Analyse de la covariance*
|
|
- Stanislas Gauthier
- il y a 6 ans
- Total affichages :
Transcription
1 Analyse des données - Méthodes explicatives (STA102) Analyse de la covariance* Giorgio Russolillo Département IMATH CNAM giorgio.russolillo@cnam.fr *Ces transparents (et les données d exemple) sont inspirées par celles de Laura Trinchera (2011)
2 Introduction 2
3 Les données Où : (n x 2) (n x 1) x 11 x 12.. x 1K -. x IK On dispose d un échantillon de n individus sur lesquels on a observé 2 variables quantitatives X et Y dans des conditions différents définies par une variable qualitative. On veut étudier si le lien entre les 2 variables quantitatives est le même ou pas dans les différents conditions Variable quantitative Variable qualitative qui défini les différents «traitement»à I niveaux 3
4 Le modèle d analyse de la covariance (ANCOVA) 4
5 Le modèle d analyse de la covariance (n x 2) (n x 1) Terme constant, i.e. valeur de la droite à l origine pour le traitement i Pente de la droit de régression pour le traitement i Variable aléatoire Y ik = µ i + β i x ik + ε ik Variance résiduelle, elle est la même dans tous les traitements Terme résiduel aléatoire ( ) { ε ik } i.i.d. N 0,σ 2 5
6 Le modèle d analyse de la covariance Y ik = µ i + β i x ik + ε ik On peut décomposer chaque paramètre de régression en une partie due à l effet global du traitement et un partie spécifique à chaque niveau du traitement : µ i = µ + α i β i = β + γ i 1 + I I = 2(I+1) paramètres à estimer Terme constant Effet du traitement, i.e. l écart entre les ordonnées à l origine Y ik = µ + α i + βx ik + γ i x ik + ε ik Effet global de x Ecriture du modèle en termes de la loi de Y ik ε ik i.i.d. N ( 0,σ 2 ) Effet spécifique du traitement, i.e. un terme correctif à apporter à β en fonction du traitement, c est l effet du à l interaction ( ) = µ ik = µ + α i + β x ik + γ i x ik E Y ik où Y ik i.i.d. N ( µ ik,σ 2 ) 6
7 Les données 7
8 Les données On dispose d un échantillon de n=20 sacs de 10 huitres, on cherche à savoir si des conditions de température et d oxygénation dues à 5 différents emplacements ont une influence sur l évolution du poids des huitres Pour chaque sac, on a son poids avant l expérience son poids après l expérience l emplacement (I = 5 niveaux) Dans chaque emplacement on a posé 4 sacs, donc K=4 pour chaque emplacement 8
9 Ecriture matricielle du modèle où Y n 1 = Y 11 Y 12 Y 13 Y 14 Y 15 Y 21 Y 22 Y 23 Y 24 Y 25 Y 31 Y 32 Y 33 Y 34 Y 35 Y 41 Y 42 Y 43 Y 44 Y 45 Y 51 Y 52 Y 53 Y 54 Y 55 Y = XΘ + En 1 [ n 1] [ ( ) 1] [ n 2( I +1) ] 2 I +1 Partie relative à l effet global de x [ ] Partie relative à l interaction ε ik i.i.d. N ( 0,σ 2 ) E n 1 = ε 11 ε 12 ε 13 ε 14 ε 15 ε 21 ε 22 ε 23 ε 24 ε 25 ε 31 ε 32 ε 33 ε 34 ε 35 ε 41 ε 42 ε 43 ε 44 ε 45 ε 51 ε 52 ε 53 ε 54 ε 55 9
10 Un modèle de régression pour chaque traitement l l u l v n o n o n l n u u o o u v v v o n l u v 10
11 Table de l analyse de la variance 11
12 Décomposition de la variabilité totale SCT = SCM + SCR ( Y ik Y ) 2 = Y ˆ ik Y + Y ik ˆ k i i k ( ) 2 ( Y ) 2 i k ik SCT = ( Y ik Y ) 2 i k SCM = ( Y ˆ ik Y ) 2 i k SCR = ( Y ik Y ˆ ) 2 i k ik 12
13 Décomposition de la variabilité totale Sommes des carrés et carrés moyens Dans un dispositif non orthogonal on ne peut pas décomposer la SCM en sommes des carrés dues aux diffèrent effets de façon unique, on fait donc référence aux différents décompositions possibles, notamment au sommes des carrés de type I et de type III 13
14 Estimation des paramètres du modèle 14
15 Estimation des paramètres du modèle Y ik = µ + α i + βx ik + γ i x ik + ε ik à Ce modèle n est pas identifiable ε ik i.i.d. N ( 0,σ 2 ) 1 + I I paramètres à estimer 2I colonnes indépendantes dans la matrice X à On doit introduire 2 contraintes indépendantes sur les paramètres : - Contraintes de SAS à α I = 0 γ I = 0 15
16 Interprétation des paramètres et Prédiction Avec les contraintes fixés pas SAS et vu que le dispositif n est pas orthogonal, les estimateurs des paramètres n ont pas de expression explicite, donc on peut pas interpréter les valeurs des estimations obtenues ainsi que les résultats des test sur les paramètres en termes de différences entre moyennes! Toutefois la prédiction ne dépend pas des contraintes, elles est dans tous les cas : E( Y x ) ik = Y ˆ x ik = ˆµ + ˆα i + ˆβ x ik + γˆ i x ik 16
17 Estimateur de la variance résiduelle 2 S n 2I = SCR n 2I = I i=1 K ( Y ik Y ˆ ) 2 ik k=1 n 2I Nombre de paramètres à estimer une fois posées les contraintes 17
18 Test de la signification du modèle et tests des différents effets 18
19 Test du modèle complet On veux tester l hypothèse H 0 = {ni la variable X ni le traitement ont un effet sur le Y} contre l hypothèse H 1 = {il existe un effet sur le Y due à la variable X et/ou au traitement} Dans un modèle de ANCOVA, ce test s écrit : H 0 = { Y ik = µ + ε ik } contre H 1 = { Y ik = µ + α i + βx ik + γ i x ik + ε ik } On teste le modèle constant ou nul (pas d effet sur Y) contre le modèle complet 19
20 Test du modèle complet H 0 = { Y ik = µ + ε ik } contre H 1 = { Y ik = µ + α i + βx ik + γ i x ik + ε ik } Ce test se fait au moyen de la statistique de test de Fischer : ( ) ( ) F = SCM 2I 1 SCR n 2I Variance expliquée par le modèle Estimateur de la Variance des erreurs La statistique de test F suit sous H 0 une loi de Fisher à 2I-1 et n-2i degrés de liberté : F ~ H 0 F 2I 1,n 2I 20
21 Test du modèle complet H 0 = { Y ik = µ + ε ik } contre H 1 = { Y ik = µ + α i + βx ik + γ i x ik + ε ik } Statistique de test ( ) ( ) F = SCM 2I 1 SCR n 2I Probabilité critique (p-value) Pr( F 2 I-1,n-2 I > f ) obs Règle de décision : On rejette l hypothèse H 0 au niveau α si p valeur < α ou f obs > f 2I 1,n 2I,(1 α ) 21
22 Tests des différents effets On peut définir 5 sous-modèles du modèle complet d analyse de la covariance : Nom Modèle 0) Y ik = µ + ε ik A) Y ik = µ + α i + ε ik Modèle nul B) Y ik = µ + βx ik + ε ik BG) AB) AG) Y ik = µ + βx ik + γ i x ik + ε ik Y ik = µ + α i + βx ik + ε ik Y ik = µ + α i + γ i x ik + ε ik Modèle complet avec interaction C) Y ik = µ + α i + βx ik + γ i x ik + ε ik 22
23 Interprétation du modèle nul, cas de I=2 à Modèle 0 : aucun effet n est présent Y ik = µ + ε ik Modèle 0 23
24 Interprétation du modèle A, cas de I=2 à Modèle A : il n y a que l effet traitement Y ik = µ + α i + ε ik Modèle A C est un modèle d ANOVA à un facteur : le traitement 24
25 Interprétation du modèle B, cas de I=2 à Modèle B : il n y a que l effet du à la variable X (même effet dans tous les niveaux) Y ik = µ + βx ik + ε ik Modèle B C est un modèle de régression simple : la variable x est la variable explicative 25
26 Interprétation du modèle BG, cas de I=2 à Modèle BG : c est un modèle de ANCOVA avec un effet constante que est le même pour tous les niveaux Modèle BG Y ik = µ + βx ik + γ i x ik + ε ik Les I droites de régression ont toutes la même origine 26
27 Interprétation du modèle AB, cas de I=2 à Modèle AB : c est un modèle de ANCOVA sans interaction Y ik = µ + α i + βx ik + ε ik Modèle AB x µ 1k µ 2k = α 1 α 2 Les I droites de régression sont parallèles (ont toutes la même pente), l évolution de Y est la même dans tous les niveaux 27
28 Interprétation du modèle C, cas de I=2 à Modèle C : c est un modèle de ANCOVA avec interaction Y ik = µ + α i + βx ik + γ i x ik + ε ik Modèle C L évolution de Y est différente selon les niveaux 28
29 Equivalence entre le modèle AG et le modèle C Modèle AG : Y ik = µ + α i + γ i x ik + ε ik Modèle C : Y ik = µ + α i + βx ik + γ i x ik + ε ik Le modèle AG n est pas un sous-modèle du modèle C mais est complètement équivalent à ce modèle X C = X AG = 29
30 Sommes des carrés de type I Dans un modèle de ANCOVA avec interaction, les sommes des carrés de type I sont : Réduction due au passage du modèle 0 au modèle B Réduction due au passage du modèle B au modèle AB Réduction due au passage du modèle AB au modèle C 30
31 Sommes des carrés de type III Dans un modèle de ANCOVA avec interaction, les sommes des carrés de type III sont : Réductions dues au passage du modèle AG au modèle C I avec les contraints : α i = 0 et γ i = 0 i=1 I i=1 31
32 Test général associé aux sommes des carrés Etant donnés un modèle complet M C et un modèle réduit M R : SCR R SCR C ddl 1 SCR C ddl 2 ~ F ddl1,ddl 2 SCR R : somme des carrés des résidus du modèle réduit SCR C : somme des carrés des résidus du modèle complet ddl 1 : (nombre de paramètres dans le modèle complet) (le nombre de paramètres dans le modèle réduit) ddl 2 : nombre de degrés de liberté associé aux résidus du modèle complet, c est-à-dire : (nombre d observations) (nombre de paramètres dans le modèle complet) On ne teste pas des modèles emboités (sauf pour le test sur l effet du à l interaction) donc ces tests n ont pas une interprétation facile 32
33 Tests associes aux sommes des carrés de type III On peut associer un test à chaque somme de carrés de type III : Test sur γ : H 0 : Les droites de régression ont même pente Test sur β : Même test sur les SS de type I ou de type III H 0 : Il n y a pas d effet de la variable quantitative sur Y Test sur α : H 0 : Les droites ont la même ordonnée à l origine 33
34 Enchainement des tests des différents effets On teste d abord l effet de l interaction γ H 0 :{ Y ik = µ + α i + βx ik + ε ik } contre H 1 :{ Y ik = µ + α i + βx ik + γ i x ik + ε ik } Le résultat de ce test est le même si on utilise les SS de I type ou du III type On teste après le paramètre β H 0 :{ Y ik = µ + α i + γ i x ik + ε ik } contre H 1 :{ Y ik = µ + α i + βx ik + γ i x ik + ε ik } Le résultat de ce test se obtient utilisant les SS de III type Pour conclure on teste le paramètre α H 0 :{ Y ik = µ + βx ik + γ i x ik + ε ik } contre H 1 :{ Y ik = µ + α i + βx ik + γ i x ik + ε ik } Le résultat de ce test se obtient utilisant les SS de III type 34
35 Résultats sur les données Huitres 35
36 Modèle Complet Table d analyse de la variance n 2I = 20 2*5 = 10 Estimation de σ L ajustement du modèle est très bon, la SCM est presque la même que la SCT Probabilité critique < 0.05, on rejette l hypothèse H 0 : le modèle 0 n est pas le bon modèle 36
37 Modèle Complet - Analyse des résidus Si les hypothèses di modèle sont satisfaites, alors le nuage des points dans ce graphique ne doit pas présenter une structure particulier, comme dans ce cas 37
38 Modèle Complet Estimation des paramètres Paramètre fixé à zéro 38
39 Modèle Complet - Tests sur les sommes des carrés de type I et de type III 39
40 Enchainement des tests des différents effets 1 à H 0 : Les droites de régression ont la même pente Test sur γ On ne rejette pas H 0, donc l interaction n est pas significative (L effet de la variable quantitative sur Y ne dépend pas des niveaux du facteur) On estime à nouveau modèle sans l interaction 40
41 Modèle sans interaction Table d analyse de la variance n (#par - #contr) = 20 (7-1) = 14 L ajustement du modèle est toujours très bon On a une variabilité résiduelles plus élevé 41
42 Modèle sans interaction Analyse des résidus Toujours pas de structure particulier, tous les hypothèses sur les résidus sont vérifiées 42
43 Modèle sans interaction Estimation des droites de régression o u o l u n l l u l v o n n o n u v v v o n l u v 43
44 Modèle sans interaction Sommes des carrés de type I et de type III R(α β,µ) Les décisions prises avec les deux procédures coïncident 44
45 Modèle sans interaction Enchainement des tests des différents effets 2 à H 0 : il n y a pas d effet moyen de la variable quantitative sur Y Test sur β On rejette H 0 : Il y a relation linéaire significative entre le poids initial et le poids final 3 à H 0 : les droites ont la même ordonnée à l origine Test sur α On rejette H 0 : Non, quel que soit le poids initial il y a une différence significative entre le poids final des traitements 45
46 Comparaison des moyennes par traitement 47
47 Moyennes empiriques de Y par traitements (Modèle sans interaction) Moyennes empiriques des traitements Dans un modèle sans interaction, pour chaque traitement i sa moyen est : µ i = 1 K K k=1 µ ik = µ + α i + β 1 K K k=1 x ik = µ + α i + βx i et on obtient une estimation de cette moyen par la moyen empirique du traitement i, c est-à-dire : ˆ µ i = y i = ˆ µ + α ˆ i + ˆ β x i Moyenne empirique de y dans le traitement i. C est donc la prédiction de y dans le traitement i pour un réplication de poids initial correspondant à la moyenne x i du poids initial dans le traitement 48
48 Moyennes empiriques de Y par traitements (Modèle sans interaction) Moyennes empiriques des poids initiaux et finaux par traitement = *29.75 Les huitres placées dans le traitement 1 ont un poids final moyen plus élevé que les autres 49
49 Moyennes empiriques de Y par traitements (Modèle sans interaction) Moyennes empiriques dans un modèle sans interaction et avec I=2 50
50 Moyennes ajustées de Y par traitements (Modèle sans interaction) Moyennes ajustées Dans un modèle sans interaction, pour chaque traitement i sa moyenne ajustée est :!µ i = µ + α i + βx Moyenne générale de X et on obtient une estimation de cette moyenne par : ˆ µ i = ˆ µ + α ˆ i + ˆ β x C est donc la prédiction de y dans le traitement i pour la moyenne générale x 51
51 Moyennes ajustées de Y par traitements (Modèle sans interaction) Moyennes ajustées des poids finaux par traitement = *25.76 x Les huitres placées dans le traitement 3 ont une moyenne ajustée plus élevée que les autres 52
52 Moyennes ajustées de Y par traitements (Modèle sans interaction) Moyennes ajustées dans un modèle sans interaction et avec I=2 53
53 Modèle sans interaction Comparaison des poids finaux moyens ajustés H 0 : µ i = µ j H 1 : µ i µ j Valeur observée de la statistique t Différences significatives à 0.05 P-valeur 54
54 Modèle sans interaction Comparaison des poids finaux moyens ajustés H 0 : µ i = µ j H 1 : µ i µ j Valeur de la statistique t P-valeur corrigée par la correction de Bonferroni Différences significatives à 0.05 mais pas après correction de Bonferroni Différences significatives après correction de Bonferroni, i.e. à 0.05/10 =
55 This presentation is made available through a Creative Commons Attribution- Noncommercial license. Details of the license and permitted uses are available at G. Russolillo Analyse de la covariance Title: Analyse de la covariance UE STA102 Attribution: G. Russolillo, CNAM L. Trinchera, NEOMA Business School 56
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 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 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 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 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 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 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 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 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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en 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 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 détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
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 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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en 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 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 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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
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 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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en 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 détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en 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 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 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en 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 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 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en 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 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 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 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailExemples d utilisation de G2D à l oral de Centrale
Exemples d utilisation de G2D à l oral de Centrale 1 Table des matières Page 1 : Binaire liquide-vapeur isotherme et isobare Page 2 : Page 3 : Page 4 : Page 5 : Page 6 : intéressant facile facile sauf
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
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 détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailAméliorations du schéma de nuage et de EDKF dans AROME/MésoNH
Améliorations du schéma de nuage et de EDKF dans AROME/MésoNH Sébastien Riette Météo-France CNRM/GMME Réunion des utilisateurs de Méso-NH, 13 et 14 octobre 2011 Les composantes du schéma de nuage d'arome
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 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 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 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 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 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 détailDCG 6. Finance d entreprise. L essentiel en fiches
DCG 6 Finance d entreprise L essentiel en fiches DCG DSCG Collection «Express Expertise comptable» J.-F. Bocquillon, M. Mariage, Introduction au droit DCG 1 L. Siné, Droit des sociétés DCG 2 V. Roy, Droit
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 détailDéfinition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3
8 Systèmes de numération INTRODUCTION SYSTÈMES DE NUMÉRATION POSITIONNELS Dans un système positionnel, le nombre de symboles est fixe On représente par un symbole chaque chiffre inférieur à la base, incluant
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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailApplication sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
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 détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détail1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)
1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détail«Cloud Computing» La gestion des logiciels dans un contexte d impartition Raymond Picard, Vice-président, droit des technologies de l information
27 AVRIL 2010 «Cloud Computing» La gestion des logiciels dans un contexte d impartition Raymond Picard, Vice-président, droit des technologies de l information GROUPE CGI INC. Tous droits réservés _la
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailL a d é m a r c h e e t l e s o u t i l s p r o p o s é s
Guide méthodologique pour la construction d un bilan quantitatif et qualitatif des contrats de territoire. L a d é m a r c h e e t l e s o u t i l s p r o p o s é s Il est proposé de bâtir le bilan avec
Plus en détailLangage SQL : créer et interroger une base
Langage SQL : créer et interroger une base Dans ce chapitre, nous revenons sur les principales requêtes de création de table et d accès aux données. Nous verrons aussi quelques fonctions d agrégation (MAX,
Plus en détailPROGRAMMEZ VOTRE CHAUFFAGE PAR TELEPHONE ET APPLICATION : EASYSTART CALL
PROGRAMMEZ VOTRE CHAUFFAGE PAR TELEPHONE ET APPLICATION : EASYSTART CALL A WORLD OF COMFORT LA NOUVELLE APPLICATION EASYSTART CALL Eberspächer vous permet de contrôler votre chauffage facilement avec
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détail