Comparaison de Moyennes et ANOVA
|
|
- Liliane Lecours
- il y a 7 ans
- Total affichages :
Transcription
1 Département de Mathématiques et Informatique, U.A.G. 27 Janvier 2012
2 Plan Introduction Types de moyenne
3 Types de moyenne Avoir une indication de l ordre de grandeur d une série de valeurs mesurées (ou observées) Total des valeurs observées Nombre de valeurs observées notée traditionnellement x.
4 Types de moyenne Avoir une indication de l ordre de grandeur d une série de valeurs mesurées (ou observées) Total des valeurs observées Nombre de valeurs observées notée traditionnellement x. Question sous jacente : par quelle valeur unique pourrait-on remplacer toutes les valeurs pour avoir la même somme?
5 Types de moyenne Exemple : moyenne des évaluations dans 2 collèges d effectifs 400 et 600 respectivement. Collège 1 : x 1;1,, x 1;400 Collège 2 : x 2;1,, x 2;600 x = (x 1;1 + + x 1;400 ) + (x 2;1 + + x 2;600 ) La moyenne des évaluations pour chaque collège : x 1 = 12, 4 et x 2 = 13, 8.
6 Types de moyenne Exemple : moyenne des évaluations dans 2 collèges d effectifs 400 et 600 respectivement. Collège 1 : x 1;1,, x 1;400 Collège 2 : x 2;1,, x 2;600 x = (x 1;1 + + x 1;400 ) + (x 2;1 + + x 2;600 ) La moyenne des évaluations pour chaque collège : x 1 = 12, 4 et x 2 = 13, 8. Que faire si données perdues sauf moyennes et effectifs? x = 1 2 ( x 1 + x 2 ) = 13, 1 (INCORRECT) x = 400 x x = 0, 4 x 1 + 0, 6 x 2 = 13, 24 (CORRECT).
7 Types de moyenne Moyennes arithmétiques Formellement : n nombres x 1, x 2,, x n. On distingue les moyennes suivantes : n arithmétique simple 1 n (x 1 + x x n ) = 1 n x i
8 Types de moyenne Moyennes arithmétiques Formellement : n nombres x 1, x 2,, x n. On distingue les moyennes suivantes : n arithmétique simple 1 n (x 1 + x x n ) = 1 n arithmétique pondérée p 1 x 1 + p 2 x p n x n = les poids p 1, p 2,, p n étant positifs et tels que x i n p i x i, n p i = 1.
9 Types de moyenne Moyenne géométrique géométrique (x 1 x 2 x n ) 1 n n = ( x i ) 1 n, les xi > 0 Exemple : Quotient des effectifs d un collège entre 2009 et 2011 Années Effectifs Quotient - 1,07 0,96 1,12 Moyenne géométrique : (1, 07 0, 96 1, 12) 1 3 = 1, = 1, 045.
10 Types de moyenne Moyenne géométrique géométrique (x 1 x 2 x n ) 1 n n = ( x i ) 1 n, les xi > 0 Exemple : Quotient des effectifs d un collège entre 2009 et 2011 Années Effectifs Quotient - 1,07 0,96 1,12 Moyenne géométrique : (1, 07 0, 96 1, 12) 1 3 = 1, = 1, 045. Question sous jacente : par quelle valeur unique pourrait-on remplacer toutes les valeurs pour avoir le même produit? x = 1 3 (1, , , 12) = 1, 050 (INCORRECT) (1, 07 0, 96 1, 12) 1 3 = 1, = 1, 045 (CORRECT).
11 Types de moyenne Moyenne harmonique harmonique n 1 x x = n, les x n i > 0. x n 1 x i
12 Types de moyenne Moyenne harmonique harmonique n 1 x x = n, les x n i > 0. x n 1 x i Exemple : élève faisant le trajet domicile-lycée à la vitesse constante de 2km/h à l aller et 4km/h au retour. Vitesse moyenne du trajet aller-retour? x = 1 2 (2 + 4) = 3, 000 (INCORRECT) = 2, 667 (CORRECT). 4
13 Types de moyenne Moyenne harmonique harmonique n 1 x x = n, les x n i > 0. x n 1 x i Exemple : élève faisant le trajet domicile-lycée à la vitesse constante de 2km/h à l aller et 4km/h au retour. Vitesse moyenne du trajet aller-retour? x = 1 2 (2 + 4) = 3, 000 (INCORRECT) = 2, 667 (CORRECT). 4 Question sous jacente : par quelle valeur unique pourrait-on remplacer toutes les valeurs pour avoir la même somme des inverses?
14 Types de moyenne Liens entre les 3 types de moyenne, f -moyenne Soit f fonction continue strictement monotone sur l intervalle I IR. Soit x 1,, x n une série de valeurs de I. Il existe un unique élément m de I tel que f (m) = 1 n f (x i ). n
15 Types de moyenne Liens entre les 3 types de moyenne, f -moyenne Soit f fonction continue strictement monotone sur l intervalle I IR. Soit x 1,, x n une série de valeurs de I. Il existe un unique élément m de I tel que f (m) = 1 n f (x i ). n Preuve existence: min,,n f (x i) 1 n n f (x i ) max f (x i) donc 1,,n n Preuve unicité: f est injective. n f (x i ) f (I ).
16 Types de moyenne Liens entre les 3 types de moyenne, f -moyenne Soit f fonction continue strictement monotone sur l intervalle I IR. Soit x 1,, x n une série de valeurs de I. Il existe un unique élément m de I tel que f (m) = 1 n f (x i ). n Preuve existence: min,,n f (x i) 1 n n f (x i ) max f (x i) donc 1,,n n Preuve unicité: f est injective. n f (x i ) f (I ). m est appelé f -moyenne des x 1,, x n et l on a m = f 1( 1 n n f (x i ) ).
17 Types de moyenne Liens entre les 3 types de moyenne, f -moyenne Soit f fonction continue strictement monotone sur l intervalle I IR. Soit x 1,, x n une série de valeurs de I. Il existe un unique élément m de I tel que f (m) = 1 n f (x i ). n Preuve existence: min,,n f (x i) 1 n n f (x i ) max f (x i) donc 1,,n n n f (x i ) f (I ). Preuve unicité: f est injective. m est appelé f -moyenne des x 1,, x n et l on a m = f 1( 1 n f (x i ) ). n Question sous jacente : par quelle valeur unique pourrait-on remplacer tous les x i pour avoir la même somme des f (x i )? Si f (x) = x, la moyenne est arithmétique Si f (x) = Ln(x), la moyenne est géométrique Si f (x) = 1/x, la moyenne est harmonique.
18 Types de moyenne Positions respectives des f -moyennes Si f strictement convexe et décroissante, alors m < x. Ainsi, pour I = IR +, moyenne harmonique < moyenne arithmétique. Si f strictement concave et croissante, alors m < x. Ainsi, pour I = IR +, moyenne géométrique < moyenne arithmétique. En utilisant la convexité de x Ln(1/x), on démontre que moyenne harmonique < géométrique. CONCLUSIONS : Soit x 1,, x n des valeurs non toutes identiques dans IR +, alors min,,n x i n n 1 n ( x i ) 1 n x max i,,n. x i
19 Investigation par histogrammes Contexte : Une variable quantitative Y à expliquer par une ou plusieurs variables qualitative(s) Visualiser : la distribution de Y pour chaque modalité des variables qualitatives. Résultats d'évaluation Résultats d'évaluation Effectif moyenne=12 écart-type=2 Effectif moyenne=10 écart-type= Note Note
20 Investigation par Box-plot Visualiser : la distribution de Y pour chaque modalité des variables qualitatives. Résultats d'évaluation Note moyenne A B C Collège
21 Contexte de l ANOVA ANOVA (ANalysis Of VAriance) = méthode de comparaison de groupes. Contexte : Une variable quantitative à expliquer par une ou plusieurs variables qualitative(s) appelée(s) facteur(s). Question:? influence des variables qualitatives sur la variable quantitative? Exemple : résultats des évaluations d un collège à l autre?
22 Contexte de l ANOVA ANOVA (ANalysis Of VAriance) = méthode de comparaison de groupes. Contexte : Une variable quantitative à expliquer par une ou plusieurs variables qualitative(s) appelée(s) facteur(s). Question:? influence des variables qualitatives sur la variable quantitative? Exemple : résultats des évaluations d un collège à l autre? Remarque : si la variable qualitative n a que deux modalités, test de Student Exemple : Résultats chez les garçons et chez les filles
23 Contexte de l ANOVA ANOVA (ANalysis Of VAriance) = méthode de comparaison de groupes. Contexte : Une variable quantitative à expliquer par une ou plusieurs variables qualitative(s) appelée(s) facteur(s). Question:? influence des variables qualitatives sur la variable quantitative? Exemple : résultats des évaluations d un collège à l autre? Remarque : si la variable qualitative n a que deux modalités, test de Student Exemple : Résultats chez les garçons et chez les filles L ANOVA permet d étudier plus de 2 modalités
24 Exemple Notes de 25 élèves subissant trois préparations distinctes Préparation A: 5,6,6,7,7,8,9,10 > moyenne 7.25 Préparation B: 7,7,8,8,9,10,10,11 > moyenne 8.75 Préparation C: 7,9,9,10,10,10,11,12,13 > moyenne Ces différences sont-elles significatives?
25 Exemple Notes de 25 élèves subissant trois préparations distinctes Préparation A: 5,6,6,7,7,8,9,10 > moyenne 7.25 Préparation B: 7,7,8,8,9,10,10,11 > moyenne 8.75 Préparation C: 7,9,9,10,10,10,11,12,13 > moyenne Ces différences sont-elles significatives? Résultats des 3 préparations Note A B C Préparation
26 Ecarts significatifs entre groupes? Cela va dépendre des : - Moyennes de groupe - Ecart-types de groupe - Tailles de groupe Outils : tests statistiques d hypothèses Le Problème de test est : H 0 : les moyennes attendues sont égales pour tous les groupes contre H 1 : les moyennes attendues ne sont pas égales pour tous les groupes. Si H 1 retenue, pousser l investigation pour savoir quel(s) groupe(s) diffère(nt) des autres
27 Suppositions de l ANOVA Les observations suivent approximativement la loi Normale - vérification par visualisation d histogrammes et test de normalité affaiblie à l unimodalité si existence de valeurs extrêmes, préférer le test de Kruskall-Wallis (basé sur les médianes)
28 Suppositions de l ANOVA Les observations suivent approximativement la loi Normale - vérification par visualisation d histogrammes et test de normalité affaiblie à l unimodalité si existence de valeurs extrêmes, préférer le test de Kruskall-Wallis (basé sur les médianes) Ecart-types approximativement égaux d un groupe à l autre Règle empirique : rapport entre plus grand ecart-type et plus petit 2.
29 Vérification des suppositions Préparation Taille Moyenne Médiane Ecart-type A 8 7,250 7,000 1,669 B 8 8,75 8,500 1,488 C 9 10,111 10,000 1,764 Plus grand écart-type : 1,764 Plus petit écart-type : 1,488 Règle empirique : 1,488 x 2 = 2,976 > 1,764
30 Notations de l ANOVA à un facteur n = nombre d unités statistiques (ou individus statistiques) I = nombre de groupes = nombre de modalités du facteur n i = effectif du groupe i x ij = valeur observées sur l unité j du groupe i x i = moyenne du groupe i x= moyenne globale (c est-à-dire tous groupes confondus) s i = écart-type du groupe i avec si 2 = 1 n i (x ij x i ) 2 n i j=1
31 Principe de l ANOVA à un facteur L ANOVA à un facteur, mesure deux sources de variation : la variation intra-groupe en considérant l écart entre chaque valeur et la moyenne de son groupe I n i I SCR = (x ij x i ) 2 = n i si 2 j=1 SCR= Somme des Carrés Résiduelle (ou intra-groupe).
32 Principe de l ANOVA à un facteur L ANOVA à un facteur, mesure deux sources de variation : la variation intra-groupe en considérant l écart entre chaque valeur et la moyenne de son groupe I n i I SCR = (x ij x i ) 2 = n i si 2 j=1 SCR= Somme des Carrés Résiduelle (ou intra-groupe). la variation inter-groupe en considérant l écart entre moyennes de groupe et moyenne globale I n i (x i x) 2 = j=1 I n i (x i x) 2 SCF = Somme des Carrés Factorielle (ou inter-groupe).
33 Théorème d ANOVA à un facteur SCT = Somme des Carrés due à la variation Totale. SCT = I n i (x ij x) 2 j=1 prend en compte l écart entre chaque valeur et la moyenne globale. Théorème d ANOVA : SCT = SCF + SCR. basé sur la décomposition x ij x = x i x + x ij x i Modèle sous-jacent : x ij = µ + α i + e ij avec les e ij indépendants de loi N (0, σ 2 ). I Principe de compensation des effets : α i = 0. Autre énoncé du modèle : Valeur observée= valeur attendue tous groupes confondus + effet du groupe d appartenance + erreur résiduelle.
34 Tableau d ANOVA à un facteur Source de Somme Degrés de Carré moyen F de Fisher variation des carrés liberté Totale SCT n 1 CMT= SCT n 1 Factorielle SCF I 1 CMF = SCF I 1 F = CMF CMR Résiduelle SCR n I CMR = SCR n I
35 Formalisation du problème de test; Règle décisionnelle x ij réalisation d une variable aléatoire X ij avec E(X ij ) = µ i = µ + α i. Problème de test : H 0 : i [[1, I ]], µ i = µ contre H 1 : i [[1, I ]], µ i µ. ou encore H 0 : i [[1, I ]], α i = 0 contre H 1 : i [[1, I ]], α i 0. Sous H 0, F suit la loi de Fisher-Snedecor à I 1 et n I degrés de liberté. Règle de décision au niveau de signification α : - Rejet de H 0 si F > f I 1,n I,1 α - Non rejet de H 0 si F f I 1,n I,1 α où f I 1,n I,1 α fractile d ordre 1 α de la loi de Fisher-Snedecor à I 1 et n I degrés de liberté. Règle de décision basée sur la p-value p : - Rejet de H 0 si p < α - Non rejet de H 0 si p α.
36 Objets et commandes sous l environnement R Appel à la fonction lm (linear model) qui effectue le traitement statistique du modèle linéaire sous-jacent à l ANOVA. Appel à la fonction aov (analysis of variance) qui calcule le tableau d ANOVA et effectue le test de Fisher. Appel à la fonction summary qui effectue un résumé des calculs effectués par lm et aov. L objet Evaluation est le vecteur correspondant à la série statistique des évaluations L objet Préparation est le vecteur correspondant à la série statistique des préparations subies. Lignes de commande : > summary(lm(evaluation Preparation)) > summary(aov(evaluation Preparation))
37 Résultats sous l environnement R Paramètre Estimation Ecart-type t de Student p-value α 2 1,5000 0,8250 1,818 0,08266 α 3 2,8611 0,8017 3,569 0,00172 ** Signification et p-value : 0 *** ** 0.01 * Source de Somme Degrés de Carré Statistique p-value Variation des carrés liberté moyen de Fisher Factorielle 34, ,3356 6,3682 0,00658 ** Résiduelle 59, ,7222 Signification et p-value : 0 *** ** 0.01 * L écart intuitif entre préparations est confirmé par les tests statistiques. Ce n est pas toujours le cas!!!
38 MERCI DE VOTRE ATTENTION!
Biostatistiques 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 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 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 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 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 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 détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
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 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 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 détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
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 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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 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 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 détailMesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme
TFE Ingénieur Civil Mathématiques Appliquées 24 juin 2010 Mesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme Auteur Christophe Pochet Promoteur Pierre Devolder Comment garantir la
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
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 détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en 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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en 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 détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailLE BUDGET DES VENTES
LE BUDGET DES VENTES Objectif(s) : o Pré requis : o Modalités : o o o Elaboration du budget des ventes. Connaissances du processus "ventes". Principes, Synthèse, Application. TABLE DES MATIERES Chapitre
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTests 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
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 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 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
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 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 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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
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 détailF1C1/ Analyse. El Hadji Malick DIA
F1C1/ Analyse Présenté par : El Hadji Malick DIA dia.elmalick1@gmail.com Description sommaire du cours Porte sur l analyse réelle propose des outils de travail sur des éléments de topologie élémentaire
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 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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailPrudence, Epargne et Risques de Soins de Santé Christophe Courbage
Prudence, Epargne et Rique de Soin de Santé Chritophe Courbage ASSOCIATION DE GENÈVE Introduction Le compte d épargne anté (MSA), une nouvelle forme d intrument pour couvrir le dépene de anté en ca de
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailMesure, impact des politiques et estimation. Programme de formation MIMAP. Remerciements
Pauvreté, bienêtre social et équité : Mesure, impact des politiques et estimation par JeanYves Duclos Département d économique et CRÉFACIRPÉE, Université Laval, Canada Programme de formation MIMAP Remerciements
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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
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 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 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 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en 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 détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCalculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détailL isomorphisme entre les tours de Lubin-Tate et de Drinfeld et applications cohomologiques par Laurent Fargues
Préambule.................................... xv Bibliographie... xxi I L isomorphisme entre les tours de Lubin-Tate et de Drinfeld et applications cohomologiques par Laurent Fargues Introduction...................................
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 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 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 détailExemples d Analyses de Variance avec R
Exemples d Analyses de Variance avec R Christophe Pallier 5 août 00 Résumé R est un logiciel d analyse statistique qui fournit toutes les procédures usuelles (t-tests, anova, tests non paramétriques...)
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
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 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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailBest Styles ou comment capturer au mieux les primes de risque sur les marchés d actions
Stratégie Best Styles ou comment capturer au mieux les primes de risque sur les marchés d actions La recherche des primes de risque constitue une stratégie relativement courante sur les marchés obligataires
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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailChapitre 5. Équilibre concurrentiel et bien-être
Chapitre 5 Équilibre concurrentiel et bien-être Microéconomie III 5 1 5.1 Qu est-ce qu un équilibre souhaitable socialement? E cacité versus équité Que nous permet de dire la science économique sur l e
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détail