Notion de covariable: exemple
|
|
- Laure Primeau
- il y a 6 ans
- Total affichages :
Transcription
1 INTRODUCTION AUX MODELES LINEAIRES GENERAUX (GLM: General Linear Model) ANCOVA et REGRESSION MULTIPLE Vincent FOURCASSIE Centre de Recherches sur la Cognition Animale Université Paul Sabatier Notion de covariable: exemple On s intéresse à l effet de la température ambiante (VI) sur la vitesse de déplacement (VD) d individus appartenant à une certaine espèce d insecte. Chez beaucoup d insectes la taille des individus varie au sein de la même espèce et donc, indépendamment de l effet de la température, leur vitesse de déplacement va dépendre de la taille de leurs pattes. Si on veut étudier strictement l effet de la température sur la vitesse, il faudrait donc tenir compte de la longueur des pattes des individus dont on mesure la vitesse. Comme il est plus facile de peser les insectes que de mesurer la longueur de leurs pattes et comme l on sait que la longueur des pattes est liée au poids de l insecte, on peut introduire le poids des individus comme VI supplémentaire. Cette variable est appellée covariable (ou variable contrôle) car il s agit d une variable confondante qu il est important de considérer mais qui ne nous intéresse pas directement dans notre étude. La prise en compte du poids des individus va permettre d expliquer une partie de la variabilité observée dans la vitesse de déplacement des insectes et de mieux apprécier ainsi l effet de la température sur celle-ci. 1
2 Notion de covariable: définition On appelle covariable une variable indépendante qui n a pas d intérêt direct en tant que telle mais dont dépend une autre variable indépendante d intérêt. La prise en compte d une ou plusieurs covariables va permettre de contrôler une partie de la variation de la variable indépendante d intérêt. Notion de corrélation partielle Le calcul d un coefficient de corrélation partielle va permettre de mesurer l effet d une VI d intérêt sur une VD donnée tout en tenant compte des effets confondants d une ou plusieurs autres covariables (=VI). Exemple: dans l étude sur la relation entre la vitesse d un insecte (VD) et la température ambiante (VI), on peut calculer un coefficient de corrélation partielle entre la vitesse et la température ambiante qui tient compte aussi de l effet du poids de l insecte sur sa vitesse. Ce coefficient exprimera la relation entre la vitesse des individus et la température ambiante, à poids d individu constant. 2
3 Notion de corrélation partielle Pour étudier l effet de la température ambiante et du poids des insectes sur leur vitesse de déplacement on peut utiliser une régression multiple. Le modèle de régression s écrira: V = b 0 + b 1 T + b 2 P où V= vitesse de déplacement, T= température et P= poids de l individu b 1 et b 2 sont des coefficients de corrélation partielle. b 1 exprime l effet de la température sur la vitesse de déplacement, à poids d individu constant, et b 2 exprime l effet du poids de l individu sur la vitesse de déplacement, à température ambiante constante. De la régression simple à la régression multiple Une régression multiple est une régression où la VD est expliquée non plus par une seule VI comme dans la régression simple mais par plusieurs VI (dont certaines peuvent être des covariables) Par extension de la régression simple, un modèle de régression multiple s exprime sous la forme d une équation: VD= b 0 + b 1 VI 1 + b 2 VI b n VI n pour n VI. Les coefficients b 1, b 2, b n sont des coefficients de corrélation partielle. Ils expriment l effet de chaque VI sur la VD tout en contrôlant l effet des autres VI. 3
4 Régression multiple et modèle linéaire général Une régression multiple peut mélanger des variables catégorielles et des variables continues. Les différents niveaux des variables catégorielles sont simplement codés sous forme numérique. Ex: 2 niveaux (-1,+1), 3 niveaux (-1,0,+1) La régression multiple est un modèle linéaire général (GLM: General Linear Model). Un modèle linéaire général s exprime sous la forme: VD= b 0 + b 1 VI 1 + b 2 VI b n VI n + ξ où ξ est l erreur (= résidus) attachée à la détermination de la VD. Dans le modèle linéaire général l erreur est distribuée suivant une loi normale. Dans le modèle linéaire généralisée l erreur peut être distribuée suivant une loi normale ou une autre loi (binomiale, Poisson ). GLM avec plusieurs VI: notion d interaction VD VI catégorielle à 2 niveaux VI continue PAS D INTERACTION INTERACTION Il y a interaction lorsque l effet de la VI continue sur la VD varie de façon différente en fonction du niveau de la VI catégorielle 4
5 Modèle linéaire général (GLM) Un grand nombre de tests statistiques usuels correspondent à des modèles linéaires généraux. Exemples: t-test pour comparaison de la moyenne d un échantillon à une valeur théorique: Y= b 0 t-test pour comparaison entre 2 échantillons: Y= b 0 + b 1 X 1 où X 1 est une VI catégorielle à deux niveaux Régression simple: Y= b 0 + b 1 X 1 où X 1 est une VI continue ANOVA sans interaction: Y= b 0 + b 1 X 1 + b 2 X 2 où X 1, X 2 sont toutes deux des VI catégorielles à plusieurs niveaux. ANOVA avec interaction: Y= b 0 + b 1 X 1 + b 2 X 2 + b3 (X 1 * X 2 ) où X 1, X 2 sont toutes deux des VI catégorielles à plusieurs niveaux et (X 1 * X 2 ) est le terme d interaction entre les deux VI. ANCOVA: Y= b 0 + b 1 X 1 + b 2 X 2 où X 1 est une VI continue et X 2 est une VI catégorielle à plusieurs niveaux. ANCOVA (ANalyse de COVAriance): définition ANCOVA: Y= b 0 + b 1 X 1 + b 2 X 2 où X 1 est une VI continue et X 2 est une VI catégorielle à plusieurs niveaux. NB: l ANCOVA est un cas particulier de régression multiple avec une VI continue et une VI catégorielle et où il n y a pas d interaction entre la VI continue et la VI catégorielle. 5
6 ANCOVA (ANalyse de COVAriance): définition Modèle Linéaire Généralisé Modèle Linéaire Général Régression Multiple ANCOVA ANOVA ANCOVA (ANalyse de COVAriance): exemple Effet de l (VI continue) et du (VI catégorielle à deux niveaux) sur le poids d un échantillon de personnes (VD). Modèle complet: = b 0 + b 1 Age + b 2 Sexe + b 3 (Age * Sexe) + ξ Modèle pour chaque (si Mâle= +1 et Femelle= -1) : mâle = b 0 + b 1 Age + b 2 + b 3 Age = (b 0 + b 2 ) + (b 1 + b 3 ) Age = b 0mâle + b 1mâle Age femelle = b 0 + b 1 Age - b 2 - b 3 Age = (b 0 - b 2 ) + (b 1 - b 3 ) Age = b 0femelle + b 1femelle Age b 0mâle b 0femelle mâle femelle b 1mâle b 1femelle 6
7 ANCOVA (ANalyse de COVAriance): exemple 6 CAS POSSIBLES = b0 + b1 Age + b2 Sexe + b3 (Age * Sexe) + ξ = b0 + b1 Age + b2 Sexe + ξ = b0 + b1 Age + b2 Sexe + b3 (Age * Sexe) + ξ = b0 + b2 Sexe + ξ ANCOVA = b0 + b1 Age + ξ = b0 + ξ ANCOVA: application 1. Ouvrir fichier compensation.txt Données > Importer des données > depuis un fichier texte 2. Visualiser les données sous forme de tableau 7
8 ANCOVA: application On souhaite mesurer la capacité d une espèce de graminée à repousser et à produire des graines après broutage. 2 champs: 1 champ contrôle (non brouté= Ungrazed) et 1 champ expérimental (brouté= Grazed) Un échantillon de plantes dans chaque champ. Pour chaque plante: mesure du diamètre au collet de la racine avant expérimentation (Root) mesure du poids total de graines produites par chaque plante après expérimentation (Fruit) ANCOVA: application VD= mesure du poids total de graines produites par chaque plante après expérimentation VI continue = mesure du diamètre au collet de la racine avant expérimentation VI catégorielle à 2 niveaux = broutée / non broutée H0: les plantes les plus grosses produisent plus de graines que les plus petites pour une même taille de plante, les plantes broutées produisent moins de graines que les plantes non broutées 8
9 ANCOVA: application 1. Représenter la distribution du poids des graines pour chaque champ: Graphes > Boîte de dispersion 2. Représenter le nuage de points: Graphes > Nuage de points ANCOVA: application Test du modèle complet: Fruit = b 0 + b 1 Root + b 2 Grazing + b 3 (Root * Grazing) + ξ Statistiques > Ajustement de modèles > Modèle linéaire => Fruit ~ Grazing * Root > summary(linearmodel.1) Call: lm(formula = Fruit ~ Grazing * Root, data = Compensation) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-11 *** Grazing[T.Ungrazed] Root < 2e-16 *** Grazing[T.Ungrazed]:Root Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 36 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 36 DF, p-value: < 2.2e-16 Distribution des résidus du modèle Estimation des coefficients du modèle Erreur standard des résidus Coefficient de détermination (voir dia suivante) F total (voir dia suivante) 9
10 ANCOVA: application Obtention de la table de l ANOVA Modèles > Tests d hypothèses > Table de l ANOVA (Type I séquentiel) > anova(linearmodel.1) Analysis of Variance Table Response: Fruit Df SumSq MeanSq F value Pr(>F) Grazing e-09 *** Root < 2.2e-16 *** Grazing:Root Residuals Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 F total= variance expliquée par le modèle / variance des résidus (( ) /3)/46.7 = R 2 = variance expliquée par le modèle / variance totale ( ) / (( ) ) = NB: R 2 ajusté= (n-1) R 2 k / (n-k-1) où n= nombre d obs et k= nombre de prédicteurs ANCOVA: application Simplification du modèle : on retire le terme d interaction Fruit = b 0 + b 1 Root + b 2 Grazing + ξ Statistiques > Ajustement de modèles > Modèle linéaire => Fruit ~ Grazing + Root Call: lm(formula = Fruit ~ Grazing + Root, data = Compensation) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-15 *** Grazing[T.Ungrazed] e-13 *** Root < 2e-16 *** --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: on 37 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 37 DF, p-value: < 2.2e-16 Intercept pour le 1er niveau (Ordre alphabétique) de la VI catégorielle Différence entre les Intercept des deux niveaux de la VI catégorielle Pente de la régression Pour le champ brouté (Grazed): Fruit = Root Pour le champ non brouté (Ungrazed): Fruit = ( ) Root = Root 10
11 ANCOVA: application Obtention de la table de l ANOVA Modèles > Tests d hypothèses > Table de l ANOVA (Type I séquentiel) > anova(linearmodel.2) Analysis of Variance Table Response: Fruit Df Sum Sq Mean Sq F value Pr(>F) Grazing e-09 *** Root < 2.2e-16 *** Residuals Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ANCOVA: application Comparaison des deux modèles Modèles > Tests d hypothèses >Comparer deux modèles > anova(linearmodel.1, LinearModel.2) Analysis of Variance Table Model 1: Fruit ~ Grazing * Root Model 2: Fruit ~ Grazing + Root Res.Df RSS Df Sum of Sq F Pr(>F) Les deux modèles ne sont pas significativement différents entre eux. Entre les deux modèles on choisit donc le modèle le plus simple, cad celui qui a le moins de paramètres, soit le Modèle 2 (où on a retiré le terme d interaction Grazing x Root) 11
Analyses 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 détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
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 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 détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
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 détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en 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 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 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 détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en 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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en 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 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 détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailINTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R
INTRODUCTION À L'ENVIRONNEMENT DE PROGRAMMATION STATISTIQUE R Y. BROSTAUX (1) RÉSUMÉ Cette note constitue une introduction au langage et à l'environnement de programmation 5 dans sa version 1.4.1 pour
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 détailQuelques rappels concernant la méthode expérimentale
Quelques rappels concernant la méthode expérimentale 1. La Méthode expérimentale : Définition. Une définition classique de la méthode expérimentale est qu elle «correspond à la méthode d investigation
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en 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 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 détail5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com
Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c
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 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 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 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 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 détailSUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION)
Terminale S CHIMIE TP n 2b (correction) 1 SUIVI CINETIQUE PAR SPECTROPHOTOMETRIE (CORRECTION) Objectifs : Déterminer l évolution de la vitesse de réaction par une méthode physique. Relier l absorbance
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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailMéthode : On raisonnera tjs graphiquement avec 2 biens.
Chapiittrre 1 : L uttiilliitté ((lles ménages)) Définitions > Utilité : Mesure le plaisir / la satisfaction d un individu compte tenu de ses goûts. (On s intéresse uniquement à un consommateur rationnel
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailLes salariés du secteur privé face à la généralisation de la complémentaire santé collective
Les salariés du secteur privé face à la généralisation de la santé collective Etude réalisée pour Swiss Life France Contact Ifop : Frédéric Dabi / François KRAUS Directeur d études d opinion 01 72 34 94
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en 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 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 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 détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailLe choix professionnel pour les applications analytiques!
Ohaus Discovery Balances Semi-Micro et Analytique Discovery Semi-Micro and Analytical Balances Le choix professionnel pour les applications analytiques! La NOUVELLE gamme de balances semi-micro et analytiques
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 détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en 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 détailFICHE N 8 Photodiversité, d une banque d images à un portail d activités en ligne Anne-Marie Michaud, académie de Versailles
FICHE N 8 Photodiversité, d une banque d images à un portail d activités en ligne Anne-Marie Michaud, académie de Versailles Niveaux et thèmes de programme Sixième : 1 ère partie : caractéristiques de
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailBien choisir sa variété de maïs ensilage
Bien choisir sa variété de maïs ensilage Le maïs ensilage n est pas une culture difficile à cultiver. Pour choisir sa variété, l agriculteur dispose aujourd hui d une multitude de critères : attention
Plus en détailAnalyse des durées de vie avec le logiciel R
Analyse des durées de vie avec le logiciel R Ségolen Geffray Des outils ainsi que des données pour l analyse des durées de vie sont disponibles dans les packages survival MASS Il est nécessaire de charger
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 détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détailANALYSE DU RISQUE DE CRÉDIT
ANALYSE DU RISQUE DE CRÉDIT Banque & Marchés Cécile Kharoubi Professeur de Finance ESCP Europe Philippe Thomas Professeur de Finance ESCP Europe TABLE DES MATIÈRES Introduction... 15 Chapitre 1 Le risque
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailPilotage de la masse salariale Déploiement de l outil de budgétisation
Pilotage de la masse salariale Déploiement de l outil de budgétisation par Jean-Michel de Guerdavid, expert pour l AFRITAC de l Ouest 1 Présentation de l outil de budgétisation 1. Utilisation de l outil
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en 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 détailUNIVERSITE DE SFAX Ecole Supérieure de Commerce
UNIVERSITE DE SFAX Ecole Supérieure de Commerce Année Universitaire 2003 / 2004 Auditoire : Troisième Année Etudes Supérieures Commerciales & Sciences Comptables DECISIONS FINANCIERES Note de cours N 2
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en 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 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 détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailChapitre 1: Facteurs d'échelle
Chapitre 1: Facteurs d'échelle Des considérations générales sur la taille des objets ou des êtres vivants et leur influence sur différents paramètres, permettent d'établir simplement quelques lois ou tendances,
Plus en détailLa prévention des intoxications dans les silos à fourrage
La prévention des intoxications dans les silos à fourrage Ali Bahloul, Brigitte Roberge et Nicole Goyer / IRSST Mauricio Chavez et Marcelo Reggio / École polytechnique de Montréal Avec la collaboration
Plus en détailUn laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège
Un laboratoire d auto-immunité paperless : mythe ou réalité? L.Lutteri Laboratoire d auto-immunité Service de Chimie Clinique CHU Liège Immunofluorescence Dépistage Aspect Titre Cellules Hep 2: Connectivites
Plus en détailStatistique de l assurance
Statistique de l assurance Arthur Charpentier To cite this version: Arthur Charpentier. Statistique de l assurance. 3ème cycle. Université de Rennes 1 et Université de Montréal, 2010, pp.133.
Plus en détailL analyse de la gestion de la clientèle
chapitre 1 - La connaissance du client * Techniques utilisées : observation, recherche documentaire, études de cas, études qualitatives (entretiens de groupes ou individuels, tests projectifs, analyses
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailRessources pour l école élémentaire
Ressources pour l école élémentaire éduscol Découverte du monde Progressions pour le cours préparatoire et le cours élémentaire première année Ces documents peuvent être utilisés et modifiés librement
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 détailPetit conservatoire dans un jardin des Collines du Paradis
Petit conservatoire dans un jardin des Collines du Paradis L espace d un an suffit pour constater la richesse et la diversité des populations d insectes qui prospectent dans le moindre carré de jardin.
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 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 détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en 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 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 détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
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 détailNotion de fonction. Résolution graphique. Fonction affine.
TABLE DES MATIÈRES 1 Notion de fonction. Résolution graphique. Fonction affine. Paul Milan LMA Seconde le 12 décembre 2011 Table des matières 1 Fonction numérique 2 1.1 Introduction.................................
Plus en détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
Plus en détailMicrosoft Excel : tables de données
UNIVERSITE DE LA SORBONNE NOUVELLE - PARIS 3 Année universitaire 2000-2001 2ème SESSION SLMD2 Informatique Les explications sur la réalisation des exercices seront fournies sous forme de fichiers informatiques.
Plus en détailChapitre 6 : coloniser de nouveaux milieux
Chapitre 6 : coloniser de nouveaux milieux Comment font les végétaux pour s installer dans un nouveau milieu alors qu ils ne peuvent pas se déplacer? I/ L installation des végétaux dans un nouveau milieu
Plus en détailLa production de Semences potagères
La production de Semences potagères Intérêts de l autoproduction de semences Les producteurs qui se lancent dans leur propre production de semences le font pour diverses raisons. Maintien d une biodiversité
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 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 détail