Cours de probabilités et statistiques
2.3 Schéma de Bernoulli et loi binomiale . peut prendre X. L'écart-type (ou la variance) mesure la dispersion de la v.a. X autour de sa valeur moyenne ...
Cours de Statistiques inférentielles
Son écart-type ?X est la racine positive de la variance. 1.2 Lois usuelles. 1.2.1 Loi normale ou loi de Gauss. Une variable aléatoire réelle X suit une loi
Théorie des probabilités
aléatoire X autour de sa valeur moyenne il est plus commode (l'utiliser le nombre appelé l'écart type de la variable aléatoire X.
Introduction aux probabilités et à la statistique Jean Bérard
2.3 Loi jointe de plusieurs variables aléatoires vecteurs aléatoires . matique) peut prendre absolument n'importe quelle forme
Untitled
peut prendre X. L'écart-type (ou la variance) mesure la dispersion de la v.a. X autour 2.3. SCHÉMA DE BERNOULLI ET LOI BINOMIALE. 21. Soit X la v.a. qui ...
STT-1920 Méthodes statistiques
compliquée l'écart-type est de loin la mesure de dispersion la plus utilisée. La variance de la variable aléatoire discr`ete X
STT-4400 / STT-6210 ANALYSE DE TABLEAUX DE FRÉQUENCES
d'une distribution normale de variance connue (à gauche sur l'échelle de la statistique de test W à droite sur l'échelle de la moyenne. ¯. X).
Statistique Inférentielle
Intervalles associés aux paramètres de la loi normale. 3.4.1. Intervalles pour la moyenne d'une loi normale d'écart type connu. La variable aléatoire X suit une
STT- 2300 Cours dAnalyse de la Variance
Si X est une variable aléatoire de loi N(µ ?2)
STT-1920 Méthodes statistiques
L'étudiant peut deviner la formule analogue pour la probabilité d'une union de la moyenne pondérée des valeurs possibles de la variable aléatoire X ...
[PDF] Cours de probabilités et statistiques
2 3 Schéma de Bernoulli et loi binomiale peut prendre X L'écart-type (ou la variance) mesure la dispersion de la v a X autour de sa valeur moyenne
[PDF] Traitement statistique des processus alpha-stable
Connaissant la loi d'une variable ou d'un vecteur aléatoire on sait calculer les valeurs exactes des paramètres qui la caractérisent comme l'espérance ou la
[PDF] Première S - Schéma de Bernoulli – Loi binomiale - Parfenoff org
Son espérance est E(X) = sa variance est V(x) = et son écart type est ? (X) = II) Schéma de Bernoulli 1) Définition 1 : Schéma de Bernoulli On appelle
[PDF] Le modèle probabiliste
peut prendre X L'écart-type (ou la variance) mesure la dispersion de la v a X autour de sa valeur moyenne E[X] L'espérance et sa variance ne dépendent de
[PDF] Mathématiques de la Modélisation II Ecologie et Statistiques Année
La loi de probabilité d'une variable aléatoire X peut toujours être décrite par indicateur mesure la dispersion théorique moyenne de X autour de E(X)
[PDF] PROBABILIT´ES ET STATISTIQUE EN S5 IFIPS
16 sept 2008 · On appelle variance de la variable aléatoire X la valeur moyenne des enfant est `a +3 écarts-types de la moyenne pour sa taille et +1
[PDF] MESURES ET ANALYSES STATISTIQUES DE DONNÉES - LMPA
Comme x et y peuvent prendre respectivement n et p valeurs il y a n × p couples (x Calculez la variance et l'écart-type de la variable aléatoire X
[PDF] Statistique appliquée - LPSM
mesure de probabilité sur A Une variable aléatoire X est une fonction La variance et l'écart-type sont des indicateurs de la dispersion de la loi de X
[PDF] Résumé du Cours de Statistique Descriptive - UniNE
15 déc 2010 · Il peut prendre des valeurs positives négatives ou nulles L'asymétrie se mesure au moyen du coefficient d'asymétrie de Fisher g1 = m3 s3 x
[PDF] Quelques éléments de statistiques - Mathématiques
apparemment semblables peuvent prendre des valeurs différentes (par exemple la durée de vie X d'un composant électronique suit une loi
![STT- 2300 Cours dAnalyse de la Variance STT- 2300 Cours dAnalyse de la Variance](https://pdfprof.com/Listes/41/6893-41polyANOVA.pdf.pdf.jpg)
STT- 2300
Cours d"Analyse de la VarianceProfesseur Michel CarbonDépartement de Mathématiques et Statistique
Université de Laval
Hiver 2015
2Analyse de la variance
c2015 Michel Carbon
Table des matières
1 Fondements mathématiques et statistiques 7
1.1 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71.1.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . .
71.1.2 Loi normale quelconque . . . . . . . . . . . . . . . . . . . . . . . . .
91.2 La loi du khi-deux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
121.3 La loitde Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .15
1.4 La loiFde Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .17
1.5 Les lois non centrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
191.6 Formes quadratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
212 Comparaison de deux moyennes 29
2.1 Comparaison des moyennes de deux échantillons indépendants . . . . . . . .
292.1.1 Variances égales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
292.1.2 Variances inégales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
352.1.3 Méthodes non paramétriques . . . . . . . . . . . . . . . . . . . . . . .
372.2 Comparaison des moyennes de deux échantillons non indépendants . . . . . .
3 82.2.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
382.2.2 Le testtpar paires . . . . . . . . . . . . . . . . . . . . . . . . . . . .38
2.2.3 Méthodes non paramétriques . . . . . . . . . . . . . . . . . . . . . . .
402.3 Exemple (traitement informatique de la comparaison de deux moyennes) . .
402.3.1 Importation des données . . . . . . . . . . . . . . . . . . . . . . . . .
412.3.2 Comparaison graphique des deux sous-populations . . . . . . . . . . .
412.3.3 Estimation des statistiques de base par sous-population . . . . . . . .
422.3.4 Test de la normalité des données dans chaque population . . . . . . .
432.3.5 Test de l"égalité des variances . . . . . . . . . . . . . . . . . . . . . .
432.3.6 Test de l"égalité des moyennes . . . . . . . . . . . . . . . . . . . . . .
443 Analyse de la variance à un facteur 49
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
493.1.1 Exemple introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . .
493.1.2 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
523.1.3 Un peu de vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . .
533
4 TABLE DES MATIÈRES
3.1.4 Plans équilibrés - Plans déséquilibrés . . . . . . . . . . . . . . . . . .
543.1.5 Quelques remarques liminaires . . . . . . . . . . . . . . . . . . . . . .
553.2 Modèle à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
553.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 63.2.2 Équation de l"analyse de variance et tests . . . . . . . . . . . . . . . .
573.2.3 Estimations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
663.2.4 Retour à l"exemple initial . . . . . . . . . . . . . . . . . . . . . . . .
6 73.2.5 Généralisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
673.3 Modèle à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
713.4 Méthode non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . .
744 Validation des hypothèses d"une ANOVA à un facteur 79
4.1 Conditions d"indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . .
794.2 Condition de normalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
814.2.1 Les coefficients d"asymétrie et d"aplatissement . . . . . . . . . . . . .
824.2.2 La droite d"Henry . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
824.2.3 Le test de Shapiro et Wilk . . . . . . . . . . . . . . . . . . . . . . . .
824.2.4 Le test de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . .
834.3 Condition d"homogénéité des variances . . . . . . . . . . . . . . . . . . . . .
834.3.1 Le test de Levene . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
834.3.2 Le test de Brown et Forsythe . . . . . . . . . . . . . . . . . . . . . .
844.3.3 Le test de Bartlett . . . . . . . . . . . . . . . . . . . . . . . . . . . .
844.4 Résumé et commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
854.5 Un exemple détaillé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
855 Comparaisons multiples 93
5.1 Contrastes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
935.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
935.1.2 Orthogonalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
945.1.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
945.1.4 Test d"une hypothèse impliquant un contraste . . . . . . . . . . . . .
9 55.2 Comparaisons multiples sous l"hypothèse d"homoscédasticité . . . . . . . . .
965.2.1 La méthode de Tukey . . . . . . . . . . . . . . . . . . . . . . . . . . .
975.2.2 La méthode de Tukey-Kramer . . . . . . . . . . . . . . . . . . . . . .
985.2.3 La méthode de Scheffé . . . . . . . . . . . . . . . . . . . . . . . . . .
9 95.2.4 La méthode de Bonferroni . . . . . . . . . . . . . . . . . . . . . . . .
1015.2.5 La méthode de rejet séquentiel de Bonferroni et Holm . . . . . . . . .
1025.3 Un exemple détaillé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1026 Analyse de la variance à deux facteurs 111
6.1 Modèles à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
11 16.1.1 Modèles sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . .
1116.1.2 Modèles avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . .
117 Analyse de la variance
c2015 Michel Carbon
TABLE DES MATIÈRES 5
6.2 Modèles à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1276.2.1 Modèles à effets aléatoires sans répétition . . . . . . . . . . . . . . . .
1276.2.2 Modèles à effets aléatoires avec répétition . . . . . . . . . . . . . . . .
1306.3 Modèles à effets mixtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1356.3.1 Modèles à effets mixtes sans répétition . . . . . . . . . . . . . . . . .
1356.3.2 Modèles à effets mixtes avec répétitions . . . . . . . . . . . . . . . . .
1387 Analyse de la variance à deux facteurs emboîtés 149
7.1 Modèles à effets fixes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14 97.2 Modèles à effets aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1547.3 Modèles à effets mixtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
158 Analyse de la variance
c2015 Michel Carbon
6 TABLE DES MATIÈRES
Analyse de la variance
c2015 Michel Carbon
Chapitre 1
Fondements mathématiques et
statistiques Ce chapitre sert à présenter brièvement quelques rappels sur la loi normale, la loi du khi-deux, la loitde Student et la loiFde Fisher. La connaissance de quelques propriétés fondamentales de ces lois est indispensable à un traitement statistique rigoureux de l"analyse de la variance, qui est l"objet de ce cours.1.1 La loi normale
1.1.1 Loi normale centrée réduite
Définition 1.1.1
La loi normale (ou gaussienne) centrée réduite, notéeN(0;1), est une loi à densité. Cette
densité de probabilité a pour expression : f(x) =12ex2=2: C"est une fonction paire, positive, qui a une forme en cloche, et telle quelimx!1f(x) = 0, comme on peut le voir sur la figure (1.2). C"est bien une densité de probabilité car :1.f(x)>0pour toutx2R;
2. Z +1 1 f(x)dx= 1: 78 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES
Figure1.1 - Densité de la loi normale centrée réduite Le premier point se démontre trivialement. Quant au second, on peut le prouver comme suit : Z 1 1 f(x)dx=Z 111p2ex2=2dx
s( Z 111p2ex2=2dx)(Z
111p2ey2=2dy)
sZ 1 1Z 1112e(x2+y2)=2dxdy
sZ 2 0Z 1012er2=2rdrd
sZ 2 012dZ 1 0 rer2=2dr p1 = 1: Le passage de la ligne 3 à la ligne 4 se fait par un changement de variables polaires : 8< :x=rcos y=rsin en remarquant que, les domaines s"échangent deRR,!R+[0;2[, puis que :x2+y2=r2 et en calculant le jacobien de la transformationJ=r.Analyse de la variance c2015 Michel Carbon
1.1. LA LOI NORMALE 9
1.1.2 Loi normale quelconque
Définition 1.1.2
Soient2Ret >0. La loi normale (ou gaussienne) univariée de moyenneet de variance2, notéeN(;2)est la loi de probabilité admettant pour densité :
f(x) =1p2e(x)222x2R Cette fonction est bel et bien une fonction de densité puisqu"on a :1.f(x)>0pour toutx2R;
2.Z 1 1 f(x)dx= 1. Le premier point est trivial. On peut vérifier le deuxième grâce au changement de variable y= (xm)=dans le calcul aisé ci-dessous : Z 1 1 f(x)dx=Z 111p2e12
(x )2dx Z 111p2ey2=2dy
= 1; grâce à la démonstration faite dans le cas de la variable normale centrée réduite.On rappelle le résultat suivant, très utile en pratique pour le calcul de probabilités concer-
nant les lois gaussiennes.Théorème 1.1.1
On a :
X N(;2)()X
N(0;1): La proposition ci-dessous, laissée en exercice, se démontre aisément.Proposition 1.1.1
SiXest une variable aléatoire de loiN(;2), alors on :E(X) =etV(X) =2:
Cela justifie a posteriori l"appellation de normale centrée réduite, et notéeN(0;1).Théorème 1.1.2
SiX N(;2), alors la fonction génératrice des moments (f.g.m) de la variable aléatoireXest égale à :
MX(t) =et+t22=2:Analyse de la variance
c2015 Michel Carbon
10 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES
Démonstration
MX(t) =E[etX]
Z 1 1 etx1p22e12 (x )2dx Z 1 1 et(+y)1p2ey2=2dy =etZ 111p2e(y22ty+t22t22)=2dy
=et+t22=2Z 111p2e(yt)2=2dy=et+t22=2
On passe de la ligne 2 à la ligne 3 en faisant le changement de variabley= (x)=, et enremarquant que l"intégrale de la ligne 5 vaut 1, car c"est l"intégrale surRde la densité de la
loi normale de moyennetet de variance1. On trouvera ci-dessous les graphes de trois densités de lois normales de variance égale à1, et avec trois moyennes différentes (0, puis 0.5, puis 1) :Figure1.2 - Densités de lois normales réduites
On remarquera que les graphes sont juste translatés l"un de l"autre. On trouvera ci-dessous les graphes de trois densités de lois normales de moyenne nulle et d"écarts-types différents (=1, puis 1.2, puis 1.5) :Analyse de la variance c2015 Michel Carbon
1.1. LA LOI NORMALE 11
Figure1.3 - Densités de lois normales centréesThéorème 1.1.3
SoientX1;X2;;Xnnvariables indépendantes telles queXi N(i;2i)pouri= 1;;n.SoitY=a0+nX
i=1a iXioùa0;a2;;ansont des constantes. On a alors :Y N(a0+nX
i=1a ii;nX i=1a2i2i):
Calculons la f.g.m. deY:
MY(t) =E[etY]
=E[et(a0+Pn i=1aiXi)] =eta0nY i=1E[etaiXi] =eta0nY i=1MXi(tai)
=eta0nY i=1e taii+t2a2i2i=2 =etfa0+Pn i=1aiig+t2fPn i=1a2i2ig=2 On reconnaît la f.g.m. d"une loi normale de moyennea0+nX i=1a iiet de variancenX i=1a2i2i.Analyse de la variance
c2015 Michel Carbon
12 CHAPITRE 1. FONDEMENTS MATHÉMATIQUES ET STATISTIQUES
Exemple 1.1.1
SoitX N(;2). Appliquons le théorème précédent avecn= 1,a0==eta1= 1=.On obtient alorsZ=X
N(0;1), la loi normale standard.Cette loi joue un rôle primordial en calcul de probabilité. Notons sa densité et sa fonction de
répartition respectivement par :()et(). Elles sont respectivement définies par :(z) = e z2=2=p2et(z) =Z z 1 (t)dt. Notons qu"il n"y a pas d"expressions explicites pour(). Ses valeurs numériques sont données dans des tables qu"on trouve dans presque tous les livres de statistique et probabilité, des logiciels d"analyses statistiques et certaines calculatrices scientifiques. Ainsi, on peut calculer numériquement des probabilités du typeP(a < Xb),1 a b 1, comme suit :P(a < Xb) =P(a
< Zb b )(aExemple 1.1.2
SoitfX1;X2;;Xngun échantillon issu d"une loi normaleN(;2), c"est-à-direnvariables aléatoires i.i.d. Appliquons le théorème précédent aveca0= 0etai= 1=npouri= 1;;n.On obtient alors :
X=1n n X i=1X i N(;2=n):1.2 La loi du khi-deux
Dans cette section, on définit et on étudie les propriétes élementaires de la loi du khi-deux.
Définition 1.2.1
Soitkun entier strictement positif. On dit qu"une variable aléatoire continueXsuit une loi de khi-deux et on écritX2ksi et seulement si la densité deXs"écrit : f(x) =8 >:1(k=2)2k=2x(k=2)1ex=2six00sinon(1.2.1)
où :() =Z 1 0 y1eydy(appelée fonction gamma).kest appelé le nombre de degrés dequotesdbs_dbs31.pdfusesText_37[PDF] 3 Additions et soustractions de fractions. Théorème 3 Pour ajouter deux fractions qui ont le même dénominateur
[PDF] 3 days ago · Right here
[PDF] 3 milliards d'habitants. Elle n'était que de 721 millions en 1950
[PDF] 3 phrasal verbs
[PDF] 3 sujet anglais bac pro
[PDF] 3 sujet bac francais
[PDF] 3 sujet d'actualité
[PDF] 3 sujet oral anglais bac pro
[PDF] 3 sujets
[PDF] 3 sujets a eviter
[PDF] 3 sujets bac francais
[PDF] 3 sujets de conversation à éviter entre amis
[PDF] 3) Calculer la somme des sauts de F. La variable aléatoire X est elle discrète à ... Soit X une variable aléatoire suivant une loi exponentielle de pa
[PDF] 3) Entoure en rouge les trois verbes qui se conjuguent comme venir et en bleu les trois verbes qui se conjuguent comme faire. /3 satisfaire punir plai