Calculateur de distribution F

Qu'est-ce que la distribution F ?

La distribution F apparaît lors de la comparaison de deux variances — c'est le rapport de deux distributions du chi-carré, chacune divisée par leurs degrés de liberté.

Paramètres :

• df₁ = degrés de liberté du numérateur
• df₂ = degrés de liberté du dénominateur

Utilisations principales :

• ANOVA (comparaison des moyennes entre groupes)
• Test d'égalité des variances
• Significativité du modèle de régression

De la statistique F à la valeur p

Ce calculateur convertit une statistique F en valeur p :

Exemple : F = 4.25, df₁ = 3, df₂ = 20 Valeur p = P(F > 4.25) = 0.018

Puisque p < 0.05, le résultat est statistiquement significatif.

Applications

ANOVA (Analyse de variance)

« Trois groupes ou plus ont-ils des moyennes différentes ? »

F = (Variance inter-groupes) / (Variance intra-groupes) df₁ = groupes - 1 df₂ = observations totales - groupes

Un F élevé suggère que les moyennes des groupes diffèrent.

Test du modèle de régression

« Le modèle de régression est-il globalement significatif ? »

F = (Carré moyen du modèle) / (Carré moyen de l'erreur) df₁ = nombre de prédicteurs df₂ = n - prédicteurs - 1

Comparaison de deux variances

« Deux populations ont-elles une variance égale ? »

$F = \frac{s_1^2}{s_2^2}$ (variance la plus grande au numérateur)

$df_1 = n_1 - 1, \quad df_2 = n_2 - 1$

Comparaison de modèles emboîtés

« L'ajout de variables améliore-t-il significativement le modèle ? »

F = [(RSS_réduit - RSS_complet) / q] / [RSS_complet / (n - k - 1)]

Où q = nombre de prédicteurs ajoutés.

Propriétés de la distribution

La distribution F :

• Toujours non négative (rapport de quantités positives)
• Asymétrique à droite
• Moyenne ≈ df₂/(df₂ - 2) pour df₂ > 2
• Devient moins asymétrique lorsque les df augmentent

Forme par degrés de liberté

Valeurs critiques

Pour α = 0.05 :

Le Calculateur F inverse fournit des valeurs critiques pour toute combinaison de df.

Développement historique

Ronald Fisher (1890-1962) a développé la distribution F dans les années 1920 dans le cadre de ses travaux sur l'ANOVA.

La distribution a été nommée « F » en l'honneur de Fisher par George Snedecor, qui a popularisé les méthodes ANOVA dans son manuel influent (1937).

L'intuition de Fisher était de reconnaître que les rapports de variance suivent une distribution spécifique sous l'hypothèse nulle, permettant des tests formels de différences entre groupes.

Définition mathématique

Si $U \sim \chi^2(df_1)$ et $V \sim \chi^2(df_2)$ sont indépendants :

$F = \frac{U/df_1}{V/df_2}$

Ce rapport suit $F(df_1, df_2)$.

Relation avec d'autres distributions

Chi-carré : F est un rapport de chi-carrés

Distribution t : T² ~ F(1, df)

Si t suit t(df), alors t² suit F(1, df)

Distribution bêta : F est lié à la distribution bêta par transformation

ANOVA en détail

ANOVA à un facteur

Comparaison des moyennes de k groupes :

$F = \frac{MSB}{MSW}$

Où :

• $MSB$ = Carré moyen inter-groupes = $SSB / (k-1)$
• $MSW$ = Carré moyen intra-groupes = $SSW / (n-k)$
• $df_1 = k - 1$
• $df_2 = n - k$

ANOVA à deux facteurs

Test de deux facteurs et de leur interaction :

• F pour le facteur A : MSA / MSErreur
• F pour le facteur B : MSB / MSErreur
• F pour l'interaction : MSAB / MSErreur

Chacun a son propre df₁, avec df₂ commun = df de l'erreur.

Hypothèses

Pour l'ANOVA :

1. Indépendance : Les observations sont indépendantes
2. Normalité : Les populations sont normalement distribuées
3. Homogénéité de variance : Variances égales entre les groupes

L'ANOVA est robuste face à des violations modérées de la normalité mais sensible à l'hétérogénéité des variances, en particulier avec des tailles de groupe inégales.

Pour le test de rapport de variance :

1. Indépendance : Les échantillons sont indépendants
2. Normalité : Les deux populations sont normales

Le test F pour les variances est sensible à la non-normalité.

Unilatéral vs. Bilatéral

ANOVA (unilatéral) :

Seules les grandes valeurs F indiquent des différences entre groupes. Valeur p = P(F > F observé)

Comparaison de variance (souvent bilatéral) :

Tester si les variances diffèrent dans l'une ou l'autre direction. Valeur p = 2 × min(P(F > f), P(F < f))

Ou utiliser : P(F > max(s₁²/s₂², s₂²/s₁²))

Interpréter les statistiques F

Un F élevé indique :

• Les moyennes des groupes diffèrent substantiellement (ANOVA)
• Les variances sont inégales (test de variance)
• Le modèle explique une variation significative (régression)

F proche de 1 suggère :

• Les moyennes des groupes sont similaires
• Les variances sont similaires
• Le modèle n'explique pas beaucoup de variation

Taille d'effet avec F

F seul ne mesure pas la taille d'effet. Rapportez :

Eta-carré (η²) : SSB / SST (proportion de variance expliquée)

Oméga-carré (ω²) : Version ajustée, moins biaisée

Eta-carré partiel : Pour les plans factoriels

Calculs associés

• Calculateur F inverse — Trouver les valeurs F critiques
• Calculateur d'ANOVA à un facteur — Comparer les moyennes des groupes
• Calculateur de distribution du chi-carré — Composant de F
• Calculateur de distribution t — Distribution connexe
• Calculateur de degrés de liberté — Calculer df

Résumé

La distribution F — un rapport de deux distributions du chi-carré — est la base de l'analyse de variance et des tests comparant les variances. Avec deux paramètres de degrés de liberté (numérateur et dénominateur), les statistiques F testent si les moyennes des groupes diffèrent, si un modèle de régression est significatif ou si deux populations ont une variance égale. Comprendre la distribution F permet une interprétation appropriée des résultats ANOVA et des comparaisons de variance dans les études expérimentales et observationnelles.