L analyse de variance à un critère de classification (ANOVA)

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "L analyse de variance à un critère de classification (ANOVA)"

Transcription

1 Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section et Introduction Objectif: comparer plusieurs ( ici, g dans Scherrer 007) groupes indépendants d observations quant à leur moyenne. On analyse la variance totale, intragroupe et intergroupe (voir plus bas) pour comparer des moyennes et tester l hypothèse H 0 : µ 1 = µ = = µ. Plutôt que d employer l analyse de variance, on pourrait être tenté de réaliser une série de tests t pour comparer la moyenne de toutes les paires de groupes. Or, on ne peut remplacer l ANOVA par une série de tests t parce que la multiplication des tests modifie de façon importante la probabilité de commettre une erreur de type I si H 0 est vraie. Exemple Considérons 7 groupes d observations tirées indépendamment d une même population statistique. - Il faudrait réaliser 7 (7 1)/ = 1 tests t pour comparer toutes les paires de groupes. - Chaque test étant réalisé au niveau α = 0,05, on a, dans chaque cas, 5 chances sur 100 de rejeter H 0 même si H 0 est vraie (erreur de type I). - La probabilité de rejeter H 0 au moins une fois au cours de 1 tests est 0,66 et non 0,05. Calcul basé sur distribution binomiale: Scherrer p Pour être valide, le test global doit avoir une erreur de type I α.

2 L analyse de variance à un critère de classification (Anova) L analyse de variance a été développée par l agronome britannique Ronald A. Fisher à la station expérimentale de Rothamsted, UK. L appartenance des observations aux différents groupes (variable nominale) s appelle le critère de classification. Celui-ci peut représenter un facteur contrôlé ( fixed factor ) ou un facteur aléatoire ( random factor ). Ces termes ont été définis au cours no. Les hypothèses statistiques sont les suivantes pour groupes: H 0 : µ 1 = µ = = µ H 1 : au moins l une des moyennes diffère des autres. Pour savoir laquelle ou lesquelles, il faut avoir recours, par la suite, aux tests de comparaisons multiples (Scherrer section 14., pas au Bio041). Notez bien: il ne s agit pas de comparer les variances des groupes. L hypothèse nulle n est pas H 0 : σ 1 = σ = = σ ; un test de Bartlett (p. 393) ou un test de Levene (p. 396) permettraient de tester cette hypothèse (Bio 04). Cependant, nous utiliserons le rapport Variance intergroupe Variance intragroupe pour comparer les moyennes, tout comme le test t comparait deux moyennes en tenant compte des variances intragroupes correspondantes.

3 L analyse de variance à un critère de classification (Anova) 3 L ANOVA est une méthode très utilisée pour analyser les résultats d expériences contrôlées, réalisées en laboratoire ou sur le terrain. Selon la nature des facteurs, les intentions sont généralement différentes. - Facteur aléatoire: on tente souvent de montrer que les données supportent H 0. S il n y a pas d évidence que les groupes diffèrent par leur moyenne, on pourra les réunir pour les analyses subséquentes, si le test de comparaison des moyennes avait assez de puissance pour rejeter H 0 lorsque H 1 est vraie (n suffisamment élevé); si les groupes ne diffèrent pas non plus par leur variance (test de Bartlett: Scherrer p. 393; test de Levene: p. 396). - Facteur contrôlé: on cherche la plupart du temps à rejeter H 0 afin de supporter l hypothèse (H 1 ) qu une partie de la variabilité des données est explicable par le critère de classification. On peut considérer plusieurs critères de classification à la fois. L analyse de variance à plusieurs critères de classification permet d identifier les critères qui expliquent, séparément ou conjointement, une fraction significative de la variabilité des données. Références: Soal & Rohlf (1981 ou 1995); Underwood (1981, 1997), Winer et al. (1991). Underwood, A. J Techniques of analysis of variance in experimental marine biology and ecology. Annu. Rev. Oceanogr. Mar. Biol. 19: Underwood, A. J Experiments in ecology Their logical design and interpretation using analysis of variance. Cambridge University Press, Cambridge, England. Winer, B. J., D. R. Broan and K. M. Michels Statistical principles in experimental design. Third edition. McGraw-Hill, Sydney. - Notation: Scherrer, tableau 14.3; p. 7 de ce document; (voir aussi Scherrer 1984, figure 13.9).

4 L analyse de variance à un critère de classification (Anova) Sources de variation SC = Somme des carrés des écarts Dispersion totale = SCT Dispersion intragroupe ( due aux erreurs ) = SCE Dispersion intergroupe ou due au facteur A = SCA Mesure de la dispersion (variation) totale SCT SCT = somme des carrés des écarts à la moyenne générale x, sans tenir compte du groupe (j = 1 ) de provenance des données. SCT ( x ij x) n = = ( x i x) j = 1 i = 1 i = 1 où n =. Puisque ν Tot = n 1, nous retrouvons la variance SCT Var Tot = s x = Transformation algébrique de SCT: n 1 SCT = ( x ij + x j x) j = 1i = 1 [ ] SCT = ( x ij ) + ( x j x ) Forme: [a + b] SCT = ( x ij ) ( x ij ) ( x j x ) x j x + + ( ) SCT = ( x ij ) ( x j x ) ( x ij x ) j x j x j i + + ( )

5 L analyse de variance à un critère de classification (Anova) 5 Or, pour chaque groupe, la somme des écarts à la moyenne de ce groupe est nulle, par définition de la moyenne. Par conséquent, le terme central de l équation ci-dessus est nul, si bien que SCT = ( x ij ) + ( x j x) j = 1 i = 1 Mesure de la dispersion (variation) intragroupe SCE La variation [somme des (écarts par rapport à la moyenne) ] à l intérieur des groupes ne nous intéresse pas explicitement dans cette analyse. On considère qu il s agit de variation ( erreur ) expérimentale. Pour chaque groupe j, on calcule j = 1 i = 1 SCT = ( x ij ) + ( x j x) j = 1 i = 1 Faisant la somme de ces termes pour tous les groupes j, on obtient Cette équation est dérivée comme la formule raccourcie de calcul de la variance. Degrés de liberté: ν e = (n 1 1) + (n 1) + + (n 1) = n j = 1 SCE donc la var. intragroupe CME = CME: notation Scherrer, eq n SCE = ( x ij ) = j = 1 i = 1 SCE j = ( x ij ) j i = 1 i x ij T j n j j

6 L analyse de variance à un critère de classification (Anova) 6 Mesure de la dispersion (variation) intergroupe SCA Pour chaque groupe j, il s agit de calculer le carré de l écart entre la moyenne de ce groupe et la moyenne générale ( x j x), puis de sommer ces valeurs pour tous les groupes. Il faudra cependant pondérer cette somme par le nombre d éléments faisant partie de chaque groupe. Ainsi, s il y a éléments dans le groupe j, la quantité de dispersion attribuable à ce groupe sera ( x j x). Donc, pour les groupes, SCA = ( x j x) = j = 1 j = 1 T j n j T n (14.48) Le nombre de degrés de liberté associés à un calcul est le nombre de ses composantes indépendantes, i.e. le nombre des composantes de base du calcul moins le nombre de relations (paramètres) qui lient celles-ci. - Les composantes de base dans le calcul sont les écarts x j x. - Ces moyennes sont liées par une seule relation, la moyenne générale x. Donc ν A = 1 ν A : notation de Scherrer, eq SCA et CMA= CMA: notation de Scherrer, eq Relations intéressantes: SCT = SCE + SCA et ν Tot = n 1 = (n ) + ( 1) = ν e + ν A

7 L analyse de variance à un critère de classification (Anova) 7 On peut disposer toutes ces valeurs dans un tableau d analyse de variance: Scherrer, tableau Voir p. 8 de ce document. Attention: s x CME + CMA même si SCT = SCE + SCA. Dans certains problèmes, on ne possède pas les données d origine. On peut quand même calculer les estimations de SCE et SCA si les données suivantes sont disponibles: les différents, les différents T j et la somme des carrés de toutes les données (Σ x ij ). Voici la notation et les étapes. Tableau de données:

8 L analyse de variance à un critère de classification (Anova) 8 Étapes de calcul: On calcule n = somme de tous les. On calcule les différents T j. On calcule T = somme de tous les T j, de même que T. On peut maintenant calculer SCA et SCE. Tableau d analyse de variance:

9 L analyse de variance à un critère de classification (Anova) 9 Remarquez dans ce tableau les formules raccourcies pour le calcul de SCT et SCA. 4 - Deux estimations de σ, sous H 0 Le raisonnement présenté dans cette section permettra par la suite de construire un test de signification pour tester la différence entre les moyennes. Supposons que les populations, d où sont tirés les groupes d éléments, sont distribuées normalement et qu elles ont toutes la même variance σ ( σ 1 = σ = = σ = σ ). Si H 0 est vraie (H 0 : µ 1 = µ = = µ ), alors la variance commune σ peut être estimée de deux façons différentes. Première méthode d estimation de σ Une hypothèse de base de l ANOVA est que chacune des variances σ j estime la même variance commune σ x. Cela nous autorise à chercher une estimation robuste de la variance générale en calculant la moyenne pondérée des variances estimées pour les groupes. C est ici qu est introduite l hypothèse d homogénéité des variances dans la construction du test, hypothèse qu il faut d abord vérifier (tests d homogénéité des variances: Scherrer section 1.; Bio 04). Variance d un groupe j, pondérée par le nombre de degrés de liberté de ce groupe:

10 L analyse de variance à un critère de classification (Anova) 10 ( 1) ( x ij ) i = 1 = ( 1) ( x x ) ij j i = 1 Moyenne des variances pondérées des groupes: ( x i1 x 1 ) + + ( x i x ) ( n 1 1) + + ( n 1) ( x ij ) j = 1 i = 1 ( n ) = SCE n = Var E = CME Deuxième méthode d estimation de σ Si H 0 est vraie, les moyennes x j des groupes sont toutes des estimations de la moyenne commune µ. La variance de ces différentes estimations de la moyenne µ peut s écrire: s x = ( x j x) j ( 1) La racine carrée de cette variance estime l erreur type de la moyenne.

11 L analyse de variance à un critère de classification (Anova) 11 On peut aussi estimer l erreur type de la moyenne à partir de l écart type des données d un seul groupe: s x = s x n Eq. 10. j j qui peut s écrire: s x = s x j Si H 0 est vraie, on peut donc estimer la variance de la population σ x par: s x j = s x = ( x j x) n j = 1 j ( 1) peut être incorporée à l intérieur de la sommation et on obtient l estimation suivante de la variance commune: s x = s x = SCA = = Var c = CMA 1 Résultat: si H 0 est vraie et si les groupes d observations sont tirés d une même population statistique, ou encore de populations ayant la même moyenne µ et la même variance σ, alors CME et CMA représentent deux estimations indépendantes de σ. Ces estimations devraient être à peu près égales. 5 - Test de comparaison ( x j x) j = 1 ( 1) Si H 0 est vraie (H 0 : µ 1 = µ = = µ ), CME et CMA représentent deux estimations de σ. On s attend donc à ce que leur rapport soit près de 1.

12 L analyse de variance à un critère de classification (Anova) 1 Dans tous les cas, CME demeure une estimation de σ puisqu on est censé avoir vérifié l égalité des variances des populations d où ont été tirés les groupes (condition d homogénéité des variances ou homoscédasticité: σ 1 = σ = = σ ). Si H 1 est vraie, la variance intergroupe CMA n est plus une estimation de σ. En effet, dans ce cas, la distribution des moyennes x 1, x,, x ne représente pas la distribution d échantillonnage d une même moyenne µ. Dans ce cas, la distribution des moyennes x 1, x,, x est plus large et aplatie que la distribution d échantillonnage de la moyenne commune µ. CMA est donc nécessairement plus grande que CME. CMA et CME sont deux composantes indépendantes de la variance totale puisque SCT = SCE + SCA. Si H 0 est vraie, leur rapport (qui est près de 1) constitue une statistique-test distribuée comme une loi de F (eqs 1. et 14.55): F c Var = c = Var E CMA CME (14.55) avec les degrés de liberté du numérateur et du dénominateur respectivement: ν 1 = 1 et ν = n. On place CMA au numérateur parce que c est la plus grande des deux valeurs si H 1 est vraie. Il s agit d un test unilatéral dans tous les cas, car si H 0 est vraie, CMA CME et donc F c 1;

13 L analyse de variance à un critère de classification (Anova) 13 si H 1 est vraie, CMA > CME et donc F c > 1. Zones d acceptation et de rejet de H 0 : figure 9.7 p.301. Règles de décision: tableau On ne rejette pas H 0 si F c < F α où F α est la valeur critique au seuil α (par exemple, 5%). Langage R: fonctions aov et summary. Le critère de classification doit se trouver dans une variable de type factor, créée par as.factor. Test de différence des moyennes, groupes: test F = test t bilatéral. Note (Soal & Rohlf 1981, p. 01) Si le critère de classification représente un facteur aléatoire et si H 0 est fausse, CMA estime une quantité ( σ + nσ ) où σ est la variance de x dans la population A statistique et σ A est la variance ajoutée par le facteur aléatoire. Si au contraire le critère de classification représente un facteur contrôlé et si H 0 est fausse, la variance CMA estime une quantité ( σ + ( n ( 1) ) α j ) où α j représente l effet quantitatif de chaque traitement particulier donnant naissance à un groupe j. La distinction entre facteur aléatoire et contrôlé (cours #) est importante en analyse de variance à deux critères de classification (Bio 04). 6 - Conditions d application de ce test - Variable dépendante quantitative (pour pouvoir calculer x et s x ). - Indépendance des observations (observations non autocorrélées). - Normalité de la population d où est tiré chaque groupe.

14 L analyse de variance à un critère de classification (Anova) 14 - Homoscédasticité. Même si le test d égalité des variances de plusieurs groupes n a pas été étudié dans ce cours (test de Bartlett; langage R: bartlett.test), il faudra supposer que cette condition est remplie pour pouvoir utiliser l ANOVA. Comme pour le test t de comparaison de deux groupes, si on n a pas d abord vérifié l égalité des variances, le test F teste en fait deux hypothèses nulles (problème de Behrens-Fisher): l égalité des moyennes et l égalité des variances. Effet de la violation des conditions d application: - Le test F c de l ANOVA est robuste face à une certaine hétéroscédasticité. Ses résultats resteront donc valides en présence d une certaine quantité (pas trop élevée) d hétérogénéité des variances. - Le test F c de l ANOVA est également robuste face à une certaine asymétrie ou aplatissement des distributions. Pour l asymétrie, on pourra utiliser le critère 5 ( α 3 ) j. - En cas de violation sévère de la condition de normalité: 1. Transformer les données avant l analyse.. Tester F c par permutations. 3. Utiliser plutôt le test non-paramétrique de Krusal-Wallis (langage R: fonction rusal.test). - Enfin, en cas de non-indépendance des observations, le test devient soit trop libéral, soit trop conservateur, selon le type de dépendance entre les observations. Voir Legendre et al. (004), Ecology 85:

15 L analyse de variance à un critère de classification (Anova) 13 Exercice 13.4 Scherrer p. 460 Évolution de l indice de condition du grand corégone au lac Nathalie. Données Mai Juin Juillet Août Sept. Octobre x j 0,9994 1,0068 1,0068 1,0305 1,031 1, n = 75 T j 1, ,7004 4,856 1, ,57 31,1584 T = 84,3109 On sait de plus que x ij = 313,197 j i On cherche à calculer F c = Var c /Var E pour tester l hypothèse H 0 d égalité des 6 moyennes. SCT = x T = 313,197 (84,3109) ij /75 = 19,557 j i n T j T SCI = = 94, ,9371 = 0,8133 n j j n Var c = 0,8133/(6 1) = 0,167 SCE = SCT SCI = 18,444 ou encore: SCE = x T j ij = 313,197 94,7503 = 18,444 n j i j j Var E = 18,444/(75 6) = 0,0686 F c = Var c /Var E = 0,167/0,0686 =,376 Pour α = 0,05, ν 1 = 5 et ν = 69, F 0,05 (5, 69) =,48. Puisque F c > F α (car,376 >,48), on rejette H 0 au profit de H 1.

16 L analyse de variance à un critère de classification (Anova) Différentes formes d analyse de variance 1. Analyse de variance à un critère de classification (one way / single classification ANOVA) Nombres égaux ou inégaux d éléments par colonne. Test non-paramétrique: Krusal-Wallis. Critère de classification Hiérarchique 3. À deux critères croisés (nested / hierarchic ANOVA) (two-way ANOVA) Crit. Critère de classification Critère de classification Plus de facteurs: analyse de variance à plusieurs critères de classification (multiway ANOVA). Plus d une variable dépendante: Analyse de variance multivariable (multivariate analysis of variance; MANOVA). Critère de classification 1

17 ANOVA à un critère de classification. Exemple 1: H 0 est vraie Critère de classification Observations{ Groupe 1 Groupe Groupe 3 4,0 6,0,0 4,5 3,5 5,3,7 4,5,3 5,7,0 3,0 4,5 5,5 6,0 Dispersion intragroupe Groupe 1 Groupe Groupe 3 Dispersion totale Dispers. intergr. 6 5 x 1 x 53 n x 31 x 1 x x 3 X x 3 x x 1 n 1 X n (x ij ) 0 n 1 = 5 n = 5 n 3 = 5 n = 15 Σ (x j X) = 0,10 T 1 = 0,0 T = 0,5 T 3 = 1,0 x 1 = 4,0 x = 4,1 x 3 = 4, Σ(x i1 x 1 ) = 8,50 Σ(x i3 x 3 ) = 11,30 Σ(x i x ) = 9,36 T = 61,5 X = 4,1 Σ(x ij X) = 9,6 SCT SCA SCE = 9,16 SCT = SCE + SCA Sources de variation Dispersions Degrés de liberté Variances Totale Intergroupe Intragroupe SCT = 9,6 SCA = 0,10 SCE = 9, = = 15 3 = 1 9,6/14 =,09 CMA = 0,10/ = 0,05 CME = 9,16/1 =,43 F c = CMA/CME = 0,006 P = 0,9797 F (0,05,,1) = 3,89

18 ANOVA à un critère de classification. Exemple : H 0 est fausse Critère de classification Observations{ Groupe 1 Groupe Groupe 3 4,0 6,0,0 4,5 3,5 5,3,7 4,5,3 5,7 6,0 7,0 8,5 9,5 10,0 10 Dispersion intragroupe Groupe 1 Groupe Groupe 3 Dispersion totale Dispers. intergr. 9 8 x 3 x 3 7 n x 1 x (x ij ) n 1 = 5 n = 5 n 3 = 5 n = 15 (x j X) = 57,43 T 1 = 0,0 T = 0,5 T 3 = 41,0 T = 61,5 x 1 = 4,0 x = 4,1 x 3 = 8, Σ(x i1 x 1 ) = 8,50 Σ(x i3 x 3 ) = 11,30 Σ(x i x ) = 9,36 X X = 5,43 Σ(x ij X) = 86,59 SCT Σ n 1 X n x x 1 SCA SCE = 9,16 SCT = SCE + SCA Sources de variation Totale Intergroupe Intragroupe Dispersions SCT = 86,59 SCA = 57,43 SCE = 9,16 Degrés de liberté 15 1 = = 15 3 = 1 F c = CMA/CME = 11,8 P = 0,0015 F (0,05,,1) = 3,89 F (0,01,,1) = 6,93 Variances 86,59/14 = 6,19 CMA = 57,43/ = 8,7 CME = 9,16/1 =,43

Analyse de la variance Comparaison de plusieurs moyennes

Analyse 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 détail

3. COMPARAISON DE PLUS DE DEUX GROUPES

3. COMPARAISON DE PLUS DE DEUX GROUPES 3. COMPARAISON DE PLUS DE DEUX GROUPES La comparaison de moyennes de plus de deux échantillons se fait généralement par une analyse de variance (ANOVA) L analyse de variance suppose l homogénéité des variances

Plus en détail

L analyse de variance à deux critère de classification

L analyse de variance à deux critère de classification L analyse de variance à deux critère de classification Objectif : comparer l influence de chaque facteur sur la moyenne de plusieurs (k) groupes indépendants d observations La méthode détaillée ci-dessous

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Analyse de la variance (ANOVA)

Analyse de la variance (ANOVA) Chapitre 7 Analyse de la variance (ANOVA) Introduction L analyse de la variance (ANOVA) a pour objectif d étudier l influence d un ou plusieurs facteurs sur une variable quantitative. Nous nous intéresserons

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques 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 détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Tests 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» 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 détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

Plus en détail

ANALYSE BIVARIÉE DE VARIABLES QUALITATIVE ET QUANTITAVIE Analyse de Variance (ANOVA)

ANALYSE BIVARIÉE DE VARIABLES QUALITATIVE ET QUANTITAVIE Analyse de Variance (ANOVA) ANALYSE BIVARIÉE DE VARIABLES QUALITATIVE ET QUANTITAVIE Analyse de Variance (ANOVA) Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA Analyse de la variance ANOVA Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3 Exemple. Analyse

Plus en détail

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot SOMMES ET PRODUITS 1 Techniques de calcul 1.1 Le symbole Notation 1.1 Soient m et n deux entiers naturels. Alors { a m + a m+1 + + a + a n si m n, a = 0 sinon. On peut aussi noter m n =m a ou encore m,n

Plus en détail

Université d Orléans - Licence Economie et Gestion Statistique Mathématique

Université d Orléans - Licence Economie et Gestion Statistique Mathématique Université d Orléans - Licence Economie et Gestion Statistique Mathématique C. Hurlin. Correction du Contrôle de Décembre 00 Exercice Barème : 7 points Partie I : Test d hypothèses simples (0 points) Question

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 I1 Connaissances préalables : Buts spécifiques : Outils nécessaires: Consignes générales : Test t de comparaison de moyennes pour

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 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 détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés 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 détail

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2

Cours (8) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012. Test du Khi 2 Test du Khi 2 Le test du Khi 2 (khi deux ou khi carré) fournit une méthode pour déterminer la nature d'une répartition, qui peut être continue ou discrète. Domaine d application du test : Données qualitatives

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Exercices : Probabilités

Exercices : Probabilités Exercices : Probabilités Partie : Probabilités Exercice Dans un univers, on donne deux événements et incompatibles tels que =0, et =0,7. Calculer,, et. Exercice Un dé (à faces) est truqué de la façon suivante

Plus en détail

Analyses de la variance

Analyses de la variance Analyses de la variance Frédéric Bertrand et Myriam Maumy 1 Université de Strasbourg Institut de Recherche Mathématique Avancée 19 juin 011 1. Courriel : fbertran@math.unistra.fr et mmaumy@math.unistra.fr.

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

Analyse factorielle des correspondances de Benzécri

Analyse factorielle des correspondances de Benzécri Analyse factorielle des correspondances de Benzécri One Pager Décembre 2013 Vol. 8 Num. 011 Copyright Laréq 2013 http://www.lareq.com Analyse Factorielle des Correspondances de Benzécri Une illustration

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Primitives Cours maths Terminale S

Primitives Cours maths Terminale S Primitives Cours maths Terminale S Dans ce module est introduite la notion de primitive d une fonction sur un intervalle. On définit cette notion puis on montre qu une fonction admet une infinité de primitives

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

APPROCHE PAR COMPÉTENCES ET ÉVALUATION

APPROCHE PAR COMPÉTENCES ET ÉVALUATION APPROCHE PAR COMPÉTENCES ET ÉVALUATION (Gérard Scallon, 2005) PLAN DE FORMATION À L ÉVALUATION Introduction L évaluation des apprentissages est sans contredit un élément clé de tout programme de formation.

Plus en détail

CONCOURS 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) 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 détail

Test paramétrique de comparaison de k échantillons

Test paramétrique de comparaison de k échantillons Test paramétrique de comparaison de k échantillons L analyse de variance à un critère de classification (ANOVA) Objectif : comparer la moyenne de plusieurs (k) groupes indépendants d observations On analyse

Plus en détail

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Tests 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 détail

Examen de Statistique Appliquée I

Examen de Statistique Appliquée I Université de Strasbourg Master Éthologie-Écophysiologie 1ère année Examen de Statistique Appliquée I ************************************************************** Le cours, les exercices de travaux dirigés,

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. 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 détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Savoir Faire Excel Niveau 2 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Ce qu on sait faire Entrer et recopier des données numériques Les fonctions de base (somme, moyenne, nb, si) Faire

Plus en détail

Interprétation d une analyse de variance avec mesures répétées

Interprétation d une analyse de variance avec mesures répétées Approche quantitative Interprétation d une analyse de variance avec mesures répétées «Les faits sont têtus. Il est plus facile de s arranger avec les statistiques.» Mark Twain L objectif de ce document

Plus en détail

Applications linéaires

Applications linéaires Applications linéaires I) Applications linéaires - Généralités 1.1) Introduction L'idée d'application linéaire est intimement liée à celle d'espace vectoriel. Elle traduit la stabilité par combinaison

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

Fiche PanaMaths Calculs avec les fonctions sous Xcas

Fiche PanaMaths Calculs avec les fonctions sous Xcas Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION 11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION Dans cette étude de cas nous nous retrouvons face à des données dont la variabilité court terme est très différente de celle à long terme. Les cartes de contrôle

Plus en détail

Chapitre 3 L assortiment indépendant des gènes. Des génotypes supérieurs de cultures telles que le riz ont révolutionné l agriculture.

Chapitre 3 L assortiment indépendant des gènes. Des génotypes supérieurs de cultures telles que le riz ont révolutionné l agriculture. Chapitre 3 L assortiment indépendant des gènes Des génotypes supérieurs de cultures telles que le riz ont révolutionné l agriculture. La variation de deux caractères Croisements monohybrides: entre 2 individus

Plus en détail

Factorisation Factoriser en utilisant un facteur commun Fiche méthode

Factorisation Factoriser en utilisant un facteur commun Fiche méthode Factorisation Factoriser en utilisant un facteur commun Fiche méthode Rappel : Distributivité simple Soient les nombres, et. On a : Factoriser, c est transformer une somme ou une différence de termes en

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

La 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 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 détail

Équations et inéquations du 1 er degré

Équations et inéquations du 1 er degré Équations et inéquations du 1 er degré I. Équation 1/ Vocabulaire (rappels) Un équation se présente sous la forme d'une égalité constituée de nombres, de lettres et de symboles mathématiques. Par exemple

Plus en détail

Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements

Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements Exo7 Logique et raisonnements Vidéo partie 1. Logique Vidéo partie 2. Raisonnements Exercices Logique, ensembles, raisonnements Quelques motivations Il est important d avoir un langage rigoureux. La langue

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Chapitre 3 : compte de résultat et bilan

Chapitre 3 : compte de résultat et bilan Chapitre 3 : compte de résultat et bilan Le calcul du bénéfice Si les associés ont décidé de placer de l'argent dans l'entreprise, c'est pour réaliser des bénéfices. Ils attendent donc que l'entreprise

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging 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 détail

1ES Février 2013 Corrigé

1ES Février 2013 Corrigé 1ES Février 213 Corrigé Exercice 1 Le tableau ci-dessous renseigne sur les besoins en eau dans le monde : Population mondiale (Milliards d habitants) Volume moyen par habitant ( ) 195 2,5 4 1 197 3,6 5

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015 Indépendance de deux évènements Chapitre 2 : Le modèle probabiliste - Indépendance d évènements 15 janvier 2015 Sommaire 1 Indépendance de deux évènements 2 Indépendance de deux évènements Approche intuitive

Plus en détail

Cours de mathématiques : Equation du second degré

Cours de mathématiques : Equation du second degré Cours de mathématiques : Equation du second degré I ) Formes de l'équation du second degré. L'équation du deuxiéme degré à une inconnue est celle où l'inconnue est élévé à la puissance de 2, sans y etre

Plus en détail

Théorie des sondages : cours 5

Théorie 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 détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

LES DÉTERMINANTS DE MATRICES

LES DÉTERMINANTS DE MATRICES LES DÉTERMINANTS DE MATRICES Sommaire Utilité... 1 1 Rappel Définition et composantes d'une matrice... 1 2 Le déterminant d'une matrice... 2 3 Calcul du déterminant pour une matrice... 2 4 Exercice...

Plus en détail

Introduction à l analyse quantitative

Introduction à l analyse quantitative Introduction à l analyse quantitative Vue d ensemble du webinaire Le webinaire sera enregistré. Les diapositives et tous les autres documents seront envoyés aux participants après la séance. La séance

Plus en détail

Les graphes planaires

Les graphes planaires Les graphes planaires Complément au chapitre 2 «Les villas du Bellevue» Dans le chapitre «Les villas du Bellevue», Manori donne la définition suivante à Sébastien. Définition Un graphe est «planaire» si

Plus en détail

1 Une simple histoire de production, et déjà des calculs

1 Une simple histoire de production, et déjà des calculs Université François Rabelais - L AES Cours d Economie Générale Enoncé du TD n 7 Automne 202 Une simple histoire de production, et déjà des calculs Vous considérez dans cet exercice une firme qui a la possibilité

Plus en détail

Liste des résultats d apprentissage et indicateurs de rendement

Liste des résultats d apprentissage et indicateurs de rendement ANNEXE Mathématiques appliquées 3232 Liste des résultats d apprentissage et indicateurs de rendement (incluant les pages de au programme d études) PROGRAMME D ÉTUDES - MATHÉMATIQUES APPLIQUÉES 3232 (2013)

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

choisir H 1 quand H 0 est vraie - fausse alarme

choisir H 1 quand H 0 est vraie - fausse alarme étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts

Plus en détail

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE

GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Département Universitaire de Recherche et d Enseignement en Médecine Générale GUIDE D AIDE STATISTIQUE A LA PREPARATION DE LA THESE Enseignants : Esther GUERY, Julien LE BRETON, Emilie FERRAT, Jacques

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

L analyse de la variance avec R commander

L analyse de la variance avec R commander L analyse de la variance avec R commander 19 mars 2014 1 Installer R Pour installer R, il vous suffit d aller sur le site http://www.r-project.org/. Choisissez un miroir pour le téléchargement. Sélectionner

Plus en détail

Analyse financière. + de 20 fiches de cours + de 160 QCM commentés + de 40 exercices corrigés. L essentiel. 2 e ÉDITION LES INDISPENSABLES VUIBERT

Analyse financière. + de 20 fiches de cours + de 160 QCM commentés + de 40 exercices corrigés. L essentiel. 2 e ÉDITION LES INDISPENSABLES VUIBERT LES INDISPENSABLES VUIBERT Analyse financière 2 e ÉDITION Emmanuelle Plot-Vicard Madeleine Deck-Michon L essentiel + de 20 fiches de cours + de 160 QCM commentés + de 40 exercices corrigés Sommaire Mode

Plus en détail

Chacune des valeurs d une variable en est une modalité particulière.

Chacune des valeurs d une variable en est une modalité particulière. Psychologie générale Jean Paschoud STATISTIQUE Sommaire Rôle de la statistique Variables Échelles de mesure Résumer, décrire Comparer Rôle de la statistique La statistique est avant tout un outil permettant

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction aux Statistiques et à l utilisation du logiciel R Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail