Master 1 AGES SE GBS VVT. 2w ANOVA ANCOVA MANOVA. Sta-s-ques CM2. Sébas-en COUETTE
|
|
- Véronique Cloutier
- il y a 6 ans
- Total affichages :
Transcription
1 Master 1 AGES SE GBS VVT Sta-s-ques CM2 2w ANOVA ANCOVA MANOVA Sébas-en COUETTE
2 ANOVA à 2 facteurs
3 Comparaison de 2 groupes (apparié ou non) ANOVA Corrélation Régression Y X Paramétrique Test de Student ANOVA paramétrique Corrélation de Pearson Régression (apparié ou non) Non paramétrique Test de Wilcoxon (apparié ou non) ANOVA de Kruskall-Wallis Corrélation de Spearman ou de Kendall + TEST DE CHI-DEUX ou TEST DE FISHER pour Tables de contingences
4 ANOVA à 2 facteurs Rappel: l ANOVA à 1 facteur
5 ANOVA à 2 facteurs Rappel: l ANOVA à 1 facteur
6 ANOVA à 2 facteurs 1 var quan- 1 var quan-/ 1 var quali Comparaison de 2 groupes (apparié ou non) ANOVA Corrélation Régression 2 ou plus var quali ANOVA à 2 facteurs Y X Paramétrique Test de Student (apparié ou non) ANOVA paramétrique Corrélation de Pearson Régression Non paramétrique Test de Wilcoxon (apparié ou non) ANOVA de Kruskall-Wallis Corrélation de Spearman ou de Kendall
7 ANOVA à 2 facteurs
8 ANOVA à 2 facteurs
9 ANOVA à 2 facteurs Exemple: Un vi-culteur cherche à améliorer sa produc-on. Il applique 4 traitements différents à 5 de ses cépages et regarde, sur 2 années, son rendement moyen. - Premier facteur à 4 modalités: traitement (α i ) - Deuxième facteur à 5 modalités: cépage (β j ) - Variable quan-ta-ve: rendement moyen (Y ijk )
10 ANOVA à 2 facteurs Exemple: Traitement cépage
11 ANOVA à 2 facteurs
12 ANOVA à 2 facteurs Graphique des interac-ons traitements et cépages Le rendement moyen par cépage diffère par traitement et vice versa
13 ANOVA à 2 facteurs Test de Shapiro sur les résidus Bartle` sur les résidus par facteur 4) N>30
14 ANOVA à 2 facteurs
15 ANOVA à 2 facteurs
16 ANOVA à 2 facteurs
17 ANOVA à 2 facteurs
18 ANOVA à 2 facteurs Rendement Traitement Cépage Ici les p-value < 0,05 donc on accepte H1. Ainsi les facteurs cépage et traitement ainsi que leur interac;on ont un effet significa-f sur le rendement. L'effet du traitement sur le rendement diffère le cépage, et vice versa.
19 ANCOVA
20 ANCOVA Modèles linéaires simples Procédure Régression simple ANOVA à un facteur ANOVA à facteurs multiples ANCOVA Régression multiple Variable dépendante Variable(s) independante(s) 1 continue 1 continue 1 continue 1 discrète 1 continue 2 ou plus discrètes 1 continue Au moins 1 discrète et au moins une 1 continue 1 continue 2 ou plus continues
21 ANCOVA 2 var quan- ANCOVA 1 var quali Comparaison de 2 groupes (apparié ou non) ANOVA Corrélation Régression Y X Paramétrique Test de Student (apparié ou non) ANOVA paramétrique Corrélation de Pearson Régression Non paramétrique Test de Wilcoxon (apparié ou non) ANOVA de Kruskall-Wallis Corrélation de Spearman ou de Kendall
22 ANCOVA Utilisation de l ANCOVA Afin de comparer une relation entre une variable dépendante (Y) et une variable indépendante (X 1 ) pour différents niveaux d une variable discrète (X 2 ) ex: la relation entre le poids (Y) et la taille (X 1 ) pour différents groupes taxonomiques (oiseaux et mammifères, X 2 ) Masse Taille Taille
23 ANCOVA Utilisation de l ANCOVA Lorsque l on fait ces comparaisons, on suppose que les modèles sont qualitativement similaires pour tous les niveaux de la variable discrète... autrement ce serait comme comparer des pommes et des oranges! Y Y Modèles qualitativement similaires Modèles qualitativement différents X 1
24 ANCOVA Le modèle de la régression simple Le modèle de la régression: Y = a + bx + e i i i toutes les régressions simples sont décrites par 2 paramètres: l ordonnée à l origine (a) et la pente (b) Observées Prédites Y i ΔY a (ordonnée à l origine) X ΔX b = ΔY/ΔX (pente) X i e i
25 ANCOVA Y a & b diffèrent Y même a, différents b X 1 X 1 Y a diffèrent même b Y même a, même b X 1 X 1
26 ANCOVA Le modèle complet Le modèle complet Y = µ + α + β ( X X ) + ε ij i i ij i ij β i est la pente de la régression de Y sur X 1 estimée pour le niveau i de la variable discrète X 2 α i est la différence entre les moyennes de la variable discrète X 2 pour chaque niveau i et la moyenne générale. Y 1 µ Y 2 X α 2 α 1 X 1 X 2 X 1 j 1 X 1 j ε 1 j β 1 β 2 Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
27 ANCOVA Le modèle complet X X 1 j 1 hypothèses nulles ε 1 j Pour le modèle complet contenant 2 variables indépendantes, on a 3 hypothèses nulles: H H H : : : α = i β = i 0 pour tous les constante, β = β = 0 i i, Y 1 µ Y 2 β 1 β 2 α 2 α 1 X 1 X 2 X 1 j Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
28 ANCOVA H H H Le modèle complet : α = 0, i : β = i : β = β = i constante 0, Y H H H : α = 0, i : β = constante, i : β = β = i 0 Y H H H : α = 0, i : β = constante, i : β = β = i 0 Y
29 ANCOVA Le modèle complet Conditions d application Les résidus sont indépendants et distribués normalement La variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable discontinue (homoscedasticité) pas d erreur sur les variables indépendantes
30 ANCOVA Le modèle complet Ajuster le modèle complet, tester la différence entre les pentes H02:β = constante i Si H 02 est rejetée, faire des régressions séparées pour chaque niveau de la variable catégorique Si H 02 est acceptée, ajuster le modèle d ANCOVA. Y H 02 acceptée ANCOVA X 1 H 02 rejetéee Régressions séparées Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
31 ANCOVA Le modèle complet Mâles Exemple age, sexe et longueur de l esturgeon LFKL LAGE 1.9 Q1: la pente de la régression de LFKL sur LAGE est la même pour les deux sexes? LFKL Femelles LAGE
32 ANCOVA Le modèle complet Exemple Dep Var: LFKL N: 92 Multiple R: Squared multiple R: Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P LAGE SEX$ SEX$*LAGE Error Conclusion 1: la pente est la même pour les deux sexes (accepter H02 ) p(sex$*lage) > 0.05 Q2: l ordonnée à l origine est-elle la même?
33 ANCOVA Le modèle additif X X 1 j 1 Le modèle: Y = µ + α + β( X X ) + ε ij i ij i ij β est la pente de la régression de Y sur X 1 regroupée pour tous les niveaux de la variable catégorique X 2. α i est la différence entre la moyenne pour chaque niveau i et la moyenne générale Y 1 µ Y 2 β Ùβ int ra = i α 2 α 1 X 1 X 2 X 1 j ε 1 j ( (x ij x i )(y ij y i ) j i ( (x ij x i ) 2 j
34 ANCOVA Le modèle additif X X 1 j 1 hypothèses nulles β ε 1 j Pour une ANCOVA avec 2 variables indépendantes, deux hypothèses nulles: Y 1 µ Y 2 α 2 α 1 H H : α = 0 pour tous les i, : i β = β = i 0 X 1 X 2 X 1 j Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
35 ANCOVA Le modèle additif H H : α = 0 pour tous les i, : i β = β = i 0 Y H H : α = 0 pour tous les i, : i β = β = i 0 Y H H : α = 0 pour tous les i, : i β = β = i 0 Y
36 ANCOVA Le modèle additif Conditions d application du modèle additif les résidus sont indépendants et distribués normalement la variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable catégorique (homoscedasticité) les pentes des régressions de Y sur X sont les mêmes pour tous les niveaux de la variable catégorique (ce n est pas une condition d application du modèle complet!!)
37 ANCOVA Le modèle additif Procédure Y Ajuster le modèle d ANCOVA, tester: H01 : α i = Si H 01 est rejetée, séparer les régressions pour chaque niveau de la variable discon-nue Si H 01 est acceptée, ajuster une régression commune. 0 H 01 acceptée Régression commune X 1 H 01 rejetée Régressions séparées Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
38 ANCOVA Le modèle additif Exemple Dep Var: LFKL N: 92 Multiple R: Squared multiple R: Analysis of Variance Source Sum-of-Squares df Mean-Square F-ratio P SEX$ LAGE Error Conclusion 2: Ordonnée à l origine est la même pour les deux sexes. H01 est acceptée. p(sex$ >.05), le meilleur modèle est la régression commune. la réduction du R2 est négligeable (.697 to.696).
39 ANCOVA Le modèle à droites confondues Le modèle: Y = µ + α + β( X X ) + ε ij i ij i ij β est la pente de la régression de Y sur X 1, regroupée pour tous les niveaux de la variable discrète X 2. X est la moyenne groupée de X 1. µ α β X X 1 j X X 1 j ε 1 j Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
40 ANCOVA Le modèle à droites confondues hypothèses nulles β X 1 j X ε 1 j On a deux hypothèses nulles pour la régression commune: µ α H H : α = 0, : β = 0. X X 1 j Niveau 1 de la variable X 2 Niveau 2 de la variable X 2
41 ANCOVA Le modèle à droites confondues Exemple Dep Var: LFKL N: 92 Multiple R: Squared multiple R: Adjusted squared multiple R: Standard error of estimate: Effect Coefficient Std Error Std Coef Tolerance t P(2 Tail) CONSTANT LAGE
42 ANCOVA Le modèle à droites confondues Conditions d application du modèle à droites confondues Les résidus sont indépendants et distribués normalement la variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable discrète (homoscédasticité)
43 ANCOVA Conclusion Aller du modèle complexe au modèle simple Donc choisir a priori les variables explicatives
44 MANOVA
45 MANOVA Paramétrique Comparaison de 2 groupes (apparié ou non) Test de Student (apparié ou non) ANOVA Corrélation Régression ANOVA paramétrique Corrélation de Pearson Y X Régression Plusieurs variables dépendantes MANOVA Plusieurs variables indépendantes Non paramétrique Test de Wilcoxon (apparié ou non) ANOVA de Kruskall-Wallis Corrélation de Spearman ou de Kendall
46 MANOVA Sur le principe, une MANOVA est une ANOVA a plusieurs variables dépendantes Variable dépendante 2 groupes Variable indépendante
47 MANOVA Sur le principe, une MANOVA est une ANOVA a plusieurs variables dépendantes Variable dépendante 2 groupes Variable indépendante
48 MANOVA Avantage de la MANOVA, contrôler l erreur de type I Un des protocole possible, tester l effet «groupe» sur l ensemble des VD. Si l effet est significatif, examiner les variables ANOVA par ANOVA
49 MANOVA Exemple: Variables mesurées sur des poissons provenant de sites différents. Les variables sont elles conjointement affectées par le fait d appartenir a l un ou l autre site.
50 MANOVA Sur le principe, une MANOVA est une ANOVA a plusieurs variables dépendantes Variables dépendantes Pas de différence significa-ve Variable indépendante
51 MANOVA Sur le principe, une MANOVA est une ANOVA a plusieurs variables dépendantes Variables dépendantes Effet significa-f Variable indépendante
52 MANOVA Sur le principe, une MANOVA est une ANOVA a plusieurs variables dépendantes Variables dépendantes Vecteur des moyennes Effet significa-f Variable indépendante
53 MANOVA Pré-requis de la MANOVA: Très similaires à ceux de l ANOVA - Normalité multivariée - Homogénéité des matrices de covariances (test M de Box) - Indépendance des observations - Linéarité Relation linéaire entre les variables dépendantes
54 MANOVA Limitation des MANOVA: - Outliers Comme pour l ANOVA les observations extrêmes affectent beaucoup le modèle - Multicolinéarité et singularité Une grande corrélation entre les variables dépendantes impliquent de la redondance
55 MANOVA Décomposition de la variance On cherche une difference multivariée entre les groupes. Cela signifie que les vecteurs des moyennes de variables sont differents selon les groupes. La décomposition de la variance s ecrit: Somme des carrés et carrés croisés totaux T = W + B Somme des carrés et carrés croisés inter groupe Somme des carrés et carrés croisés intra groupe
56 MANOVA Décomposition de la variance De cette décomposition de la variance on en tire la statistique λ λ = W = T W W + B λ suis une distribution connue aux degrés de liberté choisis. On a donc une valeur de λ seuil et un λ observé. On tombe dans la logique d un test.
57 MANOVA (m1 <- manova(cbind(y1, y2) ~ group, manova.data)) Call: manova(cbind(y1, y2) ~ group, manova.data) Terms: group Residuals resp resp Df 2 9 Residual standard error: Es-mated effects may be unbalanced > summary(m1, test = "Wilks") Df Wilks approx F num Df den Df Pr(>F) group Residuals 9
58 2 ou plus var quali 1 var quan- ANOVA à 2 facteurs 1 var quali 2 var quan- ANCOVA Plusieurs variables dépendantes MANOVA Plusieurs variables indépendantes
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en 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 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 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 détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en 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 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 : 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 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 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. 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 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 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 détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
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 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 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 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 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 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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 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 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 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 détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en 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 détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailquelques Repères pour Doctorants
Gilles HUNAULT 2005 quelques Repères en STATISTIQUES pour Doctorants Université d Angers c gilles.hunault@univ-angers.fr http ://www.info.univ-angers.fr/pub/gh/ 3 Le principe consistant à ne pouvoir affirmer
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 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 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 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 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 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 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 détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
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 détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en 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 détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailRisque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.
Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d Études Statistique, Luminy, Novembre 2010. 1 1 Prise en compte
Plus en détail5. Apprentissage pour le filtrage collaboratif
686 PARTIE 5 : Au-delà de l apprentissage supervisé 5. Apprentissage pour le filtrage collaboratif Il semble que le nombre de choix qui nous sont ouverts augmente constamment. Films, livres, recettes,
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 détailFormat de l avis d efficience
AVIS D EFFICIENCE Format de l avis d efficience Juillet 2013 Commission évaluation économique et de santé publique Ce document est téléchargeable sur www.has-sante.fr Haute Autorité de santé Service documentation
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 détailMortalité observée et mortalité attendue au cours de la vague de chaleur de juillet 2006 en France métropolitaine
Mortalité observée et mortalité attendue au cours de la vague de chaleur de uillet en France métropolitaine FOUILLET A 1, REY G 1, JOUGLA E, HÉMON D 1 1 Inserm, U75, Villeuif, France. Inserm CépiDc, IFR9,
Plus en détailProjet SENTINELLE Appel àprojets «CO 2»Déc. 2007
Projet SENTINELLE Appel àprojets «CO 2»Déc. 2007 Philippe de DONATO Université de Lorraine/CNRS Co-auteurs: C. PRINET, B. GARCIA, H. LUCAS, Z. POKRYSZKA, S. LAFORTUNE, P. FLAMANT, F. GIBERT, D. EDOUART,
Plus en détailTrépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g.
PHYSQ 130: Hooke 1 LOI DE HOOKE: CAS DU RESSORT 1 Introduction La loi de Hooke est fondamentale dans l étude du mouvement oscillatoire. Elle est utilisée, entre autres, dans les théories décrivant les
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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en 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 détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détailData mining II. Modélisation Statistique & Apprentissage
Publications du Laboratoire de Statistique et Probabilités Data mining II. Modélisation Statistique & Apprentissage Philippe BESSE Version janvier 2003 mises à jour : www.lsp.ups-tlse.fr/besse Laboratoire
Plus en détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détailEvaluation de cépages résistants ou tolérants aux principales maladies cryptogamiques de la vigne
VITICULTURE 27 Evaluation de cépages résistants ou tolérants aux principales maladies cryptogamiques de la vigne Marc Chovelon Grab Mathieu Combier Chambre d Agriculture du Var Gilles Masson Centre du
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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
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 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 détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
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 détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailUtilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air
Etude n 10 Assistance en modélisation (Rapport 3/3) Utilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air Novembre 2004 Convention : 04000087 Giovanni CARDENAS Utilisation
Plus en détailESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
Plus en détailBIOSTATISTIQUES AVANCEES PLAN. Quelques références. Master Biologie Intégrative 1 ère année
Master Biologie Intégrative 1 ère année 1 BIOSTATISTIQUES AVANCEES Yves Desdevises! Observatoire Océanologique de Banyuls-sur-Mer (www.obs-banyuls.fr)! 04 68 88 73 13! desdevises@obs-banyuls.fr! http://desdevises.free.fr
Plus en détailCréer un référentiel client grâce à Talend MDM
Créer un référentiel client grâce à Talend MDM Christophe Toum Product Manager Talend Connect 9 octobre 2014 Talend 2014 1 Sommaire Connaissez-vous vos clients? MDM et réconciliation des données Le processus
Plus en détailLe chi carré. Le sommaire. Approche quantitative
Approche quantitative Le chi carré Les objectifs pédagogiques Définir le test du chi carré Déterminer la nature des données propres au chi carré Savoir calculer le chi carré Savoir déterminer les fréquences
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en 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 détail