Traitement de données

GLMA 512

I. Statistiques descriptives 2
Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Résumés numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Loi Normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
QQ-plot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

II. Échantillonnage aléatoire simple 30

Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Échantillonage aléatoire simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Moyenne empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Espérance de X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Variance de X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Variance empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
TCL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

III. Estimations et tests 53

Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Méthode des moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Tests d’adéquations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

IV. Plans d’expérience 78

Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Loi hypergéométrique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Test exact de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Test approché de Fisher : z-test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Tableaux de contingence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Test d’indépendance du χ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
z-test sur deux échantillons (comparaison de proportions) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

V. Modèles linéaires 96
Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Coefficient de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

1
 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Modèle linéaire simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Intervalles de confiances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Coefficient de détermination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

VI. Analyse de la variance 117

Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Moyenne empirique par groupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Modèle pour la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Somme des carrés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

2
Grossesses et cigarettes : impact sur la santé du nouveau né ?
Statistiques descriptives

2 / 137

Mise en garde !

Figure 1: Les contés des USA ayant les 10% plus forts taux de mortalité suite à un cancer du rein/urêtre pour les hommes sur la
période 1980–1989. Données standardisées par rapport à l’âge. Droite : idem mais les 10 plus faibles !

Traitement de données 2012–2013 – 3 / 137

0.1 Problématique

Fumer pendant la grossesse nuit à la santé de votre enfant.

 Objectif : Comparaison du poids à la naissance selon le statut fumeur de la mère.

 Données : 1236 accouchements aux alentours de San Francisco (1960–1967) – pas de jumeaux,
triplés, . . . et ayant vécu au moins 28 jours

Traitement de données 2012–2013 – 4 / 137

3
 Une partie des données

Table 1: Partie du tableau de données

Poids Naissance 120 113 128 123 108 136 138 132
Statut Fumeur 0 0 1 0 1 0 0 0

 Les poids sont en onces. 1g = 0.035 once.

 Le statut fumeur vaut 1 si la mère fumait pendant la grossesse et 0 sinon.
 Le tableau en entier à donc 1236 (+1) colonnes.
 Visualisation impossible =⇒ besoin de résumer les données par quelques valeurs numériques,
graphiques utiles
 C’est ce que nous allons voir dans ce cours.

Traitement de données 2012–2013 – 5 / 137

Tableau
Une des
étudefréquences
sur ces données a montré que le taux de mortalité infantile chez les mères
fumeuses était plus faible !
 Cette conclusion est basée sur le tableau suivant
Classe de poids Non fumeur Fumeur
< 1500 792 565
1500–2000 406 346
2000–2500 78 27
2500–3000 11.6 6.1
3000–3500 2.2 4.5
≥ 3500 3.8 2.6
Table 2: Taux de mortalité infantile (pour 1000 naissances) en fonction du poids (g) à la naissance différencié selon le statut fumeur.
Tableau croisé.
 Des critiques sur ce tableau ? Age de la mère ou autres facteurs. . .
 Une étude tenant compte de ces facteurs donne la même conclusion.

Traitement de données 2012–2013 – 6 / 137

 Une autre étude préconise de travailler sur les poids à la naissance standardisés

poids − moyenne
poids standardisé = .
écart type

 Cette standardisation est faite séparément pour les fumeurs et pour les non fumeurs.
 Quel est l’intérêt ?
 Comparer ce qui est comparable ! Exemple : si les bébés de mères fumeuses ont toujours un poids
plus faible.
 Ainsi on comparera le taux de mortalité d’un bébé pesant 2680g (fumeur) à celui pesant 3000g
(non fumeur) car ces valeurs sont exactement moyenne − 1 × écart type dans les deux cas.

Traitement de données 2012–2013 – 7 / 137

4
 Figure 2: Taux de mortailité (pour 1000) en fonction du poids et du poids standardisé

 Il semblerait maintenant que les bébés de mères fumant aient un taux de mortalité plus élevé.
 Moralité : Faire attention aux effets "cachés".
Traitement de données 2012–2013 – 8 / 137

0.2 Théorie

Histogramme
0.15
0.10
Density

0.05
0.00

50 55 60 65 70 75

Tailles (pouces)

Figure 3: Histogramme de la taille (pouces) issu des 1214 mères (droite) et du nombre de cigarettes fumées par jour issu des 384
mères fumeuses.

Traitement de données 2012–2013 – 9 / 137

5
  C’est quoi ? Juste une représentation graphique des observations
 Utilité :
– Forme de la distribution : unimodalité, symétrie, étendue
– Détection des valeurs aberrantes (outliers).
– Que peut on dire sur les deux histogrammes précédents ?
 Construction :
effectif de la classe k
hauteurk = .
effectif total × largeur de la classe k
Par construction l’aire de cet histogramme est égale à 1.

Traitement de données 2012–2013 – 10 / 137

Exemple : Construction Nb de cig. Nb. de fumeurs (%)

0–5 16
5–10 25
10–15 14
15–20 4
20–30 32
30–40 5
40–60 4
Total 100
Table 3: Distribution du nombre de cigarettes fumées par jour pour les 484 mères fumeuses.
 Notion de classe. Le nombre 5 appartient à quelle classe ?
A la deuxième !
 Hauteur du rectangle pour certaines classes

16 32
h1 = = 0.032, h5 = = 0.032.
5 × 100 10 × 100
Traitement de données 2012–2013 – 11 / 137

Résumés numériques : Mesures de position

 Il est souvent utile de "résumer" les données par un nombre limité de valeurs numériques. On parle
alors de statistiques.
 Une statistique de position mesure le centre de la distribution.
 La moyenne (empirique) est un exemple

n
1X
x= xi , xi observations.
n
i=1

 La médiane en est une autre plus robuste aux valeurs aberrantes

médiane = valeur qui sépare les données en deux parties de mêmes effectifs.

1, 4, 5, 8, 12, médiane = 5
1, 4, 5, 8, 12, 15, médiane = (5 + 8) / 2 = 6.5

Traitement de données 2012–2013 – 12 / 137

6
 Résumés numériques : Mesures de dispersion
 Elles mesurent la dispersion de la distribution, i.e., sa variabilité.
 L’écart-type est un exemple v
u n
u1 X
σ=t (xi − x)2 .
n
i=1

 L’écart inter-quartile en est une autre

IQR = Q3 − Q1 ,

où Q1 est le nombre tel que 1/4 de l’effectif lui est inférieur et Q3 lui est supérieur.

Traitement de données 2012–2013 – 13 / 137

Comment calculer les quantiles (approchés) ?

 A partir des données, il n’existe pas une unique manière de calculer les quantiles — cf. ?quantile
dans R.
 On va donc voir une manière de les calculer (approximativement) à partir d’un histogramme.
 Qp est défini comme le nombre tel que l’aire de l’histogramme avant ce point soit égale à p.
0.4

Aire = p
0.3
Density

0.2
0.1
0.0

−4 −2 Qp 0 2 4

Traitement de données 2012–2013 – 14 / 137

7
 Exemple : Calculs de Q1 et Q3 .
Classe Effectif hk (%) Airek (%) Cum. Aires (%)
0–5 3 2.4 12 12
5–10 10 8 40 52
10–15 7 5.6 28 80
15–25 5 2 20 100
Total 25 — 100 100

 Q1 = Q0.25 se situe quelque part entre 5 et 10 puisque à x = 5 l’aire à gauche fait 12.
 Pour arriver à 25 il faut donc rajouter 13 à partir du deuxième rectangle qui a pour hauteur 8 donc

∆ × 8 = 13 =⇒ ∆ = 13/8 = 1.63, et donc Q1 = 5 + ∆ = 6.63.

 A vous de faire pour Q3 la réponse est Q3 = 14.11.

Traitement de données 2012–2013 – 15 / 137

Boxplot

100 150 200 250

Poids des meres (livres)

Figure 4: Boxplot du poids des 1200 mères.

Traitement de données 2012–2013 – 16 / 137

8
  C’est quoi ? C’est une autre représentation graphique d’un jeu de données.
 Utilité :
– Pareil que l’histogramme.
– Il contient plus d’information que les résumés numériques mais moins qu’un histogramme.
– Mais peut-être utile pour visualiser un grand nombre de variables (car compact).
 Construction :
– Il faut calculer la médiane, Q1 et Q3
– Et faire quelques incantations magiques. . .

Traitement de données 2012–2013 – 17 / 137

Q1 − 1.5 IQR Q1 Med Q3 Q3 + 1.5 IQR

100 150 200 250

Poids des meres (livres)

Figure 5: Boxplot du poids des 1200 mères — avec les détails.

Traitement de données 2012–2013 – 18 / 137

9
 250
200
Poids (livres)

150
100
50

Meres Peres

Figure 6: Comparaison de la distribution des poids des mères et pères à l’aide de boxplot.

Traitement de données 2012–2013 – 19 / 137

10
0.3 Loi normale

Loi Normale
 La loi Normale joue un rôle central en statistique
 De nombreuses données suivent approximativement cette loi
 Des théorèmes nous disent que certaines variables aléatoires suivent approximativement cette loi
dès lors que n est grand.
 La densité de la loi normale centrée réduite est
 2
1 x
ϕ(x) = √ exp − , x ∈ R.
2π 2
0.4
0.3
ϕ(x)

0.2
0.1
0.0

−4 −2 0 2 4

Traitement de données 2012–2013 – 20 / 137

 Si des données suivent approximativement une loi Normale, alors l’histogramme des données
centrées réduites doit ressembler à la courbe précédente.
 Pour standardiser les données x1 , . . . , xn

xi − x
, i = 1, . . . , n
σ
0.4

ϕ(x)
 Les données semblent donc être bien
représentées par une loi Normale.
0.3

 Si tel est le cas, on peut alors utiliser cette

Densite

loi pour répondre à certaines questions.

0.2
0.1
0.0

−4 −2 0 2

Unites standardisees

Figure 7: Comparaison de l’histogramme des poids à la nais-

sance (standardisés) et de la densité de la loi normale centrée
réduite.

Traitement de données 2012–2013 – 21 / 137

11
 Exemple : Calcul de Pr[Poids ≤ 138]
 La fonction de répartition de la loi normale centrée réduite corresponds à l’aire sous la courbe ϕ
jusqu’à un point z Z z  2
1 x
Φ(z) = √ exp − dx.
−∞ 2π 2
 Cela corresponds à la probabilité d’être inférieur à z sous cette loi normale centrée réduite
Pour notre exemple, on a donc
 
Poids − x 138 − x
Pr[Poids ≤ 138] = Pr ≤ ≈ Φ(1) = 0.84.
σ σ

En calculant cette probabilité à partir des données on trouve 0.85 mais ne permettrait pas de faire les
calculs en dehors du domaine observé.
Traitement de données 2012–2013 – 22 / 137

Traitement de données 2012–2013 – 23 / 137

12
0.4 QQ-plot

QQ-plot

Normal Q−Q Plot

180
160
Poids a la naissance (ounces)

140
120
100
80
60

−3 −2 −1 0 1 2 3

Quantiles de la loi Normale centree reduite

Traitement de données 2012–2013 – 24 / 137

 C’est quoi ? Une représentation graphique comparant des observations.

 Utilité :

(a) Vérifier si les données suivent une loi particulière

(b) Vérifier si deux jeux de données ont la même loi
 Construction :
Classer les observations par ordre croissant, i.e., x1:n , . . . , xn:n
–
A ces points on associe les probabilités pi = i/(n + 1), i = 1, . . . , n.
–
(a) Représenter les points {xi:n , Qpi }i=1,...,n , par exemple pour la loi normale centrée réduite
Qpi = Φ−1 (pi ).
(b) Classer le deuxième jeu de données par ordre croissant et représenter les points
{xi:n , yi:n }i=1,...,n .

Traitement de données 2012–2013 – 25 / 137

13
 Interprétation : QQ-plot (loi normale) des poids à la naissance
 Si les observations étaient N (0, 1) alors le nuage de points se concentrerait autour de la droite
y=x
 Ici le nuage de points se concentre autour d’une droite mais pas y = x, disons y = ax + b.
 Si b 6= 0 =⇒ Translation
 Si a 6= 1 =⇒ Changement d’échelle (variabilité)
 Enfin si le nuage de points n’est pas “linéaire” cela indique que les deux distributions ont des
formes différentes.
Translation Changement Echelle Les deux
0.4

0.4

0.4
0.3

0.3

0.3
Densite

Densite

Densite
0.2

0.2

0.2
0.1

0.1

0.1
0.0

0.0

0.0
−6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6

x x x

Traitement de données 2012–2013 – 26 / 137

QQ-plot du poids des mères fumeuse / non-fumeuse

250
Poids des fumeuses (livres)

200

y=x
150
100

100 150 200 250

Poids des non fumeuses (livres)

Figure 8: QQ-plot du poids des mères (livres) selon le statut fumeur ou non.

 Le nuage de points semble être linéaire la plupart du temps (sauf à l’extrémité droite du graphique)
– Ceci indique que les mères fumant ont tendance à peser moins que les non fumeuses
– Le “décrochage” à droite indique que “les plus lourdes” non fumeuses pèsent plus que “les plus
lourdes” fumeuses
Traitement de données 2012–2013 – 27 / 137

14
 Quelques QQ-plot (loi normale) pathologiques

Donnees discretisees Deux modes

3

3
2

2
Sample Quantiles

Sample Quantiles
1

1
0

0
−1

−1
−2

−2
−3

−3
−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3

Quantiles de la loi Normale centree reduite Quantiles de la loi Normale centree reduite

Queues legeres Queues lourdes

3

3
2

2
Sample Quantiles

Sample Quantiles
1

1
0

0
−1

−1
−2

−2
−3

−3

−3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3

Quantiles de la loi Normale centree reduite Quantiles de la loi Normale centree reduite

Traitement de données 2012–2013 – 28 / 137

Ce que nous avons vu

 Histogramme : moyen graphique de représenter la distribution des observations
 Résumés numériques : moyenne, médiane, quantile, écart-type, distance inter-quartile
 Boxplot : moyen graphique synthétique de représenter la distribution des observations
 Loi Normale
 QQ-plot : par rapport à une loi, pour deux jeux de données

Traitement de données 2012–2013 – 29 / 137

15
Qui joue aux jeux vidéo ?
Échantillonnage aléatoire simple

30 / 137
0.5 Problématique

À Berkeley (Université de Californie), environ 300 étudiants suivent un cours de statistiques 1 chaque
année.
 Quelle proportion d’étudiants ont joué aux jeux vidéos la semaine précédent les examens ?
 En moyenne, combien de temps un étudiant a-t-il joué ?
 En automne 1997, ils étaient 314. Il est impensable de faire une étude sur ces 314 étudiants, trop
fastidieux, coûteux.
 Mais il paraît assez intuitif de se concentrer sur un sous groupe plus raisonnable.

Traitement de données 2012–2013 – 31 / 137

Plusieurs questions nous viennent alors à l’esprit

 Comment construire ce “sous groupe” ?
 Quelle taille faut il lui donner ?
 Que peut on dire sur le temps moyen des 300 étudiants à partir du temps moyen du sous groupe ?

Traitement de données 2012–2013 – 32 / 137

0.6 Théorie

Dans ce cours nous allons introduire l’échantillonnage aléatoire simple.

 C’est une méthode probabiliste permettant de choisir les étudiants constituant le sous groupe.
 Les méthodes probabilistes sont importantes puisqu’elles permettent, en contrôlant le hasard, de
connaître les relations entre le sous groupe et le groupe entier.

16
Traitement de données 2012–2013 – 33 / 137

Vocabulaire : Population
 La population est le groupe que l’on veut étudier, e.g., les 314 étudiants
 La population est constituée d’unités, e.g., 1 unité = 1 étudiant
 Taille de la population notée N est le nombre d’unités dans la population, e.g., N = 314
 Les variables sont des informations particulières données pour chaque membre de la population,
e.g., temps de jeux
 Un paramètre est un résumé des variables sur toute la population, e.g. le temps moyen de jeux la
semaine précédent l’examen

Traitement de données 2012–2013 – 34 / 137

Vocabulaire : Échantillon
 L’échantillon sont les unités choisies pour faire notre étude
 La taille de l’échantillon notée n est le nombre d’unités présentes dans l’échantillon
 Une statistique est un résumé numérique des variables calculé à partir de l’échantillon.

Tout échantillon est construit à partir d’une règle de décision. Pour notre étude, les étudiants ont été
“numérotés” de 1 à 314 et un ordinateur a choisi 91 numéros entre 1 et 314 successivement, i.e., aucun
étudiant n’a pu être sélectionné deux fois. De plus tout au long du processus de sélection chaque
numéro disponible avait la même probabilité d’être choisi.

Ceci constitue un échantillonage aléatoire simple.

Traitement de données 2012–2013 – 35 / 137

Échantillonage aléatoire simple

 C’est une méthode pour affecter une probabilité à chaque échantillon de taille n extrait d’une
population de taille N .
 Pour notre étude, n = 91 et N = 314.
 Combien y a-t-il d’échantillons possible ?

314
|{z} × 313
|{z} ×··· × 224
|{z}
1er étudiant 2ème étudiant 91ème étudiant
 Mais ceci tient compte de l’ordre de sélection, i.e., qui a été choisi en premier, second, . . .
 Pour notre étude, peu nous importe l’ordre de sélection donc le nombre d’échantillon est en fait

314 × 313 × · · · × 224

91 × 90 × · · · × 1


 Ce nombre s’écrit 314
91 ou encore C
91
314 .
N
n.
 De manière générale c’est donc n ou CN

Traitement de données 2012–2013 – 36 / 137

17
 La règle de décision défini par l’échantillonnage aléatoire simple impose que chacun de ces échantillons
ait la même chance d’être sélectionné.


Chaque échantillon a donc une probabilité 1/ N n d’être sélectionné.

Les individus de la population ayant été numéroté de 1 à 314, on a donc

Pr[n◦ 1 sélectionné en premier] = 1/314
Pr[n◦ 1 sélectionné en deuxième] =???
Pr[n◦ 1 est dans l’échantillon] = 91/314

Toutefois il y a de la dépendance dans le processus de sélection

91 × 90 91 91
Pr[n◦ 1 et n◦ 2 sont dans l’échantillon] = 6= ×
314 × 313 314 314
Traitement de données 2012–2013 – 37 / 137

Loi de probabilité des numéros sélectionné

 Posons I(1) le premier numéro pris au hasard parmis 1, . . . , N .
 De même I(2) sera le deuxième numéro, . . . , I(n) le dernier numéro sélectionné.
 Les I(1), . . . , I(n) sont des variables aléatoires (discrètes).

On a donc
1
Pr[I(1) = 1] =
N
1
Pr[I(1) = 1, I(2) = 2] =
N × (N − 1)

et de manière générale pour 1 ≤ j1 6= j2 6= · · · =

6 jn ≤ N , on a
1
Pr[I(1) = j1 , I(2) = j2 , . . . , I(n) = jn ] =
N × (N − 1) × · · · × (N − n + 1)

Traitement de données 2012–2013 – 38 / 137

Que nous dit l’horrible équation précédente ?

Rien de plus que l’échantillonnage aléatoire simple pose une structure aléatoire sur l’échantillon.
 Des échantillons différents auront des valeurs différentes pour leurs variables (temps de jeux 6=) et
donc des statistiques différentes (temps moyen de jeux 6=).
 Autrement dit, une statistique admet une loi de probabilité liée à la procédure d’échantillonnage.
 C’est donc une variable aléatoire !

Faire une illustration sur R

Traitement de données 2012–2013 – 39 / 137

18
0.7 Moyenne empirique

Moyenne empirique
Notons x1 , . . . , xN le nombre d’heures de jeux pour l’étudiant numéro 1, . . . , N . Notre étude
s’intéresse au paramètre
N
1 X
µ= xi .
N
i=1

Comme nous n’avons pas accès aux N étudiants, il paraît assez intuitif de considérer
n
1X
X= xI(j)
n
j=1

On l’appelle la moyenne empirique. C’est une statistique (elle est aléatoire puisque les I(j) le sont).
On dira aussi que X est un estimateur de µ puisque c’est une statistique estimant le paramètre µ.

Traitement de données 2012–2013 – 40 / 137

Espérance de la moyenne empirique

 Calculons l’espérance du temps de jeux pour le premier individu sélectionné.
N N N
X X 1 1 X
E[XI(1) ] = xj Pr[I(1) = j] = xj = xj = µ.
N N
j=1 j=1 j=1

De même puisque tous les individus sont équiprobables, on a

E[xI(j) ] = µ, j = 1, . . . , n.

L’espérance de X est alors

n
1X
E[X] = E[XI(j) ] = µ.
n
j=1

On dit alors que notre estimateur X est sans biais ou non biaisé.

Traitement de données 2012–2013 – 41 / 137

Variance de la moyenne empirique

 Le transparent précédent nous dit qu’en moyenne X notre estimateur est exact.
 X varie t il beaucoup autour de µ, i.e., on veut connaître sa variance
h
2 i
Var[X] = E X − E[X]

 Par analogie on définit également la variance sur la population (c’est donc un paramètre)
N
2 1 X
σ = (xj − µ)2
N
j=1
1 2 N −n
 On peut montrer que Var[X] = n σ N −1 , et donc que l’écart type de l’estimateur (on parle alors
d’erreur standard) est r
q
1 N −n
SE(X) := Var[X] = √ σ
n N −1

Traitement de données 2012–2013 – 42 / 137

19
 Pour votre culture
 Le terme k = (N − n)/(N − 1) s’appelle le facteur de correction en population finie.
 Il vient facilement que ce facteur de correction vaut approximativement
n−1 n
k =1− ≈1−
N −1 N
 Ainsi lorsque le rapport n/N est très petit, ce qui est souvent le cas en statistique, le facteur de
correction est proche de 1 et r
k σ
SE[X] = σ≈√ .
n n
 Ainsi k est souvent ignoré mais pour notre étude nous ne devons pas puisque

k = (314 − 91)/(314 − 1) = 0.71.

Traitement de données 2012–2013 – 43 / 137

Variance empirique q
 Le problème avec SE(X) = √1n σ N N −1 , c’est que σ doit être connu
−n

 Ce n’est généralement pas le cas. Après tout on ne connaissait pas µ alors pourquoi connaître
σ2 . . .
 Un estimateur de σ 2 est
n
1 X
2
s2 = xI(j) − X
n−1
j=1

 Et puisque
1 2N − n
Var[X] = σ ,
n N −1
un estimateur de cette quantité est donc

s2 N − n
.
n N −1
Traitement de données 2012–2013 – 44 / 137

 En fait cet estimateur de Var[X] n’est pas entièrement satisfaisant puisqu’on peut montrer que
 2 
s N −n N
E = Var[X],
n N −1 N −1

il est donc biaisé.

 Un estimateur sans biais de Var[X] est alors

s2 N − n
n N
 Remarque : Pour une population de taille raisonnable, ces deux estimateurs ne diffèrent que très
peu.

Traitement de données 2012–2013 – 45 / 137

20
0.8 Proportions

Proportions
 Parfois le paramètre d’intérêt est une proportion
 Pour notre étude cela pourrait être la proportion des étudiant qui ont joué aux jeux vidéos la
semaine précédent l’examen
 Dans de tels cas on introduit une variable binaire valant 0 ou 1. Par exemple
(
1, si l’étudiant numéro 1 a joué
x1 =
0, si l’étudiant numéro 1 n’a pas joué
P
 Ainsi τ = Nj=1 xj est le nombre d’étudiants ayant joué aux jeux vidéo la semaine précédent
l’examen PN
 De même π = j=1 xj /N est la proportion de tels étudiants

Traitement de données 2012–2013 – 46 / 137

 D’après les transparents précédents, X est un estimateur sans biais de π

 et donc N X est un estimateur sans biais de τ .
 Dans ce contexte particulier, les résultats précédents sont toujours valide mais se simplifient un peu.
 En effet

N
1 X 1 X 2

σ2 = (xj − π)2 = xj − 2πxj + π 2
N N
j=1 j
2 2
= π − 2π + π = π(1 − π)

 Et un estimateur de Var[X] est

X(1 − X) N − n
n−1 N
Traitement de données 2012–2013 – 47 / 137

0.9 Théorème Central Limite et Intervalles de confiance

Théorème central limite

Version orale :

Si la taille de l’échantillon est grande, alors la distribution de la moyenne empirique suit

approximativement une loi normale.

Version formelle

Théorème 1 (Théorème central limite). Soient X1 , X2 , . . . des variables aléatoire indépendantes et de

même loi de moyenne µ < ∞ et de variance σ 2 < ∞, alors

√ X −µ
Z= n
σ
converge (en loi) vers une loi normale centrée réduite, notée N (0, 1).

21
Traitement de données 2012–2013 – 48 / 137

“Oui mais vous nous avez dit que pour un échantillonnage aléatoire simple, les xI(j) ,
j = 1, . . . , n, étaient dépendants !!!”

 C’est une très bonne remarque !

 Toutefois si le rapport n/N est petit, la dépendance est alors tellement faible que le TCL reste
valide.
 Le TCL est donc un outil souvent applicable et très puissant.
 Très puissant puisqu’il ne suppose pas connaître la loi des Xi (juste que l’espérance et la variance
existent).

Traitement de données 2012–2013 – 49 / 137

Intervalles de confiance
 Le TCL peut être utilisé afin d’obtenir des intervalles de confiance.
 Par exemple un intervalle de confiance à 68% est
 
σ σ
X − √ ,X + √
n n

 De même un intervalle de confiance à 95% est

 
σ σ
X − 1.96 √ , X + 1.96 √
n n

 Et plus généralement un intervalle de confiance à (1 − α)%

 
σ σ
X − z1−α/2 √ , X + z1−α/2 √ , z1−α/2 lu dans la table N (0, 1)
n n

 En pratique σ n’est pas connu et remplacé par s défini avant

Traitement de données 2012–2013 – 50 / 137

Niveaux de confiance
 Que signifie le terme niveau de confiance à 95% ?
 Si l’on considère plusieurs échantillons X prendra des valeurs différentes
 De même on aura donc des intervalles de confiance différents
 Alors la moyenne sur la population µ appartiendra à ces intervalles de confiance dans 95% des cas

Traitement de données 2012–2013 – 51 / 137

Ce que nous avons vu

 Vocabulaire statistique : échantillon, population, unité. . .
 Moyenne empirique
 Variance empirique
 TCL
 Intervalles de confiance
Traitement de données 2012–2013 – 52 / 137

22
Motifs dans l’ADN
Estimations et tests

53 / 137
0.10 Problématique

Problématique
 Le cytomegalovirus humain (CMV) est un virus dangereux pour les personnes immunodéficientes
 Pour combattre le virus, des chercheurs s’intéressent à sa manière de se répliquer
 En particulier à un endroit particulier de son ADN, l’origine, qui contient l’information pour sa
reproduction
 L’ADN est formé de seulement 4 lettres (A, C, G, T), une séquence d’ADN contient donc de
nombreux motifs.
 Certains motifs peuvent indiquer une position importante comme l’origine.
 Un palindrome complémentaire est un de ces motifs pour lequel une séquence lue de droite à
gauche correspond au complémentaire de la séquence lue normalement

GGGCATGCCC, Comp(A) = C, Comp(G) = T

Traitement de données 2012–2013 – 54 / 137

 Le CMV appartient à la famille des herpès virus comme l’herpès simplex et le virus d’Epstein–Barr
 Ces deux autres virus marquent l’origine par des palindromes complémentaires

HS par un palindrome très long (144 lettres)

EB par un amas de courts palindromes
 Certains biologistes conjecturent que son origine est marquée par un amas de palindromes
 Pour localiser l’origine on pourrait découper l’ADN en segments et tester quels sont les segments
pouvant se répliquer
 Ceci est valide mais très coûteux et long

Traitement de données 2012–2013 – 55 / 137

23
  Une approche statistique permettant d’identifier des amas anormaux de palindromes permettrait
d’affiner les zones de recherche
 Le séquençage du CMV a été fait en 1990
 En 1991 des chercheurs ont répertoriés la position de différents motifs
 Le plus long palindrome pour le CMV fait 18 paires de bases et contient 296 palindromes ayant
entre 10 et 18 paires de bases
 Nos données sont donc les positions de ces palindromes

Traitement de données 2012–2013 – 56 / 137

Figure 9: Positions des 296 palindromes du CMV [Chee et al., 1990].

Traitement de données 2012–2013 – 57 / 137

0.11 Théorie

Processus de Poisson
 Le processus de Poisson (homogène) est un modèle probabiliste pour l’occurrence de phénomènes
aléatoires, e.g., arrivée dans une file d’attente, positions des étoiles dans le ciel. . .
 Prenons l’exemple de la file d’attente. Il est raisonnable de supposer que

– chaque personne agit indépendemment

– pour une personne donnée et pour un laps de temps très court, il est peu probable que cette
personne entre dans la file
– mais puisqu’il y a beaucoup de personnes, il est probable que certains d’entre eux joignent la
file durant ce laps de temps

Traitement de données 2012–2013 – 58 / 137

24
  Le processus de Poisson est un modèle naturel pour modéliser des points (ou temps) distribués
complètement au hasard sans régularité apparente
 Ce processus suppose plusieurs hypothèses

– Le taux d’apparition, noté λ, des points ne dépend pas de l’espace/du temps (homogénéité)
– Les nombres de points appartenant à deux régions disjointes sont indépendants
– Les points ne peuvent pas se superposer
Traitement de données 2012–2013 – 59 / 137

Utilité du processus de Poisson

Puisque selon ce modèle les positions des palindromes apparaissent sans aucune régularité,
un écart des observations à ce modèle nous indiquera une région où le nombre de
palindromes est anormalement élevé.

Il s’agira donc ici

 d’ajuster notre modèle à nos données

=⇒ Estimation de paramètres

 de voir si le modèle “colle” aux données

=⇒ Test d’adéquation à une loi

Traitement de données 2012–2013 – 60 / 137

Loi de Poisson
 Que peut on bien faire avec des points répartis au hasard ? Compter non ?
 Le processus de Poisson de taux λ suppose que la probabilité qu’il y ait k points dans un intervalle
de longueur 1 est
λk −λ
Pr[N = k] = e , k∈N
k!
 Une variable aléatoire N ayant cette loi suit une loi de Poisson de paramètre λ notée P oiss(λ).
 Le paramètre λ est un taux et représente le nombre de points moyen par unité de longueur
 C’est aussi l’espérance de la loi de Poisson, i.e., E[N ] = λ où N ∼ P oiss(λ)
 Enfin si on s’intéressait à un intervalle de taille L alors le nombre de points suivrait une loi
P oiss(λL) (homogénéité)

Traitement de données 2012–2013 – 61 / 137

Estimation de paramètres
 Pour notre étude, nous devons ajuster notre modèle (le processus de Poisson) à nos données (les
positions des palindromes)
 En statistique on parle alors d’estimation de paramètres (d’une loi)
 Dans ce cours nous allons voir deux méthodes différentes

1. La méthode des moments :

On parle alors de l’estimateur des moments
2. La méthode du maximum de vraisemblance :
On parle alors de l’estimateur du maximum de vraisemblance

25
Traitement de données 2012–2013 – 62 / 137

La méthode des moments

 L’idée de la méthode des moments est très simple
“On égalise les moments de l’échantillon (empirique) à ceux de la population (théorique)”
 Mais c’est quoi un moment ?
 Le k-ième moment (par rapport à l’origine), k ∈ N∗ ,
– Population (théorique) : E[X k]
1 Pn
– Échantillon (empirique) : n i=1 Xik
iid
Exemple 1. Soient X1 , . . . , Xn ∼ P oiss(λ), i.e., suivant indépendemment une loi de Poisson.
Estimer λ.
iid
Exemple 2. Soient X1 , . . . , Xn ∼ N (µ, σ 2 ), estimer µ et σ 2 .

Traitement de données 2012–2013 – 63 / 137

La méthode du maximum de vraisemblance

Définition 1. Soient x1 , . . . , xn des données supposées être une réalisation d’un échantillon aléatoire
iid
X1 , . . . , Xn ∼ f (x, θ), i.e., de densité f alors la vraisemblance pour θ est

L(θ) = f (x1 ; θ) × f (x2 ; θ) × · · · × f (xn ; θ)

Définition 2. L’estimateur du maximum de vraisemblance θ̂M L d’un paramètre θ est celui qui, parmi
tous les θ possibles, donne à l’échantillon obtenu la plus grande vraisemblance d’être obtenu, i.e.

L(θ̂M L ) ≥ L(θ), pour tout θ

Traitement de données 2012–2013 – 64 / 137

Étapes de la méthode
On se facilite grandement les calculs en maximisant ℓ(θ) := ln L(θ). Les étapes pour trouver θ̂M L sont
1. Calculer L(θ)
2. Poser ℓ(θ) = ln L(θ) (c’est la log-vraisemblance)
3. Trouver θ̂M L tel que {dℓ/dθ}(θ̂M L ) = 0
4. (Vérifier qu’il s’agit bien d’un maximum)

Exemple 3. Supposons que x1 , . . . , xn soient des réalisations indépendantes d’une loi exponentielle,
i.e., de densité
f (x; λ) = λe−λx , x ≥ 0, λ > 0.
Trouvez λ̂M L .

Exemple 4. Pareil mais avec une loi P oiss(λ).

Traitement de données 2012–2013 – 65 / 137

26
 Propriétés de θ̂M L
 Lorsque les observations sont i.i.d., i.e., de même loi et indépendantes, θ̂M L a souvent de très
bonnes propriétés
 En effet sous des hypothèses de régularités, on a pour n grand
   2 
· 1 ∂ ln f (X; θ)
θ̂M L ∼ N θ, , I(θ) = −E
nI(θ) ∂θ 2

Exemple 5. Trouvez la loi de λ̂M L pour l’exemple de la loi exponentielle.

Traitement de données 2012–2013 – 66 / 137

Test d’adéquation à une loi

 En stat, on supposera souvent que les observations sont des réalisations indépendantes d’une
certaine loi, e.g., loi de Poisson.
 Cela ne veut bien sûr pas dire que les observations ont exactement cette loi mais que cette loi
reproduit bien l’aléa de nos observations
 Pour notre étude, nous aimerions que le processus de Poisson représente bien nos données
globalement
 Si tel est le cas, nous pourrions alors détecter une concentration anormale de palindromes dans une
région particulière
 Vérifier si un modèle probabiliste représente bien nos données s’appelle un text d’adéquation à une
loi
 Dans cette partie nous allons voir le test d’adéquation du χ2

Traitement de données 2012–2013 – 67 / 137

 Ici nos données sont le nombre de palindromes dans des segments disjoints (4000 paires de bases)

7 1 5 3 8 6 1 4 5 3
6 2 5 8 2 9 6 4 9 4
1 7 7 14 4 4 4 3 5 5
3 6 5 3 9 9 4 5 6 1
7 6 7 5 3 4 4 8 11 5
3 6 3 1 4 8 6
Table 4: Nombre de palindromes dans les 57 premiers segments disjoints de l’ADN du CMV. Nombre total = 294.

 Cette représentation des données n’est pas très pratique

 On va donc les formater d’une manière plus pratique pour notre test

Traitement de données 2012–2013 – 68 / 137

27
 Nombre de Nombre d’intervalles
palindromes observés attendus
0–2 7
3 8
4 10
5 9
6 8
7 5
8 4
≥9 6
Total 57
Table 5: Distribution du nombre de palindrômes dans les 57 premiers segments.

 Le nombre d’intervalles attendus correspond au nombre attendu sous notre modèle, i.e., la loi de
Poisson
Traitement de données 2012–2013 – 69 / 137

 Par exemple le nombre attendu d’intervalles ayant 3 palindromes est

λ3 −λ
57 × Pr[N = 3] = 57 × e
|{z} | {z } 3!
n proba d’être dans la classe

 Il faut donc connaître λ

 La méthode des moments (ou du max de vrais.) nous dit que

λ̂ = X = 294/57 = 5.16

 Ainsi l’effectif attendu pour avoir 3 palindromes est

5.163 −5.16
57 × Pr[N = 3] = 57 × e = 7.5
3!
 On fait de même pour les autres lignes.

Traitement de données 2012–2013 – 70 / 137

28
 Nombre de Nombre d’intervalles
palindromes observés attendus
0–2 7 6.4
3 8 7.5
4 10 9.7
5 9 10.0
6 8 8.6
7 5 6.3
8 4 4.1
≥9 6 4.5
Total 57 57
Table 6: Distribution du nombre de palindrômes dans les 57 premiers segments.

 La statistique pour notre test du χ2 est alors

(7 − 6.4)2 (8 − 7.5)2 (10 − 9.7)2 (9 − 10)2 (8 − 8.6)2 (5 − 6.3)2 (4 − 4.1)2 (6 − 4.5)2
Tobs = + + + + + + + = 1.0
6.4 7.5 9.7 10 8.6 6.3 4.1 4.5

Traitement de données 2012–2013 – 71 / 137

 Notez que Tobs est une sorte de “distance” entre nos observations et notre modèle
 Intuitivement, si cette “distance” est petite notre modèle colle aux données, sinon c’est un mauvais
modèle
 Question : A partir de quelle distance peut on dire que le modèle est bon ?
 La théorie nous dit que si notre modèle est le bon, alors Tobs suit une loi du chi-deux à six degrés
de liberté notée χ26
 Pour conclure sur l’adéquation de notre modèle,

Pr[χ26 > Tobs ] = 0.98,

ainsi nous avons de forte chance d’avoir une “distance” supérieure à 1.0.
 On peut conclure que le processus de Poisson représente bien la position des palindromes.

Traitement de données 2012–2013 – 72 / 137

29
Traitement de données 2012–2013 – 73 / 137

Présentation du test plus formelle

 On calcule les effectifs observés pour chaque classe, notés eff. obsj , j = 1, . . . , K (K nombre de
classes)
 On calcule les effectifs théoriques/attendus pour chaque classe

eff. théo.j = n Pr[être dans la classe j]

 On calcule la statistique
K
X (eff. obsj − eff. théoj )2
Tobs =
eff. théoj
j=1
 Si notre modèle est vrai, alors

Tobs ∼ χ2K−1−p , où K nb. de classes, p nb. de paramètres estimés

 On calcule la p-valeur
p-valeur = Pr[χ2K−1−p > Tobs ]

Traitement de données 2012–2013 – 74 / 137

30
 Vocabulaire des tests statistiques
 Un test statistique (d’adéquation ou autre) “compare” toujours 2 hypothèses et vérifie laquelle des
deux est la plus vraisemblable à partir des données
 Plus formellement un test statistique s’écrit

H0 : hypothèse nulle contre H1 : hypothèse alternative

| {z } | {z }
proc. de Poisson pas proc. de Poisson

 Une statistique de test T dont la loi est connue sous H0

 Un niveau de confiance 1 − α, typiquement α = 10% ou 5%.
 Une zone de rejet  
x ∈ R : Pr[T > x] < α ,
H0

pour laquelle on décide en faveur de H1 si Tobs appartient à la zone de rejet.

Traitement de données 2012–2013 – 75 / 137

Les erreurs dans un test statistique

 Un test statistique est toujours associé à deux types d’erreurs
 L’erreur de première espèce
α = Pr[décider en faveur de H1 ]
H0
 et l’erreur de seconde espèce

β = Pr[décider en faveur de H0 ]
H1

 Pour la plupart des tests, c’est l’utilisateur qui décide de α. Typiquement α = 10% ou α = 5%.
 Pour α fixé, β est alors déterminée — bien que pas toujours connue explicitement
 A plusieurs tests on préferera le test le plus puissant, i.e., pour α fixé celui qui maximise la
puissance
1 − β = Pr[décider en faveur de H1 ]
H1

Traitement de données 2012–2013 – 76 / 137

Ce que nous avons vu

 Le processus de Poisson homogène
 La loi de Poisson
 Méthode des moments, maximum de vraisemblance
 Test d’adéquation du χ2
 Vocabulaire des tests statistiques

Traitement de données 2012–2013 – 77 / 137

31
Saurez-vous faire la différence ?
Plans d’expérience

78 / 137
0.12 Problématique

Problématique
 Ronald A. Fisher (1890–1962) a énormément contribué à la statistique
moderne
 Une de ses études a été motivé par une lady anglaise prétendant qu’elle
pouvait faire la différence entre un thé auquel le lait était ajouté avant
ou après le thé.

 Nous allons voir étudier la capacité à différencier le café normal et décaféiné

Traitement de données 2012–2013 – 79 / 137

32
 Les données
 Nos données sont juste le nombre de tasses de cafés identifiées à raison comme “café normal”
 Ces données peuvent donc se mettre sous la forme d’un tableau 2 × 2
Café servi
Normal Décaféiné
Normal a b a+b
Testeur dit
Décaféiné c d c+d
a+c b+d n

 Évidemment le nombre total de tasses servies est n = a + b + c + d

 Nous voyons qu’il y a a + c cafés normaux de servis et que le testeur dit qu’il y en a a + b.
 Si le sujet sait faire la différence, alors b ≈ 0 et c ≈ 0
 Nous allons voir comment tester si l’individu a de telles capacités

Traitement de données 2012–2013 – 80 / 137

0.13 Théorie

Loi hypergéométrique
 Supposons que n = 8 tasses sont servies, 4 tasses de chaque sorte
 Le testeur est informé de ce plan d’expérience
 Cela implique donc des contraintes sur notre tableau

a+b=a+c =c+d =b+d=4

 En conséquence, la connaissance d’une seule case nous permet de remplir le tableau entièrement,
i.e., si a est connu
b = 4 − a, c = 4 − a, d=a
 Nous allons maintenant introduire l’aléatoire
Traitement de données 2012–2013 – 81 / 137

Modèle probabliste
 Considérons les hypothèses suivante

H0 : le testeur ne sait pas faire la différence

H1 : le testeur sait faire la différence

 Il y a donc  
8
= 70 façons de choisir 4 cafés normaux parmi 8
4
8

 Sous H0 chacune de ses classifications à la même probabilité 1/ 4
 Mais une seule est la vraie qui a pour probabilité 1/70

Traitement de données 2012–2013 – 82 / 137

33
 Test exact de Fisher
 Soit N le nombre de cafés normaux mal classifiés
 Alors


4 4
a 4−a
Pr[N = a] = 8
, a = 0, . . . , 4,
4
cette loi est connue sous le nom de loi hypergéométrique
Table 7: Probabilités selon la loi hypergéométrique de mal classer a cafés comme normaux.
Nombre d’erreurs 0 1 2 3 4
Probabilité 1/70 16/70 36/70 16/70 1/70

 Ce tableau nous donne donc les p-valeurs exactes que le testeur n’a pas ces capacités
 Si le testeur ne fait aucune erreur p-valeur = 1/70 ≈ 0.014 et s’il en fait une
1 16
p-valeur = Pr[N ≤ 1] = + ≈ 0.24
70 70
Traitement de données 2012–2013 – 83 / 137

 Pour ce cas particulier, on ne rejetterai pas H0 si le sujet fait au plus 1 erreurs — pour les niveaux
de confiance usuels de 90% ou 95%.
 En revanche s’il fait aucune erreur on rejetterai H0 au profit de H1 : il sait faire la différence
 Ce test est connu sous le nom du text exact de Fisher

Remarque. Notez qu’il y a qu’un nombre fini de classifications possibles. En conséquence il y a un

nombre fini de p-valeurs et les régions critiques pour les niveau 90% et 95% peuvent ne pas exister

Traitement de données 2012–2013 – 84 / 137

Un deuxième plan d’expérience

 Pour tester notre sujet sur nos 8 tasses de café, on aurait pu procéder autrement
 Avant le test, on jette une pièce. Si pile, on sert un café normal ; sinon un décaféiné. Le sujet ne
voyant rien de tout cela bien sûr.
 Pour ce plan d’expérience il y a maintenant

28 = 256 classifications possibles

 Sous H0 chaque classification a pour proba 1 / 256 et une seule est la bonne
 Notons B (resp. C) est la variable aléatoire représentant le nombre de café normaux (resp. décaf)
classés à tort comme décaf (resp. normaux)
 La probabilité de faire b + c erreurs est alors

8

b+c
Pr[N = b + c] = , b + c = 0, . . . , 8
256
Traitement de données 2012–2013 – 85 / 137

34
 Un troisième plan d’expérience
 Une autre approche consisterai à servir les cafés par paires, i.e., un normal + un décaféiné
 Comme pour le premier plan, nous n’avons besoin de connaître uniquement le nombre c des cafés
normaux classés comme décaféinés
 Puisqu’on ne s’occupe que des cafés classés comme normaux, il y a

24 = 16 classifications possibles

 Sous H0 chacune de ces classifications ont la même proba 1/16 et une seule est la vraie
 La probabilité de faire c erreurs est alors

4

c
Pr[N = c] = , c = 0, . . . , 4
16
Traitement de données 2012–2013 – 86 / 137

 Les plans d’expériences rendent plus ou moins difficile de faire un sans faute
 Sur notre exemple nous avons

Plan d’expérience n◦ 1 2 3
Pr[N = 0] 0.014 0.004 0.06

 Choisir un bon plan d’expérience est une branche à part entière en statistique — et que nous ne
verrons pas

Traitement de données 2012–2013 – 87 / 137

Test approché de Fisher : z-test

 Si n est grand, il est difficile voire impossible de calculer les p-valeurs
 On a alors recours au test approché de Fisher
 L’idée consiste à remplacer la loi hypergéométrique par son approximation selon la loi normale
 Notons par A, B, C et D les variables aléatoires liées à notre tableau de comptage
 Pour le premier plan d’expérience, A suit une loi hypergéométrique et on peut montrer que (admis)

(a + b)(a + c)
E[A] =
n
(a + b)(a + c)(b + d)(c + d)
Var[A] =
n × n × (n − 1)

Traitement de données 2012–2013 – 88 / 137

35
  Il convient donc de centrer et réduire a
(a+b)(a+c)
a − E[A] a− n
z= ≈q
SD(A) (a+b)(a+c)(b+d)(c+d)
n3
√
n(ad − bc)
=p
(a + b)(a + c)(b + d)(c + d)

 La statistique z suit approximativement une loi normale centrée réduite et les p-valeurs sont donc
déduites de cette loi
 La loi normale étant continue et la loi hypergéométrique discrète, on utilisera souvent la correction
a + 0.5 dans l’expression de z
Traitement de données 2012–2013 – 89 / 137

Tableaux de contingence
 Un tableau 2 × 2 classant les sujets selon une variable binaire est appelé un tableau de contingence
 Pour la leçon 2 sur les jeux vidéos on a

Sexe
Homme Femme
Oui 43 26 69
Aime jouer
Non 8 12 20
51 38 89

 Supposons que nous voulions tester si le sexe a une influence sur le fait d’aimer jouer, i.e., en
termes statistiques

H0 : aimer jouer et le sexe sont indépendants

H1 : aimer jouer et le sexe ne sont pas indépendants

Traitement de données 2012–2013 – 90 / 137

Test d’indépendance du χ2
 Vous vous rappelez du test d’adéquation du χ2 non ?
K
X (eff. obsj − eff. théoj )2
, K nb. de classes
eff. théoj
j=1

 Pour nous on a donc K = 4

 Si le sexe est indépendant du fait d’aimer jouer alors

πA = αβ, πB = α(1 − β), πC = (1 − α)β, πD = (1 − α)(1 − β),

où α est la proba. de choisir un étudiant qui aime jouer et β la proba. de choisir un étudiant
homme.
 Les effectifs théoriques sont alors

E[A] = nαβ, E[B] = nα(1 − β), E[C] = n(1 − α)β, E[D] = n(1 − α)(1 − β)

Traitement de données 2012–2013 – 91 / 137

36
  α et β étant inconnu, il paraît naturel de les estimer par leur proportions empiriques
 On a alors pour A
a+ba+c 69 51
E[A] ≈ n = 89 × × = 39.5
n n 89 89
 Pour les autres effectifs théoriques on trouve 11.5, 29.5 et 8.5
 La statistique de test vaut alors

(43 − 39.5)2 (26 − 29.5)2 (8 − 11.5)2 (12 − 8.5)2

+ + + = 3.2
39.5 29.5 11.5 8.5
 La p-valeur est alors Pr[χ24−1−2 > 3.2] = 0.08
 Au niveau 5% on ne rejette donc pas H0 et le sexe est indépendant du fait d’aimer jouer ou non.

Traitement de données 2012–2013 – 92 / 137

z-test sur deux échantillons (comparaison de proportions)

 Supposons maintenant que les étudiants hommes et femmes ont été échantillonnés
indépendamment
 Alors on a

A ∼ Bin(51, γA ), C = 51 − A, B ∼ Bin(38, γB ), D = 38 − B,

où γA (resp. γB ) est la proba. d’aimer jouer chez une homme (resp. femme)
 Une autre formulation de notre question de base serait alors

H 0 : γA = γB = γ contre H1 : γA 6= γB

 On estime facilement ces deux paramètres par leurs versions empiriques

a 43 b 26
γ̂A = = , γ̂B = =
a+c 51 b+d 38
Traitement de données 2012–2013 – 93 / 137

A B
 Sous H0 , a+c − b+d a pour espérance 0 et variance
 
1 1
γ(1 − γ) +
a+c b+d

 Ainsi la statistique
A B
a+c − b+d ·
z=r   ∼ N (0, 1)
1 1
γ(1 − γ) a+c + b+d

 γ est estimé naturellement par a+b

n , de sorte que zobs = 1.8 et la p-valeur vaut
Pr[|Z| > 1.8] = 0.08
√
 Remarquons que 3.2 = 1.8 ce qui est normal puisque z 2 ∼ χ21
 Ce test se confond avec le test d’indépendance du χ2 .

Traitement de données 2012–2013 – 94 / 137

37
 Ce que nous avons vu
 Loi hypergéométrique
 Test exact de Fisher
 z-test
 Tableaux de contingence
 Test d’indépendance du χ2
 z-test sur deux échantillons
Traitement de données 2012–2013 – 95 / 137

Courbe de croissance du crabe dormeur

Modèle linéaire simple

96 / 137
0.14 Problématique

Problématique
 Aux USA les crabes dormeurs sont péchés sur la côte ouest de décembre à juin
 Chaque année presque tous les crabes mâles adultes sont péchés
 Les femelles sont relâchées afin préserver la ressource
 Afin de réduire les fluctuations du nombre annuel de crabes péchés, il a été demandé de pouvoir
pécher les femelles
 Se pose donc la question du “gabarit” des carapaces des femelles indiquant la relâche ou la capture
 Il s’agit donc de modéliser la courbe de croissance des carapaces des femelles

Traitement de données 2012–2013 – 97 / 137

38
 Les données
 Tailles avant et après mue sur 472 crabes dormeurs femelles
 Données mixtes issues de laboratoires et de capture-recapture
 Les données issues de capture-recapture ont été obtenue “en marquant” 12 000 crabes
 Afin d’obtenir à nouveau ces crabes auprès des pêcheurs, une loterie avec un prix de 500$ a été
effectué
Avant mue 113.6 118.1 142.3 125.1 98.2 119.5 116.2
Après mue 127.7 133.2 154.8 142.5 120.0 134.1 133.8
Accroissement 14.1 15.1 17.4 21.8 14.6 17.6
Source 0 0 1 1 1 1 1

Table 8: Partie du tableau de données des 472 tailles (mm) des femelles crabes. Source : 0 si laboratoire, 1 sinon.

Traitement de données 2012–2013 – 98 / 137

150
140
Taille (mm) avant la mue

130
120
110
100

120 130 140 150 160

Taille (mm) apres la mue

Figure 10: Taille des carapaces des femelles crabes après et avant la mue.

Traitement de données 2012–2013 – 99 / 137

39
0.15 Théorie

Coefficient de corrélation
 La figure précédente nous montre qu’il y a une forte relation linéaire entre la taille avant et après la
mue, i.e., les points s’amassent autour d’une droite
 Le coefficient de corrélation (linéaire) mesure la force de cette relation
 Soient (x1 , y1 ), . . . , (xn , yn ) les couples des tailles après et avant la mue
 Le coefficient de corrélation est donné par

n
1 X xi − x yi − y
R= × , Crabes: R = 0.98
n SD(x) SD(y)
i=1

 C’est une mesure sans unité (on a standardisé les xi et yi ) et qui varie entre −1 et 1.
 Lorsque R = 1 ou R = −1 les points sont parfaitement alignés sur une droite dont la pente est du
signe de R

Traitement de données 2012–2013 – 100 / 137

Une mesure de la dépendance linéaire seulement !

5
2

R = 0.96 R = 0.03 R=0

4

4
1
2

3
y

y
0
0

2
−1
−2

1
−2

−2 −1 0 1 −2 −1 0 1 −2 −1 0 1 2
x x x

 Le premier nuage de points montre une forte dépendance linéaire. L’utilisation de R est justifiée
 Le deuxième nuage de points montre aucune réelle dépendance entre x et y. L’utilisation de R est
justifiée
 Le troisième montre une dépendance parfaite mais non linéaire entre x et y. L’utilisation de R est
maladroite
 Il est donc toujours bon de visualiser le nuage de points

Traitement de données 2012–2013 – 101 / 137

40
 Vers le modèle linéaire
A partir de la figure, on voit qu’un crabe ayant

150

150
une taille après la mue de 150mm a une taille
avant la mue d’environ 136mm En prenant cette

140

140
fois des tailles entre 147.5 et 152.5, on trouve

Taille (mm) avant la mue

Taille (mm) avant la mue

69 crabes. Leur taille avant mue moyenne est

130

130
150 et l’écart-type 2.8 En faisant pareil pour 8
classes de tailles

120

120
110

110
100

100
120 130 140 150 160 120

Taille (mm) apres la mue

 En cherchant à prédire la taille avant mue d’un crabe de taille 150 mm après mue, il paraît
raisonnable d’énoncer la taille 136 En cherchant à prédire la taille avant mue d’un crabe de taille
150 mm après mue, il paraît raisonnable d’énoncer la taille 136 associée à une erreur de 2.8 En
cherchant à prédire la taille avant mue d’un crabe de taille après mue quelconque, on serait tenter
de tracer une droite passant par les ∗ et d’avoir une “enveloppe d’erreur”
 Cette droite est elle la meilleure possible ?

Traitement de données 2012–2013 – 102 / 137

Quelques notations / rappel

1 Pn 1 Pn
 Moyennes empiriques x = n i=1 xi , y= n i=1 yi
 Variances empiriques

n
1X
V (x) = (xi − x)2 = x2 − x2
n
i=1
n
1 X
V (y) = (yi − y)2 = y 2 − y 2
n
i=1
p p
 Écart-types empiriques SD(x) = V (x), SD(y) = V (y)
 Covariance empirique
n
1X
Sxy = (xi − x) (yi − y) = xy − x y,
n
i=1

i.e., la moyenne des produits moins le produit des moyennes

Traitement de données 2012–2013 – 103 / 137

41
 Méthode des moindres carrés
 Sous certaines hypothèses la méthode des moindres carrés donne la meilleure prédiction possible
 Elle consiste à trouver a et b minimisant
n
X X
(yi − axi − b)2 , i.e., (tailleavant mue − atailleaprès mue − b)2
i=1
 L’estimateur des moindres carrés, i.e., la solution au problème ci-dessus, est
Sxy
â = , b̂ = y − âx
V (x)
 La droite de régression ou droite des moindres carrés est alors

ŷ = âx + b̂,

i.e., ŷ est la meilleure prédiction de y sachant x.

Traitement de données 2012–2013 – 104 / 137

droite des moindres carres

150
140
Taille (mm) avant la mue

130
120
110
100

120 130 140 150 160

Taille (mm) apres la mue

Figure 11: Droite des moindres carrés pour les tailles des crabes — â = 1.1, b̂ = −29. Les tailles moyennes selon 8 classes sont
représentées par le symbole ∗.

Traitement de données 2012–2013 – 105 / 137

42
 Le modèle linéaire simple
 N’étant pas naïf, nous savons bien que la droite ŷ = âx + b̂ n’est pas parfaite
 Il est donc souvent utile d’imposer une loi de probabilité sur les erreurs
 Le modèle linéaire simple suppose que les erreurs, notées εi , sont gaussiennes, i.e.,

Yi = axi + b + εi , i = 1, . . . , n,
iid
où εi ∼ N (0, σ 2 ) et a et b sont les paramètres de régression à estimer.
 Puisque les εi sont des variables aléatoires, la réponse Yi l’est également mais les observations yi
non
 Hypothèse importante d’homoscédasticité : la variance des erreurs est constante
 Attention les erreurs, qui sont des variables aléatoires, ne correspondent pas aux résidus ri , qui
sont juste des nombres.

Traitement de données 2012–2013 – 106 / 137

Utilité des hypothèses supplémentaires

 On appelle résidus
ri = yi − âxi − b̂ = yi − ŷi

 Attention les résidus ne sont pas les erreurs εi

 La variance des erreurs σ 2 est estimée sans biais par la variance résiduelle
Pn 2
2 r
σ̂ = i=1 i , car 2 paramètres de régression
n−2
 Les estimateurs â et b̂ suivent une loi normale
  !
σ2 σ 2 x2
â ∼ N a, , b̂ ∼ N b,
nV (x) nV (x)
 En pratique on remplacera σ 2 qui est inconnue par son estimation σ̂ 2

Traitement de données 2012–2013 – 107 / 137

 Il est également possible de connaître la distribution de ŷ∗ = âx∗ + b̂, pour un x∗ donné.
  
2 1 (x − x∗ )2
ŷ∗ ∼ N ax∗ + b, σ 1 + +
n V (x)

 Comme précédemment, on remplacera σ 2 qui est inconnue par son estimation σ̂ 2 .

 Les résultats précédents permettent d’obtenir des intervalles de confiances et de faire des test
d’hypothèses.

Traitement de données 2012–2013 – 108 / 137

43
 Tests d’hypothèses
 Il est souvent utile de tester si un des paramètres de la droite de régression vaut une valeur
particulière, typiquement 0
 Par exemple pour tester
H0 : a = a0 contre H1 : a 6= a0
on va utiliser la statistique de test
â − a0
T = ∼ tn−2 , sous H0
SE(â)

 Exemple : Pour a0 = 0, on a Tobs = (1.1 − 0)/0.011 = 100 et puisque Pr[|t342−2 | > |Tobs |] ≈ 0,
on rejette donc H0 .
 La même méthode s’applique bien entendu pour b.

Traitement de données 2012–2013 – 109 / 137

Intervalles de confiances
 En utilisant le même résultat sur la distribution de T , on peut obtenir des intervalles de confiance
 Par exemple un intervalle de confiance à 95% pour a est

[â − tn−2,0.975 × SE(â), â + tn−2,0.975 × SE(â)]

 Pour la pente de notre exemple nous obtenons

[1.1 − 1.96 × 0.011, 1.1 + 1.96 × 0.011] = [1.08; 1.12]

 Alors que pour l’ordonnée à l’origine

[−29 − 1.96 × 1.6, −29 + 1.96 × 1.6] = [−32; −26]

Traitement de données 2012–2013 – 110 / 137

44
Traitement de données 2012–2013 – 111 / 137

Pour voir si vous avez tout retenu

Voici une sortie de R sur notre exemple
> fit <- lm([Link] ~ [Link]) ## Ajuste le modèle linéaire
> summary(fit) ## Affiche plein d’informations

Call:
lm(formula = [Link] ~ [Link])

Residuals:
Min 1Q Median 3Q Max
-4.6233 -1.3044 0.1231 1.3016 11.1038

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -29.26843 1.58114 -18.51 <2e-16 ***
[Link] 1.10155 0.01098 100.36 <2e-16 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 1.998 on 340 degrees of freedom

Multiple R-squared: 0.9673,Adjusted R-squared: 0.9672
F-statistic: 1.007e+04 on 1 and 340 DF, p-value: < 2.2e-16

Traitement de données 2012–2013 – 112 / 137

45
 Propriétés de la droite de régression
 La droite des moindres carrés passe par le point (x, y)
P n

Pi=1 ri = 0
n

Pi=1 x i ri = 0
n
 i=1 ŷi ri = 0

Ainsi n n n n
X X X X
2 2 2
(yi − y) = (yi − ŷi + ŷi − y) = . . . = (ŷi − y) + ri2
i=1 i=1 i=1 i=1

conduisant à la décomposition de la somme des carrés totale

SCTotal = SCR + SCE

en une partie due à la régression et une partie due à l’erreur.

 Pour notre exemple, SCTotal = SCR + SCE = 40192 + 1357.

Traitement de données 2012–2013 – 113 / 137

Coefficient de détermination
 Nous venons de voir la décomposition de la somme des carrés totale

SCTotal = SCR + SCE

 La proportion de la variation totale expliquée par le modèle

SCR SCTotal − SCE
R2 = =
SCTotal SCTotal

est appelé coefficient de détermination; 0 ≤ R2 ≤ 1.

 Si

– R2 ≈ 1, alors yi ≈ ŷi et donc ri ≈ 0 : le modèle explique les données presque parfaitement

– R2 ≈ 0, alors â ≈ 0 et x n’explique presque rien de la variation totale.

Traitement de données 2012–2013 – 114 / 137

46
  Pour notre exemple, nous avons donc
40192
R2 = = 0.96
41549
 Le modèle explique donc presque toute la variation

Residuals:
Min 1Q Median 3Q Max
-4.6233 -1.3044 0.1231 1.3016 11.1038

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -29.26843 1.58114 -18.51 <2e-16 ***
[Link] 1.10155 0.01098 100.36 <2e-16 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 1.998 on 340 degrees of freedom

Multiple R-squared: 0.9673,Adjusted R-squared: 0.9672
F-statistic: 1.007e+04 on 1 and 340 DF, p-value: < 2.2e-16

Traitement de données 2012–2013 – 115 / 137

Ce que nous avons vu

 Coefficient de corrélation
 Méthode des moindres carrés
 Modèle linéaire simple
 Tests d’hypothèses sur a, b
 Intervalles de confiances sur a, b
 Coefficient de détermination
Traitement de données 2012–2013 – 116 / 137

47
Trisomie 21 chez les souris
Analyse de la variance

117 / 137
0.16 Problématique

Problématique
 La trisomie 21 est un syndrome congénital survenant lorsqu’un enfant reçoit un chromosome 21
supplémentaire de ses parents
 Aux USA, 250000 personnes sont atteintes de ce syndrome
 En 1980, on a découvert que seuls les gênes en “bas” du chromosome 21 étaient à l’origine de ce
syndrome
 Les scientifiques travaillent encore afin de mieux localiser le(s) gêne(s) responsable(s)
 Dans ce but des portions du chromosome 21 humain sont ajouter à l’ADN de souris de laboratoire
 Si la souris transgénique montre les symptômes alors la portion d’ADN contient le(s) gêne(s)
responsable(s)

Traitement de données 2012–2013 – 118 / 137

 Afin de déterminer si une souris est atteinte, elle est soumis à des tests (visuels) d’apprentissage,
d’intelligence
 Malheureusement 500 des souris de laboratoires sont aveugles
 Pour ces dernières seule leur masse est connue
 Se pose donc la question de savoir si le poids peut aider à mieux cerner le(s) gêne(s) responsable(s)

Traitement de données 2012–2013 – 119 / 137

48
 Données
 Le centre du génome humain au laboratoire Lawrence Berkeley a construit un panel de souris
transgéniques
 Chacune de ces souris “souches” contient une des quatre parties du chromosome 21 humain
 La deuxième génération est issue de la reproduction des souris “souches” et d’autres souris non
transgénique
 Ils ont procédé de même pour les générations suivantes, de sorte que la généalogie de chaque souris
est parfaitement connue

Figure 12: Localisation des quatres fragment d’ADN du chromosome 21.

Traitement de données 2012–2013 – 120 / 137

Données
ADN C C C C A A A A A
Lignée 50 50 50 50 4 4 28 28 28
Transgénique 1 0 0 1 1 1 0 1 0
Sexe 1 1 0 0 1 1 1 1 1
Age 113 113 112 112 119 119 115 115 115
Poids 31.6 30.1 23.1 26.3 31.2 28.4 28.1 30.1 29.1
Cage 1 1 5 5 7 7 9 9 10
Table 9: Parties des observations issues de 532 souris transgéniques. Transgénique : Oui (1). Sexe : Mâle (1), Age (jours), Poids
(g), Cage : numéro de la cage.

 Pour la suite on notera

– A le fragment 141G6
– B le fragment 152F7
– C le fragment 230E8
– D le fragment 285E6

Traitement de données 2012–2013 – 121 / 137

49
0.17 Théorie

La moyenne empirique vue par les moindres carrés

 Soient y1 , . . . , yn le poids de nos souris
 Il est facile de voir que la moyenne empirique y minimise la fonction
n
X
f (β) = (yi − β)2
i=1

 En effet en dérivant par rapport à β il vient

n
X n
X
f ′ (β) = 0 ⇐⇒ −2 (yi − β) = 0 ⇐⇒ nβ = yi
i=1 i=1
⇐⇒ β = y

 Il existe un lien entre la moyenne empirique est les moindres carrés

Traitement de données 2012–2013 – 122 / 137

 Si nous avons plusieurs groupes, par exemple A, B, C et D, on pourrait être intéressé à estimer la
moyenne pour chaque groupe
 Considérons deux groupes pour commencer. Transgénique (T) et non transgénique (NT)
 On introduit alors des variables binaires e1 , . . . , en valant 1 si la souris est transgénique et 0 sinon
 L’estimation par les moindres carrés de

n
X
f (β0 , β1 ) = (yi − β0 − β1 ei )2
i=1

est β̂0 = y NT et β̂1 = y T − y NT , où

1 X 1 X
yT = yi , yNT = yi
nT nNT
(T) (NT)

Traitement de données 2012–2013 – 123 / 137

Pourquoi c’est ça !#?#?

 Les souris sont soit transgénique soit non transgénique mais certainement pas les deux à la fois !
 Ainsi
n
X
f (β0 , β1 ) = (yi − β0 − β1 ei )2
i=1
X X
= (yi − β0 )2 + (yi − β0 − β1 )2
(NT) (T)

 Chaque somme se fait sur un groupe disjoint de souris

 Puisqu’un carré est positif, minimiser f (β0 , β1 ) revient à minimiser chacune des sommes
 Cela revient donc à faire deux moindres carrés et donc

β̂0 = y NT , β̂0 + β̂1 = y T .

50
Traitement de données 2012–2013 – 124 / 137

Généralisation
 Revenons maintenant à nos 4 groupes A, B, C, D
 On introduit alors 4 variable binaires eA , eB , eC et eD
(
1, si la i-ième souris a le fragment A
eA,i =
0, sinon

 On minimise alors par rapport à (β0 , βA , βB , βC , βD )

n
X
(yi − β0 − βA eA,i − βB eB,i − βC eC,i − βD eD,i )2
i=1
X X X
= (yi − β0 )2 + (yi − β0 − βA )2 + (yi − β0 − βB )2 +
(sans trisomie) (A) (B)
X X
(yi − β0 − βC )2 + (yi − β0 − βD )2
(C) (D)

Traitement de données 2012–2013 – 125 / 137

 La solution des moindres carrés à ce problème est donc

β̂0 = y 0 , β̂A = y A − y 0 , β̂B = y B − y0 , β̂C = y C − y0 β̂D = y D − y 0

 Lorsque nous avons beaucoup de groupes, il est souvent pertinent de faire un boxplot pour chaque
groupe afin d’avoir une première idée 34
40

32
30
35

28
26
30

24
22
25

[Link] A B C D [Link] A

Figure 13: Boxplot du poids des souris mâles selon leur catégorie.

Figure 14: Boxplot du poids des souris femelles selon leur catégorie.

Traitement de données 2012–2013 – 126 / 137

51
 Modèle pour la moyenne
 Nous venons juste de voir que les moyennes sur chaque groupe pouvait être calculées par la
méthode des moindres carrés
 En fait nous avons obtenu des estimations du modèle suivant


 β0 , sans trisomie


β0 + βA , si le fragment A est présent


E[Yi ] = β0 + βB , si le fragment B est présent




 β0 + βC , si le fragment C est présent


β0 + βD , si le fragment D est présent

 Ce modèle a l’avantage de s’interpréter facilement

 Par exemple, βA représente la différence entre la moyenne des poids transgénique A et des souris
sans trisomie.
Traitement de données 2012–2013 – 127 / 137

t-test le retour
 Typiquement on serait intéresser à savoir si le fragment A n’a pas d’influence
 En version statistique cela s’écrit donc

H0 : βA = 0 contre H1 : βA 6= 0

 La statistique pour ce test est T = β̂A /SE(β̂A )

 Et sous H0 et quelques hypothèses de régularités,

T ∼ tn−5 , car 5 groupes/paramètres

 On rejettera donc H0 dès lors que la p-valeur

Pr[|tn−5 | > |Tobs |]

sera petite, e.g., inférieure à 0.10 ou 0.05

Traitement de données 2012–2013 – 128 / 137

52
 Somme des carrés
 Pour tous ajustements par moindre carrés on a la décomposition

n
X n
X n
X
(yi − y)2 = (yi − ŷi )2 + (ŷi − y)2
|i=1 {z } |i=1 {z } |i=1 {z }
SCTotal SCE SCR

 Pour notre cas particulier, cette expression se simplifie puisque

n
X n X
X 5
(yi − ŷi )2 = (yi − y g )2
i=1 i=1 g=1
n
X 5
X
(ŷi − y)2 = ng (yi − y g )2 ,
i=1 g=1
P
avec y g = n−1
g (g) yi .

Traitement de données 2012–2013 – 129 / 137

ANOVA (ANalysis Of VAriance)

Table 10: Tableau ANOVA.
ddl Somme des carrés Carré Moyen F -statistique
P5 2
P5 2
i=1 ng (y g −y) i=1 ng (y g −y) /(5−1)
P5 2
Groupe 5−1 P
i=1 ng (y g − y) 5−1 n 2
i=1 (yi −ŷi ) /(n−5)

Pn 2
i=1 (yi −ŷi )
Pn 2
Résidu n−5 i=1 (yi − ŷi ) n−5 —
Pn
Total n−1 i=1 (yi − y)2

Théorème 2. Si les Yi sont non corrélés, Var[Yi ] = σ 2 et les moyennes Y g , g = 1, . . . , G suivent

(approximativement) une loi Normale. Alors
PG 2
i=1 ng (y g − y) /(G − 1)
P n 2
∼ FG−1,n−G ,
i=1 (yi − ŷi ) /(n − G)

où Fν1 ,ν2 représente une loi de Fisher à ν1 et ν2 degrés de liberté.

Traitement de données 2012–2013 – 130 / 137

53
 
La table de Fisher

Traitement de données 2012–2013 – 131 / 137

Utilité de l’ANOVA
 Permet de savoir si notre modèle est bon globalement
 Plus formellement, le test s’écrit

H0 : βA = βB = βC = βD = 0
H1 : au moins un des βA , βB , βC , βD est non nul

 L’ordonnée à l’origine, i.e., β0 , n’est pas concernée

 Ne dit pas quel coefficient est nul, faire un t-test pour cela
 Idéalement on souhaite rejeter H0 , ce qui dans notre cas implique que le poids moyen dépend d’au
moins un des groupes

Traitement de données 2012–2013 – 132 / 137

54
 >anova(fitMiceMale)
Analysis of Variance Table

Response: weight2
Df Sum Sq Mean Sq F value Pr(>F)
DNA2 4 191.31 47.828 6.1443 9.725e-05 ***
Residuals 260 2023.88 7.784
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Traitement de données 2012–2013 – 133 / 137

>summary(fitMiceMale)
Call:
lm(formula = weight2 ~ DNA2)

Residuals:
Min 1Q Median 3Q Max
-6.3276 -1.8276 -0.3103 1.4535 9.5724

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 31.9276 0.2723 117.262 <2e-16 ***
DNA2A 0.1708 0.4424 0.386 0.6998
DNA2B 1.2826 0.5232 2.452 0.0149 *
DNA2C 0.5224 0.7938 0.658 0.5111
DNA2D -1.6811 0.5051 -3.328 0.0010 **
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 2.79 on 260 degrees of freedom

Multiple R-squared: 0.08636,Adjusted R-squared: 0.07231
F-statistic: 6.144 on 4 and 260 DF, p-value: 9.725e-05

Traitement de données 2012–2013 – 134 / 137

L’ANOVA en général
 L’ANOVA ne s’applique pas qu’aux moyennes selon modalité(s) mais aux modèles linéaires en
général
 Le principe reste exactement le même

Yi = β0 + β1 x1,i + β2 x2,i + . . . + βp,i + εi , i = 1, . . . , n

 L’ANOVA test ici

H0 : β1 = . . . = βp = 0, contre H1 : ∃i ∈ {1, . . . , p}, βi 6= 0

 Et la statistique suivra alors une Fp−1,n−p

Traitement de données 2012–2013 – 135 / 137

55
 Retour sur la courbe de croissance des crabes dormeurs

Residuals:
Min 1Q Median 3Q Max
-4.6233 -1.3044 0.1231 1.3016 11.1038

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -29.26843 1.58114 -18.51 <2e-16 ***
[Link] 1.10155 0.01098 100.36 <2e-16 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 1.998 on 340 degrees of freedom

Multiple R-squared: 0.9673,Adjusted R-squared: 0.9672
F-statistic: 1.007e+04 on 1 and 340 DF, p-value: < 2.2e-16

 Bien entendu ici la variable explicative “taille après mue” est utile
 Vous devez à present tout connaître sur cette sortie numérique, hormis Adjusted R-squared que
nous ne verrons pas

Traitement de données 2012–2013 – 136 / 137

Ce que nous avons vu

 Lien entre moyenne empirique et moindre carrés
 Modèle pour la moyenne selon catégorie
 Retour sur le t-test
 ANOVA et loi de Fisher

Traitement de données 2012–2013 – 137 / 137

56