103
ce qui concerne les méthodes). On peut ainsi estimer de deux façons différentes la variance
de la population unique d’origine : à l’aide de σ ²F ou par σ ²R. Les deux estimations sont
indépendantes et si Ho est vérifié, la différence entre ces deux variances ne devrait pas être
significative.
Classiquement on présente les résultats de la façon suivante :
Sources de fluctuation
Dispersion
ddl
Variance
entre échantillons
SCF
k-1
σ ²F = SCF / k - 1
Dans les échantillons
SCR
n T -k
σ ²R = SCR / n T - 1
* Remarques.
- L'analyse de variance s'applique au cas où la variable à expliquer est métrique.
- L’analyse de variance cherche généralement à tester les différences significatives entre
les moyennes ; ce nom d’Anova, qui peut prêter à confusion, vient du fait que pour tester la
significativité statistique entre les moyennes, on compare en réalité les variances.
- F a une valeur théorique de 1. Les fluctuations d'échantillonnage de F seront connues si
on connaît la probabilité pour que F soit dans un intervalle entourant 1 et délimité par des
valeurs inférieures et des valeurs supérieures ou encore le risque d'erreur correspondant à
cet intervalle. Dans le cadre de notre programme, l'Anova réalisée est relative à un seul
facteur et on parle d’analyse de variance simple.
- Certains auteurs appellent la somme des carrés des écarts à la moyenne (SC) écarts
quadratiques à la moyenne (EQ).
- Certains auteurs appellent également le test F, test de Fischer-Snédécor
Le test ANOVA sur les résultats de notre PFE à donné les tableaux suivants :
Test ANOVA sur les tailles des alevins du lot 01, 02 et 03
Synthèse de tous les Effets; plan: (qnovq.sta)
Lm
1-A
dl
MC
dl
MC
Effet
Effet
Erreur
Erreur
F
niveau p
1
2
0,16033334
27 0,38862962 0,41256076 0,66605544
Test ANOVA sur les poids des alevins du lot 01, 02 et 03
Synthèse de tous les Effets; plan: (qnovq.sta)
Wm
1-A
dl
MC
dl
MC
Effet
Effet
Erreur
Erreur
F
niveau p
1
2
0,36586332
27 0,48671332 0,75170189 0,48117718
ce qui concerne les méthodes). On peut ainsi estimer de deux façons différentes la variance
de la population unique d’origine : à l’aide de σ ²F ou par σ ²R. Les deux estimations sont
indépendantes et si Ho est vérifié, la différence entre ces deux variances ne devrait pas être
significative.
Classiquement on présente les résultats de la façon suivante :
Sources de fluctuation
Dispersion
ddl
Variance
entre échantillons
SCF
k-1
σ ²F = SCF / k - 1
Dans les échantillons
SCR
n T -k
σ ²R = SCR / n T - 1
* Remarques.
- L'analyse de variance s'applique au cas où la variable à expliquer est métrique.
- L’analyse de variance cherche généralement à tester les différences significatives entre
les moyennes ; ce nom d’Anova, qui peut prêter à confusion, vient du fait que pour tester la
significativité statistique entre les moyennes, on compare en réalité les variances.
- F a une valeur théorique de 1. Les fluctuations d'échantillonnage de F seront connues si
on connaît la probabilité pour que F soit dans un intervalle entourant 1 et délimité par des
valeurs inférieures et des valeurs supérieures ou encore le risque d'erreur correspondant à
cet intervalle. Dans le cadre de notre programme, l'Anova réalisée est relative à un seul
facteur et on parle d’analyse de variance simple.
- Certains auteurs appellent la somme des carrés des écarts à la moyenne (SC) écarts
quadratiques à la moyenne (EQ).
- Certains auteurs appellent également le test F, test de Fischer-Snédécor
Le test ANOVA sur les résultats de notre PFE à donné les tableaux suivants :
Test ANOVA sur les tailles des alevins du lot 01, 02 et 03
Synthèse de tous les Effets; plan: (qnovq.sta)
Lm
1-A
dl
MC
dl
MC
Effet
Effet
Erreur
Erreur
F
niveau p
1
2
0,16033334
27 0,38862962 0,41256076 0,66605544
Test ANOVA sur les poids des alevins du lot 01, 02 et 03
Synthèse de tous les Effets; plan: (qnovq.sta)
Wm
1-A
dl
MC
dl
MC
Effet
Effet
Erreur
Erreur
F
niveau p
1
2
0,36586332
27 0,48671332 0,75170189 0,48117718