Le test d’égalité teste l’hypothèse H0 : µ1 = µ2. La puissance d’un test est la probabilité de rejeter l’hypothèse H0 sans commettre une erreur, c’est-à-dire lorsque µ1 est effectivement différente de µ2.Read More →
Le test d’égalité teste l’hypothèse H0 : µ1 = µ2. La puissance d’un test est la probabilité de rejeter l’hypothèse H0 sans commettre une erreur, c’est-à-dire lorsque µ1 est effectivement différente de µ2. Nous voulons donc calculer la puissance du test avec un nombre n d’individus grâce à la fonction power.t.test(). Exemple : dans une expérience nous avons un écart type de 1.7, une moyenne de 1 et on prend le seuil classique α=5%. On calcule la puissance du test avec 15 individus par groupe. power.t.test(n=15, delta=1, sd=1.7, sig.level=0.05)$power [1] 0.3430475 Si l’on décide de n’utiliser que 15 individus dans l’expérimentation, alors onRead More →
Le test non-paramétrique de Wilcoxon permet de tester l’égalité de deux moyennes lorsque l’hypothèse de normalité n’est pas validée. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ». Pour réaliser ce test il est nécessaire d’avoir un échantillonnage aléatoire et que les lois suivies par les deux variables étudiées soient les mêmes. Pour tester l’hypothèse H0 on utilise la fonction wilcox.test(). A<-subset(iris,Species== »setosa »)[,4] #échantillonnage de la largeur des pétales chez l’espèce Setosa. B<-subset(iris,Species== »versicolor »)[,4] #échantillonnage de la largeur des pétales chez l’espèce Versicolor. #On test si la moyenne de la largeur des pétales de l’espèce Setosa vaut 0.5 : wilcox.test(A,0.5)Read More →
Le test non-paramétrique de Wilcoxon permet de tester l’égalité de deux moyennes lorsque l’hypothèse de normalité n’est pas validée. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ».Read More →
Le test de Student permet de tester l’égalité de deux moyennes. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ». Pour réaliser ce test il est nécessaire d’avoir un échantillonnage aléatoire de chaque individu et que les ces deux échantillons suivent une loi Normale. Pour tester l’hypothèse H0 on utilise la fonction t.test(). data(iris) A<-subset(iris,Species== »setosa »)[,2] #On isole la 2ème colonne : la largeur des sépales On commence par tester la normalité de cette variable grâce au test de Shapiro : shapiro.test(A) Shapiro-Wilk normality test data: A W = 0.9717, p-value = 0.2715 La p-value est supérieurRead More →
Le test de Student permet de tester l’égalité de deux moyennes. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ».Read More →
Les fonction colSums() et rowSums() permettent de calculer les sommes respectivement, sur les colonnes et les lignes d’une matrice. Les fonction colMeans() et rowMeans() permettent de calculer les moyennes respectivement, sur les colonnes et les lignes d’une matrice. m <- matrix(data = c(12,15,14,13,16,18,15,5,14,11,10,17,4,6,17,16), nrow=4, ncol=4) #On crée une matrice à 4 colonnes et 4 lignes colSums(m) #On fait la somme sur les colonnes [1] 54 54 52 43 rowSums(m) #On fait la somme sur les lignes [1] 46 50 56 51 colMeans(m) #On fait la moyenne sur les colonnes [1] 13.50 13.50 13.00 10.75 rowMeans(m) #On fait la moyenne surRead More →
Les fonction colSums() et rowSums() permettent de calculer les sommes respectivement, sur les colonnes et les lignes d’une matrice.Read More →
Je viens de découvrir la fonction ave.. il s’agit d’une fonction extremement rapide qui permet de calculer une moyenne (ou autre chose..) par groupe. elle est trés efficace par rapport à des combinaisons de by et autres do.call # mettons nous dans un cas ou nous voulons calculer le score moyenne des hommes d’une part , et des femme d’autre part data<-data.frame(cbind(c(rep(« homme »,4),rep(« femme »,5)),c(1:4,3:7)))names(data)<-c(« genre », »score »)data$score<-as.numeric(data$score)dataattach(data)cbind(data,ave(score,genre)) L’efficacité d’ave se retrouve surtout sur les tres gos jeux de données…Read More →
Je viens de découvrir la fonction ave.. il s’agit d’une fonction extremement rapide qui permet de calculer une moyenne (ou autre chose..) par groupe. elle est trés efficace par rapport à des combinaisons de by et autres do.call # mettons nous dans un cas ou nous voulons calculer le score moyenne des hommes d’une part , et des femme d’autre part data<-data.frame(cbind(c(rep(« homme »,4),rep(« femme »,5)),c(1:4,3:7)))names(data)<-c(« genre », »score »)data$score<-as.numeric(data$score)dataattach(data)cbind(data,ave(score,genre)) L’efficacité d’ave se retrouve surtout sur les tres gos jeux de données…Read More →