L'étude paramétrique montre l'effet des paramètres de calcul et des paramètres géotechniques sur les résultats. Pour atteindre l'objectif visé, le travail sera divisé en quatre chapitres.
Définitions. Un test paramétrique est un test pour lequel on fait une hypothèse paramétrique sur la loi des données sous H0 (loi normale, loi de Poisson...); Les hypothèses du test concernent alors les paramètres de cette loi. Un test non paramétrique est un test ne nécessitant pas d'hypothèse sur la loi des données.
Les tests paramétriques sont des tests statistiques qui permettent de mesurer de degré d'association entre une variable quantitative et une variable catégorielle. Rappelons qu'une variable catégorielle est une variable qui différencie les individus en groupes.
Il s'agit d'une forme d'analyse de la régression dans lequel le prédicteur, ou fonction d'estimation, ne prend pas de forme prédéterminée.
Quel est l'avantage d'utiliser un test non-paramétrique ? Les tests non-paramétriques sont plus robustes que les tests paramétriques. En d'autres termes, ils peuvent être utilisés dans un plus grand nombre de situations.
Lorsque les échantillons peuvent être considérés indépendants, on applique le test de Mann et Whitney pour 2 échantillons, celui de Kruskal et Wallis pour un nombre quelconque d'échantillons. Lorsque on a affaire à deux échantillons appariés (c'est-à-dire non indépendants), on applique le test de Wilcoxon.
Le test t est utilisé lorsque vous devez trouver la moyenne de la population entre deux groupes, tandis que lorsqu'il y a trois groupes ou plus, vous optez pour le test ANOVA. Le test t et l'ANOVA sont tous deux des méthodes statistiques permettant de tester une hypothèse.
L'estimation paramétrique repose aussi sur l'utilisation de données de projets passés. Cependant, contrairement à l'estimation analogique, cette méthode prend en compte les différences entre les projets passés et le projet actuel. Cette technique d'estimation repose sur des algorithmes.
Le test de Kruskal-Wallis est un test non paramétrique à utiliser lorsque vous êtes en présence de k échantillons indépendants, afin de déterminer si les échantillons proviennent d'une même population ou si au moins un échantillon provient d'une population différente des autres.
Les formulations pour l'hypoth`ese alternative H1 sont : 1. H0 : µ = µ0 (ou µ ≥ µ0) et 2. H0 : µ = µ0 (ou µ ≤ µ0) H1 : µ<µ0 H1 : µ>µ0 (unilatéral `a gauche).
Un test d'hypothèse (ou test statistique) est une démarche qui a pour but de fournir une règle de décision permettant, sur la base de résultats d'échantillon, de faire un choix entre deux hypothèses statistiques.
Pour prendre une décision, choisissez le niveau de significativité α (alpha), avant le test : Si p est inférieur ou égal à α, rejetez H0. Si p est supérieur à α, ne rejetez pas H0 (en principe, vous n'acceptez jamais l'hypothèse H0, mais vous vous contentez de ne pas la rejeter)
Le test U de Mann-Whitney est donc le pendant non paramétrique du test t pour échantillons indépendants ; il est soumis à des hypothèses moins strictes que le test t. Par conséquent, le test U de Mann-Whitney est toujours utilisé lorsque la condition de distribution normale du test t n'est pas remplie.
En statistiques, les tests de normalité permettent de vérifier si des données réelles suivent une loi normale ou non. Les tests de normalité sont des cas particuliers des tests d'adéquation (ou tests d'ajustement, tests permettant de comparer des distributions), appliqués à une loi normale.
Dans le cas d'échantillons indépendants, le test de Mann-Whitney permet de comparer deux populations. Les deux séries de valeurs sont mélangées puis ordonnées par valeurs croissantes. On identifie alors les rangs des individus du premier groupe et on calcule la somme des rangs de ces individus.
Un paramètre sert à caractériser, en un certain sens, le processus aléatoire qui conduit à la réalisation des grandeurs décrivant ce phénomène. Il dépend, en partie, de la façon dont le statisticien aborde un problème statistique ou formalise un modèle statistique.
Ainsi, pour estimer efficacement le temps, nous vous recommandons de comprendre les attentes liées au projet, de prioriser les activités et tâches, de décider qui prend part au projet et quel est le rôle chacun, et enfin d'estimer la durée. Bien sûr cette liste n'est pas exhaustive.
Pour utiliser l'estimation paramétrique, divisez d'abord un projet en unités de travail. Ensuite, vous devez déterminer le coût par unité, puis multiplier le nombre d'unités par le coût par unité pour estimer le coût total.
Test statistique utilisé lorsque la ou les variables utilisées suivent une distribution prédéterminée. À l'exception du cas où la ou les variables suivent une loi normale, les tests paramétriques requièrent des échantillons de taille importante (> 30 observations).
Test unilatéral : test statistique pour lequel on prend comme hypothèse alternative l'existence d'une différence dont le sens est connu. Test bilatérale : test statistique pour lequel on prend, comme hypothèse alternative, l'existence d'une différence, dans un sens ou l'autre.
Pour ce faire, il faut prendre 50 vis de chaque ligne de production et de chaque équipe et en mesurer le poids. L'ANOVA à deux facteurs permet de déterminer si le poids moyen des vis des trois lignes de production et des deux équipes est significativement différent l'un de l'autre.
L'ANOVA univariée est généralement utilisée lorsque l'on a une seule variable indépendante, ou facteur, et que l'objectif est de vérifier si des variations, ou des niveaux différents de ce facteur ont un effet mesurable sur une variable dépendante.
Un test de Student peut être utilisé pour évaluer si un seul groupe diffère d'une valeur connue (test t à un échantillon), si deux groupes diffèrent l'un de l'autre (test t à deux échantillons indépendants), ou s'il existe une différence significative dans des mesures appariées (test de Student apparié ou à ...
ANOVA teste l'homogénéité de la moyenne de la variable quantitative étudiée sur les différentes valeurs de la variable qualitative. L'analyse de la variance, si elle aboutit à un résultat éloigné de zéro, permet de rejeter l'hypothèse nulle : la variable qualitative influe effectivement sur la variable quantitative.