Examen Master CCV : Méthode et Plan d'ExpériencesMohammed TAMALI
la règle d’or pour la lecture d’un document, nécessite intelligence et attention. De même, répondre aux questions d’un examen est une tâche qui n’exige pas (dire jamais), le fait d’apprendre par cœur les notions mais les appréhender et savoir les utiliser aux moments opportuns.
La lecture d’un livre dont le contenu est en rapport avec les notions étudiées dans cours dispensé en salle restera toujours la seule solution pou réussir dans une matière. Les polycopiés ne sont que complémentarités aux différents et multiples références académiques se trouvant sur le marché sinon mises en ligne. Ces même références resteront toujours un effort personnel de l’enseignant qui les a mises en circulation et ne peuvent être prise comme preuve pour démontrer son impertinence par rapport à une notion.
+50 les plus belles dédicaces de mémoire de fin d'étude - pdf.pdfHani sami joga
Exemple de phrase de dédicace
Trouvez cette sélection de plus de 50 modèles et exemples des plus belles dédicaces de mémoire de fin d'étude en format pdf.
Examen Master CCV : Méthode et Plan d'ExpériencesMohammed TAMALI
la règle d’or pour la lecture d’un document, nécessite intelligence et attention. De même, répondre aux questions d’un examen est une tâche qui n’exige pas (dire jamais), le fait d’apprendre par cœur les notions mais les appréhender et savoir les utiliser aux moments opportuns.
La lecture d’un livre dont le contenu est en rapport avec les notions étudiées dans cours dispensé en salle restera toujours la seule solution pou réussir dans une matière. Les polycopiés ne sont que complémentarités aux différents et multiples références académiques se trouvant sur le marché sinon mises en ligne. Ces même références resteront toujours un effort personnel de l’enseignant qui les a mises en circulation et ne peuvent être prise comme preuve pour démontrer son impertinence par rapport à une notion.
+50 les plus belles dédicaces de mémoire de fin d'étude - pdf.pdfHani sami joga
Exemple de phrase de dédicace
Trouvez cette sélection de plus de 50 modèles et exemples des plus belles dédicaces de mémoire de fin d'étude en format pdf.
Mémoire fin d'études EABLANDIN "Enquête qualitative sur la réception online d...Eve-Anaelle Blandin
Ce mémoire est une étude qualitative visant à analyser la réception online des téléspectateurs de l'émission de M6 "Un dîner *presque parfait", en termes d'usages et de contenus. Elle s'appuie sur une veille qualitative des conversations sur les réseaux sociaux et forums dédiés à l'émission (avec une attention particulière portée à l'impact du caractère officiel ou non du média social étudié), complétée par quelques entretiens semi-directifs, et des lectures théoriques issues de la sociologie des réseaux et de la sociologie de la télévision.
Management des risque etude de cas 1 - MOSAR/MADS Ibtissam El HASSANI
MOSAR Méthode Organisée Systémique d’Analyse des Risques
La méthode MOSAR est proposée par Pierre PERILHON. Elle s'appuie sur la méthodologie d'analyse des dysfonctionnements des systèmes (MADS).
Méthode pour analyser et neutraliser les risques techniques dans les installations humaines, aussi bien au stade de leur conception que sur des installations existantes.
La méthode MOSAR s'articule autour d'une vision macroscopique des risques et une vision microscopique des risques.
La vision macroscopique :
consiste à réaliser une analyse des risques principaux.
La vision microscopique :
consiste à réaliser une analyse détaillée de tous les dysfonctionnements techniques et opératoires apparus au cours du premier module. Au cours de cette phase, des outils particuliers et spécifiques sont mis en œuvre (AMDEC, HAZOP, Arbre des causes, Arbre des défaillances, etc.).
La Gestion des carrières et performances des petites et moyennes entreprises ...Patrice Piardon
Gestion des carrières et performance des pme Africaines : sous l’angle de la rémunération, la formation et de la planification de la relève.
De nos jour, la création d’une entreprise en Afrique caractérisé par une fragilité économique, nécessite une parfaite connaissance du marché dans lequel souhaite se lancer tout investisseur, et notamment un personnel compétent, ce qui permettra de rentabiliser les capitaux investis.
Ainsi, les entreprises dans le but d’assurer la rentabilité des capitaux investis, devront prendre en compte les besoins des salariés dans le souci de faire face à une concurrence de plus en plus rude sur le marché.
L’intégration des pratiques de gestion des carrières dans les petites et moyennes entreprises (PME) Africaines, traduit la volonté et l’engagement de ces dernières à adopter des mesures motivantes pour satisfaire les salariés qui regorgent déjà d’un certain potentiel mais qui, pour des raisons liées à l’environnement du travail n’arrivent pas toujours à les mettre en valeur. Ainsi Ces derniers de plus en plus ambitieux souhaitent soit s’installer à leur propre compte ou avoir des postes plus importants. De ce fait augmenter les performances des salariés constitue un enjeu majeur et apparait ainsi comme quelque chose d’essentiel pour le développement de l’entreprise. Bien que la tendance actuelle veuille que la rentabilité financière soit pour l’entreprise une préoccupation majeure et d’actualité, le fait de disposer des bonnes compétences en constitue un élément clé du jeu concurrentiel.
C’est dans cette optique qu’on pourrait dire que la gestion des carrières s’inscrit dans le cadre d’une utilisation rationnelle et optimale du personnel. Dès lors, la gestion des carrières serait une tentative de solution aux problèmes d’efficacité des PME.
1.1. Contexte et objectif de la recherche
1.1.1. Contexte d’étude
Le rôle moteur des PME dans le développement économique et la croissance d’un pays fait désormais l’objet d’un large consensus. Aussi doit-on se réjouir de ce qu’en Afrique, jamais autant de nouvelles entreprises n’auront été constitués que durant ces dernières années.
C’est dans cet environnement économique actuel marqué par une ouverture des marchés et une création massive des PME, que les Petites et moyennes entreprises Africaines sont soumises à une concurrence rude. Cette concurrence amène les PME à changer leur mode de management en faisant preuve de plus d’ingénuité dans la gestion du personnel.
Les entreprises actuelles ont un réel souci, celui d’impliquer les salariés dans cette quête perpétuelle qu’est la croissance. Les salariés ne sont plus considérés comme une simple main d’œuvre mais maintenant, ils doivent être impliqués aux prises de décisions car il en va de leur avenir et non plus seulement de celle des propriétaires. De ce fait, la gestion des carriè
Version DRAFT d'une formation Data Scientist que j'ai conçue à partir de sources diverses (voir références bibliographiques à la fin de chaque diapositive).
La formation est destinée aux personnes possédant des bases (~BAC+2) en statistiques et programmation (j'utilise R).
Je reste ouvert à tout commentaire, critique et correction. Je continuerai à mettre à jour les diapositives et à en ajouter d'autres si j'ai le temps.
SPSS est un logiciel bien adapté pour l’analyse des questionnaires. A l’inverse de l’Excel, SPSS être capable de réduire considérablement le temps de la saisie des données .
AFAQ AFNOR INTERNATIONALE
Les outils et techniques du management des risques
Animé par Mr Iheb RAYAN
I. INTRODUCTION
II. CONTEXTE DE L’ANALYSE DE RISQUE
III. CHOISIR LES METHODES D’ANALYSE DE RISQUE 2
IV. CHOISIR LES OUTILS D’ANALYSE DE RISQUE
V. CONCLUSIONS
Le contexte économique actuel a contraint les entreprises à modifier leur style de gestion et à s'adapter à leur environnement.
En effet, les Entreprises cherchent de nos jours à impliquer et a responsabiliser des décideurs à tous les niveaux de la hiérarchie. Ainsi, une nouvelle méthode de suivi des décisions et des actions pour les gestionnaires s'est introduite : la Gestion des Carrières.
Ecart type experimental : quelle formule choisir ?Jean-Michel POU
Je viens de publier un billet sur mon blog qui traite de l'estimation d'un intervalle de confiance pour un écart-type (Suivre http://www.lametrologieautrement.com). Cela m'a rappelé une ancienne conférence, présentée en 2003 dans le cadre d'un congrès international de Métrologie. J'ai relu avec beaucoup de tolérance ce travail "d'il y a 10 ans", mais que de progrès réalisés depuis ...
Mémoire fin d'études EABLANDIN "Enquête qualitative sur la réception online d...Eve-Anaelle Blandin
Ce mémoire est une étude qualitative visant à analyser la réception online des téléspectateurs de l'émission de M6 "Un dîner *presque parfait", en termes d'usages et de contenus. Elle s'appuie sur une veille qualitative des conversations sur les réseaux sociaux et forums dédiés à l'émission (avec une attention particulière portée à l'impact du caractère officiel ou non du média social étudié), complétée par quelques entretiens semi-directifs, et des lectures théoriques issues de la sociologie des réseaux et de la sociologie de la télévision.
Management des risque etude de cas 1 - MOSAR/MADS Ibtissam El HASSANI
MOSAR Méthode Organisée Systémique d’Analyse des Risques
La méthode MOSAR est proposée par Pierre PERILHON. Elle s'appuie sur la méthodologie d'analyse des dysfonctionnements des systèmes (MADS).
Méthode pour analyser et neutraliser les risques techniques dans les installations humaines, aussi bien au stade de leur conception que sur des installations existantes.
La méthode MOSAR s'articule autour d'une vision macroscopique des risques et une vision microscopique des risques.
La vision macroscopique :
consiste à réaliser une analyse des risques principaux.
La vision microscopique :
consiste à réaliser une analyse détaillée de tous les dysfonctionnements techniques et opératoires apparus au cours du premier module. Au cours de cette phase, des outils particuliers et spécifiques sont mis en œuvre (AMDEC, HAZOP, Arbre des causes, Arbre des défaillances, etc.).
La Gestion des carrières et performances des petites et moyennes entreprises ...Patrice Piardon
Gestion des carrières et performance des pme Africaines : sous l’angle de la rémunération, la formation et de la planification de la relève.
De nos jour, la création d’une entreprise en Afrique caractérisé par une fragilité économique, nécessite une parfaite connaissance du marché dans lequel souhaite se lancer tout investisseur, et notamment un personnel compétent, ce qui permettra de rentabiliser les capitaux investis.
Ainsi, les entreprises dans le but d’assurer la rentabilité des capitaux investis, devront prendre en compte les besoins des salariés dans le souci de faire face à une concurrence de plus en plus rude sur le marché.
L’intégration des pratiques de gestion des carrières dans les petites et moyennes entreprises (PME) Africaines, traduit la volonté et l’engagement de ces dernières à adopter des mesures motivantes pour satisfaire les salariés qui regorgent déjà d’un certain potentiel mais qui, pour des raisons liées à l’environnement du travail n’arrivent pas toujours à les mettre en valeur. Ainsi Ces derniers de plus en plus ambitieux souhaitent soit s’installer à leur propre compte ou avoir des postes plus importants. De ce fait augmenter les performances des salariés constitue un enjeu majeur et apparait ainsi comme quelque chose d’essentiel pour le développement de l’entreprise. Bien que la tendance actuelle veuille que la rentabilité financière soit pour l’entreprise une préoccupation majeure et d’actualité, le fait de disposer des bonnes compétences en constitue un élément clé du jeu concurrentiel.
C’est dans cette optique qu’on pourrait dire que la gestion des carrières s’inscrit dans le cadre d’une utilisation rationnelle et optimale du personnel. Dès lors, la gestion des carrières serait une tentative de solution aux problèmes d’efficacité des PME.
1.1. Contexte et objectif de la recherche
1.1.1. Contexte d’étude
Le rôle moteur des PME dans le développement économique et la croissance d’un pays fait désormais l’objet d’un large consensus. Aussi doit-on se réjouir de ce qu’en Afrique, jamais autant de nouvelles entreprises n’auront été constitués que durant ces dernières années.
C’est dans cet environnement économique actuel marqué par une ouverture des marchés et une création massive des PME, que les Petites et moyennes entreprises Africaines sont soumises à une concurrence rude. Cette concurrence amène les PME à changer leur mode de management en faisant preuve de plus d’ingénuité dans la gestion du personnel.
Les entreprises actuelles ont un réel souci, celui d’impliquer les salariés dans cette quête perpétuelle qu’est la croissance. Les salariés ne sont plus considérés comme une simple main d’œuvre mais maintenant, ils doivent être impliqués aux prises de décisions car il en va de leur avenir et non plus seulement de celle des propriétaires. De ce fait, la gestion des carriè
Version DRAFT d'une formation Data Scientist que j'ai conçue à partir de sources diverses (voir références bibliographiques à la fin de chaque diapositive).
La formation est destinée aux personnes possédant des bases (~BAC+2) en statistiques et programmation (j'utilise R).
Je reste ouvert à tout commentaire, critique et correction. Je continuerai à mettre à jour les diapositives et à en ajouter d'autres si j'ai le temps.
SPSS est un logiciel bien adapté pour l’analyse des questionnaires. A l’inverse de l’Excel, SPSS être capable de réduire considérablement le temps de la saisie des données .
AFAQ AFNOR INTERNATIONALE
Les outils et techniques du management des risques
Animé par Mr Iheb RAYAN
I. INTRODUCTION
II. CONTEXTE DE L’ANALYSE DE RISQUE
III. CHOISIR LES METHODES D’ANALYSE DE RISQUE 2
IV. CHOISIR LES OUTILS D’ANALYSE DE RISQUE
V. CONCLUSIONS
Le contexte économique actuel a contraint les entreprises à modifier leur style de gestion et à s'adapter à leur environnement.
En effet, les Entreprises cherchent de nos jours à impliquer et a responsabiliser des décideurs à tous les niveaux de la hiérarchie. Ainsi, une nouvelle méthode de suivi des décisions et des actions pour les gestionnaires s'est introduite : la Gestion des Carrières.
Ecart type experimental : quelle formule choisir ?Jean-Michel POU
Je viens de publier un billet sur mon blog qui traite de l'estimation d'un intervalle de confiance pour un écart-type (Suivre http://www.lametrologieautrement.com). Cela m'a rappelé une ancienne conférence, présentée en 2003 dans le cadre d'un congrès international de Métrologie. J'ai relu avec beaucoup de tolérance ce travail "d'il y a 10 ans", mais que de progrès réalisés depuis ...
2. EchantillonnageEchantillonnage
PlanPlan
1. Introduction1. Introduction
2. L’échantillonnage aléatoire2. L’échantillonnage aléatoire
SimpleSimple
Séquentiel en deux étapesSéquentiel en deux étapes
3. L’échantillonnage stratifié3. L’échantillonnage stratifié
Mise en œuvre et analyseMise en œuvre et analyse
OptimisationOptimisation
4. L’échantillonnage en grappes4. L’échantillonnage en grappes
Mise en œuvre et analyseMise en œuvre et analyse
OptimisationOptimisation
3. EchantillonnageEchantillonnage
IntroductionIntroduction
« Pas de modèle sans échantillon, pas d’échantillon sans modèle »« Pas de modèle sans échantillon, pas d’échantillon sans modèle »
Un professionnel du prêt-à-porterUn professionnel du prêt-à-porter
« Les tissus, disponibles en quantité limitée, ne peuvent être ni repris ni« Les tissus, disponibles en quantité limitée, ne peuvent être ni repris ni
échangés.échangés.
Par contre vous pouvez obtenir un échantillon de chacun des tissus pourPar contre vous pouvez obtenir un échantillon de chacun des tissus pour
un prix modique. »un prix modique. »
La boutique A&A, http://www.a-et-a.com/La boutique A&A, http://www.a-et-a.com/
4. EchantillonnageEchantillonnage
Le dictionnaire RobertLe dictionnaire Robert
1. Vx Étalon de mesure. (1636) Mod. Type réglementaire de certains matériaux1. Vx Étalon de mesure. (1636) Mod. Type réglementaire de certains matériaux
de construction.de construction. Bois d'échantillon. Brique, pavé d'échantillon.Bois d'échantillon. Brique, pavé d'échantillon. — Mar.— Mar. BâtimentBâtiment
de fort, de petit, de faible échantillon,de fort, de petit, de faible échantillon, suivant la largeur et l'épaisseur des piècessuivant la largeur et l'épaisseur des pièces
de construction.de construction.
2. (1407) Cour. Petite quantité d'une marchandise qu'on montre pour donner une2. (1407) Cour. Petite quantité d'une marchandise qu'on montre pour donner une
idée de l'ensemble.idée de l'ensemble. Les échantillons d'une gamme de produits. Échantillons deLes échantillons d'une gamme de produits. Échantillons de
vin, de café. Un cahier d'échantillonsvin, de café. Un cahier d'échantillons (d'étoffe).(d'étoffe). Une palette d'échantillonsUne palette d'échantillons (de(de
peinture).peinture). Boîte, jeux d'échantillons à usage commercial.Boîte, jeux d'échantillons à usage commercial. Þ Þ collectioncollection,, présentoirprésentoir..
« Il étale ses échantillons, lentement, devant le client »« Il étale ses échantillons, lentement, devant le client » ((MauroisMaurois)). « Quel danger,. « Quel danger,
quelle folie de choisir sur des échantillons »quelle folie de choisir sur des échantillons » ((SarrauteSarraute))..
Spécimen remarquable d'une espèce, d'un genre. Þ Spécimen remarquable d'une espèce, d'un genre. Þ représentantreprésentant .. « Une« Une
très jolie servante, charmant échantillon de la beauté des femmes detrès jolie servante, charmant échantillon de la beauté des femmes de
Malaga »Malaga » ((GautierGautier))..
Fig. Aperçu.Fig. Aperçu. « Je voulus lui donner un échantillon de mon talent »« Je voulus lui donner un échantillon de mon talent »
((RousseauRousseau)).. Þ Þ exempleexemple..
3. Spécialt (Statist.) Fraction d'une population destinée à être étudiée par3. Spécialt (Statist.) Fraction d'une population destinée à être étudiée par
sondage.sondage. panelpanel..
4. Inform. Élément d'une suite discrète résultant de l'échantillonnage d'une4. Inform. Élément d'une suite discrète résultant de l'échantillonnage d'une
grandeur analogique.grandeur analogique.
5. EchantillonnageEchantillonnage
Pourquoi échantillonner ?Pourquoi échantillonner ?
Impossibilité d’accéderImpossibilité d’accéder
À tous les individus d’une populationÀ tous les individus d’une population
À la totalité d’une aireÀ la totalité d’une aire
=> On procède donc par inférence=> On procède donc par inférence
EchantillonnageEchantillonnage
SondageSondage
6. EchantillonnageEchantillonnage
Deux grandes stratégiesDeux grandes stratégies
AléatoireAléatoire
SimpleSimple
StratifiéStratifié
En grappe ou par degrésEn grappe ou par degrés
SystématiqueSystématique
Transects et grillesTransects et grilles
Décimation/quantisationDécimation/quantisation
Échantillonnage temporelÉchantillonnage temporel
7. EchantillonnageEchantillonnage
Limites du coursLimites du cours
On se limitera à l’échantillonnageOn se limitera à l’échantillonnage
aléatoirealéatoire
Les problèmes de l’échantillonnageLes problèmes de l’échantillonnage
systématique seront abordés danssystématique seront abordés dans
d’autes UE à propos ded’autes UE à propos de
La statistique spatialeLa statistique spatiale
L’analyse des séries chronologiquesL’analyse des séries chronologiques
9. EchantillonnageEchantillonnage
Echantillonnage aléatoireEchantillonnage aléatoire
simplesimple
DéfinitionDéfinition
Les individus de la population sont tousLes individus de la population sont tous
équivalentséquivalents
Le nombre d’individus à échantillonner estLe nombre d’individus à échantillonner est
déterminé à l’avancedéterminé à l’avance
Chaque individu de la population a la mêmeChaque individu de la population a la même
probabilitéprobabilité a prioria priori d’être choisid’être choisi
Le choix d’un individu ne favorise ni neLe choix d’un individu ne favorise ni ne
défavorise le choix ultérieur d’aucun autredéfavorise le choix ultérieur d’aucun autre
individu de la population (tirages indépendants)individu de la population (tirages indépendants)
10. EchantillonnageEchantillonnage
Les individus ou unitésLes individus ou unités
d’échantillonnaged’échantillonnage
NaturelsNaturels
Animaux, plantes individualiséesAnimaux, plantes individualisées
ArbitrairesArbitraires
Unités de surface, de volume, de poidsUnités de surface, de volume, de poids
0.25 m0.25 m22
de prairiede prairie
1dm1dm33
d’eau dans un étangd’eau dans un étang
1k de sol1k de sol
Attention alors !Attention alors !
Population biologiquePopulation biologique
Population statistiquePopulation statistique
11. EchantillonnageEchantillonnage
Deux mode de tirageDeux mode de tirage
Avec remiseAvec remise
Ou non exhaustifOu non exhaustif
La probabilité de sélection resteLa probabilité de sélection reste
constante au cours de l’échantillonnageconstante au cours de l’échantillonnage
Sans remiseSans remise
Ou exhaustifOu exhaustif
La probabilité de sélection s’accroît auLa probabilité de sélection s’accroît au
cours de l’échantillonnagecours de l’échantillonnage
12. EchantillonnageEchantillonnage
Une approximationUne approximation
Dans les très grandes populations, onDans les très grandes populations, on
considère souvent l’échantillonnageconsidère souvent l’échantillonnage
comme avec remise, même lorsqu’ilcomme avec remise, même lorsqu’il
n’y a pas remisen’y a pas remise
Dans les populations plus petites, il yDans les populations plus petites, il y
aura lieu de prendre en compte leaura lieu de prendre en compte le
taux de sondagetaux de sondage f = n/Nf = n/N
14. EchantillonnageEchantillonnage
Les paramètres deLes paramètres de
l’échantillonl’échantillon
Moyenne deMoyenne de
l’échantillon :l’échantillon :
Variance deVariance de
l’échantillon :l’échantillon :
x
n
xi
i
n
=
=
∑
1
1
s
n
x xi
i
n
2
1
21
= −
=
∑( )
15. EchantillonnageEchantillonnage
Paramètres et estimateursParamètres et estimateurs
La moyenne est unLa moyenne est un estimateur sansestimateur sans
biaisbiais de la moyenne de la populationde la moyenne de la population
La variance sLa variance s22
est un estimateurest un estimateur biaisébiaisé
par défautpar défaut (mais(mais asymptotiquementasymptotiquement
sans biais) de la variance de lasans biais) de la variance de la
populationpopulation
( )E x µ=
( )2 2
E s σ<
20. EchantillonnageEchantillonnage
Les mesures de précisionLes mesures de précision
La varianceLa variance
Incommode (exprimée dans le carré des unités)Incommode (exprimée dans le carré des unités)
L’erreur standardL’erreur standard
Utilisée par les anglo-saxonsUtilisée par les anglo-saxons
Le coefficient de variationLe coefficient de variation
Utilisé par les agronomesUtilisé par les agronomes
Le ½ intervalle de confianceLe ½ intervalle de confiance
C’est un véritable encadrementC’est un véritable encadrement
21. EchantillonnageEchantillonnage
La précision estLa précision est
Proportionnelle à l’écart-type de laProportionnelle à l’écart-type de la
moyenne (en général de l’estimateur) oumoyenne (en général de l’estimateur) ou
erreur standard sur la moyenneerreur standard sur la moyenne
Comment la calcule-t-on ?Comment la calcule-t-on ?
Population infiniePopulation infinie
Ou tirage avec remiseOu tirage avec remise
Population finiePopulation finie
Et tirage sans remiseEt tirage sans remise
m
n
σ
σ =
( )1m f
n
σ
σ = −
23. EchantillonnageEchantillonnage
Le demi intervalle deLe demi intervalle de
confianceconfiance
On sait « encadrer » la moyenneOn sait « encadrer » la moyenne
avec une probabilité d’erreur définieavec une probabilité d’erreur définie
par l’intervalle de confiance (voirpar l’intervalle de confiance (voir
annexe)annexe)
Ou, siOu, si nn < 30< 30
2 2
ˆ ˆ
,cI x z x z
n n
a a
s sé ù
= - +ê ú
ê úë û
1
2 2
1 ˆ ˆ
, n
n
cI x t x t
n na a
s s
-
-
é ù
ê ú= - +
ê úë û
24. EchantillonnageEchantillonnage
Précision absolue etPrécision absolue et
relativerelative
La quantité :La quantité :
Ou, pour n>30Ou, pour n>30
Sera utilisée comme « précision absolue »Sera utilisée comme « précision absolue »
La quantitéLa quantité
Sera nommée : « précision relativeSera nommée : « précision relative
2
1 ˆn
d t
na
s-
=
2
ˆ
d z
n
a
s
=
rel
d
d
x
=
27. EchantillonnageEchantillonnage
L’échantillonL’échantillon
On a prélevé au hasard 50 individusOn a prélevé au hasard 50 individus
femelles à partir de cochenilles du maniocfemelles à partir de cochenilles du manioc
provenant d’un champ du congo (donnéesprovenant d’un champ du congo (données
André Biassangama)André Biassangama)
> print(biassang)> print(biassang)
numer tail long fec stratenumer tail long fec strate
1 1 0.63 29 52 11 1 0.63 29 52 1
2 2 0.75 25 56 12 2 0.75 25 56 1
3 12 0.85 31 57 13 12 0.85 31 57 1
……………………………………………………………………………………………………………………………………………………
48 29 2.72 39 115 248 29 2.72 39 115 2
49 32 2.84 39 119 249 32 2.84 39 119 2
50 31 2.92 37 121 250 31 2.92 37 121 2
28. EchantillonnageEchantillonnage
Exemple : taille deExemple : taille de
leptomastixleptomastix
> attach(biassang)> attach(biassang) # définition du jeu de données# définition du jeu de données
> sd<-sqrt(var(tail)/n)> sd<-sqrt(var(tail)/n) # calcul de l’erreur standard# calcul de l’erreur standard
> qnorm(1-0.025)> qnorm(1-0.025) # calcul de z (alpha/2)# calcul de z (alpha/2)
[1] 1.959964[1] 1.959964
> d<-sd*qnorm(1-0.025)> d<-sd*qnorm(1-0.025) # précision absolue# précision absolue
> d> d
[1] 0.1474185[1] 0.1474185
> mean(tail)> mean(tail) # taille moyenne (mm)# taille moyenne (mm)
[1] 1.7818[1] 1.7818
> mean(tail)-d> mean(tail)-d # borne inférieure# borne inférieure
[1] 1.634382[1] 1.634382
> mean(tail)+d> mean(tail)+d # borne supérieure# borne supérieure
[1] 1.929218[1] 1.929218
29. EchantillonnageEchantillonnage
Encadrement de laEncadrement de la
moyenne :moyenne :
La taille moyenne de la population dLa taille moyenne de la population d
de la population des femelles dude la population des femelles du
parasitoïdeparasitoïde Leptomastix dactylopiiLeptomastix dactylopii estest
estimée à 1.78 mmestimée à 1.78 mm
On peut affirmer – avec 5% desOn peut affirmer – avec 5% des
chances de se tromper – qu’elle estchances de se tromper – qu’elle est
comprise entre 1.63 et 1.93 mmcomprise entre 1.63 et 1.93 mm
30. EchantillonnageEchantillonnage
La précision absolue etLa précision absolue et
relativerelative
La moyenne est connue à plus ouLa moyenne est connue à plus ou
moins 0.15 mm prèsmoins 0.15 mm près
C’est à dire à 8.3% prèsC’est à dire à 8.3% près
> d/(mean(tail))*100> d/(mean(tail))*100
[1] 8.273571[1] 8.273571
33. EchantillonnageEchantillonnage
Le gain marginal deLe gain marginal de
précisionprécision
La dérivée de la précision relative donne le gain marginalLa dérivée de la précision relative donne le gain marginal
par unité supplémentaire d’échantillonnage.par unité supplémentaire d’échantillonnage.
Gain marginal de précision
-5
-4
-3
-2
-1
0
1
2 4 6 8 10 12 14 16 18 20
Série1
Série2
Série3
Série4
34. EchantillonnageEchantillonnage
Calculer l’effectifCalculer l’effectif
nécessairenécessaire
1. Définir l’objectif à atteindre1. Définir l’objectif à atteindre
Le risqueLe risque αα accepté (le plus souvent 0.05)accepté (le plus souvent 0.05)
La précision absolue ou relative désiréeLa précision absolue ou relative désirée
2. Déterminer la variance de la population2. Déterminer la variance de la population
On a souvent besoin d’un pré-échantillonnageOn a souvent besoin d’un pré-échantillonnage
3. Déterminer3. Déterminer nn
35. EchantillonnageEchantillonnage
Un paradoxe !Un paradoxe !
« Pour faire un bon échantillonnage« Pour faire un bon échantillonnage
faites en d’abord un mauvais »faites en d’abord un mauvais »
(J.S. Pierre, pensées)(J.S. Pierre, pensées)
37. EchantillonnageEchantillonnage
Et si on parlait argent ?Et si on parlait argent ?
On définit :On définit :
L’effort d’échantillonnage : c’estL’effort d’échantillonnage : c’est nn
Le coût de prise en charge de l’échantillonnageLe coût de prise en charge de l’échantillonnage CCoo
Fabrication des cadres, pièges, coûtFabrication des cadres, pièges, coût
du trajet, affrètement d’un bateau,du trajet, affrètement d’un bateau,
etc…etc…
Le coût unitaire de prélèvement d’un individuLe coût unitaire de prélèvement d’un individu cc
Mesuré en temps de travail, enMesuré en temps de travail, en
euros, en litres de fuel (chalutier)euros, en litres de fuel (chalutier)
etc…etc…
Le coût total de l’échantillonnage :Le coût total de l’échantillonnage : 0TC C nc= +
38. EchantillonnageEchantillonnage
OptimisationOptimisation
Stratégies de type « minimax »Stratégies de type « minimax »
Maximiser l’information (minimiser laMaximiser l’information (minimiser la
précision)précision)
En minimisant, ou au moins enEn minimisant, ou au moins en
maîtrisant les coûtsmaîtrisant les coûts
Pas de solution universellePas de solution universelle
39. EchantillonnageEchantillonnage
ExempleExemple
La taille moyenne de la population deLa taille moyenne de la population de
LeptomastixLeptomastix est connue à 8.3% prèsest connue à 8.3% près
avec un échantillon de 50 femellesavec un échantillon de 50 femelles
Quel échantillon est nécessaire pourQuel échantillon est nécessaire pour
atteindre une précision de 5% suratteindre une précision de 5% sur
cette moyenne ?cette moyenne ?
40. EchantillonnageEchantillonnage
SolutionSolution
Ecrivons la formule de la précisionEcrivons la formule de la précision
relativerelative
On cherche à résoudre l’inégalité :On cherche à résoudre l’inégalité :
Donc :Donc :
2
r
z
d
x n
a s
=
2
0.05 0.05r
z
d
x n
a s
£ Þ £
2 2
2 2 2 2
2 20.0025
0.0025
z z
n
x n x
a as s
£ Þ ³
43. EchantillonnageEchantillonnage
Non !Non !
Il est licite de compléter l’échantillonIl est licite de compléter l’échantillon
de 50 individus à 137de 50 individus à 137
C’est à dire d’aller prélever auxC’est à dire d’aller prélever aux
hasard 137 - 50 = 87 nouveauxhasard 137 - 50 = 87 nouveaux
individusindividus
Cette procédure s’appelle :Cette procédure s’appelle :
« échantillonnage séquentiel en deux« échantillonnage séquentiel en deux
étapes »étapes »
44. EchantillonnageEchantillonnage
OuvertureOuverture
Un échantillonnage est ditUn échantillonnage est dit séquentielséquentiel s’il ests’il est
conduit parconduit par étapesétapes jusqu’à un critère d’arrêt.jusqu’à un critère d’arrêt.
L’échantillon est alors ditL’échantillon est alors dit informatifinformatif il renseigne auil renseigne au
fur et à mesure sur la précision atteinte ou surfur et à mesure sur la précision atteinte ou sur
d’autres critères d’arrêtd’autres critères d’arrêt
Deux types principaux :Deux types principaux :
Echantillonnage séquentiel à précision fixéeEchantillonnage séquentiel à précision fixée
Echantillonnage décisionnelEchantillonnage décisionnel
Voir par exemple le livre de Frontier : stratégiesVoir par exemple le livre de Frontier : stratégies
d’échantillonnage en écologied’échantillonnage en écologie
46. EchantillonnageEchantillonnage
Que faire si la variance desQue faire si la variance des
individus est élevée ?individus est élevée ?
L’obtention d’une bonne précision estL’obtention d’une bonne précision est
alors extrêmement coûteusealors extrêmement coûteuse
Mais la population est peut-être trèsMais la population est peut-être très
hétérogène ?hétérogène ?
On peut alors la diviser enOn peut alors la diviser en soussous
populationspopulations plus homogènesplus homogènes
On gagne alors beaucoup deOn gagne alors beaucoup de
précisionprécision
49. EchantillonnageEchantillonnage
Définition des stratesDéfinition des strates
Les strates forment uneLes strates forment une partitionpartition dede
la populationla population
C’est à dire que leurs intersectionsC’est à dire que leurs intersections
sont deux à deux vides (elles sontsont deux à deux vides (elles sont
disjointes)disjointes)
Leur réunion est la population totaleLeur réunion est la population totale
51. EchantillonnageEchantillonnage
Les poids des stratesLes poids des strates
A chaque strate est affectée unA chaque strate est affectée un
poids : la proportion de la populationpoids : la proportion de la population
totale qu’elle représentetotale qu’elle représente
ww11,,ww22,,ww33, en général, en général wwii
1
1
i
i
p
i
i
N
w
N
w
=
=
=å
52. EchantillonnageEchantillonnage
L’échantillon stratifiéL’échantillon stratifié
On tire un échantillon aléatoire simple deOn tire un échantillon aléatoire simple de
tailletaille nnii dans la stratedans la strate ii..
L’échantillon complet est de tailleL’échantillon complet est de taille nn
On appelleOn appelle allocationallocation le poids de la stratele poids de la strate
ii dans l’échantillondans l’échantillon
Si le poids de la strate dans l’échantillonSi le poids de la strate dans l’échantillon
est égal au poids de la strate dans laest égal au poids de la strate dans la
population on dit que l’allocation estpopulation on dit que l’allocation est
proportionnelleproportionnelle
53. EchantillonnageEchantillonnage
L’estimateur stratifiéL’estimateur stratifié
On nommeOn nomme xxijij la valeur mesurée sur lela valeur mesurée sur le
jj ième individu de la strateième individu de la strate ii
On noteOn note xxi.i. la moyenne du sous-la moyenne du sous-
échantillon de la strateéchantillon de la strate ii
On a le choix entre deux estimateursOn a le choix entre deux estimateurs
de la moyenne de la population :de la moyenne de la population :
1 1
1
..
ip n
ij
i j
x x
n = =
= å å .
1
p
i i
i
x w x
=
= å
54. EchantillonnageEchantillonnage
Comparaison. a) biaisComparaison. a) biais
Le premier estimateur est biaisé, saufLe premier estimateur est biaisé, sauf
si l’allocation est proportionnellesi l’allocation est proportionnelle
Le second est sans biais à partir duLe second est sans biais à partir du
moment où le poids des strates dansmoment où le poids des strates dans
la population est connu sans erreurla population est connu sans erreur
55. EchantillonnageEchantillonnage
Comparaison. b) variance,Comparaison. b) variance,
précisionprécision
Le second estimateur est de varianceLe second estimateur est de variance
inférieure au premierinférieure au premier
( ) ( )
2 2
2 2
1 1 1
1
..
ip n p
ij i
i j i
Var x Var x n
nn n
s s
= = =
= = =å å å
( ) ( )
2
2 2
.
1 1
i i
p p
i
i
ii i
Var x w Var x w
n
s
= =
= =å å
57. EchantillonnageEchantillonnage
Fonction de coûtFonction de coût
Coût de prise en charge + coût deCoût de prise en charge + coût de
prélèvement des unités de chaqueprélèvement des unités de chaque
strate :strate :
C C n CT i i
i
m
= +
=
∑0
1
.
58. EchantillonnageEchantillonnage
Le problèmeLe problème
Minimiser la varianceMinimiser la variance
de l’estimateurde l’estimateur
Par rapport auxPar rapport aux nnii
Sous la contrainteSous la contrainte
Problème deProblème de
minimisation sousminimisation sous
contraintecontrainte
C C n CT i i
i
m
= +
=
∑0
1
.
( )
2
2
1
i
m
i
ii
Var x w
n
s
=
= å
59. EchantillonnageEchantillonnage
Technique du LagrangienTechnique du Lagrangien
Ou du multiplicateur de LagrangeOu du multiplicateur de Lagrange
Voir annexe 2Voir annexe 2
On trouve :On trouve :
.
.
i i
i
i
w
n
C
σ
λ
=
2 2
1
0
. .
m
i i i
i
T
w C
C C
σ
λ =
=
−
∑
60. EchantillonnageEchantillonnage
Intervalle de confiance etIntervalle de confiance et
précisionprécision
L’estimateur stratifié de la moyenneL’estimateur stratifié de la moyenne
est distribué comme unest distribué comme un tt àà n-mn-m
degrés de libertédegrés de liberté
D’où l’intervalle de confiance :D’où l’intervalle de confiance :
Et la précisionEt la précision
2 2
2 2
2 2
1 1
ˆ ˆ
,i i
m m
n m n mi i
i ii i
x t w x t w
n n
a a
s s
m - -
= =
é ù
ê ú- +Î ê ú
ê úë û
å å
61. EchantillonnageEchantillonnage
Application àApplication à LeptomastixLeptomastix
La strate 1 représente 70% des hôtesLa strate 1 représente 70% des hôtes
dans la nature, la strate 2 30%dans la nature, la strate 2 30%
Corriger l’estimation de la moyenneCorriger l’estimation de la moyenne
de la populationde la population
Estimer son intervalle de confiance etEstimer son intervalle de confiance et
sa précisionsa précision
L’allocation est-elle optimale ?L’allocation est-elle optimale ?
62. EchantillonnageEchantillonnage
Intérêt des stratesIntérêt des strates
Comment juger de l’intérêt de laComment juger de l’intérêt de la
stratification ?stratification ?
Par analyse de variancePar analyse de variance
Une technique qui permet de comparer laUne technique qui permet de comparer la
variance inter-strate avec la variance intra-variance inter-strate avec la variance intra-
stratestrate
Plus lePlus le FF est grand, plus la stratification estest grand, plus la stratification est
intéressanteintéressante
A l’inverse, si F est non significatif, laA l’inverse, si F est non significatif, la
stratification est dépourvue d’intérêtstratification est dépourvue d’intérêt
63. EchantillonnageEchantillonnage
ExempleExemple
Taille deTaille de LeptomastixLeptomastix
> attach(biassang)> attach(biassang)
> anova(lm(tail~strate),test="F")> anova(lm(tail~strate),test="F")
Analysis of Variance TableAnalysis of Variance Table
Response: tailResponse: tail
Df Sum Sq Mean Sq F value Pr(>F)Df Sum Sq Mean Sq F value Pr(>F)
strate 1 8.5617 8.5617 77.559 1.367e-11 ***strate 1 8.5617 8.5617 77.559 1.367e-11 ***
Residuals 48 5.2987 0.1104Residuals 48 5.2987 0.1104
------
Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` 'Signif. codes: 0 `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` '
11
66. EchantillonnageEchantillonnage
DéfinitionDéfinition
La population peut être subdivisé en unitésLa population peut être subdivisé en unités
primaires ou grappesprimaires ou grappes
Chaque grappe contient un certain nombreChaque grappe contient un certain nombre
d’individus ou grainsd’individus ou grains
Le tirage au hasard s’effectue en deuxLe tirage au hasard s’effectue en deux
phasesphases
Choix deChoix de mm grappesgrappes
Choix deChoix de nn grains par grappegrains par grappe
Analogie : strates très nombreuses, on neAnalogie : strates très nombreuses, on ne
peut les sonder toutespeut les sonder toutes
69. EchantillonnageEchantillonnage
A est une variable aléatoire attachée à laA est une variable aléatoire attachée à la
grappe, d’espérance nulle et de variancegrappe, d’espérance nulle et de variance
(variance intergrappes)(variance intergrappes)
εε est une variable aléatoire attachée àest une variable aléatoire attachée à
chaque grain, d’espérance nulle et dechaque grain, d’espérance nulle et de
variance (variance résiduelle ou intravariance (variance résiduelle ou intra
grappe)grappe)
Par ailleurs, les Ai etPar ailleurs, les Ai et εεij sont indépendantsij sont indépendants
2.1. Modèle statistique2.1. Modèle statistique
ijiij
Ay ε++µ=
2
Aσ
2
Rσ
70. EchantillonnageEchantillonnage
2.2. Estimateurs2.2. Estimateurs
On se limitera au cas simple où lesOn se limitera au cas simple où les
grappes sont d’effectifs égaux, et oùgrappes sont d’effectifs égaux, et où
on tire un nombre constant de grainson tire un nombre constant de grains
par grappe. Dans ces conditions lapar grappe. Dans ces conditions la
moyenne générale de l’échantillon :moyenne générale de l’échantillon :
est un estimateur sans biais deest un estimateur sans biais de µµ
∑∑= =
=
m
1i
n
1j
ij.. y
m.n
1
y
71. EchantillonnageEchantillonnage
Démonstration :Démonstration :
Il suffit d’appliquer le modèle :Il suffit d’appliquer le modèle :
..
1 1
1
( ) ( )
.
m n
ij
i j
E y E y
n m = =
= å å
1 1 1 1
0 0
1 1
( ) ( )
. .
m n m n
i ij
i j i j
E A E
n m n m
m e m
= = = =
= =
= + + =å å å å
1444444442 444444443 1444444442 444444443
1 1
1
( )
.
m n
i ij
i j
E A
n m
m e
= =
= + +å å
72. EchantillonnageEchantillonnage
Sa varianceSa variance
Dépend à la fois de et de Dépend à la fois de et de
2
Aσ 2
Rσ
.. 2 2
1 1
1
( ) ( )
.
m n
ij
i j
Var y Var y
n m = =
æ ö÷ç ÷= ç ÷ç ÷÷çè ø
å å
2 2
1 1
1
.
m n
i ij
i j
Var A
n m
m e
= =
æ ö÷ç ÷= + +ç ÷ç ÷÷çè ø
å å
2
2 2 2 2
1 1 1
1 1
0 . ( )
. .
R
m m n
i ij
i i j
Var n A Var
n m n m
s
e
= = =
=
æ ö÷ç= + +÷ç ÷÷çè ø
å å å 14442 4443
2
2 2
1
1
..
m
R
i
i
Var n A
n mn m
s
=
æ ö÷ç= +÷ç ÷÷çè ø
å 2
2
2
1
1
( )
.
A
m
R
i
i
Var A
n mm
s
s
= =
= +å 14442 4443
73. EchantillonnageEchantillonnage
FinalementFinalement
L’échantillonnage du premier degré est d’autantL’échantillonnage du premier degré est d’autant
moins précis que les grappes sont plus différentesmoins précis que les grappes sont plus différentes
les unes des autres. Sans considérations de coût,les unes des autres. Sans considérations de coût,
si le produit n.m est fixé, la précision est optimalesi le produit n.m est fixé, la précision est optimale
pour n=1 (un seul grain par grappe). On voit bienpour n=1 (un seul grain par grappe). On voit bien
les limites de cette stratégie : il est alorsles limites de cette stratégie : il est alors
impossible d’estimerimpossible d’estimer
( )2 2
..
1
( ) .
. A RVar y n
n m
s s= +
74. EchantillonnageEchantillonnage
Grappes et analyse deGrappes et analyse de
variancevariance
Modèle d’analyse de variance aléatoireModèle d’analyse de variance aléatoire
UnUn FF important signifie que les grappesimportant signifie que les grappes
sont très différentes entre elles,sont très différentes entre elles,
relativement homogènes au niveau intrarelativement homogènes au niveau intra
Incite à faire porter l’effort sur les grappesIncite à faire porter l’effort sur les grappes
plutôt que sur les grainsplutôt que sur les grains
Estimation des composantes de la varianceEstimation des composantes de la variance
75. EchantillonnageEchantillonnage
Analyse de varianceAnalyse de variance
SourceSource SCESCE dldl CMCM FF
TotalTotal nm-1nm-1 SCESCETT/(/(nmnm-1)-1)
Inter (B)Inter (B) m-1m-1 SCESCEBB/(/(m-m-1)1) CMCMBB/CM/CMWW
Intra (W)Intra (W) nm-mnm-m SCESCEWW/(/(nm-mnm-m))
( )
2
1 1
..
m n
ij
i j
y y
= =
−∑∑
( )
2
.
1
..
m
i
i
n y y
=
−∑
( )
2
.
1 1
m n
ij i
i j
y y
= =
−∑∑
77. EchantillonnageEchantillonnage
Le problème d’optimisationLe problème d’optimisation
Minimiser la variance de la moyenneMinimiser la variance de la moyenne
En déterminant à l’avance le coûtEn déterminant à l’avance le coût
total de l’opérationtotal de l’opération
Combien de grappes ?Combien de grappes ?
Combien de grains par grappe ?Combien de grains par grappe ?
Il faut déterminerIl faut déterminer
Le coût de prise en charge d’une grappeLe coût de prise en charge d’une grappe
Le coût de prélèvement d’un grainLe coût de prélèvement d’un grain
78. EchantillonnageEchantillonnage
On forme le lagrangienOn forme le lagrangien
Sous la fonction de coût :Sous la fonction de coût :
( ) ( ) ( )2 2
0 1 2
1
, , .
. A R TL n m n C C mc nmc
n m
l s s l= + + - - -
0 1 2TC C mc nmc= + +
79. EchantillonnageEchantillonnage
Dérivation par rapport àDérivation par rapport à nn
etet mm
( )
2
22
2 2
1 22 2
0
.
0
.
R
A R
L
mc
n n m
L
c nc
m m n m
s
l
s s
l
ì ¶ïï =- + =ï ¶ïïí
ï ¶ï =- - + - =ïï ¶ïî
2
2
2
2 .
R
m
c n
s
l
=
( )2 2
1
2
2
A R
R
n nc
n
c
s s
s
+
+ =
2
12
2
2
R
A
c
n
c
s
s
=
80. EchantillonnageEchantillonnage
Et finalement :Et finalement :
Evidemment, on en déduitEvidemment, on en déduit mm à partirà partir
de la fonction de coûtde la fonction de coût
2
1
2
2
R
A
c
n
c
s
s
=
Grappe
chère
Grain cher
Grains
variables
Grappes
variables
+ de grains/grappe
+ de grappes
+ de grains/grappe
+ de grappes
81. EchantillonnageEchantillonnage
BilanBilan
On ne fait pas un échantillonnage enOn ne fait pas un échantillonnage en
grappes pour gagner de la précisiongrappes pour gagner de la précision
En général, au contraire, on en perd parEn général, au contraire, on en perd par
rapport à l’échantillonnage aléatoire simplerapport à l’échantillonnage aléatoire simple
On l’adopte pour sa commodité et sonOn l’adopte pour sa commodité et son
faible coûtfaible coût
N’oubliez pas de l’optimiser dès que vousN’oubliez pas de l’optimiser dès que vous
avez de l’information sur les deuxavez de l’information sur les deux
composantes de la variance !composantes de la variance !
82. EchantillonnageEchantillonnage
5. Autres plans5. Autres plans
d’échantillonnaged’échantillonnage
Echantillonnage par degrés,Echantillonnage par degrés,
échantillonnage en différentes occasions,échantillonnage en différentes occasions,
échantillonnage par régressionéchantillonnage par régression
83. EchantillonnageEchantillonnage
Echantillonnage par degrésEchantillonnage par degrés
Généralisation de l’échantillonnage enGénéralisation de l’échantillonnage en
grappesgrappes
Echantillonnage en grappe =Echantillonnage en grappe =
échantillonnage du premier degrééchantillonnage du premier degré
Echantillonnage du second degré :Echantillonnage du second degré :
On tire au hasard des unités primairesOn tire au hasard des unités primaires
Dans chaque unité primaire on tire au hasardDans chaque unité primaire on tire au hasard
des unités secondairesdes unités secondaires
Dans chaque unité secondaire des unitésDans chaque unité secondaire des unités
tertiaires (grains)tertiaires (grains)
En anglais :En anglais : cluster samplingcluster sampling
84. EchantillonnageEchantillonnage
ExempleExemple
Etude de la croissance des brochets au Canada :Etude de la croissance des brochets au Canada :
Unités primaires = lacsUnités primaires = lacs
Unités secondaires = barquesUnités secondaires = barques
Unités tertiaires = brochets (grains)Unités tertiaires = brochets (grains)
Analyse :Analyse :
Analyse de variance hiérarchisée (nested)Analyse de variance hiérarchisée (nested)
Estimation des composantes de la varianceEstimation des composantes de la variance
Ici : trois composantesIci : trois composantes
Entre lacsEntre lacs
Entre barquesEntre barques
Entre brochets (résiduelle)Entre brochets (résiduelle)
85. EchantillonnageEchantillonnage
Echantillonnage àEchantillonnage à
différentes occasionsdifférentes occasions
On tire au hasard un certain nombreOn tire au hasard un certain nombre
d’individus dans une populationd’individus dans une population
On les repèreOn les repère
On mesure une caractéristique plusieursOn mesure une caractéristique plusieurs
fois (occasions)fois (occasions)
Exemples : croissance sur des animaux ouExemples : croissance sur des animaux ou
plantes marquéesplantes marquées
Analyse : « mesures répétées » (repeatedAnalyse : « mesures répétées » (repeated
measures)measures)
86. EchantillonnageEchantillonnage
Echantillonnage parEchantillonnage par
régressionrégression
On mesure une caractéristique peuOn mesure une caractéristique peu
coûteusecoûteuse xx sur un très grand nombresur un très grand nombre NN
d’individusd’individus
Sur un sous-échantillon aléatoire de tailleSur un sous-échantillon aléatoire de taille
nn, on mesure une autre caractéristique,, on mesure une autre caractéristique,
très coûteuse,très coûteuse, yy
Ce sous échantillon permet d’estimer leCe sous échantillon permet d’estimer le
coefficient de corrélation entre les deuxcoefficient de corrélation entre les deux
caractéristiquescaractéristiques
L’estimation précise de la moyenne deL’estimation précise de la moyenne de xx
permet alors de corriger la moyenne depermet alors de corriger la moyenne de yy
87. EchantillonnageEchantillonnage
ExempleExemple
ChezChez Leptomastix dactylopiiLeptomastix dactylopii onon
mesure :mesure :
La taille sur 1000 individusLa taille sur 1000 individus
La taille et la fécondité sur 50 d’entreLa taille et la fécondité sur 50 d’entre
euxeux
88. EchantillonnageEchantillonnage
ExempleExemple
> mean(tail)> mean(tail) # Echantillon de 50# Echantillon de 50
[1] 1.7818[1] 1.7818
> mean(tail2)> mean(tail2) # Echantillon de 1000# Echantillon de 1000
[1] 1.971004[1] 1.971004
> lm(fec~tail)->m1 # Régression fécondité / taille> lm(fec~tail)->m1 # Régression fécondité / taille
> m1> m1
Call:Call:
lm(formula = fec ~ tail)lm(formula = fec ~ tail)
Coefficients:Coefficients:
(Intercept) tail(Intercept) tail
22.41 34.3322.41 34.33
> mean(fec)> mean(fec) # Echantillon de 50# Echantillon de 50
[1] 83.58[1] 83.58
> mean(tail2)-mean(tail)->bt> mean(tail2)-mean(tail)->bt # Biais sur la taille# Biais sur la taille
> bt*m1$coeff[2]+mean(fec)> bt*m1$coeff[2]+mean(fec) # Correction du biais# Correction du biais
féconditéfécondité
[1] 90.07582[1] 90.07582
>>
89. EchantillonnageEchantillonnage
Variance de l’estimateurVariance de l’estimateur
par régressionpar régression
On le donne ci dessous sansOn le donne ci dessous sans
démonstration :démonstration :
2
2
(1 )
y
n
s
r-
Variance
habituelle
Coefficient de
corrélation
entre x et y
90. EchantillonnageEchantillonnage
Suite de l’exempleSuite de l’exemple
> # Variance de la moyenne fécondité> # Variance de la moyenne fécondité
> var(fec)/50> var(fec)/50
[1] 7.28089[1] 7.28089
> #correction par la corrélation avec la taille> #correction par la corrélation avec la taille
> cor(tail,fec)> cor(tail,fec)
[1] 0.9570068[1] 0.9570068
> (1-cor(tail,fec))*var(fec)/50> (1-cor(tail,fec))*var(fec)/50
[1] 0.3130290[1] 0.3130290
> v<-(1-cor(tail,fec))*var(fec)/50> v<-(1-cor(tail,fec))*var(fec)/50
> # Erreur standard> # Erreur standard
> sqrt(v)> sqrt(v)
[1] 0.5594899[1] 0.5594899
> # précision> # précision
> sqrt(v)*1.96> sqrt(v)*1.96
[1] 1.096600[1] 1.096600
> #précision relative> #précision relative
> sqrt(v)*1.96/mean(fec)*100> sqrt(v)*1.96/mean(fec)*100
[1] 1.312037[1] 1.312037 # 1.31% grace à la mesure des 1000 tailles# 1.31% grace à la mesure des 1000 tailles
>>
92. EchantillonnageEchantillonnage
ConclusionsConclusions
Connaître les plans types est fondamentalConnaître les plans types est fondamental
Il est essentiel de savoir définirIl est essentiel de savoir définir
Ses objectifs (précision, erreur de décision)Ses objectifs (précision, erreur de décision)
Ses moyensSes moyens
L’optimisation permet de gagner du tempsL’optimisation permet de gagner du temps
et de l’argentet de l’argent
FaitesFaites simplesimple et si possibleet si possible standardstandard
Evitez les plans « astucieux » qu’on ne sait pasEvitez les plans « astucieux » qu’on ne sait pas
traiter ou qui se révèlent coûteuxtraiter ou qui se révèlent coûteux