[PDF] Tests statistiques élémentaires





Previous PDF Next PDF



Cours 11 : Homogénéité de la variance et transformations non

Conover et al. (1981) ont recensé et comparé 56 tests d'homogénéité des variances. Un des meilleurs est le test de Levene (1960) et sa 



Tests statistiques élémentaires

Construire un test conduit à la définition d'une règle de décision ?1 = ?2 inconnues Cette hypothèse d'égalité des variances peut être vérifiée.



Chapitre 9. Analyse de la variance

permet de tester l'égalité des moyennes conditionnelles de cette variable Définition: La variance expliquée par la variable X est égale `a la.





STT- 2300 Cours dAnalyse de la Variance

Cette même propriété est utilisée pour tester l'égalité de variances de deux échantillons Définition 3.1.2 Lorsque les échantillons sont de même taille ...



Chapitre 4 La validation des hypoth`eses dANOVA `a un facteur

Dans une analyse de variance `a un facteur l'expérience est compl`etement randomisée. Par définition cet échantillon vérifie X(1) < X(2) < ··· < X(n).



Cours de Statistiques inférentielles

Définition 10 On appelle Variance empirique la statistique notée ˜S2(X) définie par qui teste chaque côté de l'égalité (on parlera de test bilatéral).



STATISTIQUES IUT DEUXIEME PARTIE

est la plus difficile à estimer et pour que cette variance soit correcte il faut que les égalité à l'aide d'un test de Fisher-Snédécor (voir page 56).



TESTS DE COMPARAISON DE DEUX VARIANCES

La comparaison des variances s'avère donc utile comme test complémentaire lorsqu'on souhaite tester l'égalité de deux moyennes (cas des petits échantillons 



anova.pdf

Les p populations comparées ont même variance : Homogénéité des variances ou homoscédasticité. Page 13. Analyse de la variance à un facteur. 1. Indépendance :.



Cours 12 Analyse de la variance - univ-montp3fr

1 Dans ce cours nous étudions comment l'analyse de la ariancev de Y permet de tester l'égalité des moyennes conditionnelles de cette ariablev numérique dans les sous-populations induites par X; dans cette problématique Xest appelée la variable explicative ou le facteur explicatif



Analyses de variance et covariance - Institut de mathématiques de Toul

modèle conduiraient à étudier la nullité des paramètres alors que nous sommes intéressés par tester l’égalité des moyennes Une autre paramétrisation considérant cette fois le vecteur = [J; 1 J;:::; 1 ]0conduit à écrire le modèle (base cell model) de régression avec terme constant : y = 01+ 11 1 + + J 11 J 1 + u:



Fiche 1 – Estimation ponctuelle d'une moyenne et d'un écart

On souhaite donc tester l'égalité des variances de deux populations Données : On dispose d'une variable quantitative X1 de variance 1 2 mesurée sur n 1 individus d'une population 1 et d'une variable quantitative X2 de variance 2 2 mesurée sur n 2 individus d'une population 2 Hypothèse nulle H0: Les variances sont égales « 1 = 2 »



Méthode de Bonett

vraiment des IC au sens propre du terme ; il s'agirait plutôt d'intervalles d'acceptation pour le test d'égalité des variances Ainsi en soustrayant à 1 les probabilités de couverture simulée obtenues par Bonett (2006) nous obtenons les taux d'erreur de 1ère espèce du test d'égalité des variances



TESTS DE COMPARAISON DE DEUX VARIANCES

La comparaison des variances s’avère donc utile comme test complémentaire lorsqu’on souhaite tester l’égalité de deux moyennes (cas des petits échantillons indépendants) Le test de comparaison de deux variances est également utilisé dans le cadre d’une analyse de variance ou d’un test sur le coefficient de détermination



Cours 11 : Homogénéité de la variance et transformations non

d’une analyse de variance Si oui effectuer des transformations dans le but de restaurer l’homogénéité des variances Détecter si des résultats suivent une tendance précise même si les moyennes ne forment pas une ligne droite Transformer les données pour que les résultats deviennent linéaires si une régularité est suspectée



Comparaison de deux variances

0 est rejetée les variances sont significativement différentes Si F 0 < F? ? H 0 n’est pas rejetée on peut supposer l’égalité des variances Condition d’application : les distributions doivent être supposées normales dans les deux populations d’où proviennent les deux échantillons



Méthode de comparaisons multiples

des exemples voir Tukey (1953) Hochberg et al (1982) et Stoline (1981) Une analyse a posteriori analogue permettant de comparer des variances d'échantillons serait utile Dans cet article nous proposons une méthode graphique de comparaison des variances (ou des écarts types) de plusieurs échantillons L'analyse s'appuie sur des



Le concept d'égalité : définition et expérience - Érudit

à l'égalité en dignité et en droit voire à l'égalité4 de Uns chancese égalité dans les faits doit donc compléter le concept de l'égalit5 sié bie enn droit qu'en définitive le droit à l'égalité peut être considéré comme ayant aussi une existence propre au-delà des droits formellement garantis par les instruments



Les principes d’égalité et de non-discrimination une

Le principe d’égalité n’est pas un principe juridique comme les autres Il est à la fois un principe d’égalité politique et d’égalité civile Cela explique l'invocation très fréquente du principe d'égalité devant le Conseil constitutionnel français La principale question juridique





Searches related to égalité des variances définition filetype:pdf

Égalité des chances et stratification dans le champ scolaire Éthique en éducation et en formation Les Dossiers du GREE no 6 2019 41 Égalité des chances et stratification dans le champ scolaire : quid de l’équité du système d’éducation ? Claude Lessard professeur émérite Université de Montréal Résumé :

Qu'est-ce que l'analyse de variance ?

  • L’analyse de variance est souvent utilisée pour analyser des données issue d’une plani?cation d’expérience au cours de laquelle l’expérimentateur a la possibilité de contrôler a priori les niveaux des facteurs avec pour objectif d’obtenir le maximum de précision au moindre coût.

Qu'est-ce que le test d'égalité de deux variances ?

  • Ce test est une version modifiée du test d'égalité des variances de Layard (1978) dans les plans à deux échantillons. Un test d'égalité de deux variances bilatéral de Bonett ayant un seuil de signification de rejette l'hypothèse nulle d'égalité si, et seulement si,

Quel est le meilleur test de variance ?

  • Un des meilleurs est le test de Levene (1960) et sa variante, le test de Brown-Forsythe (1976). Le test de Levene consiste à utiliser une analyse de variance simple sur des valeurs Zki qui sont la distance de chaque donnée brute Xki à la moyenne de son groupe X i.

Comment calculer la comparaison de deux variances ?

  • 0les deux variances sont égales et leur rapport est égal à 1. ?Lorsque le rapport est significativement différent de 1, on rejette H 0et on accepte l’hypothèse alternative H 1qui suppose que les deux variances sont différentes. III. Principe du test F de comparaison de deux variances Le test F consiste : ?à calculer le rapport Fo = S
Tests statistiques élémentaires

Tests statistiques élémentaires

Tests statistiques élémentaires

Résumé

Il serait vain de chercher à présenter l"ensemble des tests statis- tiques, la littérature est très abondante sur le sujet. Cette vignette introduit les plus couramment calculés par les logiciels statistiques standards (SAS, Minitab, R...). Sont concernés les test à un seul échantillon, de comparaison de deux échantillons, d"adéquation d"une loi et enfin non-paramétriques. Les différents tests sont décrits succinctement dans ce document en supposant que leur apprentis- sage est complété par des travaux pratiques mettant en oeuvre un logiciel statistique. Dans ce contexte, les calculs et des exemples nu- mériques ne sont pas systématiquement détaillés.

Retour au

plan du cour s

1 Introduction

1.1 Objectif

Confronté à des phénomènes complexes et aléatoires, la prise de décision est difficile et les outils adaptés de la théorie destestsont pour objet de guider les choix entre différentes alternatives. De façon générale, il s"agira de décider si des différences observées entre un modèle poséa prioriet des observations sontsignificativesou peuvent être considérées comme étant dues au simple effet du hasard consécutif aux aléas du tirage d"un échantillon. Réaliser untest statistiqueconsiste à mettre en oeuvre une procédure permettant : de confronter une hypothèse avec la réalité, ou plus exactement, avec ce que l"on perçoit de la réalité à travers les observations à disposition; de prendre une décision à la suite de cette confrontation. Si les problèmes traités par l"estimation (ponctuelle ou par intervalle de confiance) sont de type quantitatif, i.e. conduisent à un résultat numérique, ceux traités par les tests d"hypothèses sont d"ordre qualitatif, i.e. conduisent à

une réponse du type rejet/acceptation de l"hypothèse statistique considérée.1.2 Problématique

Le médicament testé est-il efficace? Les pièces sortant d"une machine sont- elles conformes? Un nouveau mode de culture bactérienne est-il plus efficace? Quels sont les gènes significativement différentiellement exprimés dans un tis- sus pathologiques?... Sont autant de questions auxquels des tests statistiques peuvent apporter des réponses sous 4 conditions : 1. la question est posée de sorte qu"il n"y ait que 2 réponses possibles : oui/non, 2. une e xpérimentationplanifiéefournit des données relatives à cette ques- tion, 3. les données s ontconsidérées comme la réalisation de v ariablesaléatoires décrites par unmodèle statistique, 4. la réponse à la question se traduit par l"acceptation ou le rejet d"une hy- pothèse(notéeH0) caractéristique du modèle précédent. Dans ces conditions et avec une marge d"erreur plus ou moins bien contrôlée, Accepterl"hypothèse, fait répondreNonà la question en considérant que les différences observées entre le modèle et la réalité des observations sont imputables au seul hasard. Rejeterl"hypothèse faitOuià la question : les différences sont jugéessignifi- cativescar trop improbables ou invraisemblables.

1.3 Exemple

Des relevés effectués pendant de nombreuses années ont permis d"établir loi normaleN(600;1002). Des entrepreneurs, surnommés "faiseurs de pluie", prétendaient pouvoir augmenter de50mmle niveau moyen de pluie, ceci par insémination des nuages au moyen d"iodure d"argent. Leur procédé fut mis à

l"essai entre 1951 et 1959 et on releva les hauteurs de pluies suivantes :Année195119521953195419551956195719581959

mm510614780512501534603788650 Que pouvait-on en conclure? Deux hypothèses s"affrontaient : ou bien l"insé- mination était sans effet, ou bien elle augmentait réellement le niveau moyen1

Tests statistiques élémentaires

de pluie de50mm. Ces hypothèses pouvaient se formaliser comme suit, si désigne l"espérance mathématique deX, v.a.r. égale au niveau annuel de pluie.H0:= 600mm H

1:1= 650mm:

Les agriculteurs hésitaient à opter pour le procédé forcément onéreux des faiseurs de pluie. Ainsi, il fallait donc que l"expérience puisse les convaincre, c"est-à-dire que les faits observés contredisent nettement l"hypothèseH0, dite "hypothèse nulle" (H1s"appelle "hypothèse alternative"). Les agriculteurs n"étaient donc décidés à abandonnerH0qu"en présence de faits expérimen- taux traduisant une éventualité improbable compte-tenu deH0. Par essence, l"objectif d"un test n"est pas de déterminer siH0est fondamen- talement vraie ou non, mais plutôt de voir siH0est une hypothèse cohérente avec les données observées. On souhaite donc voirH0rejetée uniquement dans le cas où les observations la rendent invraisemblable. Ce qui amène générale- ment à la pratique suivante : on fixe une valeur2]0;1[, appelée risque de première espèce, et l"on impose au test d"être tel que siH0est vraie, la proba- bilité de rejeter à tortH0soit inférieure à. Dans notre exemple, les agriculteurs choisirent= 0;05, c"est-à-dire qu"ils assumaient le risque de se tromper dans 5 cas sur 100, en croyant les promesses des faiseurs de pluie, alors que ces faiseurs de pluie étaient en réalité des char- latans. Comment décider? Puisqu"il s"agit de "tester" la moyenne, il est natu- rel de s"intéresser à la moyenne empiriqueX n=1n P n i=1Xique l"on sait convergente verspar la LGN. Pour ce test,X nest appelée la statistique de test. Alors, siH0est vraie, comme l"expérience porte surn= 9années, on aX n N(600;1002=9).

Les données relevées indiquent quex

n= 610:2mm(c"est la moyenne ob- tenue sur toutes les années). L"hypothèseH1étant de la forme >600, on prendra la règle de décision suivante :

Rejet deH0()PH0(Rejet deH0)<

()PH0X n>x n< ; où le signe à l"intérieur de la probabilité précédente est le même que celui

apparaissant dansH1. Il est alors facile de calculer cette dernière probabilitécar sousH0, la v.a.r.Z=X

n600100=3suit une loi normaleN(0;1): P H0(X n>610:2) =P

Z >610:2600100=3

=P(Z >0:306) = 10:6406 = 0:354: Comme cette probabilité, appeléeprobabilité critiqueouP-valeur, est supé- rieure à= 0:05, la conclusion est donc que l"on accepte l"hypothèseH0, c"est-à-dire que les données ne sont pas incompatibles avecH0; elles peuvent s"expliquer par le simple fait du hasard. Remarque :La probabilité critique est, dans ce cas simple, lue directement dans la table de la loiN(0;1). C"est la quantité calculée (P-valeur ouP-value) et affichée par un logiciel pour tout test mais la décision peut être écrite d"une autre façon car la plupart des lois ne sont pas complètement tabulées. En effet, si le nombrekest la valeur seuil telle que P H0X n> k=,PH0X n= pn > u1 oùu1est l"(1)-quantile de la loi normaleN(0;1). Alors la règle de décision est la suivante :

Rejet deH0()x

n= pn > u1 ()x n> k=+u1=pn: Avec= 5%, la valeuru0:95= 1:64est lue dans la table idoine etk= 655, qui définit la région critique, conduit à la même conclusion : pour le niveau = 5%, on ne rejette pas l"hypothèseH0. Une précision importante consiste à rechercher l"erreur de 2ème espèce () à savoir l"erreur commise en acceptant à tortH0. Supposons donc que les faiseurs de pluie ont raison. AlorsX nsuit une loi normaleN(650;1002=9), c"est-à-dire que la moyenne théorique en millimètres n"est plus600mais650, sous l"hypothèseH1. Ainsi, la probabilité de se tromper (accepterH0:=

600alors que= 650) s"écrit en utilisant toujoursk= 655comme dans le2

Tests statistiques élémentaires

calcul précédent mais en calculant la probabilité sous l"hypothèseH1: =PH1(X n<655) =P

Z <655650100=3

=P(Z <0:15) = 0:56; qui est un risque très élevée, au détriment des faiseurs de pluie, car l"échan- tillon est de trop petite taille pour espérer mettre en évidence ou rendre signi- ficative une différence de 50mm.

2 Généralités sur les tests

2.1 Rôle et forme de l"hypothèse nulle

Dans l"exemple et de façon générale, les hypothèsesH0etH1ne jouent pas des rôles symétriques et la façon de rédigéeH0doit respectée la démarche scientifique :H0est l"hypothèse communément admise sauf si une expérience répétablevient laréfuter; elle est conservée si les résultats de l"expérience ne sont pas clairs. Par analogie avec la justice,H0est laprésomption d"innocence et des éléments matériels sont requis pour prouver la culpabilité. Le couple(H0;H1)(hypothèse nulle, hypothèse alternative) peut prendre plusieurs formes où généralementH1est la négation logique directe deH0.

Deux cas sont classiques :

1.H0simpleetH1=Hc0, le test est ditbilatéral

H

0=f=0getH1=f6=0g;

2.H0compositeetH1=Hc0, le test est ditunilatéral

H

0=f0getH1=f > 0g:

2.2 Niveau et puissance

Dans un test d"hypothèse statistique, il y a deux manières de se tromper : 1. la p ossibilitéde reje terune h ypothèsealors qu"elle est vraie. Le ou risque de première espèce borne la probabilité de se tromper dans ce sens, c"est-à-dire la probabilité d"avoir unfaux-positif. 2. La possibilité d"accepter une h ypothèsealors qu"elle est f ausse.La pro- babilité de se tromper dans ce sens, c"est-à-dire la probabilité d"avoir un

faux-négatif, est le risque de deuxième espèce, et est notée.On appellepuissance de test, notée()la probabilité de rejeterH0alors

qu"elle est fausse. La puissance de test mesure donc son aptitude à bien rejeter une hypothèse fausse :() = 1(). L"enjeu en théorie des tests et plus généralement en statistique inféren- tielle est de construire des tests uniformément les plus puissants c"est-à-dire au moins aussi puissant que tout autre test de même niveauquelle que soit l"hypothèse alternative. Ainsi, dans notre exemple, la première façon de se tromper est de croire les faiseurs de pluie, alors qu"ils ne sont pour rien dans le résultat obtenu (rejeter H

0alors qu"elle est vraie), tandis que la seconde manière de se tromper est

de ne pas croire les faiseurs de pluie, alors que leur méthode est bonne et que seul le hasard (malencontreux pour eux), dû au faible nombre d"observations, a donné des résultats insuffisants pour convaincre les agriculteurs (accepterH0 alors qu"elle est fausse). Il faut bien noter le rôle particulier joué dans l"exemple parH0. Si la forme de la région de rejet est indiquée par la nature deH1(650 plus grand que 600), la valeur du seuilkne dépend que des choix deH0et, tandis queest déterminé par la considération supplémentaire deH1. D"autre part, les deux types d"erreur possibles ne sont pas du tout de la même importance. En effet, rejeter l"hypothèseH0alors qu"elle est vraie (risque de première espèce, qui est maîtrisé) est beaucoup plus coûteux que de la conserver à tort (risque de deuxième espèce, non maîtrisé). Exemple :Soitla moyenne du niveau de radioactivité en picocuries par litre. La valeur0= 5est considérée comme la valeur critique entre eau potable et non potable. On peut donc souhaiter testerH0: \5"contreH1: \ <5". L"erreur de première espèce a alors pour conséquence de laisser boire de l"eau toxique, alors que l"erreur de deuxième espèce conduit seulement à jeter de l"eau potable...

2.3 Démarche d"un test

Après avoir clairement défini laquestionposée et lemodèle statistiquesous- jacent, une démarche de test suit généralement les étapes suivantes. 1.

Choix de H0et deH1. Fixer.

2.

Détermination de la statistique de test.

3

Tests statistiques élémentaires

3. Allure de la région de rejet en fonction de H1. 4. Calcul de la région de rejet en fonction de etH0. 5. Calcul de la v aleurobservée de la statistique de test. 6.

Conclusion : rejet ou acceptation de H0au risque.

7.

Si possible, calcul de la puissance du test : 1.

Construire un test conduit à la définition d"une règle de décision contrôlée par le risquede première espèce. Le choixa prioride= 10%;5%;1% est le plus souvent très arbitraire avec un usage couramment répandu de5%. Ce choix est reconsidérer en fonction des coûts des risques encourus. Pre- nons la pratique courante de l"industrie pharmaceutique réalisant des criblages systématiques de milliers de molécules à la recherche d"un principe actif. Connaissant le coût extrêmement élevé des essais pré-cliniques et cliniques avant d"aboutir à la mise sur le marché d"un médicament, seules quelques mo- lécules, dont l"effet thérapeutique potentiel est solidement établi, peuvent être considérées. En conséquence, le niveaudes tests au moment du criblage est fixé à un seuil très bas0;1%ou moins. L"hypothèseH0: absence d"effet de la molécule testée, est donc conservée sauf si l"expérience montre très net- tement le contraire. D"autre part, tester au seuil10000molécules conduit nécessairement, par le simple fait du hasard, à rejet en moyenne_10000tests et donc à considérer à tord ces molécules "fausses positives". Ceci pose une autre question : celle des tests multiples.

2.4 Probabilité critique ou P-valeur

L"usage ancien des tables statistiques donnant les quantiles des différentes lois usuelles n"a plus lieu d"être avec la pratique d"un logiciel statistique. En effet, ceux-ci fournissent directement la probabilité critique ouP-valeur (en anglaisP-value) associée à un test donné. Plutôt que de chercher dans une table les-quantiles des lois associées, il suffit donc de comparer la probabilité critique fournit avec le seuil ou niveau de test prédéterminé. Laprobabilité critiqueest la probabilité pour que la statistique de testTdé- passe, sous l"hypothèseH0, la valeur seuil. Plus cette probabilité est proche de

0, plus forte est la contradiction entreH0et le résultat observé avec l"échan-

tillon.Dans le cas d"un test bilatéral, la région de rejet est de la forme :

R=fjTj> lg:

La probabilité critique ouP-valeur est la quantité : P c(t) =PH0fjTj lg: Le cas du test unilatéral se déduit facilement en supprimant les signes de valeur absolue. Une fois le niveaufixé, et le test mis en oeuvre par un logiciel qui fournit laP-valeur, la décision est immédiate :fPc(t)< g , ft2 Rg. D"autre part l"édition deP-valeurs par un logiciel est souvent accompagnée par des étoiles, de 1 à 3, pour une lecture rapide de résultats multiples. Ces étoiles indiquent leniveauplus ou mois élevé de significativité d"un test : 1 étoilePc0;05, 2 étoiles siPc0;01, 3 siPc0;001.

2.5 Choix du test

Le choix du test et guidé par la question posée et la structure des données issues de l"expérience. La littérature statistique est très abondante sur ce sujet, seuls sont référencés ici les tests élémentaires les plus couramment utilisés et généralement proposés par les logiciels statistiques; en voici un guide som- maire. Tests paramétriquesles observations sont supposées suivre un modèle gaus-quotesdbs_dbs31.pdfusesText_37
[PDF] égalité différences discriminations en cap

[PDF] égalité vectorielle exercices corrigés

[PDF] egcp ii r

[PDF] egcp ii r

[PDF] egid genève

[PDF] église du sacré c&339;ur de casablanca

[PDF] ehess 54 boulevard raspail

[PDF] ehess 54 boulevard raspail 75006 paris

[PDF] ehess admission master

[PDF] ehess auditeur libre

[PDF] ehess avis

[PDF] ehess calendrier 2017 2018

[PDF] ehess calendrier universitaire

[PDF] ehess doctorat

[PDF] ehess école doctorale