Réalisation de tests

statistiques avec R
Les tests
 Réalisation de tests statistiques
avec R
Objectifs à atteindre à cette étape
Connaitre les différents tests statistiques et leurs conditions d'application.

Réaliser des tableaux de contingence et des tests sur les variables

qualitatives.

Réaliser des tests de comparaison d'une variable quantitative en fonction

d'une variable qualitative.

Réaliser des tests de liaisons entre deux variables quantitatives.

Réalisation de tests statistiques
avec R

Connaitre les différents tests statistiques et leurs conditions

d'application
 Réalisation de tests statistiques
avec R
Principes généraux

Pour savoir si une différence observée entre deux variables est

uniquement due au hasard (variabilité aléatoire) ou si elle reflète une
«vraie» différence, il est nécessaire de s'appuyer sur des règles précises
et objectives, c'est le rôle des tests statistiques.
 Réalisation de tests statistiques
avec R
Principes généraux

Un test statistique est donc une procédure qui permettra de choisir

entre deux hypothèses à partir de données observées, généralement
issues d'un échantillon, tout en quantifiant le risque d'incertitude lié à
la décision finale.
 Réalisation de tests statistiques
avec R
Principes généraux

Toute la démarche d'un test est construite sur le fait que l'hypothèse de
référence (hypothèse nulle, H0) est considérée comme vraie. Il est donc
important de bien définir cette hypothèse de référence et d'en déduire
ensuite son hypothèse alternative.
 Réalisation de tests statistiques
avec R
Principes généraux

Le choix de l'une ou l'autre des hypothèses conduit à un tableau à 4

cases résumant les situations possibles. Il permet d'approcher la notion
de risque d'erreur en lien avec la décision finale.
Réalisation de tests statistiques
avec R
Principes généraux
 Réalisation de tests statistiques
avec R

Réaliser des tableaux de contingence et des tests sur les variables

qualitatives.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une autre
variable qualitative
Tests du χ²
a- Comparer des distributions de variables qualitatives (nominales,
ordinales, binaires) ou quantitatives discrètes
• χ² de conformité: pour la comparaison d’une distribution observée à
une distribution dans une population

• χ² d’homogénéité: pour la comparaison de deux ou plusieurs

distributions observées
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Tests du χ²

b- Etudier la liaison entre les distributions de deux variables qualitatives

(nominales, ordinales, binaires) ou quantitatives discrètes d'un même
échantillon
• χ² d’indépendance
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Tests du χ²
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Tests du χ²
Les principes du test repose sur la comparaison des effectifs observés
dans chacune des classes à la répartition théorique obtenue en
supposant que les variables sont indépendantes.

Les conditions d'application du test reposent sur un contrôle des

effectifs théoriques qui doivent être supérieurs ou égaux à 5
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une
autre variable qualitative
Tests du χ²
Les hypothèses nulles à tester sont:
• χ² conformité: l’échantillon observé provient de la population

• χ² d’homogénéité: les échantillons étudiés proviennent de la même population

• χ² d’indépendance: Il n'existe pas de liaison entre les deux variables

qualitatives.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Tests du χ²
Les tables de la loi du χ², en fonction des degrés de liberté, permettent
de connaître la valeur de p et de la comparer ensuite au seuil retenu,
généralement ≤ 0,05, pour conclure. Les degrés de liberté sont calculés
à partir du nombre de lignes et du nombre de colonnes.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
A - Test de χ² de conformité ou d’ajustement
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une autre variable
qualitative
A - Test de χ² de conformité ou d’ajustement
Pour comparer un pourcentage d'un échantillon à celui d'une population, vous utiliserez la
fonction [Link]().
Situation bilatérale

[Link](n1,n,pt)

n1= nombre de cas observé

n=effectif total
pt= proportion théorique
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
A - Test de χ² de conformité ou d’ajustement
Pour comparer un pourcentage d'un échantillon à celui d'une
population, vous utiliserez la fonction [Link]().
Situation unilatérale
[Link](n1,n, pt, alternative = "greater")

[Link](n1,n ,pt, alternative = "less")

 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une autre variable qualitative
A - Test de χ² de conformité ou d’ajustement
Pour comparer plusieurs pourcentages, vous utiliserez la fonction [Link]().
Exemples:
Soit les effectifs de l'échantillon E1 à comparer aux pourcentages attendus dans la population

Propop.
>E1<-c(89,37,30,28,2)

>Propop<-c(0.40,0.20,0.20,0.15,0.05)

>[Link](E1,p=Propop)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
B - Test de χ² d'homogénéité
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
B - Test de χ² d'homogénéité
Pour comparer les pourcentages de deux ou plusieurs échantillons,
vous utiliserez la fonction [Link]() qui est décrite au sous-chapitre
suivant.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
C - Test de χ² d'indépendance
Ce test de χ² est utilisé pour étudier la liaison entre deux variables
qualitatives. Dans ce cas, l'hypothèse nulle à tester est qu'il n'existe pas
de relation entre les deux variables. Avec le logiciel R, vous utiliserez la
fonction [Link]().
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
C - Test de χ² d'indépendance
Exemple
>[Link](table(Matable$GROUPOIDS,Matable$SEXE))$expected
# Vous obtiendrez alors ce résultat contenant les effectifs théoriques
pour chacun des sous-groupes.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
C - Test de χ² d'indépendance
Exemple
# Vous obtiendrez alors ce résultat contenant les effectifs théoriques pour
chacun des sous-groupes.

# Dans ce cas, il est nécessaire d'appliquer la correction de Yates puisque

des effectifs théoriques sont inférieurs à 5.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
C - Test de χ² d'indépendance
Exemple
>[Link](table(Matable$GROUPOIDS,Matable$SEXE),correc t=TRUE)
# Vous obtiendrez alors ce résultat.
Pearson's Chi-squared test data: table(Matable$GROUPOIDS,
Matable$SEXE) X-squared = 0.4591, df = 2, p-value = 0.7949
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
C - Test de χ² d'indépendance
Exemple
• X-squared représente la valeur du calcul du test de χ².
• df représente le nombre de degré de liberté, qui est la produit du
(nombre de lignes – 1) et du (nombre de colonnes -1) è ddl=(Nbligne-
1)*(Nbcolonne-1)
• p-value représente la valeur de la probabilité en relation avec le test.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Test exact de Fisher
Le test exact de Fisher permet de réaliser les mêmes comparaisons que
le test de χ², et ce même avec des effectifs théoriques inférieurs à 5.
Avec le logiciel R, vous utiliserez alors la fonction [Link]().

Comme précédemment, la fonction [Link]() peut s'appliquer sur le

résultat de la fonction table() ou elle peut être utilisée directement
avec les deux variables à comparer.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Test exact de Fisher
>[Link](table(Matable$GROUPOIDS,Matable$SEXE))
# Vous obtiendrez alors ce résultat:
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Test de Mac Nemar pour séries appariées
Le test de Mac Nemar est utilisé pour comparer des données appariées
dans un tableau 2x2.

Il permet par exemple de comparer les résultats d'un nouveau test

diagnostic à ceux d'un test de référence appliqué au même échantillon
de population en s'intéressant aux paires discordantes.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction
d'une autre variable qualitative
Test de Mac Nemar pour séries appariées
Exemple
Soit un échantillon de 1600 personnes, comprenant 800 malades et
800 non malades en fonction du test de référence, auquel est appliqué
le nouveau test. On obtient alors le tableau de contingence suivant.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une
autre variable qualitative
Test de Mac Nemar pour séries appariées

>Contingence<-matrix(c(714,86,238,562),ncol=2) >[Link](Contingence)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable qualitative en fonction d'une autre
variable qualitative
Test de Mac Nemar pour séries appariées

# Vous obtiendrez alors ce résultat:

McNemar's Chi-squared test
data: Contingence
McNemar's chi-squared = 70.373, df = 1,
p-value< 2.2e-16
L'hypothèse nulle étant basée sur l'équivalence des deux techniques, vous concluez
alors à une différence significative entre les deux techniques.
 Réalisation de tests statistiques
avec R

Réaliser des tests de comparaison d'une variable quantitative en

fonction d'une variable qualitative.

Réaliser des tests de liaisons entre deux variables quantitatives.

 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Pour comparer la moyenne d'une variable quantitative en fonction
d'une variable catégorielle, vous utiliserez les analyses de variances
(ANOVA). L'ANOVA détermine la p-value à partir d'un test F de Fisher-
Snedecor qui compare deux variances par leur rapport.

Dans les principes de ce test, l'hypothèse nulle d'égalité des variances

se traduit donc par un rapport égal à la valeur 1.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Les deux variances à comparer dans le cadre de l'ANOVA seront les
variances inter-groupes (écart moyen entre chaque moyenne et la
moyenne générale) et les variances intra-groupes (la variation moyenne
des individus à l’intérieur des groupes).
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Les conditions d'application du test reposent sur la normalité des
distributions dans les différents groupes et l'égalité des variances dans
les différents groupes.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une variable
qualitative.
Tests paramétriques
Pour évaluer la normalité, vous utiliserez le test de Shapiro, et avec le logiciel R la
fonction [Link](). L'hypothèse nulle de ce test est que la distribution est normale.

Pour tester l'égalité des variances, vous utiliserez le test de Bartlett, et avec le logiciel R
la fonction [Link](). L'hypothèse nulle de ce test est que les variances sont
égales.

Pour réaliser ensuite le test statistique, si l'ensemble des conditions d'application sont
respectées, vous utiliserez les fonctions aov() et anova().
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
Vous souhaitez comparer les moyennes de poids en fonction du sexe
dans votre échantillon.
# Les moyennes à comparer
>by(Matable$POIDS,Matable$SEXE,mean, [Link]=T)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une variable
qualitative.
Tests paramétriques
# tester la normalité des distributions
Le nombre d'observations dans chaque groupe à comparer étant limité, la normalité
sera testée sur l'ensemble des données transformées pour répondre à une distribution
normale centrée.
Il faut tester alors la normalité des résidus du modèle de régression linéaire (fonction
aov()).
>Maregression<-aov(POIDS~SEXE,data=Matable)
>Residus<-residuals(Maregression)
>[Link](Residus)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une
variable qualitative.
Tests paramétriques

NB: l'hypothèse nulle en relation avec le test de Shapiro-Wilk considère que la

distribution de la variable suit une loi normale. La p-value étant strictement
supérieure au risque de première espèce α fixé à 5%, le test n'est pas significatif.
Vous ne rejetez pas l'hypothèse nulle.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
# tester l'égalité des variances de la variable POIDS entre chacun des
groupes
>[Link](Matable$POIDS~Matable$SEXE)

#Vous ne rejettez pas l'hypothèse nulle

 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
# réaliser pour finir le test statistique
>Maregression<- aov(POIDS~ SEXE,data=Matable)
>anova(Maregression)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Le calcul de la valeur du test F (F value=0.1839) est le rapport de la
variance intergroupe (3.9073) sur la variance intragroupe (21.2446).

La p-value est ici de 0.6712 124

Il n'a pas été mis en évidence de différence statistiquement significative

des poids moyens en fonction du sexe.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
NB: dans le cas de la comparaison de deux moyennes d'un grand
échantillon (n>30), vous pouvez également utiliser le test de Student
avec la fonction [Link]().

>[Link](Matable$POIDS~Matable$SEXE,[Link]=T)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une
variable qualitative.
Tests paramétriques
NB: dans le cas de la comparaison de plus de deux moyennes avec une ANOVA,
l'hypothèse alternative est qu'au moins une des moyennes est différente des autres.

Si le test vous amène à retenir l'hypothèse alternative, vous aurez à identifier les
différences entre les moyennes en les comparant alors deux à deux.

Vous pouvez utiliser le test de Student avec la fonction [Link]() mais cela peut-être
fastidieux vous avez alors la possibilité d'utiliser la fonction TukeyHSD().
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
#Création de la variable
TAILLE >Matable$TAILLE<- c(70.3, 66.1, 78.7, 78.3, 111.1, 71.3, 93.4,
114.1, 80.7, 144.5, 132.2, 72.2, 164.9, 99.3, 138.3, 166.6, 135.4, 111.9,
148.2, 144.5, 132.2, 129.7, 71.9, 99.3, 138.3, 71.2, 62.4, 67.2, 58.9, 59.2,
92.2)
#Calcul de l'indice de masse corporelle appelé IMC
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une variable qualitative.
Tests paramétriques
Exemple
>Matable$IMC<-Matable$POIDS/(Matable$TAILLE/100)^2
#Comparaison des IMC moyens en fonction du groupe d'âge

>Maregression<-aov(Matable$IMC~Matable$GROUPAGE)
# vérification des conditions d'applications
>Residus<-residuals(Maregression)
>[Link](Residus)

Shapiro-Wilk normality test W = 0.9456, p-value = 0.1181

 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
>[Link](Matable$IMC~Matable$GROUPAGE)
Bartlett's K-squared = 2.316, df = 2, p-value = 0.3141
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
#Réalisation de l'anova
>anova(Maregression)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
#Détermination des différences entre les groupes
>TukeyHSD(Maregression)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests paramétriques
Exemple
NB : Vous retrouvez une différence entre le groupe de 10 ans et plus et
les deux autres groupes.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une
variable qualitative.
Tests non paramétriques
Dans les cas où la distribution n'est pas normale ou que l'égalité des variances
n'est pas vérifiée alors il faudra utiliser des tests non paramétriques pour la
comparaison d'une variable quantitative en relation avec une variable
qualitative. Vous utiliserez un test de Wilcoxon s'il n'y a que deux classes et un
test de Kruskall-Wallis s'il y a plus de deux classes dans la variable qualitative.
Avec le logiciel R, les deux fonctions [Link]() dans le cas de comparaison de
deux moyennes (test des rangs de Wilcoxon), ou [Link]() dans le cas de la
comparaison de plus de deux moyennes (test de Kruskal-Wallis) sont
disponibles.
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests non paramétriques
Exemples
En supposant que les règles d'application des tests paramétriques ne
sont pas respectées vous utiliseriez la fonction [Link]() de cette
façon:
>[Link](Matable$POIDS~Matable$SEXE)
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests non paramétriques
Exemples
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction d'une
variable qualitative.
Tests non paramétriques
NB: Vous pouvez également utiliser le test de Kruskal-Wallis, pour la comparaison de
deux moyennes. Ce test permet de comparer plus de deux moyennes.

>[Link](Matable$POIDS~Matable$SEXE)

Kruskal-Wallis rank sum test

data: Matable$POIDS by Matable$SEXE
Kruskal-Wallis chi-squared=0.1891, df=1, p-value=0.6637
 Réalisation de tests statistiques
avec R
Tests statistiques pour comparer une variable quantitative en fonction
d'une variable qualitative.
Tests non paramétriques
NB: Si le test de Kruskal-Wallis peut être utilisé pour la comparaison de
deux moyennes, le test de Wilcoxon ne permet pas la comparaison de
plus de deux moyennes.
 Réalisation de tests statistiques
avec R

Réaliser des tests de liaisons entre deux variables quantitatives.

 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Pour étudier la liaison entre deux variables quantitatives, avec le
logiciel R, vous utiliserez soit les fonctions lm() et summary() soit la
fonction [Link](). Comme le paramètre étudié est ici le coefficient de
corrélation, l'hypothèse nulle qui traduit l'absence de liaison entre les
deux variables quantitatives, se définit par un coefficient de corrélation
égal à zéro.
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
L'hypothèse alternative se définit par un coefficient de corrélation
différent de 0 en situation bilatérale. En situation unilatérale, soit la
liaison est positive et le coefficient de corrélation est testé strictement
supérieur à zéro, soit la liaison est négative et le coefficient est testé
strictement inférieur à zéro.
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Conditions d’application :

• Les variables X et Y sont aléatoires

• L’association entre X et Y est linéaire

• Les observations de chaque variable sont indépendantes

• Les distributions de Y liées à chaque valeur de X sont normales et de variance constante et

vice versa.
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Exemple
Vous souhaitez étudier la liaison qui existe entre le poids et la taille
dans votre échantillon.
# le graphique permet d'étudier la linéarité de l'association

>plot(Matable$TAILLE,Matable$POIDS, pch=20,xlab="TAILLE",
ylab="POIDS")
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Exemple
# ajouter la droite de régression (deux commandes possibles)

>lines(Matable$TAILLE,lm(Matable$POIDS~Matable$TAILLE)
$[Link],type="l",col="red",lwd=1.5) ou

>abline(lm(Matable$POIDS~Matable$TAILLE),type="l",col= "red",lwd=1.5)
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Exemple
# puis réaliser le test du coefficient de corrélation.

>Maregression<- lm(Matable$POIDS~Matable$TAILLE)
>summary(Maregression)
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
Vous concluez alors à une association entre le poids et la taille.
Vous pouvez aussi utiliser la fonction [Link]() avec le paramètre "method" qui
prendra la valeur "pearson".
Exemple

>[Link](Matable$TAILLE,Matable$POIDS,alternative="[Link]
ded",method="pearson",[Link]=0.95)

# Vous obtiendrez alors ce résultat:

 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests paramétriques
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests non paramétriques
Dans les cas où les conditions d'application ne sont pas vérifiées alors il
vous faudra utiliser des tests non paramétriques.

Vous utiliserez un test de corrélation des rangs de Spearman.

Avec le logiciel R, vous utiliserez alors la fonction [Link]() avec le

paramètre "method" qui prendra la valeur "spearman".
 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests non paramétriques
Exemple
>[Link](Matable$TAILLE,Matable$POIDS,alternative="[Link]
ded",method="spearman",[Link]=0.95)

# Vous obtiendrez alors ce résultat:

 Réalisation de tests statistiques
avec R
Tests de liaison entre deux variables quantitatives
Tests non paramétriques
Exemple

Vous rejetez donc l'hypothèse nulle et concluez à une relation entre le

poids et la taille.
 Réalisation de tests statistiques
avec R
Exercice
Créer un vecteur appelé Poids contenant 120 valeurs qui suit une loi
normale de moyenne 2,7kg et d'écart type 0,07. Créer un vecteur
appelé Sexe qui suit une loi binomiale de taille 1 et de probabilité 0.45,
comprenant 120 valeurs. Recodez la variable Sexe, qui prendra la valeur
Masculin si la valeur est 0 et la valeur Féminin si la valeur est 1. Donner
la moyenne et la médiane du poids en fonction du sexe. Existe-til une
différence significative des poids en fonction du sexe?