Analyse de la variance à deux facteurs : dispositif équilibré
|
|
- Élise Morency
- il y a 7 ans
- Total affichages :
Transcription
1 Analyse des données - Méthodes explicatives (STA102) Analyse de la variance à deux facteurs : dispositif équilibré Giorgio Russolillo Departement IMATH CNAM giorgio.russolillo@cnam.fr
2 Introduction Giorgio Russolillo STA102 2
3 Le problème On dispose d un échantillon de n individus sur lesquels on a observé 2 variables qualitatives (facteurs, x 1 et x 2 ) et une variable quantitative y. On veut étudier si les 2 facteurs ont un effet sur la variabilité de y facteurs var. quantitative Où : 2 ème facteur à J niveaux 1 er facteur à I niveaux Giorgio Russolillo STA102 3
4 Les notations i c est un des possibles niveaux du 1 er facteur, avec i = 1 I (n x 2) j c est un des possibles niveaux du 2 ème facteur, avec j = 1 J Chaque combinaison (i,j) définit un traitement et définit un «groupe»; en total on a I x J traitements n ij = nombre de répétions pour le traitement (i,j) dans chaque traitement k est l indice de répétition, k = 1 n ij Giorgio Russolillo STA102 4
5 Tableau des fréquences Niveaux du 2ème facteur 1 j J Tot. Niveaux di 1er facteur 1 n 11 n 1j n 1J n 1. i n i1 n ij n ij n i.... I n I1 n Ij n IJ n I. Tot. n. 1 n. j n. J n n i = J j=1 n ij i, j : n ij K Chaque traitement à été reçu pour le même nombre de répétitions K (constant) n j = i=1 n ij Giorgio Russolillo STA102 I Dispositif équilibré : Les effets des deux facteurs seront complètement distinguables, i.e. c est un dispositif orthogonal nombre total d observations J n = n j = n i = n ij j=1 i, j : n ij = n i n j n I i=1 i, j 5
6 Les notations Y ijk = valeur de la variable Y pour l individu k qui a reçu le traitement (i,j) Moyenne de la variable Y pour le traitement (i,j) Y j = 1 n j I n ij Y ijk i=1 k=1 Moyenne de la variable Y pour le niveau j du 2 ème facteur (n x 1) n ij k=1 Y ij = 1 n ij Y ijk Y = 1 n J j =1 Moyenne de la variable Y pour le niveau i du 1 er facteur I i=1 n ij k=1 Y ijk Y i = 1 n i Moyenne générale de la variable Y J n ij Y ijk j=1 k=1 Giorgio Russolillo STA102 6
7 Tableau des moyennes Niveaux du 2éme facteur 1 j J Tot. Niveaux du 1er facteur 1 Y 11 Y 1j Y 1J Y 1 i Y i1 Y ij Y ij Y i... I Y I1 Y Ij Y IJ Y I Tot. Y 1 Y j Y J Y Moyenne générale de Y pour le niveau i du 1 er facteur Moyenne générale de Y pour le niveau j du 2 ème facteur Moyenne générale de Y Moyenne de Y pour le traitement (i,j) Giorgio Russolillo STA102 7
8 Le modèle d analyse de la variance à deux facteur Giorgio Russolillo STA102 8
9 Le modèle d analyse de la variance à deux facteurs (1) Y ijk = µ ij + ε ijk { ε ijk } i.i.d. N ( 0,σ 2 ) à C est une généralisation du modèle de l analyse de la variance à 1 facteur où on fait apparaitre l effet du aux traitements Dans ce modèle on a : - Une espérance μ ij spécifique à chaque traitement - Une variance intra-traitement commune à tous les traitements Ce modèle ne fait pas apparaître explicitement les effets des différents facteurs Giorgio Russolillo STA102 9
10 Le modèle d analyse de la variance à deux facteurs (2) 1 + I + J + I*J paramètres à estimer facteurs var. quantitative Terme constant Effet principal du 1 er facteur Effet principal du 2 ème facteur Variable aléatoire Y ijk = µ +α i + β j + γ ij +ε ijk Terme d interaction, i.e. effet spécifique du traitement Terme résiduel aléatoire ( ) { ε ijk } i.i.d. N 0,σ 2 Giorgio Russolillo STA102 10
11 Le modèle d analyse de la variance à deux facteurs Y ijk = µ +α i + β j + γ ij +ε ijk µ ij { ε ijk } i.i.d. N ( 0,σ 2 ) Les valeurs de Y sont influencée par les deux effets principaux α i et β j des facteurs et par la présence du terme d interaction γ ij Giorgio Russolillo STA102 11
12 Ecriture matricielle du modèle Y = XΘ n I +1 +εn 1 [ n 1] [ ( )( J +1) ] [( I +1) ( J +1) 1] [ ] (Exemple avec I=2 et J=3) Partie relative à l effet principale du 2 ème Partie relative à facteur l interaction ε = n 1 ε 111! ε 11K ε 121! ε 12K ε 131! ε 13K ε 211! ε 21K ε 221! ε 22K ε 231! ε 23K Giorgio Russolillo STA102 12
13 Exemple : Les données On dispose d un échantillon de n = 24 effectifs Pour chaque observation, on a la variable quantitative y le facteur «a» (2 niveaux) le le facteur «b» (3 niveaux) Giorgio Russolillo STA102 13
14 Exemple : Les données 2 ème facteur àfact_b, avec J= 3 niveaux 1 er facteur à fact_a, avec I=2 niveaux i = indice du niveau du factor «a», i = 1, 2 j = indice du niveau du factor «b», j = 1, 2, 3 3 x 2 = 6 Traitements k = indice de répétition dans chaque traitement, k = 1 n ij Giorgio Russolillo STA102 14
15 Exemple : Tableau des fréquences Facteur b Tot. Facteur a Tot n i = 3 j=1 n 1 j n j = 2 i=1 n i1 nombre total d observations 3 n = n j = n i = n ij j=1 2 i=1 6 i, j i, j : n ij 4 Dispositif équilibré, donc orthogonal : Les effets des deux facteurs seront complètement distinguables! Giorgio Russolillo STA102 15
16 Exemple : Tableau des données Y ijk = k ème obs pour le i ème niveau de a et le j ème niveau de b (n x 1) y 111 = 1 y 114 = 6 y 234 = 17 Giorgio Russolillo STA102 16
17 Exemple : Tableau des moyennes Tableau des moyennes de y conditionnées aux différents traitements 2ème facteur Tot. 1er facteur 1 2 Y 11 = 3.5 Y 21 = 8.5 Y 12 = 9.75 Y 22 = 12.5 Y 13 = Y 23 =15.25 Y 1 = Y 2 = Moyenne de y pour le niveau 1 du factor «a» Tot. Y 1 = 6 Y 2 = Y 3 = 16.5 Y = Moyenne de y pour le niveau 2 du facteur «b» Moyenne générale de y Giorgio Russolillo STA102 17
18 Exemple : Statistiques élémentaires Moyennes et écarts types des y par traitement Trait 1 Trait 2 Trait 3 Trait 4 Trait 5 Trait 6 Moyenne pour le traitement 3, i.e. la moyenne des y pour les effectives qui appartient au group 1 du facteur «a» et au group 3 du facteur «b» Les 6 traitements n 12 = 4 à La variabilité est la même dans les différents groups, mais on observe des différences des moyennes assez fortes Giorgio Russolillo STA102 18
19 Distributions de Y pour chaque traitement Giorgio Russolillo STA102 19
20 L interaction Giorgio Russolillo STA102 20
21 Graphe de l interaction Y ijk = µ +α i + β j + γ ij +ε ijk Avec interaction µ ij = µ + α i + β j + γ ij j µ 1 j µ 2 j = = ( µ + α 1 + β j + γ 1 j ) ( µ + α 2 + β j + γ 2 j ) = = α 1 α 2 + γ 1 j γ 2 j à l écart entre 2 modalités du 1 er facteur dépende de l interaction avec le 2ème facteur Sans interaction µ ij = µ + α i + β j j µ 1 j µ 2 j = = ( µ + α 1 + β j ) ( µ + α 2 + β j ) = = α 1 α 2 à l écart entre 2 modalités du 1 er facteur est le même quel que soit le 2ème facteur, donc il est CONSTANT Giorgio Russolillo STA102 21
22 Graphe de l interaction Ce graphe permet de voir s il faut prévoir un terme d interaction dans le modèle (mais attention il ne serve pas à dire si il est significatif!!) Avec interaction j j' : µ 1 j µ 2 j µ 1 j' µ 2 j' Sans interaction j j' µ 1 j µ 2 j = µ 1 j' µ 2 j' moyennes A B C niveaux du facteur 2 Est-ce qu il y a interaction? Est-ce que l hypothèse de parallélité est rejetée? Giorgio Russolillo STA102 22
23 Exemple : Graphes de l interaction Giorgio Russolillo STA102 23
24 Exemple : Graphes de l interaction 0 A Y Y b1 b2 b3 B b1 b2 b3 B B I Y Y b1 b2 b3 B B Giorgio Russolillo STA102 24
25 Exemple : Graphes de l interaction AB AI Y Y b1 b2 b3 B b1 b2 b3 B BI ABI Y Y b1 b2 b3 B b1 b2 b3 B Giorgio Russolillo STA102 25
26 Exemple : Graphes de l interaction 0 0 Y Y b1 b2 b3 B b1 b2 b3 B Giorgio Russolillo STA102 26
27 Décomposition de la variabilité totale Giorgio Russolillo STA102 27
28 Décomposition de la variabilité totale SCT = SCM + SCR ( Y ijk Y ) 2 = ( Y ij Y ) 2 n ij + Y ijk Y ij i j k i j i j k ( ) 2 SCT = SCR = ( Y ijk Y ) 2 i j k ( ) 2 SCM = Y ij Y n ij = Y ij Y i j ( Y ijk Y ) 2 i j k ij i j k ( ) 2 Giorgio Russolillo STA102 28
29 Décomposition de la variabilité totale Tableau d analyse de la variance (n ij = K pour tous les i et j) = n 1 Avec les résultats en cette table on ne peut pas décomposer l effet du traitement en effet respectifs des deux facteurs et de leur interaction On peut décomposer la SCM en somme des carrés due aux effets principaux et somme des carrés due à l interaction Giorgio Russolillo STA102 29
30 Décomposition de la somme des carrés expliqués Giorgio Russolillo STA102 30
31 Décomposition de la SCM Si le dispositif est orthogonal on peut décomposer la SCM de façon unique à «A» c est le 1 er facteur à «B» c est le 2 ème facteur à «I» c est l interaction SCM = SCA + SCB + SCI ( Y ij Y ) 2 n ij = i j ( Y i Y ) 2 n i + Y j Y + Y ij Y i Y j + Y i j ( ) 2 n j i j ( ) 2 n ij SCA = Somme des carrés due au facteur «a» SCB = Somme des carrés due au facteur «b» SCI = Somme des carrés due à l interaction Giorgio Russolillo STA102 31
32 Test de la signification du modèle Giorgio Russolillo STA102 32
33 Test de la signification du modèle On veux tester l hypothèse H 0 = {le traitement n a pas d effet sur le Y, i.e. les moyennes sont les mêmes pour les différents traitements } contre l hypothèse H 1 = {il existe un effet du traitement sur le Y} Dans un modèle de ANOVA à deux facteurs, ce test s écrit : H 0 = { Y ijk = µ +ε ikj } contre H 1 = { Y ijk = µ +α i + β j + γ ij +ε ijk } Cela est équivalent à : H 0 = { i :α i = 0, j : β j = 0, ( i, j) : γ ij = 0} contre H 1 = { ( i, j) :α i 0 ou β j 0 ou γ ij 0 } Giorgio Russolillo STA102 33
34 Lois des sommes des carrés sous H0 SCM ~ σ 2 χ H IJ ( ) SCR ~ σ 2 2 χ H0 ( n IJ ) Giorgio Russolillo STA102 34
35 Test de la signification du modèle H 0 = { Y ijk = µ +ε ikj } contre H 1 = { Y ijk = µ +α i + β j + γ ij +ε ijk } Ce test se fait au moyen de la statistique de test de Fischer : ( ) ( ) F = SCM IJ 1 SCR n IJ Variance expliquée par les traitements Variance résiduelle La statistique de test F suit sous H 0 une loi de Fisher à IJ-1 et n- IJ degrés de liberté : F ~ F IJ 1,n IJ H 0 Ce test nous montre que l analyse de la variance à deux facteurs est équivalent à une analyse de la variance à un facteur avec IJ niveaux Giorgio Russolillo STA102 35
36 Test de la signification du modèle H 0 = { Y ijk = µ +ε ikj } contre H 1 = { Y ijk = µ +α i + β j + γ ij +ε ijk } Statistique de test ( ) ( ) F = SCM IJ 1 SCR n IJ Probabilité critique (p-value) Pr( F IJ-1,n-IJ > f ) observé Règle de décision On rejette l hypothèse H0 au niveau α si ( ) < α ou f observé > f IJ 1,n IJ,(1 α ) Pr F IJ-1,n-IJ > f observé Giorgio Russolillo STA102 36
37 Exemple : Tableau d analyse de la variance Nombre de traitements I x J = 6 : 6-1 = 5 Modèle ANOVA à 2 facteurs avec interaction (modèle «complète») n-1 = 24-1 = 23 n - IJ = 24 6 = 18 Probabilité critique < 0.05, on rejette l hypothèse H 0 : le facteur «a», le facteur «b» ou leur effet conjoint ont un effet significatif sur les y Giorgio Russolillo STA102 37
38 Réductions Giorgio Russolillo STA102 38
39 Sommes des carrés et réductions Dans un dispositif orthogonal la somme des carrés associé à chaque effet peut s exprimer en terme de réduction de la variabilité résiduelle, puisque elle mesure la diminution des résidus lorsqu on introduit l effet dans le modèle De façon générale, R(M 2 M 1 ) mesure la diminution de la SCR lorsque on passe du modèle plus simple (emboîté) au modèle plus complexe (avec plus de paramètres) Exemple : Modèle 1 à Y ijk = µ +α i +ε ijk Modèle 2 à Y ijk = µ +α i + β j +ε ijk à R(β μ,α) = SCR 1 -SCR 2 Modèles emboîtés : deux modèles sont dits emboîtés si l un peut être considéré comme un cas particulier de l autre. Cela revient à comparer un modèle de référence à un modèle réduit ou contraint Giorgio Russolillo STA102 39
40 Sommes des carrés et réductions On peut récrire les sommes des carrés dues aux facteurs ainsi que la somme des carrés due à l interaction en termes de réduction de la SCR en utilisant comme modèle de référence le modèle 0 : Y ijk = µ +ε ijk Somme des carrés de type I (Type I SS) : SCA = R( α µ ) SCB = R( β µ,α ) SCI = R( γ µ,α,β ) modèle 0 à Y ijk = µ +ε ijk modèle A à Y ijk = µ +α i +ε ijk modèle A à Y ijk = µ +α i +ε ijk modèle AB à Y ijk = µ +α i + β j +ε ijk Y ijk = µ +α i + β j +ε ijk modèle AB à Yijk = µ +α i + β j + γ ij +ε ijk modèle C à Modèle «complet» Giorgio Russolillo STA102 40
41 Sommes des carrés et réductions Type I SS : SCA = R( α µ ) modèle 0 à Y ijk = µ +ε ijk modèle A à Y ijk = µ +α i +ε ijk SCR M 0 = SCT SCA = R( α µ ) = SCT SCR M A Giorgio Russolillo STA102 41
42 Sommes des carrés et réductions Type I SS : SCB = R( β µ,α ) modèle A à Y ijk = µ +α i +ε ijk modèle AB à Y ijk = µ +α i + β j +ε ijk SCB = R( β µ,α ) = SCR M A SCR M AB Dans un dispositif équilibré : SCB = R( β µ,α ) = R( β µ ) Les séquences AB et BA donnent les mêmes sommes des carrés Giorgio Russolillo STA102 42
43 Sommes des carrés et réductions Type I SS : SCI = R( γ µ,α,β ) Y ijk = µ +α i + β j +ε ijk modèle AB à modèle C à Y ijk = µ +α i + β j + γ ij +ε ijk SCR M C = SCR SCI = R( γ µ,α,β ) = SCR M AB SCR Giorgio Russolillo STA102 44
44 Tests des effets des facteurs Giorgio Russolillo STA102 45
45 Loi des sommes des carrés des effets Cas d un dispositif orthogonal Sous l hypothèse α 1 = = α I = 0 (Pas d effet du facteur A) SCA~σ 2 2 χ ( I 1) Sous l hypothèse β 1 = = β J = 0 (Pas d effet du facteur B) SCB~σ 2 2 χ ( J 1) Sous l hypothèse γ 11 = = γ IJ = 0 (Pas d interaction) SCI ~σ 2 2 χ I 1 ( )( J 1) Giorgio Russolillo STA102 46
46 Test des effets de chaque facteur On veux tester de façon spécifique l effet de chacun des facteurs (n ij = K pour toutes les i et j) : 1 er facteur 2 ème facteur Interaction En moyenne sur l ensemble des niveaux du 2 ème facteur, le valeur moyenne de Y ne varie pas entre les différents niveaux du 1 er facteur, i.e. Y 1.. =Y 2.. = =Y I.. Il n existe pas d interaction entre les deux facteurs SCA = R( α µ ) Giorgio Russolillo STA102 47
47 Exemple : Test des effets de chaque facteur Effet des différents facteurs dans un modèle de ANOVA à 2 facteurs avec interaction (modèle «complèt») SCI C Effet de l interaction : la p-valeur est > 0.05 donc l effet de l interaction n est pas significatif au niveau 5% et on peut accepter un modèle sans interaction. Effet du facteur «b»: la p-value est < donc l effet du facteur «b» est nettement significatif. Effet du facteur «a»: la p-value est > 0.05 donc l effet du facteur «a» n est pas significatif au niveau 5%, mais on ne peux pas le supprimer à ce stade. Giorgio Russolillo STA102 48
48 Exemple : Le modèle sans interaction Résultat pour le modèle : Y ijk = µ +α i + β j +ε ijk SCM AB = SCM C SCI C = = SCT AB =SCT C SCR AB = SCR C + SCI C = Modèle complète : Giorgio Russolillo STA102 49
49 Ex : Le modèle sans interaction Résultat pour le modèle sans intération : Y ijk = µ + α i + β j + ε ijk SCA AB = SCA c mais: La SCR augmente Les DL augmentent Effet du facteur «a»: la P-value est >0.05 donc l effet du facteur «a» n est pas significatif au niveau 5% Modèle complète : Giorgio Russolillo STA102 50
50 Ex : Analyses séparées pour les deux facteurs Pour connaitre l effet de chacun deux facteurs sur y, on peux être tenté d effectuer une analyse de la variance séparée pour chacun des deux facteurs Effet facteur «a» : Modèle A à Y ijk = µ +α i +ε ijk Effet facteur «b» : Y ijk = µ + β j + ε ijk Modèle B à avec avec 2 { ε ijk } i.i.d. N ( 0,σ A ) 2 { ε ijk } i.i.d. N ( 0,σ B ) Cette hypothèse n a évidemment de sens que si dans chacun des ces deux modèle le facteur pas considéré à n a pas d effet, autrement les j*k répétitions du premier modèle et les les i*k répétitions du second modèle ne sont pas vraiment des répétitions! Giorgio Russolillo STA102 51
51 Ex : Le modèle A Résultat pour le modèle ANOVA à un facteur («a») : Y ijk = µ +α i +ε ijk SCM A = SCA AB, mais : - La SCR augmente - Les DL augmentent Probabilité critique >> 0.05, on ne rejette pas l hypothèse H 0 : le facteur «a» n as pas d effet significatif sur les y Modèle AB : Giorgio Russolillo STA102 52
52 Ex: Le modèle B Résultat pour le modèle ANOVA à un facteur («b») : Y ijk = µ + β j +ε ijk SCM B = SCB mais : - La SCR augmente - Les DL augmentent Modèle AB : Probabilité critique < 0.05, on rejette l hypothèse H 0 : le facteur «b» a un effet significatif sur y Giorgio Russolillo STA102 53
53 Comparaison des moyennes On peut vouloir tester l hypothèse H 0 = {deux moyennes sont les mêmes} contre l hypothèse H 1 = {les deux moyennes sont différentes} Ce test ce peut faire : à Au niveau facteur, on veut tester si deux moyennes sont les mêmes pour deux niveaux différents du même facteur, i.e. Y 1..=Y 2.. à Au niveau traitement, on veut tester si deux moyennes sont les mêmes pour deux traitements différents, i.e. Y ij.= Y i j. Dans tous les cas il faut considérer qu on fait des comparaisons multiples! Giorgio Russolillo STA102 54
54 Ex: Comparaison des moyennes pour le 1 er facteur Modèle A : Y ijk = µ +α i +ε ijk Rappel: Les d.d.l. sont égales à n-2 (où 2 est le nombre de paramètres à estimer: µ et α 1 ) La difference entre les deux niveaux du facteur «a» n est pas significative, ce qui est cohérent avec l absence d effet principal du facteur Giorgio Russolillo STA102 55
55 Ex : Comparaison des moyennes pour le 2 ème facteur Modèle B : Y ijk = µ + β j +ε ijk Rappel: Les d.d.l. sont égales à n-3 (où 3 est le nombre de paramètres à estimer: μ, β 1 et β 2 ) t critique : t ddl, α/2 où ddl=21, α/2 = (α * /2)/l = 0.025/3 et α * = 0.05 Le facteur «b» a un effet significative car toutes les différences entre les moyennes des trois niveaux sont significatives. Giorgio Russolillo STA102 56
56 Ex : Comparaison des traitements (Modèle complet) t critique : t ddl,α/2 = où ddl = 18, α/2 = (α * /2)/l = 0.025/15 et α * =0.05 t obs Dans ce cas on rejet H 0 car t obs > t ddl,α/2, c.à.d. p * <α * p * = P(t 18 > ) x 30 Giorgio Russolillo STA102 57
57 Ex : Comparaison des traitements (Modèle complet) Giorgio Russolillo STA102 58
58 Estimation des paramètres du modèle Giorgio Russolillo STA102 59
59 Estimation des paramètres du modèle Y ijk = µ + α i + β j + γ ij + ε ijk E( Y ) ijk = µ ij = µ + α i + β j + γ ij { ε ijk } i.i.d. N ( 0,σ 2 ) à Ce modèle n est pas identifiable donc on a besoin d introduire des contraintes sur les paramètres 1 + I + J + I*J paramètres à estimer I*J colonnes indépendants dans la matrice X à On doit introduire 1+I+J contraintes indépendantes sur les paramètres : (a) Contraintes naturelles (b) Contraintes de SAS Giorgio Russolillo STA102 60
60 Les différentes contraintes (a) Contraintes naturelles à Avec cette contrainte on impose à la somme des paramètres associes à chaque effet d être nul, i.e. : I α i = 0 i=1 1 contrainte 1 contrainte D où les estimateurs : J J β j = 0 i : γ ij j =1 j =1 = 0 j : γ ij = 0 I i=1 I+J-1 contraintes ˆ µ = Y ˆ α i = Y i Y ˆ β j = Y j Y ˆ γ ij = Y ij Y i Y j + Y Tous ces estimateurs s interprètent comme des écarts entre moyennes Giorgio Russolillo STA102 61
61 Les différentes contraintes (b) Contraintes de SAS à Avec cette contrainte tous les paramètres associes au dernier niveau de chaque facteur s annulent : α I = 0 β J = 0 i : γ ij = 0 j : γ Ij = 0 1 contrainte 1 contrainte I+J-1 contraintes D où les estimateurs : ˆ µ = Y IJ ˆ α i = Y ij Y IJ ˆ β j = Y Ij Y IJ ˆ γ ij = Y ij Y ij Y Ij + Y IJ Le traitement (I,J) joue le rôle de référence Giorgio Russolillo STA102 62
62 Prédiction La forme des estimateurs dépend des contraintes qu on applique à ATTENTION à L INTERPRETATION DES ESTIMATIONS DES PARAMETRES Toutefois la prédiction ne dépend pas des contraintes, elles est dans tous les cas : E ( Y ) ijk = Y ˆ ijk = ˆ µ + α ˆ i + ˆ β j + ˆ γ ij = Y ij Moyenne du traitement (i,j) à On a donc que I*J valeurs prédites possibles, une pour chaque traitement Giorgio Russolillo STA102 63
63 Ex: Estimation des paramètres Y IJ. C est la différence entre les moyennes des traitements a2b1 et a2b3 Giorgio Russolillo STA102 64
64 Estimateur de la variance des erreurs 2 S n IJ = SCR n IJ = i j k n IJ ( Y ijk Y ) 2 ij Nombre de paramètres à estimer une fois posé les contraintes Valeur prédite ˆ Y ijk = Y ij Giorgio Russolillo STA102 65
65 Test sur les paramètres Giorgio Russolillo STA102 66
66 Tests sur les paramètres On veut tester l hypothèse H 0 = {le paramètre est égal à 0} contre l hypothèse H 1 = {le paramètre est diffèrent de 0} On a IJ tests sur les paramètres : i I H 0 : { α i = 0} contre H 1 : { α i 0} j J H 0 : β j = 0 { } contre H 1 : { β j 0} ( ) H 0 : { γ ij = 0} contre H 1 : { γ ij 0} ( i, j) ( I,J) ( I, j) i,j Chacun de ces tests se effectue à travers un test de STUDENT Giorgio Russolillo STA102 67
67 Tests sur les paramètres Il faut interpréter le test associé à chacun des paramètres en fonction des contraintes choisies par SAS Dans le cas de la contrainte (b) les estimateurs étaient : ˆ µ = Y IJ ˆ α i = Y ij Y IJ ˆ β j = Y Ij Y IJ ˆ γ ij = Y ij Y ij Y Ij + Y IJ Le test H 0 = {β j =0} contre l hypothèse H 1 = {β j 0} s interprète comme : Est-ce que la moyenne obtenue pour le niveau j du 2 ème facteur est la même de celle obtenue pour le niveau J du 2 ème facteur lorsque le niveau I du 1 er facteur est fixé?, i.e. Y Ij.=Y IJ?. Giorgio Russolillo STA102 68
68 Ex :Test sur les paramètres (Modèle Complet) Rappel: Les d.d.l. de t sont égales à n-6 (le nombre de paramètres à estimer) La différence entre les moyennes des traitements a2b1 et a2b3 est significative N.B.: Les p-valeurs ne sont pas corrigées On retrouve les mêmes valeurs dans la table des comparaisons des traitements Giorgio Russolillo STA102 69
69 This presentation is made available through a Creative Commons Attribution- Noncommercial license. Details of the license and permitted uses are available at G. Russolillo Analyse de la variance à deux facteurs : Dispositif équilibré Title: Analyse de la variance à deux facteurs : Dispositif équilibré UE STA102 Attribution:. G. Russolillo, CNAM L. Trinchera, NEOMA Business School Giorgio Russolillo - STA102 70
STATISTIQUES. 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 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 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 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 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 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 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 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 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 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 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 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 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 détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
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 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 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 détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
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 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 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 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 détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
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 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 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 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 détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 détailSolvabilité II Les impacts sur la tarification et l offre produit
Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
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 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
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 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 détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailReprésentation d un entier en base b
Représentation d un entier en base b 13 octobre 2012 1 Prérequis Les bases de la programmation en langage sont supposées avoir été travaillées L écriture en base b d un entier est ainsi défini à partir
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 détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailOSGOODE HALL LAW SCHOOL Université York MÉMOIRE PRIVILÉGIÉ ET CONFIDENTIEL
OSGOODE HALL LAW SCHOOL Université York MÉMOIRE PRIVILÉGIÉ ET CONFIDENTIEL À : &' 1$,'6 M. Richard Drouin, O.C., c.r. Président, Commission d examen sur la rémunération des juges 2CVTKEM,/QPCJCP DATE :
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailComment consolider des données
Comment consolider des données Version 0.02 du 18.11.2004 Réalisé avec : OOo 1.1.3 Plate-forme / Os : Toutes Distribué par le projet fr.openoffice.org Sommaire 1 Introduction...3 2 Création des données...4
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailMéthode : On raisonnera tjs graphiquement avec 2 biens.
Chapiittrre 1 : L uttiilliitté ((lles ménages)) Définitions > Utilité : Mesure le plaisir / la satisfaction d un individu compte tenu de ses goûts. (On s intéresse uniquement à un consommateur rationnel
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 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 détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailCours Informatique Master STEP
Cours Informatique Master STEP Bases de la programmation: Compilateurs/logiciels Algorithmique et structure d'un programme Programmation en langage structuré (Fortran 90) Variables, expressions, instructions
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailNOTICE SUR LA SIGNATURE DES CONVENTIONS DE MASTERES SPECIALISES. Management de la Qualité Management de la Maintenance Management des Contrats Globaux
Nos réf. : Juin 2009 PREAMBULE NOTICE SUR LA SIGNATURE DES CONVENTIONS DE MASTERES SPECIALISES Management de la Qualité Management de la Maintenance Management des Contrats Globaux Le jury d admissibilité
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailSalon des Entrepreneurs Paris 2007-14ème Édition. Entreprise individuelle ou société? Gérant minoritaire ou majoritaire? Quel statut choisir?
Salon des Entrepreneurs Paris 2007-14ème Édition Entreprise individuelle ou société? Gérant minoritaire ou majoritaire? Quel statut choisir? Intervenants Angèle CAMUS Expert-comptable Philippe SAUZE Gan
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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
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 détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
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 détailafférent au projet de décret relatif aux obligations indexées sur le niveau général des prix
CONSEIL NATIONAL DE LA COMPTABILITÉ Note de présentation - Avis N 2002-11 du 22 octobre 2002 afférent au projet de décret relatif aux obligations indexées sur le niveau général des prix Sommaire I - Rappels
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
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 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 détailStatistiques 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 détailCréer le schéma relationnel d une base de données ACCESS
Utilisation du SGBD ACCESS Polycopié réalisé par Chihab Hanachi et Jean-Marc Thévenin Créer le schéma relationnel d une base de données ACCESS GENERALITES SUR ACCESS... 1 A PROPOS DE L UTILISATION D ACCESS...
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détail