. - 1 VD numérique quelconque - 1 VI qualitative (facteur à k modalités) : k échantillons indépendants sélectionnés au hasard, n k observations organisation dans un tableau : - observations en lignes - modalités du facteur en colonnes g 1 g 2... g i... g k X 11 X X i1... X k1 X 12 X X i2... X k2 X 13 X X i3... X k X 1j X 2j... X ij... X kj X 1n1 X 2n2... X ini... X 1 X 2... X i... X kni X k X Analyse
122 Données Données. - 1 VD numérique quelconque - 1 VI qualitative (facteur à k modalités) : k échantillons indépendants sélectionnés au hasard, n k observations organisation dans un tableau : - observations en lignes - modalités du facteur en colonnes g 1 g 2... g i... g k X 11 X X i1... X k1 X 12 X X i2... X k2 X 13 X X i3... X k X 1j X 2j... X ij... X kj X 1n1 X 2n2... X ini... X 1 X 2... X i... X kni X k X Analyse
123 Test d hypothèse Conditions d application. résidus indépendants, distribués selon une loi normale N (0; σ) (σ = Cte) homogénéité des variances (homoscédasticité) A vérifier avant le test d hypothèse! - normalité : droite de Henry, test d ajustement à une loi normale (e.g. Shapiro-Wilks), tests généraux d adéquation (Kolmogorov-Smirnov, Anderson-Darling,...) - homoscédasticité : tests de Cochran, Bartlett, Hartley, Levene Remarque. Modèle I robuste aux déviations par rapport à normalité. Hypothèses. H 0 : µ 1 = µ 2 = µ 3 =... = µ k H 1 : µ 1 µ 2 ou µ 1 µ 3 ou µ 2 µ 3... Attention! H 0 stipule que toutes les moyennes sont égales, alors que H 1 sera acceptée si au moins une paire de moyennes diffère Analyse
124 Test d hypothèse Conditions d application. résidus indépendants, distribués selon une loi normale N (0; σ) (σ = Cte) homogénéité des variances (homoscédasticité) A vérifier avant le test d hypothèse! - normalité : droite de Henry, test d ajustement à une loi normale (e.g. Shapiro-Wilks), tests généraux d adéquation (Kolmogorov-Smirnov, Anderson-Darling,...) - homoscédasticité : tests de Cochran, Bartlett, Hartley, Levene Remarque. Modèle I robuste aux déviations par rapport à normalité. Hypothèses. H 0 : µ 1 = µ 2 = µ 3 =... = µ k H 1 : µ 1 µ 2 ou µ 1 µ 3 ou µ 2 µ 3... Attention! H 0 stipule que toutes les moyennes sont égales, alors que H 1 sera acceptée si au moins une paire de moyennes diffère Analyse
125 Test d hypothèse Conditions d application. résidus indépendants, distribués selon une loi normale N (0; σ) (σ = Cte) homogénéité des variances (homoscédasticité) A vérifier avant le test d hypothèse! - normalité : droite de Henry, test d ajustement à une loi normale (e.g. Shapiro-Wilks), tests généraux d adéquation (Kolmogorov-Smirnov, Anderson-Darling,...) - homoscédasticité : tests de Cochran, Bartlett, Hartley, Levene Remarque. Modèle I robuste aux déviations par rapport à normalité. Hypothèses. H 0 : µ 1 = µ 2 = µ 3 =... = µ k H 1 : µ 1 µ 2 ou µ 1 µ 3 ou µ 2 µ 3... Attention! H 0 stipule que toutes les moyennes sont égales, alors que H 1 sera acceptée si au moins une paire de moyennes diffère Analyse
126 Test d hypothèse Conditions d application. résidus indépendants, distribués selon une loi normale N (0; σ) (σ = Cte) homogénéité des variances (homoscédasticité) A vérifier avant le test d hypothèse! - normalité : droite de Henry, test d ajustement à une loi normale (e.g. Shapiro-Wilks), tests généraux d adéquation (Kolmogorov-Smirnov, Anderson-Darling,...) - homoscédasticité : tests de Cochran, Bartlett, Hartley, Levene Remarque. Modèle I robuste aux déviations par rapport à normalité. Hypothèses. H 0 : µ 1 = µ 2 = µ 3 =... = µ k H 1 : µ 1 µ 2 ou µ 1 µ 3 ou µ 2 µ 3... Attention! H 0 stipule que toutes les moyennes sont égales, alors que H 1 sera acceptée si au moins une paire de moyennes diffère Analyse
127 Test d hypothèse Conditions d application. résidus indépendants, distribués selon une loi normale N (0; σ) (σ = Cte) homogénéité des variances (homoscédasticité) A vérifier avant le test d hypothèse! - normalité : droite de Henry, test d ajustement à une loi normale (e.g. Shapiro-Wilks), tests généraux d adéquation (Kolmogorov-Smirnov, Anderson-Darling,...) - homoscédasticité : tests de Cochran, Bartlett, Hartley, Levene Remarque. Modèle I robuste aux déviations par rapport à normalité. Hypothèses. H 0 : µ 1 = µ 2 = µ 3 =... = µ k H 1 : µ 1 µ 2 ou µ 1 µ 3 ou µ 2 µ 3... Attention! H 0 stipule que toutes les moyennes sont égales, alors que H 1 sera acceptée si au moins une paire de moyennes diffère Analyse
128 Tableau d ANOVA Analyse. décomposition des sources de variabilité : V inter : variance dûe au facteur V intra : variance résiduelle Autre formulation : V totale = V inter + V intra (y ij ȳ) = (ȳ i ȳ) + (y ij ȳ i ) Analyse
129 Tableau d ANOVA Analyse. décomposition des sources de variabilité : V inter : variance dûe au facteur V intra : variance résiduelle Autre formulation : V totale = V inter + V intra (y ij ȳ) = (ȳ i ȳ) + (y ij ȳ i ) Analyse
130 - on travaillera préférentiellement avec les sommes des carrés (SC) et les ddl variance (estimée) = carré moyen (CM) = SC/ddl - tout est résumé dans le tableau d analyse de la variance : Variance SC dl CM F P Totale k P ni i=1 j=1 (X ij X ) 2 n-1 CMt=SCt/dl P Groupes k i=1 n i ( X i X ) 2 k-1 CMg=SCg/dl CMg/CMe P Erreur k P ni i=1 j=1 (X ij X i ) 2 n-k CMe=SCe/dl Analyse
131 - on travaillera préférentiellement avec les sommes des carrés (SC) et les ddl variance (estimée) = carré moyen (CM) = SC/ddl - tout est résumé dans le tableau d analyse de la variance : Variance SC dl CM F P Totale k P ni i=1 j=1 (X ij X ) 2 n-1 CMt=SCt/dl P Groupes k i=1 n i ( X i X ) 2 k-1 CMg=SCg/dl CMg/CMe P Erreur k P ni i=1 j=1 (X ij X i ) 2 n-k CMe=SCe/dl Analyse
132 Statistique de test Valeur de test. F obs = CMg CMe loi de Fisher Snedecor a (k 1, n k) dl Décision. rejet H 0 ssi F obs > F α,(ν1,ν 2) si rejet H 0, il faut étudier quelles sont les paires de moyennes significativement différentes comparaisons multiples Analyse
133 Comparaisons multiples différents types de comparaisons multiples : planifiées vs. non-planifiées idée = modifier la statistique du t ou ajuster seuil α car probabilité de commettre une erreur de type I augmente avec le nombre de comparaisons : 1 (1 α) m, avec m = k(k 1) 2 e.g. 5 comparaisons α = 0.40 plus de 15 tests de comparaisons multiples disponibles... Test de Bonferroni, LSD, Scheffé, Tukey, GT2, Student-Newman-Keuls, Duncan, Dunnett... Tukey < Newman-Keuls < Duncan (puissance) Analyse
Statistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
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 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 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 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 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 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 détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 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 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 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 détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
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 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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
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 détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
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 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 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 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 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 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 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 détailTests 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 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 détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
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 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 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 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 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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détailLa 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 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 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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
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 détailDocument 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 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 détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailApplication sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
Plus en détail23. 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détail1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLe chi carré. Le sommaire. Approche quantitative
Approche quantitative Le chi carré Les objectifs pédagogiques Définir le test du chi carré Déterminer la nature des données propres au chi carré Savoir calculer le chi carré Savoir déterminer les fréquences
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
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 détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailQuelques rappels concernant la méthode expérimentale
Quelques rappels concernant la méthode expérimentale 1. La Méthode expérimentale : Définition. Une définition classique de la méthode expérimentale est qu elle «correspond à la méthode d investigation
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détail