Analyse de régression

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Analyse de régression"

Transcription

1 Itroducto à la régresso Aalyse de régresso La régresso est utlsée pour estmer ue focto f( ) décrvat ue relato etre ue varable explquée cotue,, et ue ou pluseurs varables explcatves,. = f(,, 3,, )+ε Remarque : f( ) décrt la varato systématque de la relato. ε représete la varato o systématque (aléatore) de la relato. U Exemple Cosdéros la relato etre le budget de publcté ( ) et les vetes (). Il y a probablemet ue relato de type : quad la publcté augmete, les vetes devraet auss augmeter. E pratque, commet peut-o quatfer cette relato? Vor le fcer Fg9-.xls Le uage de pots des doées Vetes ( x 000 $) Publcté (x 000 $) 3 4 La ature de la relato statstque Courbe de régresso Dstrbutos de probabltés pour à dfférets veaux de 5 U modèle de régresso léare smple Le uage de pots llustre ue relato (evro) léare etre la publcté et les vetes. Les doées suggèret doc le modèle de régresso suvat : = β 0 + β + ε Cela se veut la vrae relato etre la populato etère des doées de publcté et de vetes. La focto de régresso estmée (calculée avec otre écatllo) sera représetées as : = b0 + b Ŷ est l'estmato (ou l'ajustemet) de à u certa veau de 6

2 Détermer le melleur ajustemet Des valeurs umérques dovet être détermées pour b 0 ad b La métode des modres carrés trouve les valeurs qu mmset : = = E = ( ) = ( ( b + b )) 0 E = 0, la focto estmée s ajuste parfatemet aux doées. Nous pouvos résoudre ce problème à l ade du olver d Excel. Utlsato du olver Vor le fcer Fg9-4.xls 7 8 La focto de régresso estmée elo les doées, la focto de régresso estmée est la suvate : = Utlsato de l utltare d aalyse Excel possède auss u outl tégré (utltare d aalyse) pour réalser ue étude de régresso : Plus smple à utlser Géère beaucoup plus d formato à propos du problème Vor le fcer Fg9-.xls 9 0 La focto TREND() TREND(Plage e, Plage e, Valeur pour la prédcto) Où : Plage e est l esemble des cellules coteat les valeurs de la varable explquée Plage e est l esemble des cellules coteat les valeurs de(s) varable(s) explcatves Valeur pour la prédcto est la(les) cellule(s) coteat la(les) valeur(s) de(des) varable(s) explcatve(s) pour laquelle(lesquelles) o désre ue prédcto de la Remarque : La focto TREND( ) est dyamquemet remse à jour dès qu ue valeur d etrée est modfée. Toutefos, elle e fourt pas toute l formato statstque de l outl de régresso. ales ( $000s) Évaluer la qualté de l ajustemet R = Advertsg ( $000s)

3 3 La statstque R Décomposto de l erreur La statstque R dque e parte le veau d ajustemet du modèle aux doées 0 < R < Elle mesure la proporto de la varato totale de autour de la moyee qu est comprse das l équato de régresso Le grapque suvat llustre be ce cocept (valeur réelle) - - (Valeur estmée) - = b 0 + b 3 4 Parttoemet de la somme des carrés totaux (T) Fare des prédctos = = = ( ) = ( ) + ( ) T = E + R upposos que l o désre estmer le veau moye des vetes espérées e dépesat $ de publcté = R R = = E T T Vetes estmées = = Doc, quad $ sot dépesés e publcté, ous pouvos espérer avor u veau moye des vetes de $ 5 6 L erreur type L erreur type (erreur stadard) mesure la dsperso des doées autour de la drote de régresso ( ) = e = k où k = le ombre de varables explcatves Das otre derer exemple, e = 0.4 Cec est utle pour les tervalles de prédcto 7 U tervalle de prédcto approxmatf U tervalle de coface à 95%, approxmatf, pour ue ouvelle valeur de quad = est doé par : ± e Où : = b + b 0 Exemple : $ sot dépesés e publcté : Itervalle de prédcto féreur à 95% = = Itervalle de prédcto supéreur à 95% = = Doc, e dépesat $ e publcté, ous sommes approxmatvemet cofats à 95% que les vetes serot etre $ et $ 8

4 4 U tervalle de prédcto exact U tervalle de coface à (-α)% pour ue ouvelle valeur de quad = est doé par : ± t ( α /, ) p Où : = b + b p 0 = e + ( + ) ( ) = 9 Exemple $ état dépesé e publcté : Itervalle de coface féreur à 95% = = Itervalle de coface supéreur à 95% = = Doc, o dépesat $ e publcté, ous sommes cofats à 95% que les vetes serot etre $ et $ Ic, cet tervalle est evro seulemet 0 000$ plus large que celu approxmatf, qu état beaucoup plus smple à obter Le ga de précso e vaut pas écessaremet toujours le trouble supplémetare, be que das Excel 0 ales Comparaso des deux tervalles de coface calculés Itervalles de coface calculés avec l erreur type e Drote de régresso Itervalles de coface calculés avec l erreur de prédcto p Advertsg Expedtures Itervalles de coface pour la moyee U tervalle de coface à (-α)% pour la vrae valeur moyee de quad = est doé par : ± t ( α /, ) a Où : = b + b a 0 = e + ( ) = ( ) Ue remarque à propos des extrapolatos Des prédctos fates avec u modèle de régresso (même avec u grad R ), peuvet être peu ou pas fables du tout pour des valeurs des varables explcatves coses e deors de celles de l écatllo ayat serv à élaborer le modèle Iterpolato = OK Extrapolato =???!!! 3 Aalyse de régresso multple La majorté des problèmes de régresso mplquet plus qu ue varable explcatve caque varable (ou ue trasformato de celle-c) cotrbue léaremet avec, la focto de régresso est alors : = b + b + b + + b 0 k k Les valeurs optmales des b peuvet ecore être détermées e mmsat E Il s agt mateat d ajuster u yperpla aux doées 4

5 5 Exemple d ue surface de régresso pour deux varables explcatves Exemple de régresso multple : Évaluato mmoblère U évaluateur mmobler désre développer u modèle pour l ader à prédre le prx du marcé de certaes proprétés Tros varables explcatves serot reteues pour estmer le prx de vete d ue maso : urface totale e p.ca. Nombre de cambres à coucer Dmeso du garage Vor le fcer Fg9-7.xls 5 6 électoer le modèle Nous voulos detfer le modèle le plus smple qu exprme be la varato systématque de la varable Utlser arbtraremet toutes les varables explcatves pourrat dure u «surajustemet» U écatllo cotet pluseurs caractérstques : Certaes représetat la populato D autres état spécfques à l écatllo Nous e voulos pas ajuster les modèles aux caractérstques spécfques des écatllos, c est-à-dre fare du surajustemet 7 Modèles avec ue varable explcatve De faço smplste, supposos qu o ajuste tros modèles de régresso smple : = b0 + b = b0 + b = b0 + b33 Fats sallats des résultats : Varables R Estmatos cluses R ajusté e des paramètres b 0 =9.503, b = b 0 =78.90, b = b 0 =6.50, b 3 =7.607 Juste le modèle avec cotet déjà 87% de la varato de, lassat 3% pour le reste 8 Remarque formatque mportate E cosdérat plus d ue varable explcatve, l est mportat de les mater e blocs adjacets af de pouvor les sélectoer smultaémet La sélecto de blocs o cotgües est terdte avec l outl de régresso 9 Modèles avec deux varables explcatves upposos mateat que ous ajustos les deux modèles suvats : = b0 + b + b = b0 + b + b33 Fats sallats des résultats : Varables R Estmatos cluses R ajusté e des paramètres b 0 =9.503, b = & b 0 =7.684, b = b =.875 & b 0 =8.3, b =44.33 b 3 =6.743 Le modèle compreat et explque 93.9% de la varato de 30

6 6 Le R ajusté À mesure que des varables explcatves sot cluses das le modèle : Le R peut seulemet croître Le R ajusté peut croître ou décroître E R a = T k Le R peut être amplfé artfcellemet par l addto de mporte quelle varable explcatve Il est préférable de comparer les valeurs des R ajustés pour détermer s l troducto d ue varable supplémetare est utle 3 Atteto à la multcolléarté Il est pas surpreat qu ajouter 3 (cambres à coucer) au modèle compreat déjà (surface totale) at pas erc sgfcatvemet le modèle Ces deux varables représetet (approxmatvemet) t) la même cose, la gradeur de la maso Ces deux varables sot fortemet corrélées (ou coléares) La multcolléarté dot être évtée 3 Modèle avec tros varables explcatves upposos mateat que ous voulos clure les tros varables explcatves : = b0 + b + b + b 3 3 Fats sallats des résultats : Varables R Estmatos cluses R ajusté e des paramètres b 0 =9.503, b = & b 0 =7.684, b =38.576, b =.875, & b 0 =6.440, b =30.803, b =.567, b 3 =4.576 Le modèle compreat et semble être le melleur : Plus grad R ajusté Plus fable e (tervalles de prédcto les plus petts) 33 Fare des prédctos Estmos la valeur moyee d ue maso de 00 p.ca. et ayat u garage double : = b0 + b + b = = La valeur moyee estmée du prx de vete est doc de $ U tervalle de coface approxmatf de 95% pour le prx de vete est : ± e Itervalle féreur à 95% = $ Itervalle supéreure à 95% = $ 34 Varables explcatves bares Il est possble d trodure des varables explcatves o quattatves par l etremse de varables bares Exemple : La présece (ou l absece) d ue psce, sla maso a ue psce p = 0, autremet Exemple : elo que la toture est e boe, moyee ou mauvase codto, s le tot de la maso est e boe codto r = 0, autremet, s le tot de la maso est e moyee codto r + = 0, autremet 35 Régresso polyomale Parfos, la relato etre les varables est pas léare g Prce ell $75 $50 $5 $00 $75 $ quare Footage Ce grapque suggère ue relato quadratque etre la surface () et le prx de vete () 36

7 7 Le modèle de régresso U modèle de régresso approxmatf pour ce cas pourrat être : Ou ecore avec = b + b + b 0 = b + b + b 0 = Implatato du modèle Vor le fcer Fg9-5.xls Prce ellg P $75 $50 $5 $00 $75 Grapque de la focto quadratque de régresso $ quare Footage Ajuster u modèle polyomal du trosème ordre Nous pourros auss ajuster u modèle polyomal du trosème ordre, 3 = b0 + b + b + b3 Ou ecore = b + b + b + b avec = = Grapque de la focto polyomale de régresso du trosème ordre Prce ellg P $75 $50 $5 $00 $75 Atteto au surajustemet Partculèremet avec les modèles polyomaux, l faut être prudets pour e pas surajuster le modèle à l écatllo Commet fare pour décder du ombre de termes? Peut être avec le R ajusté! $ quare Footage 4 4

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen Aexe. Estmato d u quatle o-paramétrque par la méthode de Haze La probablté cumulée emprque d ue doée au se d u échatllo est pas u cocept parfatemet déf : pluseurs estmatos sot possbles ; l e est de même

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chaptre 4 : RÉGRESSION 4. Régresso léare smple 4.. Équato de la régresso 4.. Estmato par les modres carrés 4..3 Coeffcet de détermato 4..4 Iférece sur les coeffcets 4..5 Prévso et aalyse des résdus Régresso

Plus en détail

TD Techniques de prévision pour la Gestion de production

TD Techniques de prévision pour la Gestion de production Orgasato et gesto dustrelle Page / 6 TD Techques de prévso pour la Gesto de producto er Exercce Vetes d u rayo de jouraux das u supermarché Javer Févrer Mars Avrl Ma Ju Jullet Août Septembre Octobre Novembre

Plus en détail

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE UE4 : Bostatstques Chaptre 8 Corrélato et régresso léare smple José LABARERE Aée uverstare 20/202 Uversté Joseph Fourer de Greoble - Tous drots réservés. Pla I. Corrélato et régresso léare II. Coeffcet

Plus en détail

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale Cotrôle de gesto Budget des vetes Module 4 - Leço - Budget des vetes Itroducto - Recherche de la tedace géérale - Itroducto Le budget des vetes est le premer budget opératoel à établr. Il est cosdéré comme

Plus en détail

Statistique. 3 ème Maths Mai 2010 A. LAATAOUI. I. Introduction :

Statistique. 3 ème Maths Mai 2010 A. LAATAOUI. I. Introduction : Statstque 3 ème Maths Ma 00 A LAATAOUI I Itroducto : La statstque est ue scece ayat pour objet l étude des phéomèes socau surtout ceu doat leu à des varatos ou ceu e pouvat être suffsammet maîtrsés que

Plus en détail

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant :

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant : STATISTIQUES Cours Termale ES O observe que, das certas cas, l semble ester u le etre deu caractères statstques quattatfs (deu varables) sur ue populato ; par eemple, etre le pods et la talle d u ouveau-é,

Plus en détail

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20.

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20. BTS CG 996 Eercce : (0 pots) Ue agece mmoblère evsage de commercalser u programme de costructo d'appartemets Deu projets lu sot soums: Projet P : Le coût de producto de appartemets ( eter et 0 )est doé

Plus en détail

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1 II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d

Plus en détail

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires UE 4 Evaluato des méthodes d aalyse applquées au sceces de la ve et de la saté Statstque Varables aléatores Frédérc Mauy - 27 septembre et 3 octobre 2013 1 Pla du cours 1. Varable aléatore 1. Défto 2.

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION. INTRODUCTION Il est fréquet de s'terroger sur la relato qu peut exster etre deux gradeurs e partculer das les problèmes de prévso et d estmato. Tros types

Plus en détail

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques IFT393 Qualté du logcel et métrques Chaptre 7 Collecte et aalyse des métrques Pla du cours Itroducto Qualté du logcel Théore de la mesure Mesure du produt logcel Mesure de la qualté du logcel Études emprques

Plus en détail

Coefficient de partage

Coefficient de partage Coeffcet de partage E chme aque, la sythèse d'u composé se fat e pluseurs étapes : la réacto propremet dte (utlsat par exemple u motage à reflux quad la réacto dot être actvée thermquemet), les extractos

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez Mesure de la laso etre deux varables qualtatves Kh deux Equête : Êtes-vous «pas du tout d accord»

Plus en détail

PHYSIQUE DES SEMICONDUCTEURS

PHYSIQUE DES SEMICONDUCTEURS MIISTERE DE L'ESEIGEMET SUPERIEURE ET DE LA REHERHE SIETIFIQUE UIERSITE DE BEHAR Départemet es Sceces Laboratore e Pysque es spostfs à semcoucteurs (L.P.D.S ttp://www.uv-becar.z/lps/ PHYSIQUE DES SEMIODUTEURS

Plus en détail

Calculs en chromatographie

Calculs en chromatographie Calculs e chroatographe éthode de la oralsato tere... 1 Coeffcet de répose assque relatf... 1 Calcul des pourcetages assques... 2 Calcul des pourcetages olares... 3 xeple d aalyse CG d ue substtuto copéttve

Plus en détail

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet.

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet. ère S Cotrôle du mard 7 javer 05 ( heures) D C N Le barème est doé sur 0 O répodra drectemet sur la cope foure avec le sujet U certa ombre de questos écesste ue recherche préalable au broullo O e rédgera

Plus en détail

La statistique et les statistiques

La statistique et les statistiques Psy004 Secto : La statstque et les statstques Pla du cours: 0.0: Beveue 0.: Les catégores du savor 0.: Survol de la psychologe 0.3: Le pla de cours 0.4: Les assstats.0: La physque: scece exacte?.: Scece

Plus en détail

PRINCIPES DES STATISTIQUES INFERENTIELLES

PRINCIPES DES STATISTIQUES INFERENTIELLES Chaptre 3 PRINCIPES DES STATISTIQUES INFERENTIELLES Bases de la statstque féretelle PLPSTA0 0 Chaptre 3 1. Problématque. Objectfs des statstques féretelles.1 Estmato poctuelle. Estmato par tervalles.3

Plus en détail

I. Qu est-ce qu une variable aléatoire?

I. Qu est-ce qu une variable aléatoire? I. Qu est-ce qu ue varable aléatore?. Défto : Sot ue expérece aléatore dot l esemble des résultats possbles (l uvers est oté Ω. Ue varable aléatore est ue focto X allat de Ω sur R, c est-à-dre que c est

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 00 SBN : 978---54754- Commet calculer ue tolérace ertelle 75 Nous avos doc u toléracemet par tervalle sur les exgeces foctoelles

Plus en détail

III ESPERANCE MATHEMATIQUE

III ESPERANCE MATHEMATIQUE /9 ésumé de ours e alul des probabltés (JJ bellager III ESPEAE MATHEMATIQUE I.Défto et alul de l espérae mathématque d ue VA La défto la plus géérale de l espérae d u VA : (do à valeurs postves ou ulles

Plus en détail

Apport de la technique de décomposition de domaine en réduction modale de branche

Apport de la technique de décomposition de domaine en réduction modale de branche Apport de la techque de décomposto de domae e réducto modale de brache Perre-Olver LAFFAY, Olver QUEMENER *, Etee VIDECOQ, Ala NEVEU Laboratore de Mécaque et d Eergétque d Evry (LMEE) 40, Rue du Pelvoux

Plus en détail

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets

Plus en détail

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure.

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure. TABLE DES MATIERES Durée...2 Objectf spécfque...2 Résumé...2 I. L agrégato des préféreces...2 I. Le système de vote à la majorté...2 I.2 Vote par classemet...3 I.3 Codtos de décso socale et théorème d

Plus en détail

6GEI300 - Électronique I. Examen Partiel #1

6GEI300 - Électronique I. Examen Partiel #1 6GEI3 Électroque I Autome 27 Modalté: Aucue documetato est permse. Vous avez drot à ue calculatrce o programmable. La durée de l exame est de 3h Cet exame compte pour 2% de la ote fale. Questo 1. Questos

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

1 ère partie : STATISTIQUE DESCRIPTIVE ère parte : STATISTIQUE DESCRIPTIVE CHAPITRE : COLLECTE DE L INFORMATION, TABLEAUX ET GRAPHIQUES. I. Défto et vocabulare Défto : la statstque est ue méthode scetfque qu cosste à réur des doées chffrées

Plus en détail

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2 203 LES DÉLAIS DE PAIEMENT STATISTIQUES DE 2000 À 202 EN NOMENCLATURE NAF rev. 2 Javer 204 Itroducto Des séres statstques chroologques des délas de paemet et du solde du crédt teretreprses sot dspobles

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe

Plus en détail

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an BTS BLANC Ma 0 Epreuve : Mathématques Géérales et Applquées Flère : DA / ARLE Durée: heures NB : Chaque parte dot être tratée sur des copes dfféretes I- MATHEMATIQUES GENERALES Exercce a b Sot le Sot la

Plus en détail

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité Gude de valdato Cotrôle qualté Gude pratque pour la valdato, le cotrôle qualté, et l estmato de l certtude d ue méthode d aalyse œologque alteratve (Résoluto Oeo 10/005) Sommare 1. OBJET... 5. PREAMBULE

Plus en détail

Incertitudes expérimentales

Incertitudes expérimentales U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 995 Icerttudes érmetales par Fraços-Xaver BALLY Lcée Le Corbuser - 93300 Aubervllers et Jea-Marc BERROIR École ormale supéreure

Plus en détail

sont distincts 2 à 2.

sont distincts 2 à 2. Lycée Thers CORRIGÉ TP PYTHON - 09 L algorthme des k-meas pour partager u uage de pots e u ombre doé de classes peu dspersées 1 - La méthode de Forgy [Qu. 1] 1) Cette double somme comporte termes pusque

Plus en détail

Programmation linéaire en nombres entiers

Programmation linéaire en nombres entiers Programmato léare e ombres eters Itroducto Problème de programmato léare e ombres eters (P) M Suet à = = c a = b =,, m 0, eter =,, Eemple M z = Suet à, + 0 5 0 0, eter F(P) = domae réalsable de P Itroducto

Plus en détail

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm I. DEFINITION ANALYSE DES ENQUETES CAS-TEMOINS AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séres o apparées) Dr F. Séguret Départemet d Iformato Médale, Épdémologe et Bostatstques U facteur F est ue

Plus en détail

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes :

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes : Master SV U7 COURS III - - Aalyse de varace (ANOVA I Patrc Coqullard I. ANOVA T RGRSSION MULTIPL I.. Rappels Ue régresso multple s accompage toujours d ue aalyse de varace ( ANalyse Of VArace = ANOVA.

Plus en détail

Séries chronologiques

Séries chronologiques Séres chroologques Rappel : Détermato de l équato d ue drote passat par pots. ( so équato peut se mettre sous la forme y ax + b ) ex : Détermato de l équato de la drote passat par les pots : A ( - ; -5

Plus en détail

EPREUVE DE MATHEMATIQUES

EPREUVE DE MATHEMATIQUES Sesso févrer 009 BREVET DE TECHNICIEN SUPERIEUR «COMPTABILITE ET GESTION DES ORGANISATIONS» EPREUVE DE MATHEMATIQUES Durée : heures Coeffcet : Matérel et documets autorsés : L usage des strumets de calcul

Plus en détail

1. Test d indépendance du KHI-2

1. Test d indépendance du KHI-2 1. Test d dépedace du HI- Ecrre ue focto qu réalse le test d dépedace du kh-. Etrée : x et y, deux vecteurs, de type factor Sorte : statstque de test, degrés de lberté, p-value Idcatos : Vous devez vérfer

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 010 SBN : 978--1-54754- Sommare Remercemets... troducto De l terchageablté à Sx Sgma... 1 V CHAPTRE 1 Du toléracemet tradtoel

Plus en détail

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position?

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position? Paramètres descrptfs Cours VETE043- Aée académque 06-07 Commet représeter les varables aléatores (doées)? Représetato sythétque Tables de fréqueces Représetato graphque Dagrammes de fréqueces Paramètres

Plus en détail

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit Itroducto à l écoométre S6-EF sc. éco. & gesto Prof. Mohamed El Meroua IV.- Espérace mathématque de l estmateur  : A ˆ A + X X X Nous avos ( ε alors l espérace mathématque sera : E ( E( A + E[ ( X X X

Plus en détail

Chapitre III : Les caractéristiques de dispersion

Chapitre III : Les caractéristiques de dispersion Chaptre III : Les caractérstques de dsperso Les caractérstques de tedace cetrale e sot pas toujours suffsates pour caractérser ue sére statstque, car séres peuvet avor Mo= Me = x alors qu elles sot dstrbuées

Plus en détail

Partie 1. Corrigé de CCIP 2000 par Pierre Veuillez

Partie 1. Corrigé de CCIP 2000 par Pierre Veuillez Corrgé de CCIP 2000 par Perre Veullez Das tout le problème, désge u eter aturel o ul. O cosdère ue ure U coteat boules umérotées de à. O tre ue boule au hasard das U. O ote k le uméro de cette boule. S

Plus en détail

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x Probabltés A) Varable aléatore et lo de probablté Varable aléatore Défto : O cosdère l'esemble E des ssues d'ue expérece aléatore Défr ue varable aléatore X sur cet esemble, c est assocer u ombre à chaque

Plus en détail

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe Méthode du smplee: prélmares Modèles de recherche opératoelle (RO). Programmato léare b. Méthode du smplee Das le cas où l y a ue fté de solutos, la méthode d élmato de Gauss-Jorda permet d detfer tros

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

SYSTEME FERME EN REACTION CHIMIQUE SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur

Plus en détail

Partie I : Gestion de portefeuilles actions Chapitre 3 Gestion de Portefeuille Moyenne-Variance

Partie I : Gestion de portefeuilles actions Chapitre 3 Gestion de Portefeuille Moyenne-Variance Parte I : Gesto de portefeulles actos Chaptre 3 Gesto de Portefeulle Moyee-arace Gesto de Portefeulle D. Msae edemet d ue acto Cette parte est cosacrée à u apport mportat de la théore facère modere qu

Plus en détail

Méthodologie statistique

Méthodologie statistique Méthodologe statstque 000 L'ECONOMETIE ET l'etude DES COMPOTEMENTS Présetato et mse e oeuvre de modèles de régresso qualtatfs Les modèles uvarés à résdus logstques ou ormaux LOGIT, POBIT Documet de traval

Plus en détail

I. Moyenne, variance et écart-type d une série statistique

I. Moyenne, variance et écart-type d une série statistique I Moyee, varace et écart-type d ue sére statstque Sére statstque dscrète : Eemple d ue sére statstque dscrète : Preos le cas d ue classe de élèves qu réalset u devor oté sur 5 La sére statstque dscrète

Plus en détail

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/)

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/) École doctorale d astroome et d astrophysque d Île de Frace. I.A.P., févrer 2013 Post-master. Approche statstque bayésee par l exemple Aalyse de surve Mchel Foc (Mchel.Foc@ap.fr, www2.ap.fr/users/foc/esegemet/aalyse_de_surve/)

Plus en détail

Cours 8 : Analyse de variance à un facteur

Cours 8 : Analyse de variance à un facteur PSY 004 Techques d aalyses e sychologe Cours 8 : alyse de varace à u facteur Table des matères Secto. "U cou de dé jamas 'abolra le hasard"... Secto. Itroducto à l aalyse de varace NOV... Secto 3. Réartto

Plus en détail

Chapitre 1. Résumé d une distribution statistique

Chapitre 1. Résumé d une distribution statistique Chaptre. Résumé d ue dstrbuto statstque.. Cocepts de base de la statstque descrptve Populato = O appelle populato assocée à ue épreuve l esemble des résultats possbles d ue «épreuve». E statstques, le

Plus en détail

LEÇON N 6 : Loi de Poisson, loi normale.

LEÇON N 6 : Loi de Poisson, loi normale. LEÇON N 6 :. Pré-requs : Probabltés : défto, calculs et probabltés codtoelles ; Lo bomale cf. leço o 5) ; Noto de varables aléatores dscrètes et cotues cf. leços o 4 et 7), et proprétés assocées : espérace,

Plus en détail

Value at Risk en assurance : recherche d une méthodologie à long terme

Value at Risk en assurance : recherche d une méthodologie à long terme Value at Rsk e assurace : recerce d ue métodologe à log terme Marc FEDOR Uversté Pars Daupe Jule MOREL ISFA Uversté Lyo I RESUME La Value at Rsk est deveue u stadard de la gesto de rsque das le mode facer.

Plus en détail

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18 1 U commerçat a relevé le motat des dépeses e euros de chaque clet au cours d ue semae. Motat des dépeses Clets [0 ; 50[ 72 x x - x ) - x )² -x ) ² [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200

Plus en détail

6- Tests statistiques - 1. Chapitre 6 : Tests d hypothèses

6- Tests statistiques - 1. Chapitre 6 : Tests d hypothèses 6- Tests statstques - Chaptre 6 : Tests d hypothèses 6. Costructo d u test et règle de décso... 6. ussace d u test...3 6.3 Quelques tests d hypothèses...4 6.3. Test sur la moyee d ue dstrbuto ormale de

Plus en détail

Séries de Fourier 12-1

Séries de Fourier 12-1 Séres de Fourer 1-1 Sommare 1. Applcato de classe C 1 par morceaux 1 1.1. Applcato de classe C 1 par morceaux 1 1.. Applcato -pérodque C 1 par mcx. 1 1.3. pérato sur les applcatos C 1 par mcx 1. Sére de

Plus en détail

Lois de probabilités liées aux tirages de boules dans une urne Approche sondage : échantillonnage et estimation dans une population finie

Lois de probabilités liées aux tirages de boules dans une urne Approche sondage : échantillonnage et estimation dans une population finie Los de probabltés lées aux trages de boules das ue ure Approche sodage : échatlloage et estmato das ue populato fe Das le ouveau programme de secode, retrée 2009, sot scrtes les otos d'tervalle de fluctuato

Plus en détail

Calculs financiers. Auteur : Philippe GILLET

Calculs financiers. Auteur : Philippe GILLET Clculs fcers Auteur : Phlppe GILLET Le tux d térêt Pour l empruteur qu e dspose ps des fods écessres, l représete le prx à pyer pour ue cosommto mmédte. Pour le prêteur, l représete le prx ecssé pour l

Plus en détail

Variables j.. p. Xij

Variables j.. p. Xij L alyse e Composates Prcpales (CP) O possède u tableau rectaulare de mesure dot les coloes sot des varables quattatves (mesuratos, taux, statos clmatques) et dot les les représetet des dvdus statstques

Plus en détail

Serie statistique double

Serie statistique double Sere statstque double Dstrbutos margales Actvté U relevé statstque des talles (e cm) et des pods Y (e kg) d u échatllo de 00 élèves a perms de costrure le tableau suvat : Y [0, 5[ [5, 50[ [50, 55[ [55,

Plus en détail

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES SOMMAIRE. Normes sur u espace vectorel E 2.. Défto d'ue orme. Cter l'égalté tragulare reversée. 2.2. Normes usuelles

Plus en détail

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier).

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier). Bla UE 1C G. EXERCICES BILAN Exercce 1 : Aaloge etre équlbres acdo-basques et équlbres de complexato (Applcato du Prcpe de Le Châteler). Objectfs de l'exercce - Coassaces/Compéteces testées das cet exercce

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles L Meto Iformatque UE Probabltés Chaptre 3 : Varables aléatores réelles Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer, Serge Solovev Sot (, A, P) Ω et X : Ω R ue varable aléatore. I. Varable

Plus en détail

- x)(y i. - y) (x i. r = - x) 2 (y i. - y) 2. (x- a) (d - c) + c b- a. + a (0.1) (1,1) C.L. (0.0) (1,0) Masse salairiale des x % gagnant le moins.

- x)(y i. - y) (x i. r = - x) 2 (y i. - y) 2. (x- a) (d - c) + c b- a. + a (0.1) (1,1) C.L. (0.0) (1,0) Masse salairiale des x % gagnant le moins. Résumé statstque.6 Le coeffcet de corrélato Corrélato etre deux composats: pod/talle d'u dvdu. r = å å =1 x - xy - y å x - x y - y =1 =1 La valeur se stuera etre -1 corrélato égatve/versée et 1corrélato

Plus en détail

Bac blanc de mathématiques

Bac blanc de mathématiques Termale st2s le mercred 09/03/2016 Durée : 2 heures Bac blac de mathématques Exercce 1 : 6 pots Le tableau c-dessous doe le ombre d aboemets au servce de téléphoe moble e Frace etre f 2001 et f 2009, exprmé

Plus en détail

IR homogène de degré α ( α IR ). (0.5 pt.)

IR homogène de degré α ( α IR ). (0.5 pt.) Javer 05 ( heures et 0 mutes) a) Sot IN 0 \ {} Défr : sous-esemble boré de IR sous-esemble covee de IR b) Soet les sous-esembles suvats de IR : A [-4,0] [0,] B {(,y) IR : + y 9} Représeter graphquemet,

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression L Meto Iformatque UE Probabltés Chaptre 4 : Smulato - Régresso Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer I- Smulato de varables aléatores. Itroducto Das certaes expéreces «réelles», où le

Plus en détail

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2 Exercce Lba 6 4 pots O cosdère u solde ADECBF costtué de deux pyramdes detques ayat pour base commue le carré ABCD de cetre I. Ue représetato e perspectve de ce solde est doée e aexe (à redre avec la cope).

Plus en détail

Une urne contient 5 boules rouges, 5 boules blanches et 6 boules bleues.

Une urne contient 5 boules rouges, 5 boules blanches et 6 boules bleues. Lycée Paul Gaugu CPGE-EC Aée 04/05 Exercces «basques» Fche N : Exercces sur les varables aléatores réelles dscrètes Exercce. : O cosdère deux dés dscerables be équlbrés. O ote X la varable aléatore égale

Plus en détail

Cours Corporate finance

Cours Corporate finance Cours Corporate fnance Eléments de théore du portefeulle Le edaf Franços Longn www.longn.fr lan Notons de rentablté Défnton odélsaton Eléments de théore du portefeulle ortefeulle Dversfcaton Le edaf Le

Plus en détail

Annexe 2 Note méthodologique sur le calcul des évolutions de bases, taux et produits de la fiscalité directe locale

Annexe 2 Note méthodologique sur le calcul des évolutions de bases, taux et produits de la fiscalité directe locale Mstère de l téreur, de l outre-mer ublcato : «le gude statstque de et des collectvtés terrtorales la fscalté drecte locale 2007» Aexe 2 Note méthodologque sur le calcul des évolutos de bases, taux et produts

Plus en détail

RADIOPROTECTION CIRKUS. Sommaire

RADIOPROTECTION CIRKUS. Sommaire RADIOPROTECTION CIRKUS Documet techque Radoprotecto Crkus 89 D boulevard du Fer 74000 Aecy www.rpcrkus.org - cotact@rpcrkus.org Assocato lo 1901 créée le 9 mars 010 W91300355 - Eregstrée à la préfecture

Plus en détail

MATERIEL UTILISE : CALCULATRICE AUTORISEE OUI NON

MATERIEL UTILISE : CALCULATRICE AUTORISEE OUI NON BAC BLANC MATIERE : MATHEMATIQUES OBLIGATOIRE CLASSE de : Termale S SALLE : Grade Permaece PROFESSEUR : Mle GUIHENEUF ATE : Vedred javer 6 HEURE ébut : 8 h HEURE f : h MATERIEL UTILISE : CALCULATRICE AUTORISEE

Plus en détail

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU 8 e Coférece Iteratoale de MOdélsato et SIMulato - MOSIM 0-0 au 2 ma 200 - Hammamet - Tuse «Evaluato et optmsato des systèmes ovats de producto de bes et de servces» LE PARAMETRAE U MRP SOUS INCERTITUES

Plus en détail

Application de la théorie des valeurs extrêmes en assurance automobile

Application de la théorie des valeurs extrêmes en assurance automobile Applcato de la théore des valeurs extrêmes e assurace automoble Nouredde Belagha & Mchel Gru-Réhomme Uversté Pars 2, ERMES-UMR78-CNRS, 92 rue d Assas, 75006 Pars, Frace E-Mal: blour2002@yahoo.fr E-Mal:

Plus en détail

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat P R O F E S REPUBLIQUE DEMOCRATIQUE DU CONGO ENSEIGNEMENT SUPEREIEUR ET UNIVERSITAIRE INSTITUT SUPERIEUR DE GESTION INFORMATIQUE DE GOMA /I.S.I.G-GOMA DEVELOPPEMENT ISIG M A T I O N COURS DE MATHEMATIQUE

Plus en détail

Chapitre III. Gaz parfaits

Chapitre III. Gaz parfaits Chatre III Gaz arfats IIIA : Déftos rorétés IIIAI : Gééraltés : U gaz arfat est u flude déal qu satsfat à l équato d état vr, ou ecore c est u gaz qu obét rgoureusemet aux tros los MARIOE, GAY LUSSAC et

Plus en détail

Polynésie Juin 2010 Série S Exercice. Le plan complexe est rapporté à un repère orthonormal direct ( O; uv, )

Polynésie Juin 2010 Série S Exercice. Le plan complexe est rapporté à un repère orthonormal direct ( O; uv, ) Polyése Ju 00 Sére S xercce Le pla complexe est rapporté à u repère orthoormal drect ( O; uv, ) Prérequs Parte A Resttuto orgasée de coassaces Sot u ombre complexe tel que = a+ b où a et b sot deux ombres

Plus en détail

Correction Exercices du MODULE 1 : M1Exo4b Distribution statistique à un caractère

Correction Exercices du MODULE 1 : M1Exo4b Distribution statistique à un caractère Exo Math Stat Correcto exercces du Module Dstrbuto statstque à u caractère MExo4b Correcto Exercces du MODULE : MExo4b Dstrbuto statstque à u caractère Exercce Mexo4 b Objectf : Cet exercce trate du calcul

Plus en détail

Statistiques II Sc. Éco. & Gestion (S3) Pr. M. El Merouani 3-Notation ensembliste des événements :

Statistiques II Sc. Éco. & Gestion (S3) Pr. M. El Merouani 3-Notation ensembliste des événements : wwwelmerouajmdocom Statstques II Sc Éco & Gesto S r M El Meroua Chaptre : roaltés I Itroducto : -Epreuve ou expérece : O appelle épreuve ou expérece ue certae acto que l o peut répéter pluseurs fos ar

Plus en détail

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x Probabltés A) Varable aléatore et lo de probablté Varable aléatore Défto : O cosdère l'esemble des ssues d'ue expérece aléatore Défr ue varable aléatore X sur cet esemble, c est assocer u ombre à chaque

Plus en détail

ANALYSE DES CORRESPONDANCES SIMPLES

ANALYSE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez MESURE DE LIAISON ENTRE DEUX VARIABLES QUALITATIVES KHI-DEUX Mesure de la laso etre deux varables qualtatves

Plus en détail

LOI NORMALE ET LOIS DERIVEES

LOI NORMALE ET LOIS DERIVEES Prcpes et Méthodes de la Bostatstque Chaptre 5 LOI NORMALE ET LOIS DERIVEES A-LA LOI NORMALE Présetato La dstrbuto ormale, dte ecore de Laplace-Gauss, est pour des rasos qu apparaîtrot plus lo, la plus

Plus en détail

MATHEMATIQUES. Semestre 2. Statistiques à deux variables COURS. Cours en ligne : sur section DUT Maths S2.

MATHEMATIQUES. Semestre 2. Statistiques à deux variables COURS. Cours en ligne : sur  section DUT Maths S2. Départemet TECHNIQUES DE COMMERCIALISATION MATHEMATIQUES Semestre 2 Statstques à deux varables COURS Cours e lge : sur http://jff-dut-tc.weebly.com secto DUT Maths S2. IUT de Sat-Etee Départemet TC J.F.Ferrars

Plus en détail

arlesrcomplexesraurbacr2014r==corriges=z

arlesrcomplexesraurbacr2014r==corriges=z arlesrcomplexesraurbacr0r==corriges= Nouvelle-Calédoe ovembre 0 5 pots Proposto : Pour tout eter aturel : ( + ) = () VRAI! ( ) doc d où ( ) ( ) ( ) ( ) Sot (E) l équato ( )( + 8) = 0 où désge u ombre complexe

Plus en détail

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle CIMA4 UM 3 Nov Dec 4 Algortmque pour la coverso par approxmato de courbes de ézer degré élevé : Le modèle de ratoelle Fard ASMA*, Idr ELAIDI*, Kamal MOHAMMEDI*, Guy ISCHIOMIN**, Moad Oulad CHALLALI *Laboratore

Plus en détail

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce SETIT 2005 3 RD INTERNATIONAL CONFERENCE: SCIENCES OF ELECTRONIC, TECHNOLOGIES OF INFORMATION AND TELECOMMUNICATIONS MARCH 27-3, 2005 TUNISIA Cocepto d u outl décsoel pour la gesto de la relato clet das

Plus en détail

PRO 1 EXPRO010 EXPRO019

PRO 1 EXPRO010 EXPRO019 Exercces résolus de mathématques. PRO 1 EXPRO010 EXPRO019 http://www.matheux.be.tf Jacques ollot 1 avrl 03 www.matheux.be.tf - PRO 1-1 - EXPRO010W Ue ure cotet boules blaches ( 4) et 10 boules ores. O

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

GIN FA 4 02 01 INSTRUMENTATION P Breuil GIN FA 4 0 0 INSTRUMENTATION P Breul OBJECTIFS : coatre les bases des statstques de la mesure af de pouvor d ue part compredre les spécfcatos d u composat et d autre part évaluer avec rgueur les performaces

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

APPRENTISSAGE ARTIFICIEL («Machine-Learning») APPRENTISSAGE ARTIFICIEL («Mache-Learg») Fabe Moutarde Cetre de Robotque (CAOR) MINES ParsTech (Ecole des Mes de Pars) Fabe.Moutarde@mes-parstech.fr http://perso.mes-parstech.fr/fabe.moutarde Appretssage

Plus en détail

5. Variables aléatoires simultanées

5. Variables aléatoires simultanées 5. Varables aléatores smultaées 5.1 Coule de varables aléatores Défto 1 Pour tout dce das 1, sot X ue varable aléatore. O dt que X X 1 X est ue varable aléatore de dmeso. Nous ous téresseros rcalemet aux

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Chapitre : Équilibre général de Walras

Chapitre : Équilibre général de Walras Écoome et maagemet Lcece Mcroécoome 3 Aée 04-05 Chaptre : Équbre gééra de Waras Robert Jorda Agets de 'écoome : aucue fuece dvdueemet Système de prx : permettat de réaser des échages Codusat à u état réasabe

Plus en détail

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!!

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!! Cours : Statstques I. Itroducto Classe de ère S O a vu que our caractérser ue sére statstque, o utlse des : - aramètres de tedace cetrale : - la moyee ; - la médae. Ils ermettet d dquer la «osto» de la

Plus en détail

Leçon 08 : Statistiques Terminale. Altitude (x i ) Températures ( y i )

Leçon 08 : Statistiques Terminale. Altitude (x i ) Températures ( y i ) Leço 08 : Statstques Termale E premer leu, l te faut relre les cours de premère sur les statstques à ue varable, l a tout u lagage à se remémorer : étude d u échatllo d ue populato, mode, moee et médae

Plus en détail

Gilles Leborgne 31 mai Rappel de dérivation 1. i=1 x i e i et y = n

Gilles Leborgne 31 mai Rappel de dérivation 1. i=1 x i e i et y = n 1 Notes de cours de l'isima, premère aée http://wwwsmafr/ leborge Méthode des modres carrés : melleure approxmato léare Glles Leborge 31 ma 2005 Table des matères 1 Rappel de dérvato 1 2 Cas 1-D 2 21 Les

Plus en détail

Résumé de statistique I

Résumé de statistique I Résumé de statstque I Etude de doées statstques : Ce qu ous téresse lorsqu o a des doées statstque ou ue dstrbuto de celles-c : Le cetre : o o Moyee : mesures o robustes Médae : mesures robustes La dsperso

Plus en détail

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES Il est très courat

Plus en détail