Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA
|
|
- Fabienne Desroches
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de la variance ANOVA
2 Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3
3 Exemple. Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants) Examinateur A B C Notes 10,11,11 8,11,11,13 10,13,14,14 12,13,15 14,15,16,16 15,16,16 Effectif Moyenne
4 Exemple. Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants) Examinateur A B C Notes 10,11,11 8,11,11,13 10,13,14,14 12,13,15 14,15,16,16 15,16,16 Effectif Moyenne effet d examinateur?
5 Exemple. Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants) Examinateur A B C Notes 10,11,11 8,11,11,13 10,13,14,14 12,13,15 14,15,16,16 15,16,16 Effectif Moyenne effet d examinateur? ANOVA : pour étudier l effet des variables qualitatives sur une variable quantitative
6 Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3
7 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe.
8 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur
9 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur niveau (ou population) : les différentes valeurs prises par un facteur.
10 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur niveau (ou population) : les différentes valeurs prises par un facteur. Ex : niveaux A, B, C
11 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur niveau (ou population) : les différentes valeurs prises par un facteur. Ex : niveaux A, B, C test de l effet d un facteur : tester si les moyennes des populations sont égales.
12 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur niveau (ou population) : les différentes valeurs prises par un facteur. Ex : niveaux A, B, C test de l effet d un facteur : tester si les moyennes des populations sont égales. La variable étudiée : Y, à valeurs numériques
13 Terminologie Modèles statistiques Estimation des paramètres facteur (variable qualitative) : prend un nombre fini de valeurs, une valeur = une classe. Exemple : facteur examinateur niveau (ou population) : les différentes valeurs prises par un facteur. Ex : niveaux A, B, C test de l effet d un facteur : tester si les moyennes des populations sont égales. La variable étudiée : Y, à valeurs numériques (note).
14 Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3
15 Terminologie Modèles statistiques Estimation des paramètres Un seul facteur F k niveaux k échantillons de tailles respectives n 1,..., n k
16 Terminologie Modèles statistiques Estimation des paramètres Un seul facteur F k niveaux k échantillons de tailles respectives n 1,..., n k Effectif total k n = i=1 n i
17 Terminologie Modèles statistiques Estimation des paramètres Un seul facteur F k niveaux k échantillons de tailles respectives n 1,..., n k Effectif total k n = i=1 À chaque expérience, on mesure la valeur de la variable Y. n i
18 Terminologie Modèles statistiques Estimation des paramètres Un seul facteur F k niveaux k échantillons de tailles respectives n 1,..., n k Effectif total k n = i=1 À chaque expérience, on mesure la valeur de la variable Y. Niveau (population) Nb. obs. Valeurs de Y 1 n 1 y 11, y 12,..., y 1n1 2 n 2 y 21, y 22,..., y 2n2 n i..... k n k y k1, y k2,..., y knk
19 Terminologie Modèles statistiques Estimation des paramètres Sommes et moyennes empiriques
20 Terminologie Modèles statistiques Estimation des paramètres Sommes et moyennes empiriques Pour le niveau i : n i Y i = j=1 Y i = 1 n i Y i = 1 n i Y ij n i j=1 Y ij
21 Terminologie Modèles statistiques Estimation des paramètres Sommes et moyennes empiriques Pour le niveau i : n i Y i = Globalement et j=1 Y i = 1 n i Y i = 1 n i Y = k Y i = i=1 Y = 1 n Y = 1 n Y ij n i j=1 k n i i=1 j=1 k Y i = 1 n i=1 Y ij Y ij k n i i=1 j=1 Y ij
22 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale.
23 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 )
24 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 ) et Y ij, Y i j indépendantes pour i i ou j j.
25 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 ) et Y ij, Y i j indépendantes pour i i ou j j. Autrement dit, pour chaque i, (y ij ) j ni,..., y ini standard. est un échantillon
26 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 ) et Y ij, Y i j indépendantes pour i i ou j j. Autrement dit, pour chaque i, (y ij ) j ni,..., y ini standard. est un échantillon L écart-type (théorique) est le même pour tous les niveaux.
27 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 ) et Y ij, Y i j indépendantes pour i i ou j j. Autrement dit, pour chaque i, (y ij ) j ni,..., y ini standard. est un échantillon L écart-type (théorique) est le même pour tous les niveaux. La moyenne (théorique) peut varier avec le niveau.
28 Hypothèse : Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres les k échantillons sont indépendants et de loi Normale. Les y ij sont des réalisations de la v.a. Y ij N (m i, σ 2 ) et Y ij, Y i j indépendantes pour i i ou j j. Autrement dit, pour chaque i, (y ij ) j ni,..., y ini standard. est un échantillon L écart-type (théorique) est le même pour tous les niveaux. La moyenne (théorique) peut varier avec le niveau. On veut savoir si les moyennes m i sont toutes égales ou non.
29 Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3
30 Terminologie Modèles statistiques Estimation des paramètres Y ij N (m i, σ 2 ) Y ij = m i + ε ij i = 1,..., k j = 1,..., n i
31 Terminologie Modèles statistiques Estimation des paramètres Y ij N (m i, σ 2 ) Y ij = m i + ε ij i = 1,..., k j = 1,..., n i = µ + α i + ε ij avec ε ij N (0, σ 2 ). Avec - µ = «effet moyen» ; - α i = effet du niveau i du facteur F.
32 Terminologie Modèles statistiques Estimation des paramètres Y ij N (m i, σ 2 ) Y ij = m i + ε ij i = 1,..., k j = 1,..., n i = µ + α i + ε ij avec ε ij N (0, σ 2 ). Avec - µ = «effet moyen» ; - α i = effet du niveau i du facteur F. Contrainte : k i=1 n iα i = 0
33 Terminologie Modèles statistiques Estimation des paramètres Y ij N (m i, σ 2 ) Y ij = m i + ε ij i = 1,..., k j = 1,..., n i = µ + α i + ε ij avec ε ij N (0, σ 2 ). Avec - µ = «effet moyen» ; - α i = effet du niveau i du facteur F. Contrainte : k i=1 n iα i = 0 On veut tester si les α i sont tous nuls.
34 Terminologie Modèles statistiques Estimation des paramètres Vectoriellement, le modèle s écrit Y 11 Y 12. Y 1n1 Y 21 Y 22. Y 2n2. Y k1. Y knk = m 1 m 2.. m k + ε 11 ε 12. ε 1n1 ε 21 ε 22. ε 2n2. ε k1. ε knk
35 Terminologie Modèles statistiques Estimation des paramètres Y = X β + ε
36 Terminologie Modèles statistiques Estimation des paramètres Y = X β + ε Donc, l analyse de variance est un modèle linéaire.
37 Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3
38 (m i ) Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres Il faut trouver ainsi les valeurs des m i qui minimisent la fonction : T ((m i )) = k n i ε 2 ij = i=1 j=1 k n i (Y ij m i ) 2 i=1 j=1
39 (m i ) Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres Il faut trouver ainsi les valeurs des m i qui minimisent la fonction : T ((m i )) = k n i ε 2 ij = i=1 j=1 k n i (Y ij m i ) 2 i=1 j=1 On obtient que : ˆm i = Ȳ i.
40 (m i ) Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres Il faut trouver ainsi les valeurs des m i qui minimisent la fonction : T ((m i )) = k n i ε 2 ij = i=1 j=1 k n i (Y ij m i ) 2 i=1 j=1 On obtient que : ˆm i = Ȳ i. Sous l hypothèse de normalité et d indépendance des échantillons, Ȳ i est un estimateur sans biais de m i et ) ˆm i = Ȳ i N (m i, σ2 n i
41 Terminologie Modèles statistiques Estimation des paramètres µ, α i ε ij = ε + ( ε i ε ) + (ε ij ε i ) k n i ε 2 ij = i=1 j=1 k n i k n i k n i ε 2 + (ε i ε ) 2 + (ε ij ε i ) 2 i=1 j=1 i=1 j=1 i=1 j=1
42 Terminologie Modèles statistiques Estimation des paramètres µ, α i ε ij = ε + ( ε i ε ) + (ε ij ε i ) k n i ε 2 ij = i=1 j=1 k n i k n i k n i ε 2 + (ε i ε ) 2 + (ε ij ε i ) 2 i=1 j=1 i=1 j=1 i=1 j=1 On a ε ij = Y ij µ α i, ε i = Y i n i µ n i α i, ε i = Y i µ α i k k ε = Y n i µ n i α i, ε = Y nµ, ε = Y µ i=1 i=1
43 Terminologie Modèles statistiques Estimation des paramètres µ, α i k n i ε 2 ij = i=1 j=1 k n i k n i k n i (Y µ) 2 + (Y i Y α i ) 2 + (Y ij Y i ) 2 i=1 j=1 i=1 j=1 i=1 j=1
44 Terminologie Modèles statistiques Estimation des paramètres µ, α i k n i ε 2 ij = i=1 j=1 k n i k n i k n i (Y µ) 2 + (Y i Y α i ) 2 + (Y ij Y i ) 2 i=1 j=1 i=1 j=1 i=1 j=1 Le membre de droite est minimisé pour : ˆµ = Y, ˆα i = Y i Y
45 Terminologie Modèles statistiques Estimation des paramètres µ, α i k n i ε 2 ij = i=1 j=1 k n i k n i k n i (Y µ) 2 + (Y i Y α i ) 2 + (Y ij Y i ) 2 i=1 j=1 i=1 j=1 i=1 j=1 Le membre de droite est minimisé pour : ˆµ = Y, ˆα i = Y i Y On a bien k i=1 n i ˆα i = 0
46 Terminologie Modèles statistiques Estimation des paramètres µ, α i k n i ε 2 ij = i=1 j=1 k n i k n i k n i (Y µ) 2 + (Y i Y α i ) 2 + (Y ij Y i ) 2 i=1 j=1 i=1 j=1 i=1 j=1 Le membre de droite est minimisé pour : ˆµ = Y, ˆα i = Y i Y On a bien k i=1 n i ˆα i = 0 : k n i ˆα i = i=1 k k n i Y i n i Y = i=1 i=1 k Y i ny = 0 i=1
47 σ 2 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres L estimateur de σ 2 est : S 2 n = 1 n k k n i (Y ij Ȳ i ) 2 i=1 j=1
48 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 1 Analyse de variance à un facteur 2 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 3
49 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux?
50 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux? H 0 : m 1 = m 2 =... = m k = m contre
51 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux? H 0 : m 1 = m 2 =... = m k = m contre H 1 : i, j {1,..., k} tels que m i m j.
52 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux? H 0 : m 1 = m 2 =... = m k = m contre H 1 : i, j {1,..., k} tels que m i m j. Ou : H 0 : α 1 = α 2 =... = α k = 0 contre
53 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux? H 0 : m 1 = m 2 =... = m k = m contre H 1 : i, j {1,..., k} tels que m i m j. Ou : H 0 : α 1 = α 2 =... = α k = 0 contre H 1 : i {1,..., k} tel que α i 0
54 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Niveaux 1 seul niveau ou k niveaux? H 0 : m 1 = m 2 =... = m k = m contre H 1 : i, j {1,..., k} tels que m i m j. Ou : H 0 : α 1 = α 2 =... = α k = 0 contre H 1 : i {1,..., k} tel que α i 0 Sous H 0, le modèle a la forme : M reduit : Y ij = µ + ε ij
55 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes L estimation pour µ est ˆµ = Ȳ et la prévision de Y ij est Ŷ ij = ˆµ. Alors, le résidu, sous H 0 est : Y ij Ȳ. La variabilité totale est : k n i (Y ij Y ) 2 i=1 j=1 On peut écrire : Y ij Y = (Y ij Y i ) + (Y i Y )
56 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes L estimation pour µ est ˆµ = Ȳ et la prévision de Y ij est Ŷ ij = ˆµ. Alors, le résidu, sous H 0 est : Y ij Ȳ. La variabilité totale est : k n i (Y ij Y ) 2 i=1 j=1 On peut écrire : Y ij Y = (Y ij Y i ) + (Y i Y ) et on obtient : k n i (Y ij Y ) 2 = i=1 j=1 k n i k n i (Y ij Y i ) 2 + (Y i Y ) 2 i=1 j=1 i=1 j=1 (variabilité totale=variabilité résiduelle + variabilité due au modèle) : ST=SR+SM.
57 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Tableau d analyse de variance Source de variation ddl S.C. Carré moyen Régression k 1 SM SM/(k 1) Résiduelle n k SR SR/(n k) Totale n 1 ST
58 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 1 Analyse de variance à un facteur 2 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 3
59 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Pour tester l hypothèse H 0 on utilise la statistique : Z = SM/(k 1) SR/(n k) F (k 1, n k) (sous H 0) Pour un risque α fixé, la zone d acceptation est : ZA H0,α = [0 ; f k 1,n k;1 α ]
60 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Exemple : Notes 21 candidats, 3 examinateurs (resp. 6,8 et 7 étudiants) Examinateur A B C Notes 10,11,11 8,11,11,13 10,13,14,14 12,13,15 14,15,16,16 15,16,16 Effectif Moyenne
61 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Y ij = m i + ε ij i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7
62 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Y ij = m i + ε ij i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 ou encore Y ij = µ + α i + ε ij, i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7
63 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Y ij = m i + ε ij i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 ou encore Y ij = µ + α i + ε ij, i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 Les estimations des paramètres : ˆµ = ȳ = 13.05, ˆα 1 = ȳ 1 ȳ = = 1.05, ˆα 2 = ȳ 2 ȳ = = 0.05, ˆα 3 = ȳ 3 ȳ = = 0.95.
64 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Y ij = m i + ε ij i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 ou encore Y ij = µ + α i + ε ij, i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 Les estimations des paramètres : ˆµ = ȳ = 13.05, ˆα 1 = ȳ 1 ȳ = = 1.05, ˆα 2 = ȳ 2 ȳ = = 0.05, ˆα 3 = ȳ 3 ȳ = = H 0 : pas d effet examinateur sur la notation
65 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Y ij = m i + ε ij i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 ou encore Y ij = µ + α i + ε ij, i = 1, 2, 3, j = 1,..., n i, n 1 = 6 n 2 = 8 n 3 = 7 Les estimations des paramètres : ˆµ = ȳ = 13.05, ˆα 1 = ȳ 1 ȳ = = 1.05, ˆα 2 = ȳ 2 ȳ = = 0.05, ˆα 3 = ȳ 3 ȳ = = H 0 : pas d effet examinateur sur la notation H 0 : m 1 = m 2 = m 3 = m contre H 1 : i j tel que m i m j H 0 : α 1 = α 2 = α 3 = 0 contre H 1 : i j tel que α i 0
66 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes On obtient : SM=12.95, SR=98
67 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes On obtient : SM=12.95, SR=98 donc z = (SM/(3 1))/(SR/(21 3)) = 1.19.
68 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes On obtient : SM=12.95, SR=98 donc z = (SM/(3 1))/(SR/(21 3)) = La zone d acceptation est ZA H0 ;1 α = [0 ; f 2,18;0.95 ] = [0 ; 3.55].
69 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes On obtient : SM=12.95, SR=98 donc z = (SM/(3 1))/(SR/(21 3)) = La zone d acceptation est ZA H0 ;1 α = [0 ; f 2,18;0.95 ] = [0 ; 3.55]. Donc, H 0 est acceptée : les examinateurs ont le même système de notation.
70 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 1 Analyse de variance à un facteur 2 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes 3
71 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Le rejet de l hypothèse d égalité des moyennes ne signifie pas que tous les m i sont différents entre eux. On cherche souvent à tester l égalité entre deux moyennes : H 0 : m h = m j contre H 1 : m h m j pour h j. On utilise la statistique de test : Z = Ȳ h Ȳ j SR 1 n k n + 1 h n j t n k (t n k : loi de Student à n k degrés de liberté.)
72 Tableau d analyse de variance Test d égalité des k effets Comparaison de moyennes Le rejet de l hypothèse d égalité des moyennes ne signifie pas que tous les m i sont différents entre eux. On cherche souvent à tester l égalité entre deux moyennes : H 0 : m h = m j contre H 1 : m h m j pour h j. On utilise la statistique de test : Z = Ȳ h Ȳ j SR 1 n k n + 1 h n j t n k (t n k : loi de Student à n k degrés de liberté.) La zone d acceptation ZA H0,1 α = [ t n k;1 α/2 ; t n k;1 α/2 ].
73 1 Analyse de variance à un facteur 2 3 Estimation des paramètres Tableau d analyse de variance Test d hypothèse Test d un facteur.
74 On a vu comment comparer les populations d un même facteur. Supposons maintenant qu un expérimentateur souhaite comparer l influence de trois régimes alimentaires et de deux exploitations sur la production laitière. Les résultats expérimentaux sont dans le tableau suivant. Expl R.alim A B C Total Moyenne Total Moyenne
75 1 Analyse de variance à un facteur 2 3 Estimation des paramètres Tableau d analyse de variance Test d hypothèse Test d un facteur.
76 Deux facteurs (variables) F1 et F2. p niveaux pour F1, q niveaux pour F2 Pour chaque couple (i, j) de niveaux, on a r( 1) observations de la variable dépendante Y.
77 Deux facteurs (variables) F1 et F2. p niveaux pour F1, q niveaux pour F2 Pour chaque couple (i, j) de niveaux, on a r( 1) observations de la variable dépendante Y. F1 / F i... p 1 y 111,..., y 11r... y i11,..., y i1r... y p11,..., y p1r j y 1j1,..., y 1jr... y ij1,..., y ijr... y pj1,..., y pjr q y 1q1,..., y 1jq... y iq1,..., y iqr... y pq1,..., y pqr Dans la cellule (i, j) : les valeurs (observations) y ijk : i : niveau (population) du facteur F 1, j : niveau de F 2 k : la k-ième répétition pour un couple (i, j).
78 Notations : y ij = r k=1 y ijk ȳ ij = 1 r y ij y i = q r j=1 k=1 y ijk ȳ i = 1 qr y y j = p r i=1 k=1 y ijk ȳ j = 1 pr y j y = p q r i=1 j=1 k=1 y ijk ȳ = 1 pqr y
79 Notations : y ij = r k=1 y ijk ȳ ij = 1 r y ij y i = q r j=1 k=1 y ijk ȳ i = 1 qr y y j = p r i=1 k=1 y ijk ȳ j = 1 pr y j y = p q r i=1 j=1 k=1 y ijk ȳ = 1 pqr y Les observations y ijk sont des réalisations de la v.a. Y ijk sur laquelle on fait les hypothèses : { Yijk N (m ij, σ 2 ) k = 1,..., r Y ijk, Y i j k indépendantes
80 En ce qui concerne le nombre r de répétitions on a 2 situations : r > 1 r = 1. Il n y a pas de répétition et on va noter Y ij par Y ij. Alors, les modèles statistiques considérés seront fonction de ces 2 situations.
81 En ce qui concerne le nombre r de répétitions on a 2 situations : r > 1 r = 1. Il n y a pas de répétition et on va noter Y ij par Y ij. Alors, les modèles statistiques considérés seront fonction de ces 2 situations. Même nombre de répétitions de l expérience pour chaque couple de facteurs.
82 Les problèmes étudiés sont les mêmes que pour un seul facteur : écrire un modèle statistique de Y fonction des facteurs ;
83 Les problèmes étudiés sont les mêmes que pour un seul facteur : écrire un modèle statistique de Y fonction des facteurs ; estimer les effets des niveaux des deux facteurs ;
84 Les problèmes étudiés sont les mêmes que pour un seul facteur : écrire un modèle statistique de Y fonction des facteurs ; estimer les effets des niveaux des deux facteurs ; test d hypothèse
85 1 Analyse de variance à un facteur 2 3 Estimation des paramètres Tableau d analyse de variance Test d hypothèse Test d un facteur.
86 Le modèle le plus simple est d additionner les effets du facteur F 1 avec les effets du facteur F 2 : m ij = µ + α i + β j
87 Le modèle le plus simple est d additionner les effets du facteur F 1 avec les effets du facteur F 2 : m ij = µ + α i + β j où : - µ est l effet moyen - α i est l effet dû au niveau i du facteur F 1 ; - β j est l effet dû au niveau j du facteur F 2 ;
88 Le modèle le plus simple est d additionner les effets du facteur F 1 avec les effets du facteur F 2 : m ij = µ + α i + β j où : - µ est l effet moyen - α i est l effet dû au niveau i du facteur F 1 ; - β j est l effet dû au niveau j du facteur F 2 ; Puisque Y ij N (m ij, σ 2 ) on peut considérer un modèle : Y ij = µ + α i + β j + ε ij Avec comme contraintes p α i = 0 i=1 q β j = 0 j=1
89 Il faut trouver les valeurs de m ij (ou de µ, α i, β j ) qui minimisent la fonction : T ((m ij ) ij ) = p q ε 2 ij = p q (Y ij m ij ) 2 = p q (Y ij µ α i β j ) 2 i=1 j=1 i=1 j=1 i=1 j=1 On utilise la même technique que pour l analyse de variance à un facteur, et on obtient : ˆα i = Y i Y ˆβ i = Y j Y ˆµ = Y La valeur prédite pour Y ij est : Ŷ ij = ˆµ + ˆα i + ˆβ j = Y i + Y j Y
90 Exemple. Analyse de variance à un facteur F1 : le régime alimentaire, prend 3 valeurs (A, B, C), donc p = 3. F2 : l exploitation, prend 2 valeurs (1 et 2), donc q = 2.
91 Exemple. Analyse de variance à un facteur F1 : le régime alimentaire, prend 3 valeurs (A, B, C), donc p = 3. F2 : l exploitation, prend 2 valeurs (1 et 2), donc q = 2. Modèle statistique : Y ij = µ + α i + β j i = 1, 2, 3 j = 1, 2 où : α i est l effet de l exploitation n i sur Y, β 1 est l effet du régime A sur la production laitière...
92 Estimations Analyse de variance à un facteur ˆµ = ȳ = 20,
93 Estimations Analyse de variance à un facteur ˆµ = ȳ = 20, ˆα 1 = ȳ 1 ȳ = = 10, ˆα 2 = 20, ˆα 3 = 10,
94 Estimations Analyse de variance à un facteur ˆµ = ȳ = 20, ˆα 1 = ȳ 1 ȳ = = 10, ˆα 2 = 20, ˆα 3 = 10, ˆβ 1 = ȳ 1 ȳ = = 5, ˆβ 2 = 5.
95 Estimations Analyse de variance à un facteur ˆµ = ȳ = 20, ˆα 1 = ȳ 1 ȳ = = 10, ˆα 2 = 20, ˆα 3 = 10, ˆβ 1 = ȳ 1 ȳ = = 5, ˆβ 2 = 5. La prévision de Y 11 (exploitation 1 et régime alimentaire A) : Ŷ 11 = ˆµ + ˆα 1 + ˆβ 1 = = 5.
96 Tableau d analyse de variance En partant de l identité : Y ij Y = (Y ij Y i Y j + Y ) + (Y i Y ) + (Y j Y )
97 Tableau d analyse de variance En partant de l identité : Y ij Y = (Y ij Y i Y j + Y ) + (Y i Y ) + (Y j Y ) On obtient : (Y ij Y ) 2 = (Y ij Y i Y j +Y ) 2 +q i,j i,j ou encore ST = SR + S F 1 + S F 2. p (Y i Y ) 2 +p i=1 q (Y j Y ) j=1
98 Tableau d analyse de variance En partant de l identité : Y ij Y = (Y ij Y i Y j + Y ) + (Y i Y ) + (Y j Y ) On obtient : (Y ij Y ) 2 = (Y ij Y i Y j +Y ) 2 +q i,j i,j ou encore ST = SR + S F 1 + S F 2. p (Y i Y ) 2 +p Source de variation ddl S.C. Carré moyen F1 p 1 S F 1 S F 1 /(p 1) F2 q 1 S F 2 S F 2 /(q 1) Résidu (p 1)(q 1) SR SR/(p 1)(q 1) Totale pq 1 ST i=1 q (Y j Y ) j=1
99 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif
100 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif ou effet de chaque facteur.
101 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif ou effet de chaque facteur. Modèle significatif? Le modèle n est pas significatif si aucun des deux facteurs n influence Y :
102 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif ou effet de chaque facteur. Modèle significatif? Le modèle n est pas significatif si aucun des deux facteurs n influence Y : H 0 : α 1 = = α p = β 1 = = β q = 0 contre : H 1 : i {1,..., p} ou j {1,..., q} t.q. α i 0 ou β i 0.
103 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif ou effet de chaque facteur. Modèle significatif? Le modèle n est pas significatif si aucun des deux facteurs n influence Y : H 0 : α 1 = = α p = β 1 = = β q = 0 contre : H 1 : i {1,..., p} ou j {1,..., q} t.q. α i 0 ou β i 0. Le modèle réduit est : Y ij = µ + ε ij.
104 Tests Analyse de variance à un facteur Deux types d hypothèse : si le modèle significatif ou effet de chaque facteur. Modèle significatif? Le modèle n est pas significatif si aucun des deux facteurs n influence Y : H 0 : α 1 = = α p = β 1 = = β q = 0 contre : H 1 : i {1,..., p} ou j {1,..., q} t.q. α i 0 ou β i 0. Le modèle réduit est : Y ij = µ + ε ij. Statistique de test : Z = (S F 1 + S F 2 )/(p + q 2) SR/(p 1)(q 1) F (p+q 2, (p 1)(q 1)) sous H 0
105 Test d un facteur Analyse de variance à un facteur Supposons que l on veut tester l effet de F1. H 0 : F1 n influe pas Y sachant que F2 est dans le modèle. H 0 : α 1 = = α p = 0 contre H 1 : i {1,..., p} t.q. α i 0. Le modèle réduit est : Y ij = µ + β j + ε ij.
106 Test d un facteur Analyse de variance à un facteur Supposons que l on veut tester l effet de F1. H 0 : F1 n influe pas Y sachant que F2 est dans le modèle. H 0 : α 1 = = α p = 0 contre H 1 : i {1,..., p} t.q. α i 0. Le modèle réduit est : Y ij = µ + β j + ε ij.(modèle à un facteur)
107 Test d un facteur Analyse de variance à un facteur Supposons que l on veut tester l effet de F1. H 0 : F1 n influe pas Y sachant que F2 est dans le modèle. H 0 : α 1 = = α p = 0 contre H 1 : i {1,..., p} t.q. α i 0. Le modèle réduit est : Y ij = µ + β j + ε ij.(modèle à un facteur) H 0 : la moyenne m ij ne dépend pas de i.
108 Test d un facteur Analyse de variance à un facteur Supposons que l on veut tester l effet de F1. H 0 : F1 n influe pas Y sachant que F2 est dans le modèle. H 0 : α 1 = = α p = 0 contre H 1 : i {1,..., p} t.q. α i 0. Le modèle réduit est : Y ij = µ + β j + ε ij.(modèle à un facteur) H 0 : la moyenne m ij ne dépend pas de i. Statistique de test : Z = (S F 1)/(p 1) SR/(p 1)(q 1) F (p 1, (p 1)(q 1)) sous H 0
109 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale
110 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale Significativité du modèle : H 0 : α 1 = α 2 = α 3 = β 1 = β 2 = 0 : Z =
111 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale Significativité du modèle : H 0 : α 1 = α 2 = α 3 = β 1 = β 2 = 0 : Z = (S F 1 + S F 2 )/( ) SR/2 F (3, 2) sous H 0
112 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale Significativité du modèle : H 0 : α 1 = α 2 = α 3 = β 1 = β 2 = 0 : Z = (S F 1 + S F 2 )/( ) SR/2 F (3, 2) sous H 0 ZA = [0 ; f 3,2:0.95 ] = [0 ; 19.2],
113 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale Significativité du modèle : H 0 : α 1 = α 2 = α 3 = β 1 = β 2 = 0 : Z = (S F 1 + S F 2 )/( ) SR/2 F (3, 2) sous H 0 ZA = [0 ; f 3,2:0.95 ] = [0 ; 19.2], z obs = 1350/3 14 = 32.1 ZA.
114 Exemple. Analyse de variance à un facteur Le tableau d analyse de variance est : Source de variation ddl S.C. Carré moyen F F Résidu Totale Significativité du modèle : H 0 : α 1 = α 2 = α 3 = β 1 = β 2 = 0 : Z = (S F 1 + S F 2 )/( ) SR/2 F (3, 2) sous H 0 ZA = [0 ; f 3,2:0.95 ] = [0 ; 19.2], z obs = 1350/3 14 = 32.1 ZA. Donc H 0 est rejetée et le modèle est significatif.
115 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle.
116 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0.
117 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0. Sous H 0 : Y ij = µ + β j + ε ij, i = 1, 2, 3, j = 1, 2.
118 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0. Sous H 0 : Y ij = µ + β j + ε ij, i = 1, 2, 3, j = 1, 2. La statistique de test Z = S F 1/2 SR/2 suit la loi F (2, 2) sous H 0.
119 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0. Sous H 0 : Y ij = µ + β j + ε ij, i = 1, 2, 3, j = 1, 2. La statistique de test Z = S F 1/2 SR/2 suit la loi F (2, 2) sous H 0. ZA = [0 ; f 2,2:0.95 ] = [0 ; 19.0],
120 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0. Sous H 0 : Y ij = µ + β j + ε ij, i = 1, 2, 3, j = 1, 2. La statistique de test Z = S F 1/2 SR/2 suit la loi F (2, 2) sous H 0. ZA = [0 ; f 2,2:0.95 ] = [0 ; 19.0], z = = ZA.
121 Régime alimentaire influent? H 0 : α 1 = α 2 = α 3 = 0 sachant que l exploitation est dans le modèle. H 1 : i {1, 2, 3} t.q. α i 0. Sous H 0 : Y ij = µ + β j + ε ij, i = 1, 2, 3, j = 1, 2. La statistique de test Z = S F 1/2 SR/2 suit la loi F (2, 2) sous H 0. ZA = [0 ; f 2,2:0.95 ] = [0 ; 19.0], z = = ZA. Donc H 0 est rejetée, le régime alimentaire est un facteur influent pour la production laitière.
122 1 Analyse de variance à un facteur 2 3 Estimation des paramètres Tableau d analyse de variance Test d hypothèse Test d un facteur.
123 Par exemple, si on utilise deux engrais simultanément, on espère que l action des engrais se complète et que les plantes se développent mieux du fait de cette concomitance.
124 Par exemple, si on utilise deux engrais simultanément, on espère que l action des engrais se complète et que les plantes se développent mieux du fait de cette concomitance. On peut ainsi mesurer l influence de divers dosages de chacun des engrais.
125 Par exemple, si on utilise deux engrais simultanément, on espère que l action des engrais se complète et que les plantes se développent mieux du fait de cette concomitance. On peut ainsi mesurer l influence de divers dosages de chacun des engrais. L interaction peut être bénéfique (synergie) ou néfaste (antagonisme).
126 Par exemple, si on utilise deux engrais simultanément, on espère que l action des engrais se complète et que les plantes se développent mieux du fait de cette concomitance. On peut ainsi mesurer l influence de divers dosages de chacun des engrais. L interaction peut être bénéfique (synergie) ou néfaste (antagonisme). p valeurs pour le facteur F 1, q pour le facteur F 2, r observations pour chaque couple de facteur.
127 Le modèle est Y ijk = m ij + γ ij + ɛ ijk que l on écrit :Y ijk = µ + α i + β j + γ ij + ɛ ijk Les ɛ ijk sont des v.a. Normales, centrées et de même écart-type σ.
128 Le modèle est Y ijk = m ij + γ ij + ɛ ijk que l on écrit :Y ijk = µ + α i + β j + γ ij + ɛ ijk Les ɛ ijk sont des v.a. Normales, centrées et de même écart-type σ. Contraintes : α i = 0 i β j = 0 j γ ij = 0 ij
129 Le modèle est Y ijk = m ij + γ ij + ɛ ijk que l on écrit :Y ijk = µ + α i + β j + γ ij + ɛ ijk Les ɛ ijk sont des v.a. Normales, centrées et de même écart-type σ. Contraintes : α i = 0 i β j = 0 j γ ij = 0 ij Lien entre (m ij ) et (α i ), (β j ), (γ ij ) α i = m i. m.., β j = m.j m.., γ ij = m ij m i. m.j + m..
130 Les hypothèses à tester peuvent être H O : α 1 = α 2 = = α p = 0 ou m 1. = m 2. = = m p. ou H O : β 1 = β 2 = = β p = 0 ou m.1 = m.2 = = m.p
131 Les hypothèses à tester peuvent être ou H O : α 1 = α 2 = = α p = 0 ou m 1. = m 2. = = m p. H O : β 1 = β 2 = = β p = 0 ou m.1 = m.2 = = m.p ou l absence d interactions : H 0 : γ 11 = γ 12 = = γ pq = 0
132 On calcule les sommes des carrés des écarts S F 1 = qr i (y i ȳ ) 2 (p 1) ddl S F 2 = pr j (y j ȳ ) 2 (q 1) ddl S F 12 = ST S F 1 S F 2 SR (p 1)(q 1) ddl SR = ijk (y ijk ȳ ij ) 2 pq(r 1) ddl ST = ijk (y ijk ȳ ) 2 (rpq 1) ddl
133 Tableau d analyse de la variance Sources ddl Sommes Carrés moyens 1er facteur p 1 S F 1 S F 1 /(p 1) 2ème facteur q 1 S F 2 SM F 2 /(q 1) Interaction (p 1)(q 1) S F 12 S F 12 /((p 1)(q 1)) Résidus pq(r 1) SR SR/(pq(r 1)) Totaux pqr 1 ST
134 On commence par tester l interaction
135 On commence par tester l interaction : sous H 0, f F 12 = S F 12/((p 1)(q 1)) SR/(pq(r 1)) suit la loi de Fisher ((p 1)(q 1), pq(r 1)).
136 On commence par tester l interaction : sous H 0, f F 12 = S F 12/((p 1)(q 1)) SR/(pq(r 1)) suit la loi de Fisher ((p 1)(q 1), pq(r 1)). On rejette H 0 lorsque f F 12 dépasse le fractile d ordre 1 α de cette loi. Si on accepte H 0 (pas d interaction), on teste l influence de F 1 puis de F 2 :
137 En l absence d interaction, sous H 0 (respectivement H 0 ) f F 1 = S F 1/(p 1) SR/pq(r 1) et f F 2 = S F 2/(q 1) SR/pq(r 1) suivent des lois de Fisher à (p 1, pq(r 1)) (respectivement (q 1, pq(r 1))) degrés de liberté. On rejette l hypothèse H 0 (ou H 0 ) si la valeur f observée est supérieure au fractile d ordre 1 α de la loi en question.
138 1 Analyse de variance à un facteur 2 3 Estimation des paramètres Tableau d analyse de variance Test d hypothèse Test d un facteur.
139 Exemples Analyse de variance à un facteur On sélectionne plusieurs régions (1er facteur), puis, à l intérieur de chacune des régions, plusieurs exploitations agricoles (2ème facteur), et on mesure la quantité de lait produite annuellement par r vaches dans chacune des exploitations : y ijk.
140 Exemples Analyse de variance à un facteur On sélectionne plusieurs régions (1er facteur), puis, à l intérieur de chacune des régions, plusieurs exploitations agricoles (2ème facteur), et on mesure la quantité de lait produite annuellement par r vaches dans chacune des exploitations : y ijk.
141 Exemples Analyse de variance à un facteur On sélectionne plusieurs régions (1er facteur), puis, à l intérieur de chacune des régions, plusieurs exploitations agricoles (2ème facteur), et on mesure la quantité de lait produite annuellement par r vaches dans chacune des exploitations : y ijk. : aucune raison d avoir un lien entre les exploitations n 1 de chacun des régions. y i : moyenne des exploitations de la région i
142 Exemples Analyse de variance à un facteur On sélectionne plusieurs régions (1er facteur), puis, à l intérieur de chacune des régions, plusieurs exploitations agricoles (2ème facteur), et on mesure la quantité de lait produite annuellement par r vaches dans chacune des exploitations : y ijk. : aucune raison d avoir un lien entre les exploitations n 1 de chacun des régions. y i : moyenne des exploitations de la région i : intéressant. y j : moyenne des j-ièmes exploitations de chaque région
143 Exemples Analyse de variance à un facteur On sélectionne plusieurs régions (1er facteur), puis, à l intérieur de chacune des régions, plusieurs exploitations agricoles (2ème facteur), et on mesure la quantité de lait produite annuellement par r vaches dans chacune des exploitations : y ijk. : aucune raison d avoir un lien entre les exploitations n 1 de chacun des régions. y i : moyenne des exploitations de la région i : intéressant. y j : moyenne des j-ièmes exploitations de chaque région : non pertinent.
144 Modèle : Y ijk = µ + α i + β j i + ɛ ijk
145 Modèle : Y ijk = µ + α i + β j i + ɛ ijk µ : production moyenne α i : apport de la région i β i j : apport de l exploitation j dans la région i
146 Modèle : Y ijk = µ + α i + β j i + ɛ ijk µ : production moyenne α i : apport de la région i β i j : apport de l exploitation j dans la région i ɛ ijk : vaiid Normale centrée et de variance σ 2.
147 Décomposition de la variance y ijk y = (y i y ) + (y ij y i ) + (y ijk y ij ) ST = ijk (Y ijk Y ) 2 = ijk [ (Yi Y ) 2 + (Y ij Y i ) 2 + (Y ijk Y ij ) 2] = qr i (Y i Y ) 2 + r jk (Y ij Y i ) 2 + ijk (Y ijk Y ij ) 2 = SM a + SM b a + SR
148 Tableau d analyse de la variance Sources ddl Sommes Carrés moyens 1er facteur p 1 SM a SM a /(p 1) 2ème facteur p(q 1) SM b a SM b a /(p(q 1)) Résidus pq(r 1) SR SR/(pq(r 1)) Totaux pqr 1 ST
149 On peut tester Si le 1er facteur a une influence : H 0 : a 1 =... = a p = 0 On calcule (SM a /(p 1))/(SM b a /p(q 1)) et on le compare à F 1 α;p 1;p(q 1) Si le 2ème facteur une influence à l intérieur du 1er H 0 : β j i = 0, pour tous i et j. On calcule SM b a /(p(q 1))/(SR/(pq(r 1))) et on le compare à F 1 α;p(q 1),pq(r 1)
150 Exemple : Rendement fourrager dans 2 types de prairies, 3 prairies pour chacun des 2 types, 5 parcelles dans chacune des 3 2 prairies. n Type 1 Type 2 Pr. 1 Pr. 2 Pr. 3 Pr. 1 Pr. 2 Pr
151 Exemple : Rendement fourrager dans 2 types de prairies, 3 prairies pour chacun des 2 types, 5 parcelles dans chacune des 3 2 prairies. n Type 1 Type 2 Pr. 1 Pr. 2 Pr. 3 Pr. 1 Pr. 2 Pr On calcule les moyennes pour chacune des prairies : 2.536, 2.108, et 3.578, 2.488, La moyenne globale est égale à On a SM a = 3.427, SM b a = 5.541, SR = ST SM a SM b a = 5.742
152 On obtient le tableau d analyse de la variance Sources ddl Sommes Carrés moyens Type p 1 = 1 SM a = SM a /(p 1) = Prairie p(q 1) = 4 SM b a = SM b a /(p(q 1)) = Résidus pq(r 1) = 24 SR = SR/(pq(r 1)) = Totaux pqr 1 = 29 ST =
153 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = 2.474
154 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = à comparer avec F 0.95;1;4 = 7.71 : non significatif
155 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = à comparer avec F 0.95;1;4 = 7.71 : non significatif Si le 2ème facteur a une influence à l intérieur du 1er : SM b a /(p(q 1) SR/(pq(r 1)) = = 5.79
156 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = à comparer avec F 0.95;1;4 = 7.71 : non significatif Si le 2ème facteur a une influence à l intérieur du 1er : SM b a /(p(q 1) SR/(pq(r 1)) = = 5.79 à comparer avec F 0.95;4;24 = 2.8 : significatif
157 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = à comparer avec F 0.95;1;4 = 7.71 : non significatif Si le 2ème facteur a une influence à l intérieur du 1er : SM b a /(p(q 1) SR/(pq(r 1)) = = 5.79 à comparer avec F 0.95;4;24 = 2.8 : significatif Cela signifie que le type de prairie n a pas d influence significative sur le rendement fourrager,
158 On peut tester : Si le 1er facteur a une influence : SM a /(p 1) SM b a /(p(q 1)) = = à comparer avec F 0.95;1;4 = 7.71 : non significatif Si le 2ème facteur a une influence à l intérieur du 1er : SM b a /(p(q 1) SR/(pq(r 1)) = = 5.79 à comparer avec F 0.95;4;24 = 2.8 : significatif Cela signifie que le type de prairie n a pas d influence significative sur le rendement fourrager,mais que les prairies ne sont pas homogènes à l intérieur d un type donné.
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
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 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 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 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 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 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en 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 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 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 détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 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 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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
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 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 détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
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 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 détailRÉSULTATS DE L OBSERVATOIRE TECHNICO-ÉCONOMIQUE DU RAD Synthèse 2011 - Exercice comptable 2010
Les essentiels du Réseau agriculture durable RÉSULTATS DE L OBSERVATOIRE TECHNICO-ÉCONOMIQUE DU Synthèse 2011 - Exercice comptable 2010 Réseau d information comptable agricole du Ministère de l Agriculture,
Plus en détailComment bien régresser: La statistique peut-elle se passer d artefacts?
Comment bien régresser: La statistique peut-elle se passer d artefacts? Jean-Bernard Chatelain To cite this version: Jean-Bernard Chatelain. Comment bien régresser: La statistique peut-elle se passer d
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailExercices de Statistique HEI 3-2014/2015 A. RIDARD
Exercices de Statistique HEI 3-2014/2015 A. RIDARD 2 Table des matières 1 Loi normale 5 2 Estimation 7 3 Tests statistiques 11 4 Régression linéaire 13 5 Analyse de variance 19 Annales 25 3 4 Chapitre
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailIntroduction 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
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 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 détailCOMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS
1 sur 9 COMMENT MAITRISER LA GESTION DES APPROVISIONNEMENTS ET DES STOCKS DE MEDICAMENTS (L'article intégral est paru dans Gestions Hospitalières n 357 de juin-juillet 1996) Pour plus d'informations concernant
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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
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 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 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 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 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 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en 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 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 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 détailLa théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.
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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailmon maïs fourrage, (GNIS) rassemble toutes les parties prenantes de la filière semences française, soit 72 entreprises de sélection,
Ma vache, mon maïs fourrage, et moi 50 ans de progrès! Depuis maintenant 50 ans, le maïs fourrage a bénéficié avec succès du progrès génétique et de l innovation variétale. Il a su s inscrire durablement
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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailLe contrôle de gestion des projets :
Le contrôle de gestion des projets : Estimation, coûtenance et analyse des risques Frédéric Gautier «Le contrôle de gestion des projets : estimation, coûtenance et analyse des risques» 1 1. Des caractéristiques
Plus en détailAnalyse d outils de gestion des risques agricoles en Région wallonne. Rapport final
Université catholique de Louvain Faculté d'ingénierie biologique, agronomique et environnementale Unité d économie rurale Analyse d outils de gestion des risques agricoles en Région wallonne Rapport final
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
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 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 détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 détailLicence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 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 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 détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
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 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 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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détail