Analyse de la variance à un facteur
|
|
- Josiane Boisvert
- il y a 6 ans
- Total affichages :
Transcription
1 ANOVA 1 1 / 44
2 But : comparer la moyenne de p groupes en ne faisant qu'un seul test. Moyen : estimer la variance de deux façons diérentes, et comparer ces estimations. Groupe 1 Groupe 2 Groupe 3 Tout ensemble 2 / 44
3 Dans chacun des groupes, les données sont assez peu étalées : la variance est faible ; si on considère toutes les données ensemble, la variance est élevée. Groupe 1 Groupe 2 Groupe 3 Tout ensemble 3 / 44
4 Modèle n observations réparties en p groupes d'eectifs n 1,...,n p. X ij = j e observation du groupe i, i = 1,...,p et j = 1,...,n i les X ij sont normaux, l'espérance dépend du groupe i X ij N (µ i,σ 2 ) On teste H 0 : µ 1 = µ 2 = = µ p, vs H 1 : au moins deux des µ i sont diérents. 4 / 44
5 Reformulation comme modèle linéaire De façon équivalente X ij = µ + α i + E ij où les E ij sont indépendantes de loi N (0,σ 2 ). On doit imposer i n i α i = 0 pour que la paramétrisation soit unique. La moyenne du groupe i est µ i = µ + α i. On a i n i µ i = i n i (µ + α i ) = nµ. Avec ces notations, on teste H 0 : α 1 = = α p = 0 vs H 1 : au moins un α i est non nul. 5 / 44
6 Notations Pour alléger un peu les calculs, on note n i X i+ = X ij X i = 1 X i+ n i j=1 X ++ = p X ij = i+ X = ij i=1x 1 n X ++ = 1 p n i X i n i=1 Ainsi, X i est la moyenne empirique de l'échantillon issu du groupe i, et X est la moyenne empirique de l'ensemble. On note également les sommes de carrés des observations par n X 2 i+ = i j=1 X 2 ij X 2 ++ = ij X 2 ij 6 / 44
7 Estimation des paramètres µ,α 1,...,α p On estime µ par la moyenne de l'ensemble µ = X et on a α i = X i µ = X i X. 7 / 44
8 Sommes de carrés Pour estimer la variance des données prises dans leur ensemble on dénit la somme des carrés totaux : SCT = (X ij X ) 2 = X ij n (X ++) 2 σ 2 χ 2 (n 1) sous H 0 et le carré moyen total CMT = 1 n 1 SCT qui est (sous H 0) un estimateur sans biais de σ 2 (avec n 1 ddl). 8 / 44
9 Sommes de carrés Pour estimer la variance des données groupe par groupe, on dénit la somme des carrés du groupe i : n i SC i = (X ij X i ) 2 = X 2 i+ 1 (X i+ ) 2 σ 2 χ 2 (n i 1) n i j=1 Pour chaque groupe on a une estimation de σ 2 par 1 n i 1 SC i. On somme les SC i pour obtenir la somme des carrés résiduels p p n i SCR = SC i = (X ij X i ) 2 σ 2 χ 2 (n p) i=1 i=1 j=1 Le carré moyen résiduel : CMR = 1 SCR est donc un estimateur sans biais n p de σ 2 (avec n p ddl). 9 / 44
10 Comparer CMR et CMT? Des valeurs de CMT beaucoup plus grandes que CMR plaident pour H 1. Mais CMT et CMR ne sont pas indépendantes : comparaison dicile. On est amené à considérer la somme des carrés factoriels p p p SCF = n i ( α i ) 2 = n i (X i X ) 2 1 = (X i+ ) 2 1 n i n (X ++) 2 i=1 i=1 i=1 On a également la formule suivante pour SCF SCF = 1 n i n k (X i X k ) 2. n i<k 10 / 44
11 Le théorème On a SCT = SCF + SCR. D'autre part sous H 0 on a SCR σ 2 χ 2 (n p) SCT σ 2 χ 2 (n 1) d'où SCF σ 2 χ 2 (p 1). De plus, SCF et SCR sont indépendants. 11 / 44
12 Le test De tout ce qui précède, on déduit que le quotient F = CMF SCF /(p 1) = CMR SCR/(n p) suit sous H 0 une loi F de degrés de liberté p 1 et n p. On obtient un test de risque α en rejetant H 0 quand F > F p 1,n p 1 α (test unilatéral). Somme degrés de Carrés Source des carrés liberté moyens F facteur SCF p - 1 CMF = SCF/(p-1) F = CMF/CMR résidus SCR n - p CMR = SCR/(n-p) Total SCT n / 44
13 Contrastes On peut vouloir comparer seulement deux groupes parmi les p groupes. On dénit le contraste C ik = µ i µ k = α i α k. On estime sa valeur par Ĉ ik = X i X k N (C ik,σ 2 ( 1ni + 1nk )) On estime σ 2 par CMR avec (n p) ddl test t à n p ddl pour tester l'égalité quantiles de la loi t(n p) pour un intervalle de conance Remarque : ceci peut se généraliser à une combinaison c i α i pourvu que i c i = / 44
14 Anova partielle On peut vouloir faire l'anova sur seulement une partie des p groupes, par exemple sur les trois groupes 1, 3, 5 (tester H 0 : µ 1 = µ 3 = µ 5 ). Comme dans le cas des contrastes, il est souhaitable d'utiliser la totalité des p groupes pour l'estimation de la variance par le CMR. Reste à calculer la SCF pour les seuls groupes dont on veut comparer la moyenne. Si I est l'ensemble des indices des groupes à comparer, SCF I = 1 i I n i n i n k (X i X k ) 2 = i<k i,k I 1 i I n i i<k i,k I n i n k Ĉ 2 i,k. 14 / 44
15 Anova partielle Dans le cas où I = {1,3,5} cela donne SCF 1,2,3 = 1 ( n 1 n 3 (X 1 X 3 ) 2 + n 1 n 5 (X 1 X 5 ) 2 + n 3 n 5 (X 3 X 5 ) 2) n 1 + n 3 + n 5 On réalise ensuite le test en calculant SCF I /(p I 1) SCR/(n 1) où p I est le nombre de groupes dans I (3 dans notre exemple). Ce quotient suit une loi F (p I 1,n 1). 15 / 44
16 Comparaison de modèles emboîtés En testant H 0 : µ 1 = = µ p on a implicitement comparé les modèles (a) et (b) suivants : (a) on contraint µ 1 = = µ p (un paramètre) (b) µ 1,...,µ p varient librement (p paramètres) Clairement (a) est un cas particulier de (b) : si µ 1,...,µ p varient librement, alors il est possible d'avoir µ 1 = = µ p. On dit que (a) est emboîté dans (b). Le test de l'anova peut être interprété comme répondant à la question : est-ce que le modèle (b) explique (signicativement) mieux les observations que le modèle (a)? 16 / 44
17 Comparaison de modèles emboîtés On a également, en faisant une anova partielle sur les groupes 1, 3 et 5 considéré implicitement le modèle (c) µ 1 = µ 3 = µ 5, les autres µ i varient librement (p 2 paramètres) et on l'a comparé au modèle (b) (à p paramètres) dans lequel il est emboîté, ce qui est une façon de répondre à la question : est-ce que le modèle (b) explique (signicativement) mieux les observations que le modèle (c)? 17 / 44
18 Comparaison de modèles emboîtés On peut de façon générale comparer deux modèles emboîtés, pas seulement quand le plus grand modèle est le modèle (b) (p paramètres). Pour cela on dénit la somme de carrés (résiduels) associée à un modèle : elle se calcule en fusionnant les groupes qui sont confondus par le modèle. Dans le modèle (a), il n'y a qu'un groupe : la somme des carrés est SCT Dans le modèle (b), il y a p groupes, et la somme des carrés SCR Dans le modèle (c), il y a p 2 groupes, dont un formé par fusion des groupes 1, 3 et 5. Le nombre de degrés de liberté de la somme de carrés associée à un modèle à k paramètres est n k. 18 / 44
19 Comparaison de modèles emboîtés Dans le cas du modèle (c) on calcule SC 1,3,5 par SC 1,3,5 = i=1,3,5 ( ) 2 X 2 i+ 1 X i+ n 1 + n 3 + n 5 i=1,3,5 C'est la somme des carrés dans le groupe obtenu par fusion des groupes 1, 3 et 5. La somme des carrés associée au modèle (c) est SC 1,3,5 + SC 2 + SC / 44
20 Comparaison de modèles emboîtés Pour comparer deux modèles emboîtés, on part de leur somme de carrés. On fera une table de Fisher, avec une ligne par modèle : la ligne associée à un modèle à k paramètres est Somme degrés de Carrés Source des carrés liberté moyens modèle SCR mod n k CMR mod = SCR mod /(n k) 20 / 44
21 Comparaison de modèles emboîtés Si un modèle (d) est emboité dans un modèle (e), la somme de carrés SC d est plus grande SC e. Pour tester si le modèle (e) explique signicativement mieux les données que le modèle (d), on fait un tableau d'analyse de la variance comme ceci : Somme degrés de Carrés Source des carrés liberté moyens F H d H e SCF = SCR d SCR e n = n d n e CMF = SCF /n F = CMF /CMR e H e SCR e n e CMR e = SCR e /n e H d SCR d n d CMR d = SCR d /n d 21 / 44
22 Exemple Temps de clairance parasitaire (TCP), pour un traitement anti-paludéen, patients de quatre régions diérentes : deux régions africaines (groupes 1 et 2) et deux régions asiatiques (groupes 3 et 4). Tester l'hypothèse selon laquelle le traitement a la même ecacité dans ces quatre régions. n i x i+ x 2 i+ Groupe Groupe Groupe Groupe Total / 44
23 Exemple On peut compléter le tableau par les sommes de carrés de chacun des groupes, et par la SCT. Par ex. SC 1 = x n 1 (x 1+ ) 2 = /10 = 4923,6. SCT = x n (x ++) 2 = /40 = n i x i+ x 2 i+ SC i Groupe ,6 Groupe ,9 Groupe ,9 Groupe ,6 Total / 44
24 Exemple On peut compléter le tableau par les sommes de carrés de chacun des groupes, et par la SCT. Par ex. SC 1 = x n 1 (x 1+ ) 2 = /10 = 4923,6. SCT = x n (x ++) 2 = /40 = n i x i+ x 2 i+ SC i Groupe ,6 Groupe ,9 Groupe ,9 Groupe ,6 Total On obtient SCR en sommant les SC i : SCR = 4923, , , ,6 = / 44
25 Exemple On calcule ensuite SCF = SCT SCR = Alternativement SCF = 1 n i n k (x i x k ) 2 n i<k SCF = 100 ( (56,8 62,1) 2 +(56,8 87,9) 2 +(56,8 73,2) (62,1 87,9) 2 +(62,1 73,2) 2 = (87,9 73,2) 2 ) 24 / 44
26 Exemple Encore une façon de calculer SCF : p SCF = n i (x i x ) 2 i=1 ) = 10 ((56,8 70) 2 +(62,1 70) 2 +(87,9 70) 2 +(73,2 70) 2 = 5673 Et une dernière... p 1 SCF = (x i+ ) 2 1 n i n (x ++) 2 i=1 = = / 44
27 Exemple Somme degrés de Carrés Source des carrés liberté moyens F facteur résidus Total / 44
28 Exemple Somme degrés de Carrés Source des carrés liberté moyens F facteur résidus Total / 44
29 Exemple Somme degrés de Carrés Source des carrés liberté moyens F facteur F = 3,46 résidus ,8 Total ,3 26 / 44
30 Exemple Somme degrés de Carrés Source des carrés liberté moyens F facteur F = 3,46 résidus ,8 Total ,3 La valeur de F est à comparer avec le quantile 0,95 de F (3,36) = 2,8 : on rejette l'hypothèse d'égalité. 26 / 44
31 Exemple Deuxième question : comparer les modèles emboîtés (a) Le modèle à un paramètre où le traitement a la même ecacité dans les quatres groupes ; (b) le modèle à deux paramètres où le traitement a la même ecacité dans les groupes africains, et la même ecacité dans les groupes asiatiques ; (c) le modèle à quatre paramètres, un pour chaque groupe. La SCR pour le modèle (a) est SCR a = SCT = avec 39 ddl ; pour le modèle (c) c'est SCR c = avec 36 ddl ; la comparaison entre ces deux modèles a été faite dans l'anova que nous venons d'achever. Reste à comparer (a) et (b), puis (b) et (c). 27 / 44
32 Exemple Pour calculer la somme des carrés pour le modèle (b), il faut fusionner les groupes 1 et 2 (groupes africains) et 3 et 4 (groupes asiatiques). n i x i+ x 2 i+ Groupe 1+2 (afr) Groupe 3+4 (asi) / 44
33 Exemple Pour calculer la somme des carrés pour le modèle (b), il faut fusionner les groupes 1 et 2 (groupes africains) et 3 et 4 (groupes asiatiques). n i x i+ x 2 i+ SC i Groupe 1+2 (afr) ,95 Groupe 3+4 (asi) ,95 28 / 44
34 Exemple Pour calculer la somme des carrés pour le modèle (b), il faut fusionner les groupes 1 et 2 (groupes africains) et 3 et 4 (groupes asiatiques). n i x i+ x 2 i+ SC i Groupe 1+2 (afr) ,95 Groupe 3+4 (asi) ,95 La somme des carrés pour le modèle (b) est donc avec 40 2 = 38 degrés de libertés. SCR b = 9464, ,95 = 20869,9 28 / 44
35 Exemple Comparons les modèles (a) et (b) : Somme degrés de Carrés Source des carrés liberté moyens F (a)-(b) (b) (2 par.) ,9 38 (a) (1 par.) / 44
36 Exemple Comparons les modèles (a) et (b) : Somme degrés de Carrés Source des carrés liberté moyens F (a)-(b) 4 452,1 1 (b) (2 par.) ,9 38 (a) (1 par.) / 44
37 Exemple Comparons les modèles (a) et (b) : Somme degrés de Carrés Source des carrés liberté moyens F (a)-(b) 4 452, ,1 F = 8,1 (b) (2 par.) , ,2 (a) (1 par.) / 44
38 Exemple Comparons les modèles (a) et (b) : Somme degrés de Carrés Source des carrés liberté moyens F (a)-(b) 4 452, ,1 F = 8,1 (b) (2 par.) , ,2 (a) (1 par.) La statistique F = 8,1 est à comparer au quantile d'ordre 0,95 de F (1,38), qui vaut environ 4 : on rejette l'hypothèse nulle (le modèle (a) sut à expliquer les observations) au prot du modèle (b). 29 / 44
39 Exemple Comparons les modèles (b) et (c) : Somme degrés de Carrés Source des carrés liberté moyens F (c) (4 par.) ,0 36 (b) (2 par.) , / 44
40 Exemple Comparons les modèles (b) et (c) : Somme degrés de Carrés Source des carrés liberté moyens F (b)-(c) 1 210,9 2 (c) (4 par.) ,0 36 (b) (2 par.) , / 44
41 Exemple Comparons les modèles (b) et (c) : Somme degrés de Carrés Source des carrés liberté moyens F (b)-(c) 1 210, ,5 F = 1,33 (c) (4 par.) , ,8 (b) (2 par.) , / 44
42 Exemple Comparons les modèles (b) et (c) : Somme degrés de Carrés Source des carrés liberté moyens F (b)-(c) 1 210, ,5 F = 1,33 (c) (4 par.) , ,8 (b) (2 par.) ,9 38 La statistique F = 1,33 est à comparer au quantile d'ordre 0,95 de F (2,36), qui vaut environ 3,2 : le modèle (c) n'explique pas signicativement mieux les observations que le modèle (b)....autrement dit, la variabilité entre les groupes est pour l'essentiel due à une variance inter-continentale. 30 / 44
43 ANOVA 2 31 / 44
44 Analyse de la variance à deux facteurs Dans l'anova 1, on a une source possible de variations, par exemple des niveaux de traitement. On considère ici le cas où on a deux sources de variations possibles qui se croisent : deux traitements simultanés (par ex. deux molécules diérentes administrées simultanément à des doses variées) un traitement (à plusieurs niveaux), et une covariable : par ex. le sexe des patients (deux niveaux) ; on peut même considérer que chaque patient répond diéremment au traitement et inclure un eet patient dans le modèle. 32 / 44
45 Analyse de la variance à deux facteurs Notations X ijk = observation numéro k dans le groupe où le premier facteur (facteur A) est au niveau i et le second facteur (facteur B) est au niveau j ; i = 1,...,p, j = 1,...,q, k = 1,...,n ij. Comme pour l'anova 1, on a des notations abrégés pour les sommes et moyennes prises sur un indice : n i+ = X ij+ = X i++ = X +j+ = q n ij, n +j = j=1 n ij k=1 X ijk, X ij = q X ij+, X i = j=1 p X ij+, X j = i=1 p n ij, i=1 1 n ij X ij+, 1 n i+ X i++, 1 n +j X +j+, X +++ = ijk X ijk, X = 1 n X / 44
46 Analyse de la variance à deux facteurs Plans d'expérience équilibrés On ne considèrera que des données équilibrées, c'est-à-dire n ij = 1 n n i+n +j Si on présente les données dans un tableau, dans toutes les lignes les nombres d'observations sont dans des proportions identiques ; et dans toutes les colonnes les nombres d'observations sont dans des proportions identiques. B 1 B 2 B 3 Niveau A 1 n 11 = 2 n 12 = 4 n 13 = 10 Niveau A 2 n 21 = 1 n 22 = 2 n 23 = 5 Niveau A 3 n 31 = 3 n 32 = 6 n 33 = 15 Niveau A 4 n 41 = 4 n 42 = 8 n 43 = / 44
47 Analyse de la variance à deux facteurs Modèle Le modèle est X ijk = µ + α i + β j + γ ij + E ijk, où les E ijk sont indépendantes de loi N (0,σ 2 ), avec les contraintes suivantes sur les paramètres : i, p n i+ α i = 0, i=1 q n +j γ ij = 0, j, j=1 q n +j β j = 0, j=1 p n i+ γ ij = 0. i=1 Les diérentes hypothèses à tester sont H 0A : i,α i = 0 (pas d'eet du facteur A) ; H 0B : j,β j = 0 (pas d'eet du facteur B) ; H 0AB : i,j,γ ij = 0 (pas d'interaction entre A et B). 35 / 44
48 Analyse de la variance à deux facteurs Estimation des paramètres α i,β j,γ ij Avec les contraintes mentionnées, on a les estimations suivantes : µ = X α i = X i µ = X i X β j = X j µ = X j X γ ij = X ij α i β j µ = X ij X i X j + X 36 / 44
49 Analyse de la variance à deux facteurs Les sommes de carrés SCT = ijk (X ijk X ) 2 = X n (X +++) 2 n 1 ddl p p SCF A = n i+ ( α i ) 2 1 = (X i++ ) 2 1 i=1 i=1 n i+ n (X +++) 2 q ) 2 SCF B = n +j ( βj q 1 = (X +j+ ) 2 1 j=1 j=1 n +j n (X +++) 2 p q SCF AB = n ij ( γ ij ) 2 i=1 j=1 p 1 ddl q 1 ddl (p 1)(q 1) ddl p q n ij SCR = (X ijk X ij ) 2 n pq ddl i=1 j=1 k=1 On a SCT = SCF A + SCF B + SCF AB + SCR 37 / 44
50 Analyse de la variance à deux facteurs Les tests On a les statistiques de test suivantes. sous H 0A : F A = CMF A CMR F (p 1,n pq) sous H 0B : F B = CMF B CMR F (q 1,n pq) sous H 0AB : F AB = CMF AB CMR F ((p 1)(q 1),n pq) 38 / 44
51 Analyse de la variance à deux facteurs Cas particulier : une observation par cellule Si tous les n ij sont égaux à 1, on a n = pq et dans les calculs qui précèdent on trouve SCR = 0 avec 0 ddl. On ne peut pas réaliser les tests ainsi! La solution est de postuler qu'il n'y a pas d'interaction, que H 0AB est vrai. X ij = µ + α i + β j + E ij. On peut alors prendre SCF AB comme somme de carrés résiduels (à (p 1)(q 1) ddl) (c'est bien la somme des carrés résiduels du modèle où les γ ij sont nuls), et la noter SCR = SCF AB. On a alors SCT = SCF A + SCF B + SCR et on peut tester H 0A au moyen de F A = CMF A F (p 1,n p q + 1) et CMR H 0B au moyen de F B = CMF B F (q 1,n p q + 1). CMR 39 / 44
52 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 40 / 44
53 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 Première chose à vérier : il s'agit bien d'un plan d'expérience équilibré / 44
54 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 On calcule la somme des carrés dans chacun des 6 groupes, par exemple SC 11 = x n 11 (x 11+ ) 2 = 382, ,82 = 6,54, etc. 40 / 44
55 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 On calcule SCT = x n (x +++) 2 = 4622, = 187, / 44
56 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 SCF sexe = 1 n 1+ (x 1++ ) n 2+ (x 2++ ) 2 1 n (x +++) 2 = , , = 15,47 40 / 44
57 Analyse de la variance à deux facteurs Exemple (mesures répétées) Traitement A Traitement B Traitement C n 11 = 4 n 12 = 4 n 13 = 6 n 1+ = 14 Hommes x 11+ = 38,8 x 12+ = 53.5 x 13+ = 53.9 x 1++ = 146,2 x = 382,90 x = 732,81 x = 505,73 x = 1621,44 n 21 = 6 n 22 = 6 n 23 = 9 n 2+ = 21 Femmes x 21+ = 75,1 x 22+ = 72,7 x 23+ = 100,0 x 2++ = 247,8 x = 966,97 x = 894,45 x = 1139,72 x = 3001,14 n +1 = 10 x +1+ = 113,9 x = 1349,87 n +2 = 10 x +2+ = 126,2 x = 1627,26 n +3 = 15 x +3+ = 153,9 x = 1645,45 n ++ = 35 x +++ = 394,0 x = 4622,58 SCF traitement = 1 n +1 (x +1+ ) n +2 (x +2+ ) n +3 (x +3+ ) 2 1 n (x +++) 2 = , , , = 33,66 40 / 44
58 Analyse de la variance à deux facteurs Exemple (mesures répétées) On a donc SCT = 187,27, SCF sexe = 15,47, SCF traitement = 33,66, et les sommes des carrés de chacun des groupes sont : Traitement A Traitement B Traitement C Hommes SC 11 = 6,54 SC 12 = 17,25 SC 13 = 21,53 Femmes SC 21 = 26,97 SC 22 = 13,57 SC 23 = 28,61 En sommant on a SCR = 114,46. On est prêts à remplir la table d'anova. 41 / 44
59 Analyse de la variance à deux facteurs Exemple (mesures répétées) Somme degrés de Carrés Source des carrés liberté moyens F Sexe 15,47 1 Traitement 33,66 2 Interaction Résidus 114,46 29 Total 187, / 44
60 Analyse de la variance à deux facteurs Exemple (mesures répétées) Somme degrés de Carrés Source des carrés liberté moyens F Sexe 15,47 1 Traitement 33,66 2 Interaction 23,67 2 Résidus 114,46 29 Total 187, / 44
61 Analyse de la variance à deux facteurs Exemple (mesures répétées) Somme degrés de Carrés Source des carrés liberté moyens F Sexe 15, ,47 F = 3, 92 Traitement 33, ,83 F = 4, 26 Interaction 23, ,83 F = 2, 99 Résidus 114, ,95 Total 187, / 44
62 Analyse de la variance à deux facteurs Exemple (mesures répétées) Somme degrés de Carrés Source des carrés liberté moyens F Sexe 15, ,47 F = 3, 92 Traitement 33, ,83 F = 4, 26 Interaction 23, ,83 F = 2, 99 Résidus 114, ,95 Total 187,27 34 Après comparaison aux valeurs critiques : F 1,29 2,29 = 4,2 et F = 0,95 0,95 3,3, on constate que seul l'eet du traitement est signicatif. 42 / 44
63 Analyse de la variance à deux facteurs Exemple (mesures uniques) Patient P 1 P 2 P 3 P 4 P 5 P 6 Trait. 1 5,2 5,5 7,1 5,9 5,0 7,1 Trait. 2 6,0 5,3 8,0 5,8 6,5 7,8 Trait. 3 6,5 6,5 8,1 6,0 6,5 7,6 x +j+ 17,7 17,3 23,2 17,7 18,0 22,5 x 2 +j+ 105,29 100,59 180,02 104,45 109,50 169,01 P 7 P 8 P 9 P 10 P 11 P 12 x i++ x 2 i++ 6,4 7,4 6,5 7,0 6,5 6,0 75,6 483,14 8,1 7,3 6,7 6,5 6,6 6,6 81,2 557,98 7,5 7,5 6,6 7,1 6,6 6,7 83,2 581,04 22,0 22,2 19,8 20,6 19,7 19,3 240,0 162,82 164,30 130,70 141,66 129,37 124, ,12 43 / 44
64 Analyse de la variance à deux facteurs Exemple (mesures uniques) Patient P 1 P 2 P 3 P 4 P 5 P 6 Trait. 1 5,2 5,5 7,1 5,9 5,0 7,1 Trait. 2 6,0 5,3 8,0 5,8 6,5 7,8 Trait. 3 6,5 6,5 8,1 6,0 6,5 7,6 x +j+ 17,7 17,3 23,2 17,7 18,0 22,5 x 2 +j+ 105,29 100,59 180,02 104,45 109,50 169,01 P 7 P 8 P 9 P 10 P 11 P 12 x i++ x 2 i++ 6,4 7,4 6,5 7,0 6,5 6,0 75,6 483,14 8,1 7,3 6,7 6,5 6,6 6,6 81,2 557,98 7,5 7,5 6,6 7,1 6,6 6,7 83,2 581,04 22,0 22,2 19,8 20,6 19,7 19,3 240,0 162,82 164,30 130,70 141,66 129,37 124, ,12 La somme des carrés factoriels associée au traitement est SCF trait = 1 12 ( (x 1++ ) 2 +(x 2++ ) 2 +(x 3++ ) 2) 1 n (x +++) 2 = 1 12 (75, , ,2 2 ) 1 = 2, / 44
65 Analyse de la variance à deux facteurs Exemple (mesures uniques) Patient P 1 P 2 P 3 P 4 P 5 P 6 Trait. 1 5,2 5,5 7,1 5,9 5,0 7,1 Trait. 2 6,0 5,3 8,0 5,8 6,5 7,8 Trait. 3 6,5 6,5 8,1 6,0 6,5 7,6 x +j+ 17,7 17,3 23,2 17,7 18,0 22,5 x 2 +j+ 105,29 100,59 180,02 104,45 109,50 169,01 P 7 P 8 P 9 P 10 P 11 P 12 x i++ x 2 i++ 6,4 7,4 6,5 7,0 6,5 6,0 75,6 483,14 8,1 7,3 6,7 6,5 6,6 6,6 81,2 557,98 7,5 7,5 6,6 7,1 6,6 6,7 83,2 581,04 22,0 22,2 19,8 20,6 19,7 19,3 240,0 162,82 164,30 130,70 141,66 129,37 124, ,12 La somme des carrés factoriels associée aux patients est SCF patients = 1 3 ( (x +1+ ) 2 + +(x +12+ ) 2) 1 n (x +++) 2 = 1 3 (17, , ,2 2 + ) 1 = 16, / 44
66 Analyse de la variance à deux facteurs Exemple (mesures uniques) Patient P 1 P 2 P 3 P 4 P 5 P 6 Trait. 1 5,2 5,5 7,1 5,9 5,0 7,1 Trait. 2 6,0 5,3 8,0 5,8 6,5 7,8 Trait. 3 6,5 6,5 8,1 6,0 6,5 7,6 x +j+ 17,7 17,3 23,2 17,7 18,0 22,5 x 2 +j+ 105,29 100,59 180,02 104,45 109,50 169,01 P 7 P 8 P 9 P 10 P 11 P 12 x i++ x 2 i++ 6,4 7,4 6,5 7,0 6,5 6,0 75,6 483,14 8,1 7,3 6,7 6,5 6,6 6,6 81,2 557,98 7,5 7,5 6,6 7,1 6,6 6,7 83,2 581,04 22,0 22,2 19,8 20,6 19,7 19,3 240,0 162,82 164,30 130,70 141,66 129,37 124, ,12 La somme des carrés totaux est SCT = x n (x +++) 2 = 1622, = 22, / 44
67 Analyse de la variance à deux facteurs Exemple (mesures uniques) Somme degrés de Carrés Source des carrés liberté moyens F Traitement 2,587 2 Patients 16,06 11 Résidus Total 22, / 44
68 Analyse de la variance à deux facteurs Exemple (mesures uniques) Somme degrés de Carrés Source des carrés liberté moyens F Traitement 2,587 2 Patients 16,06 11 Résidus 3, Total 22, / 44
69 Analyse de la variance à deux facteurs Exemple (mesures uniques) Somme degrés de Carrés Source des carrés liberté moyens F Traitement 2, ,293 F = 8, 13 Patients 16, ,46 F = 9, 18 Résidus 3, ,159 Total 22, / 44
70 Analyse de la variance à deux facteurs Exemple (mesures uniques) Somme degrés de Carrés Source des carrés liberté moyens F Traitement 2, ,293 F = 8, 13 Patients 16, ,46 F = 9, 18 Résidus 3, ,159 Total 22,16 35 Au seuil 5% la valeur critique pour l'eet traitement est (avec 2 et 22 ddl) vaut environ 3,44, et pour l'eet patient (avec 11 et 22 ddl) 2,25. On conclut que les deux facteurs ont un eet. 44 / 44
STATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en 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 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 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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailComparaison de populations
Ricco Rakotomalala Comparaison de populations Tests paramétriques Version 1.2 Université Lumière Lyon 2 Page: 1 job: Comp_Pop_Tests_Parametriques macro: svmono.cls date/time: 11-Jun-2013/6:32 Page: 2 job:
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 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 détailIntroduction a l'algorithmique des objets partages. Robert Cori. Antoine Petit. Lifac, ENS Cachan, 94235 Cachan Cedex. Resume
Introduction a l'algorithmique des objets partages Bernadette Charron{Bost Robert Cori Lix, Ecole Polytechnique, 91128 Palaiseau Cedex, France, charron@lix.polytechnique.fr cori@lix.polytechnique.fr Antoine
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 détailELASTICITE DE LA DEMANDE Calcul de l'elasticite & Applications Plan du cours I. L'elasticite de la demande & ses determinants II. Calcul de l'elasticite & pente de la courbe de demande III. Applications
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 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 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en 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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en 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 détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
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 détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailStratégie optimale de stockage de déchets à vie longue
Stratégie optimale de stockage de déchets à vie longue Bertrand Villeneuve Université Paris-Dauphine bertrand.villeneuve@dauphine.fr 3 octobre 211 Ce texte présente des calculs théoriques et indications
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 détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
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 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 détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en 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 détailAnalyse de corrélation Étude des dépendances - Variables quantitatives
Ricco Rakotomalala Analyse de corrélation Étude des dépendances - Variables quantitatives Version 1.1 Université Lumière Lyon 2 Page: 1 job: Analyse_de_Correlation macro: svmono.cls date/time: 8-Mar-2015/7:21
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en 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 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 détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
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 détailConception d'un réseau de transport d'électricité
La Fédération Française des Jeux Mathématiques et la Société de Calcul Mathématique SA avec l'appui de Réseau de Transport d'electricité Conception d'un réseau de transport d'électricité Auteurs : Florian
Plus en détailEconométrie La régression linéaire simple et multiple
Ricco Rakotomalala Econométrie La régression linéaire simple et multiple Version 1.1 Université Lumière Lyon 2 Page: 1 job: Econometrie_Regression macro: svmono.cls date/time: 26-May-2015/18:13 Page: 2
Plus en détailIntroduction à l'actuariat
Introduction à l'actuariat 3A MMEFI M2 AMSE M2 IMSA Renaud Bourlès Introduction (1) Spécicité de l'assurance : cycle de production inversé Contrat d'assurance = promesse Importance de la prévision Importance
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 détailRÉSOLUTION DE SYSTÈMES À DEUX INCONNUES
RÉSOLUTION DE SYSTÈMES À DEUX INCONNUES Sommaire 1 Méthodes de résolution... 3 1.1. Méthode de Substitution... 3 1.2. Méthode des combinaisons linéaires... 6 La rubrique d'aide qui suit s'attardera aux
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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailModèle de calcul des paramètres économiques
Modèle de calcul des paramètres économiques selon norme SIA 480 Calcul de rentabilité pour les investissements dans le bâtiment Version 3.2 1. Introduction 1.1 Version Excel Le modèle de calcul a été développé
Plus en détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
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 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 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 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en 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 détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en 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 détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en 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 détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailNombre de marches Nombre de facons de les monter 3 3 11 144 4 5 12 233 5 8 13 377 6 13 14 610 7 21 15 987 8 34 16 1597 9 55 17 2584 10 89
Soit un escalier à n marches. On note u_n le nombre de façons de monter ces n marches. Par exemple d'après l'énoncé, u_3=3. Pour monter n marches, il faut d'abord monter la première. Soit on la monte seule,
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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
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 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 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailLa persistance des nombres
regards logique & calcul La persistance des nombres Quand on multiplie les chiffres d un nombre entier, on trouve un autre nombre entier, et l on peut recommencer. Combien de fois? Onze fois au plus...
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 détailARTEMIS VIEWS EARNED VALUE MANAGEMENT. avec CostView
ARTEMIS VIEWS EARNED VALUE MANAGEMENT avec CostView EARNED VALUE MANAGEMENT Earned Value Management est une application puissante pour la planification des coûts de projet et de programme, le contrôle
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
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 détailÉtude des dépendances - Variables qualitatives
Ricco Rakotomalala Étude des dépendances - Variables qualitatives Tableau de contingence et mesures d'association Version 2.0 Université Lumière Lyon 2 Page: 1 job: Dependance_Variables_Qualitatives macro:
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailRépartition des coûts du compte de pass-on par catégorie de consommateurs
Répartition des coûts du compte de pass-on par catégorie de consommateurs Coûts et caractéristiques de la consommation Plan de travail 1. Retour sur le suivi de la rencontre du 17 mai 1.1 Illustration
Plus en détailPeut-on tout programmer?
Chapitre 8 Peut-on tout programmer? 8.1 Que peut-on programmer? Vous voici au terme de votre initiation à la programmation. Vous avez vu comment représenter des données de plus en plus structurées à partir
Plus en détailMathématiques et petites voitures
Mathématiques et petites voitures Thomas Lefebvre 10 avril 2015 Résumé Ce document présente diérentes applications des mathématiques dans le domaine du slot-racing. Table des matières 1 Périmètre et circuit
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en 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 détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailTD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE
TD1 PROPAGATION DANS UN MILIEU PRESENTANT UN GRADIENT D'INDICE Exercice en classe EXERCICE 1 : La fibre à gradient d indice On considère la propagation d une onde électromagnétique dans un milieu diélectrique
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 détail