Statistiques non paramétriques : Comparaison de proportions, de distributions et autres tests
|
|
- Émilien Bénard
- il y a 6 ans
- Total affichages :
Transcription
1 1 / 58 Statistiques non paramétriques : Comparaison de proportions, de distributions et autres tests M-A Dronne
2 2 / 58 Introduction Tests non paramétriques Comparaisons de proportions Comparaison d une proportion à une proportion de référence Test binomial exact Comparaison de 2 proportions Test du Chi-deux d homogénéité Test exact de Fisher Comparaison de plus de 2 proportions Test du Chi-deux d homogénéité
3 3 / 58 Introduction Tests non paramétriques Comparaisons de distributions Comparaison d une distribution à une distribution de référence Test du Chi-deux de conformité Test de Kolmogorov-Smirnov Tests de normalité Test de Shapiro-Wilk Test de Lilliefors Autres tests (test de Anderson-Darling, test d Agostino) Comparaison de deux distributions Test du Chi-deux d homogénéité Test de Kolmogorov-Smirnov Comparaison de plus de deux distributions Test du Chi-deux d homogénéité
4 Introduction Tests non paramétriques Liaison/indépendance de 2 variables qualitatives Test du Chi-deux d homogénéité Test du Chi-deux d indépendance Liaison/indépendance de 2 variables quantitatives Test du coefficient de corrélation de Spearman (cf cours sur la corrélation) Tests sur données binaires En présence de 2 conditions Test de MacNemar En présence de plus de 2 conditions Test Q de Cochran 4 / 58
5 5 / 58 Introduction Plan du cours Tests du Chi-deux Test de Kolmogorov-Smirnov Tests de normalité (test de Shapiro et test de Lilliefors) Tests sur variables binaires : Test de MacNemar Test de Cochran
6 6 / 58 Tests du χ 2 Vocabulaire et notation Chi-deux = Chi 2 = Khi-deux = Khi 2 = χ 2 Test du χ 2 de Pearson 3 types de tests 1. Test de conformité (= d ajustement) d une loi de probabilité parente à une loi de probabilité de référence cas univarié 2. Test d homogénéité de plusieurs distributions cas bivarié (1 v.a. + 1 variable contrôlée) 3. Test d indépendance entre 2 v.a. cas bivarié (2 v.a.)
7 Test de conformité du χ 2 Exemple Problème Une étude portant sur 300 jeunes adultes de 18 à 25 ans vise à déterminer la distribution du nombre de partenaires sexuels durant une année donnée. Les résultats sont les suivants : Nb de partenaires Effectif Question En langage courant Peut-on admettre que le nombre de partenaires sexuels par individu suit une loi de Poisson? En langage "statistique" La distribution de la variable étudiée est-elle différente de la distribution d une loi de Poisson au risque 5 %? 7 / 58
8 Test de conformité du χ 2 Question statistique Variable X : 1 variable qui peut être qualitative ou quantitative (discrète ou continue) Hypothèses statistiques Soit (x i, p i ) la loi de probabilité suivie par X et (x i, p 0i ) la loi de probabilité théorique : H 0 : conformité de la loi de X à la loi théorique H 0 : p i = p 0i i {1,..., I} H 1 : non conformité de la loi de X à la loi théorique H 1 : i {1,..., I} tq p i p 0i 8 / 58
9 9 / 58 Test de conformité du χ 2 Question statistique Exemples de lois théoriques Loi uniforme : p 0i = 1 I i {1,..., I} Loi binomiale B(n 0, p 0 ) : p 0i = C x i n 0 p x i 0 (1 p 0) n 0 x i Si p 0 inconnu, on l estime par f 0 Loi de Poisson P(λ 0 ) : p 0i = e λ 0 λx i 0 x i! Si λ 0 inconnu, on l estime par m x Loi normale N (µ 0, σ 0 ) : ( ) ( ) xi+1 µ p 0i = P(x i X x i+1 ) = F 0 σ 0 F xi µ 0 σ 0 Si µ 0 et σ 0 inconnus, on les estime par m x et s x
10 10 / 58 Test de conformité du χ 2 Données Remarque Les effectifs des observations sont recensés dans un tableau de contingence Tableau de contingence sur les données Valeurs : x i x 1 x 2... x I Total Effectifs observés : o i o 1 o 2... o I n Calcul des effectifs théoriques sous H 0 c i = n p 0i i {1,..., I} Valeurs : x i x 1 x 2... x I Total Effectifs théoriques : c i c 1 c 2... c I n = i c i
11 11 / 58 Test de conformité du χ 2 Conditions d application Conditions à respecter Il faut que c i 5 i {1,..., I} Les observations doivent être indépendantes : n = i o i Remarque Si certains c i < 5, il faut regrouper les classes contigües
12 12 / 58 Test de conformité du χ 2 Statistique de test Formule, loi et valeur Variable d intérêt : O i (effectif observé) Statistique de test : Z = χ 2 = I (O i c i ) 2 i=1 c i Loi suivie sous H 0 : Z χ 2 avec ν = (I r 1) ddl r : nombre de paramètres (de la loi théorique) estimés Valeur calculée : z c = χ 2 c = I i=1 (o i c i ) 2 c i = I i=1 ( ) oi 2 n c i avec I : nombre de classes, c i = np 0i et n = I i=1 c i
13 13 / 58 Test de conformité du χ 2 Confrontation et conclusion Méthodes (cf. cours précédents) Confrontation Comparaison de la valeur de la statistique de test χ 2 c avec la valeur seuil χ 2 s lue dans la table du Chi-deux Position de χ 2 c par rapport à l intervalle d acceptation I a Comparaison de la p-value avec la valeur α Conclusion Conclusion en langage statistique et en langage courant (au risque α)
14 14 / 58 Test de conformité du χ 2 Confrontation et conclusion Remarque sur la valeur seuil Test du χ 2 équivalent à un test unilatéral Table du χ 2 : table unilatérale α table = α χ 2 s = χ 2 (α,ν) I a = [0; χ 2 (α,ν) [ Décision statistique Si χ 2 c < χ 2 (α,ν) : non rejet de H 0 au risque α Si χ 2 c χ 2 (α,ν) : rejet de H 0 au risque α
15 15 / 58 Test de conformité du χ 2 Correction de continuité Remarque Quand on effectue une approximation d une loi discrète par une loi continue, on peut réduire l erreur de l approximation en faisant une correction de continuité. Dans le cas d une approximation de la loi binomiale par la loi du Chi-deux (via la loi normale), on peut utiliser la correction de continuité de Yates : z c = χ 2 c = χ 2 Yates = I ( o i c i 0.5) 2 c i i=1 Cette correction diminue le χ 2 c et augmente donc la p-value.
16 16 / 58 Test de conformité du χ 2 Correction de continuité Remarque (suite) La correction de continuité de Yates a pour objectif d empêcher une surestimation de la significativité d un test lors de petits effectifs mais, inversement, elle risque d empêcher de détecter un effet quand il existe. Elle est utilisée surtout dans le cas où l effectif total est peu important Elle peut être ajoutée sur R par l option correct = TRUE
17 17 / 58 Test de conformité du χ 2 Logiciel R Commande R Fonction chisq.test(ef_obs,p=c(prop_theo)) Remarques Sous R, les valeurs théoriques doivent être données sous forme des proportions attendues alors que les valeurs observées doivent être données sous forme d effectifs Si un des effectifs théoriques est < 5, le message suivant apparait sur R : "l approximation du Chi-2 est peut-être incorrecte" regroupement de classe ou test exact de Fisher
18 18 / 58 Test de conformité du χ 2 Résultats de l exemple Résultats Chi-squared test for given probabilities data: c(47, 132, 73, 30, 12, 6) X-squared = , df = 5, p-value = Interprétation p-value < 0.05 rejet de H 0 au risque 5% La distribution du nombre de partenaires sexuels pendant l année considérée chez les ans est significativement différente d une loi de Poisson de paramètre 1.5 au risque 5%
19 Test d homogénéité du χ 2 Exemple Problème Afin d étudier l effet d un médicament A sur une maladie M, 2 groupes sont constitués (groupe contrôle et groupe traité). Le nombre de patients malades de la maladie M est recensé dans chaque groupe : Groupe traité : sur 300 patients ayant le médicament A, 84 ont contracté la maladie M Groupe contrôle : sur 200 patients sous placebo, 72 ont contracté la maladie M Question Est-ce que le médicament A a un effet sur la maladie M? La répartition des malades est-elle significativement différente dans les 2 populations au risque 5 %? Les proportions de malades sont-elles significativement différentes dans les 2 populations au risque 5%? 19 / 58
20 20 / 58 Test d homogénéité du χ 2 Question statistique Variables 2 variables : X : variable aléatoire (qualitative, quantitative discrète ou discrétisée) avec J réalisations possibles Y : variable contrôlée avec I valeurs fixées Hypothèses statistiques Soit p ij = P(X = x j Y = y i ) Soit p i. = P(Y = y i ) et p.j = P(X = x j ) H 0 : p ij = p i. p.j i {1,..., I} et j {1,..., J} H 1 : i {1,..., I} et j {1,..., J} tq p ij p i. p.j
21 21 / 58 Test d homogénéité du χ 2 Question statistique et données Remarques sur les hypothèses statistiques H 0 : homogénéité des distributions de X suivant les valeurs de Y H 1 : hétérogénéité des distributions de X suivant les valeurs de Y Tableau de contingence sur les données Valeurs x 1... x j... x J Totaux y 1 o o 1j... o 1J L y i o i1... o ij... o ij L i y I o I1... o Ij... o IJ L I Totaux S 1... S j... S J n
22 22 / 58 Test d homogénéité du χ 2 Données et conditions d application Calcul des effectifs théoriques sous H 0 Effectifs calculés : c ij = L i S j n i {1,..., I} et j {1,..., J} Conditions à respecter Il faut que c ij 5 i {1,..., I} et j {1,..., J} Les observations doivent être indépendantes : I J n = i=1 i=j o ij Remarque Si certains c ij < 5, il faut regrouper les classes contigües
23 23 / 58 Test d homogénéité du χ 2 Statistique de test Formule, loi et valeur Variable d intérêt : O ij (effectif observé) Statistique de test : Z = χ 2 = I J (O ij c ij ) 2 i=1 j=1 c ij Loi suivie sous H 0 : Z χ 2 avec ν = (I 1)(J 1) ddl Valeur calculée : I z c = χ 2 c = J i=1 j=1 (o ij c ij ) 2 c ij = I i=1 j=1 avec I : nb de lignes, J : nb de colonnes et n = ( ) J o 2 ij n c ij I J i=1 j=1 c ij
24 24 / 58 Test d homogénéité du χ 2 Correction de continuité Remarque Comme dans le cas du test de conformité du Chi-deux, on peut utiliser la correction de continuité de Yates. Recommandations de Cochran : Si n < 20 : test exact de Fisher Si 20 n < 40 et si les effectifs théoriques sont > 5 : test du Chi-deux avec la correction de Yates Si n 40 et si les proportions ne sont voisines ni de 0 ni de 1 : test classique du Chi-deux Sur R, option correct = TRUE
25 25 / 58 Test d homogénéité du χ 2 Logiciel R Commandes R Constitution des listes de valeurs : essai = c(84,216) et controle = c(72,128) Constitution du tableau : table= rbind(controle,essai) Réalisation du test : Fonction prop.test Fonction chisq.test Remarques Si le test est significatif, il est possible de faire des comparaisons de proportions 2 à 2 Les effectifs théoriques sont donnés par la commande chisq.test(...)$expected
26 26 / 58 Test d homogénéité du χ 2 Logiciel R Résultats avec prop.test 2-sample test for equality of proportions with continuity correction data: table X-squared = , df = 1, p-value = alternative hypothesis: two.sided 95 percent confidence interval: sample estimates: prop 1 prop Résultats avec chisq.test Pearson s Chi-squared test with Yates continuity correction data: table X-squared = , df = 1, p-value =
27 27 / 58 Test d homogénéité du χ 2 Logiciel R Remarque Quand X et Y ont chacune deux valeurs possibles (tableau 2 2), il est équivalent de faire un test d homogénéité du χ 2 et de faire un test bilatéral de comparaison de 2 proportions. z c = u c avec (u c ) 2 = χ 2 c et (u s ) 2 = χ 2 s Interprétation des résultats p-value > 0.05 non rejet de H 0 au risque 5% Les distributions ne sont pas significativement hétérogènes au risque 5% les distributions sont indépendantes du groupe au risque 5% la molécule A n a pas d effet significatif sur la maladie M au risque 5%
28 Test d indépendance du χ 2 Exemple Problème Dans un service de médecine légale, une étude a été réalisée pour établir l âge au décès à partir de l observation de l extrémité sternale de la 4 ème côte de personnes décédées. Un des critères utilisés est la forme de la dépression articulaire (cavité) qui peut prendre 6 modalités. Les données observées sur 500 patients sont les suivantes : Eff.obs < âge [30; 50[ [50; 70[ > Question Existe-t-il une liaison significative entre la forme de la cavité et l âge de la personne décédée au risque 5 %? 28 / 58
29 Test d indépendance du χ 2 Question statistique Variables 2 variables (qualitatives, quantitatives discrètes ou discrétisées) : X : v.a. avec J réalisations possibles Y : v.a. avec I réalisations possibles Hypothèses statistiques (idem test d homogénéité) Soit p ij = P(X = x j...y = y i ) Soit p i. = P(Y = y i ) et p.j = P(X = x j ) H 0 : p ij = p i. p.j i {1,..., I} et j {1,..., J} H 1 : i {1,..., I} et j {1,..., J} tq p ij p i. p.j 29 / 58
30 30 / 58 Test d indépendance du χ 2 Question statistique Remarques sur les hypothèses statistiques H 0 : indépendance de X et Y H 1 : liaison entre X et Y Etapes suivantes Tableau de contingence Calcul des effectifs théoriques Conditions à respecter Statistique de test (formule et calcul) Confrontation et conclusion Correction de continuité idem test d homogénéité
31 Test d indépendance du χ 2 Logiciel R Commande R fonction chisq.test Remarques Si le test est significatif, il est possible de faire des comparaisons 2 à 2 pour savoir quelle(s) classe(s) est(sont) à l origine de la liaison Les effectifs théoriques sont donnés par la commande chisq.test(...)$expected 31 / 58
32 32 / 58 Tests d homogénéité et d indépendance du χ 2 Remarque Test de liaison/indépendance Liaison entre 2 variables qualitatives Variable aléatoire + variable contrôlée test du χ 2 d homogénéité 2 variables aléatoires test du χ 2 d indépendance Liaison (linéaire) entre 2 variables quantitatives Variable aléatoire + variable contrôlée Régression (test de la pente nulle ou test de Fisher) 2 variables aléatoires Corrélation (test de non corrélation)
33 33 / 58 Tests complémentaires aux tests du χ 2 Remarque Si les effectifs théoriques ne sont pas tous supérieurs à 5 (malgré les regroupements possibles de classe), on peut utiliser : Le test de Fisher (tableau 2 2) Le nombre de paires (NP) (tableau > 2 2) Si les n blocs (groupes) sont ordonnés, on peut utiliser la statistique de tendance (permet de faire un test "unilatéral") (tableau 2 n)
34 34 / 58 Test de Fisher Tableau de contingence Groupe 1 Groupe 2 Totaux Présence du facteur F a b M Absence du facteur F c d N M Totaux N 1 N 2 N Hypothèses statistiques H 0 : équirépartition des M individus avec le facteur F entre les deux groupes (i.e. indépendance) H 1 : non indépendance
35 Test de Fisher Probabilité Sous H 0, la loi suivie est une loi hypergéométrique H(N, M, N 1 ) p = P(a, b, c, d) = M!(N M)!N 1!N 2! a!b!c!d!n! p représente la p-value et est ensuite comparé à α Remarque On peut faire un test unilatéral avec le test de Fisher (contrairement au test du χ 2 ) Commande R Fonction fisher.test Pour faire un test unilatéral : option alternative = "greater" par exemple 35 / 58
36 36 / 58 Statistique de tendance Exemple de tableau de contingence Les groupes (blocs) sont ordonnés : Groupe 1 Groupe 2 Groupe 3 Valeurs [0; 100[ [100; 200[ [200; 300[ Totaux Présence de F Y 1 Y 2 Y 3 M Absence de F N M Totaux K 1 K 2 K 3 N Hypothèses statistiques H 0 : indépendance H 1 : probabilité de présence du facteur F augmente avec la valeur de la grandeur étudiée
37 Test de Kolmogorov-Smirnov Utilisations Comparaison de 2 distributions Comparaison d une distribution à une distribution théorique bien définie 37 / 58
38 Test de Kolmogorov-Smirnov Test de conformité à une distribution de référence Variable 1 variable X quantitative (continue ou discrète) Hypothèses statistiques H 0 : X suit une loi bien définie (normale, Poisson,...) H 1 : X ne suit pas la loi considérée Logiciel R Fonction ks.test Exemple : comparaison de la distribution de X à la loi normale N (13; 3) : ks.test(x,"pnorm",mean=13,sd=3) 38 / 58
39 39 / 58 Test de Kolmogorov-Smirnov Test de conformité à une distribution de référence Kolmogorov-Smirnov et χ 2 Utilisation du test d ajustement du χ 2 = test du conformité du χ 2 ) : nombre important de données paramètres estimés de la loi Utilisation du test de Kolmogorov-Smirnov : petit nombre de données paramètres connus de la loi
40 40 / 58 Tests spécifiques de normalité Tests possibles Principaux tests : Test de Shapiro-Wilk Test de Lilliefors (variante du test de Kolmogorov-Smirnov) Autres tests : Test de Anderson-Darling (variante du test de Kolmogorov-Smirnov) Test de D Agostino (basé sur les coefficients d asymétrie et d aplatissement) tests non paramétriques
41 41 / 58 Tests spécifiques de normalité Test de Shapiro-Wilk Hypothèses statistiques H 0 : X suit une loi normale H1 : X ne suit pas une loi normale Statistique du test coefficient de détermination entre la série des quantiles générés à partir de la loi normale et les quantiles empiriques obtenus à partir des données Test particulièrement puissant pour les petits effectifs (n < 50) Très utilisé dans les logiciels de statistique Commande R : shapiro.test
42 42 / 58 Tests spécifiques de normalité Test de Lilliefors Hypothèses statistiques H 0 : X suit une loi normale de paramètres inconnus (à estimer) H1 : X ne suit pas une loi normale Variante du test de Kolmogorov-Smirnov Test sensible à la différence de la distribution empirique avec la loi théorique aux alentours de la partie centrale de la distribution mais moins performant lorsque la différence porte sur les queues de distribution Test moins utilisé que le test de Shapiro-Wilk Commande R : lillie.test dans le package nortest
43 43 / 58 Autres tests non paramétriques Tests sur des variables binaires Test de McNemar Test de Cochran
44 Test de McNemar Contexte Soit une variable qualitative binaire observée sur un échantillon de n individus dans deux conditions différentes. On se demande si la condition a eu un effet c est-à-dire s il y a une différence entre les deux situations. Variables 1 variable binaire (2 modalités) : S (succès) et E (échec) 1 variable qualitative à 2 modalités : "condition 1" et "condition 2" Hypothèses H 0 : même proportion de succès sous les 2 conditions (pas d effet de la condition) H 1 : proportion de succès différente selon la condition (effet de la condition) 44 / 58
45 45 / 58 Test de McNemar Exemple de données 2 séries appariées : Condition 1 Condition 2 Individu 1 E S Individu 2 S S Individu n S E Tableau de contingence 2x2 Succès Echec (condition 1) (condition 1) Succès (condition 2) N SS N SE Echec (condition 2) N ES N EE
46 46 / 58 Test de McNemar Statistique de test Calcul de la statistique de test : χ 2 c = (N ES N SE ) 2 (N ES + N SE ) Si (N ES + N SE ) est suffisamment grand ( 25), la loi suivie est la loi "classique" du χ 2 à 1 ddl Il est possible d ajouter la correction de Yates Si (N ES + N SE ) < 25, on peut utiliser le test binomial exact Commande R Fonction mcnemar.test
47 47 / 58 Test de McNemar Remarques Le test de McNemar revient à faire un test de comparaison de 2 proportions dans le cas d échantillons appariés. Le test équivalent pour comparer 2 proportions dans le cas d échantillons indépendants est le test de Fisher ou le test du Chi-deux d homogénéité Le test équivalent dans le cas d une variable quantitative (non binaire) est le test des rangs signés de Wilcoxon
48 Test de Cochran Contexte Test de McNemar généralisé à plus de 2 conditions Variables 1 variable binaire (2 modalités) : S (succès) et E (échec) 1 variable qualitative à k modalités : "condition 1",..., "condition k" Hypothèses H 0 : même proportion de succès sous les k conditions (pas d effet de la condition) H 1 : proportion de succès différente selon la condition (effet de la condition) 48 / 58
49 49 / 58 Test de Cochran Exemple de données k séries appariées : Condition 1... Condition k Individu 1 E... S Individu 2 S... S Individu n S... E
50 50 / 58 Test de Cochran Tableau complété avec les effectifs de succès Condition 1... Condition k Nb de succès Individu 1 E... S L 1 Individu 2 S... S L Individu n S... E L n Nb de succès C 1... C k Statistique de test (k 1) Q = [ k ( k k ) ] 2 j=1 C2 j j=1 C j k n i=1 L i n i=1 L2 i
51 Test de Cochran Remarque Si n est suffisamment grand, Q suit une loi du Chi-deux à (k-1) ddl Commande R Fonction cochran.qtest du package RVAideMemoire Si le test est "significatif", la fonction réalise automatiquement toutes les comparaisons 2 à 2 possibles par le test des signes de Wilcoxon. 51 / 58
52 52 / 58 Test de Cochran Remarques Le test Q de Cochran revient à faire un test de comparaison de plus de 2 proportions dans le cas d échantillons appariés. Le test équivalent pour comparer plusieurs proportions dans le cas d échantillons indépendants est le test du Chi-deux d homogénéité Le test équivalent dans le cas d une variable quantitative (non binaire) est le test de Friedman
53 53 / 58 Autres tests non paramétriques Exemples Test de Fligner-Killeen test de comparaison de variances de plusieurs séries de données Test de Wald test d auto-corrélation Autres tests...
54 54 / 58 Reconnaissance de tests Exemple 1 Vous souhaitez tester l association entre un marqueur génétique spécifique et la maladie de Crohn. Pour ce marqueur, vous savez que la fréquence q de l allèle "a" est égale à 0.2 et que la fréquence p de l allèle "A" est égale à 0.8. Vous constituez deux échantillons : Groupe 1 : 100 individus atteints de la maladie de Crohn : 18[aa] + 26[Aa] + 56[AA] Groupe 2 : 169 individus témoins non atteints : 2[aa] + 30[Aa] + 137[AA] Dans un 1er temps, vous voulez vérifier que l équilibre de Hardy-Weinberg est bien vérifié chez les témoins, c est-à-dire que les fréquences des génotypes ne sont pas significativement différentes des fréquences suivantes : f (AA) = p 2, f (aa) = q 2 et f (Aa) = 2pq Dans un 2ème temps, vous souhaitez répondre à la question de l étude. Indiquez les tests statistiques à effectuer
55 Reconnaissance de tests Exemple 2 A la fin du 1 er semestre de licence L2, les étudiants ont passé chacun un examen de mathématiques fin novembre (examen 1) et un examen de mathématiques en janvier (examen 2). L objectif est de savoir si les proportions de réussite sont les mêmes à ces deux examens. Pour cela, les résultats de 15 étudiants ont été recensés dans le tableau suivant (R = reçu / C = collé). Numéro d étudiant Examen 1 R R C R C C C Examen 2 C R C C C R R Numéro d étudiant Examen 1 R R R C R C R R Examen 2 R C R C C R R R Indiquez le test à effectuer 55 / 58
56 Reconnaissance de tests Exemple 3 Vous souhaitez étudier l effet de l exercice physique sur la dépression. Pour cela, vous réunissez un échantillon représentatif de 60 personnes dépressives. De façon aléatoire, vous affectez chaque individu à un des 3 groupes suivant : "pas d exercice physique", "20 min de jogging par jour" et "60 min de jogging par jour". A la fin du mois, vous interrogez les 30 personnes et vous leur demandez de juger leur état dépressif sur une échelle de 5 états allant de extrêmement déprimé à pas du tout déprimé. Indiquez le test à effectuer 56 / 58
57 57 / 58 Reconnaissance de tests Exemple 4 Vous souhaitez étudier les préférences des consommateurs français à propos de 4 variétés de pommes de terre : Ratte, Charlotte, Bintje et Monalisa. Dans un 1er temps, vous recrutez un échantillon de 30 individus, représentatif de la population française. Chaque individu goûte successivement les 4 variétés et les note de A (variété préférée) à F (variété la moins appréciée). L ordre de présentation des différentes variétés est tirée au sort pour chaque individu. Indiquez le test à effectuer. Dans un 2ème temps, vous souhaitez savoir si la variété préférée est liée à l âge du consommateur. Pour cela, vous faites goûter les 4 variétés à 200 personnes selon le protocole décrit précédemment. Les consommateurs sont répartis en 4 classes d âges : < 20 ans, [20-40[, [40-60[ et 60 ans. Pour chaque personne, vous notez la variété préférée. Indiquez le test à effectuer.
58 58 / 58 Reconnaissance de tests Réponses Exercice 1 Question 1 : test du chi-deux de conformité Question 2 : test du chi-deux d homogénéité Exercice 2 : test de MacNemar Exercice 3 : test de Kruskal-Wallis Exercice 4 Question 1 : test de Friedman Question 2 : test du chi-deux d indépendance / d homogénéité
TABLE 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 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en 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 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 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 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 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 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 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 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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en 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 détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
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 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 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 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 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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en 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 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 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 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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
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 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 détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
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 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 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 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 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 détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
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 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 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 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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en 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 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 détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailÉquivalence et Non-infériorité
Équivalence et Non-infériorité Éléments d Introduction Lionel RIOU FRANÇA INSERM U669 Mars 2009 Essais cliniques de supériorité Exemple d Introduction Données tirées de Brinkhaus B et al. Arch Intern Med.
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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
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 détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailLocalisation des fonctions
MODALISA 7 Localisation des fonctions Vous trouverez dans ce document la position des principales fonctions ventilées selon l organisation de Modalisa en onglets. Sommaire A. Fonctions communes à tous
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
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 détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en 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 détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailTests statistiques et régressions logistiques sous R, avec prise en compte des plans d échantillonnage complexes
, avec prise en compte des plans d échantillonnage complexes par Joseph LARMARANGE version du 29 mars 2007 Ce cours a été développé pour une formation niveau M2 et Doctorat des étudiants du laboratoire
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 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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
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 détailDMP1 DSFT des Interfaces DMP des LPS Annexe : complément de spécification sur l impression des documents à remettre au patient
DMP1 DSFT des Interfaces DMP des LPS Annexe : complément de spécification sur l impression des documents à remettre au patient Identification du document Référence Date de dernière mise à jour 30/06/11
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
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 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 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 détail