9. Distributions d échantillonnage
|
|
- Émile Paquin
- il y a 2 ans
- Total affichages :
Transcription
1 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46
2 Plan 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 2/46
3 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 3/46
4 Introduction But Tirer des conclusions au sujet d une population sans avoir à examiner toutes les unités expérimentales (difficile ou impossible). Comment? On prélève un sous-ensemble (échantillon) de la population et on tire des conclusions sur la population à partir des résultats obtenus avec l échantillon. Par exemple, on estime la moyenne de la population avec la moyenne échantillonnale. MTH2302D: distributions d échantillonnage 4/46
5 Définition d un échantillon aléatoire Un échantillon aléatoire de taille n de la variable aléatoire X est une suite de variables aléatoires indépendantes X 1, X 2,..., X n ayant toutes la même distribution que X. Une suite x 1, x 2,..., x n de valeurs prises par les v.a. X i est une réalisation de l échantillon. Remarque On suppose habituellement que la population est infinie ou que la taille de l échantillon est beaucoup plus petite que la taille de la population. MTH2302D: distributions d échantillonnage 5/46
6 Exemple 1 On fait l hypothèse que la taille (en cm) des 4000 étudiants masculins d une école de génie est une variable aléatoire X distribuée normalement, c est-à-dire que X N(µ, σ 2 ). Un échantillon aléatoire de taille 50 de cette population est une suite de 50 variables aléatoires X i N(µ, σ 2 ), i = 1, 2,..., 50. MTH2302D: distributions d échantillonnage 6/46
7 Paramètres d une population Une population (v.a.) est connue si on connaît sa distribution, c est-à-dire sa fonction de masse ou de densité. En pratique on peut connaître une population seulement partiellement, c est-à-dire qu on connaît la forme générale de sa distribution mais avec des paramètres inconnus. Exemple 2 On fait l hypothèse que la taille des étudiant est distribuée normalement : X N(µ, σ 2 ) mais on ne connaît pas les paramètres µ et σ 2 (moyenne et variance). Ce sont ces paramètres que l on cherche à estimer. MTH2302D: distributions d échantillonnage 7/46
8 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 8/46
9 Définition d une statistique Soit X 1, X 2,..., X n un échantillon aléatoire d une variable aléatoire X. Une statistique est une fonction h(x 1, X 2,..., X n ) ne dépendant que des variables aléatoires X i. Exemples de statistiques : La moyenne échantillonnale X = 1 n n i=1 La variance échantillonnale S 2 = 1 n 1 La médiane échantillonnale, etc. X i n (X i X) 2 i=1 MTH2302D: distributions d échantillonnage 9/46
10 Distribution échantillonnale Notion importante Puisque les X i sont des variables aléatoires, toute statistique est aussi une variable aléatoire et on s intéresse à sa distribution, appelée distribution échantillonnale. Par exemple, on discute dans les prochaines sections de l espérance et la variance de la moyenne et la variance échantillonnales, c est à dire E(X), V(X), E(S 2 ), et V(S 2 ). MTH2302D: distributions d échantillonnage 10/46
11 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 11/46
12 Distribution échantillonnale de la moyenne X Soit X 1, X 2,..., X n un échantillon aléatoire d une v.a. X de moyenne µ = E(X) et variance σ 2 = V(X). Soit X la moyenne échantillonnale. Alors 1. E(X) = µ (X est un estimateur non-biaisé de µ) 2. V(X) = σ2 n Ces résultats découlent directement des règles de combinaisons linéaires. MTH2302D: distributions d échantillonnage 12/46
13 Exemple 3 Une population est constituée des nombres 2, 3, 6, 8, 11. L ensemble des échantillons (avec remise) de taille 2 est Calculer (2,2) (3,2) (6,2) (8,2) (11,2) (2,3) (3,3) (6,3) (8,3) (11,3) (2,6) (3,6) (6,6) (8,6) (11,6) (2,8) (3,8) (6,8) (8,8) (11,8) (2,11) (3,11) (6,11) (8,11) (11,11). 1. La moyenne et la variance de la population : µ et σ L espérance et la variance de la moyenne échantillonnale X : E(X) et V(X). MTH2302D: distributions d échantillonnage 13/46
14 Distribution de la moyenne X (suite) En utilisant le théorème central limite, on peut donner la loi de probabilité de la moyenne échantillonnalle. Si l échantillon est suffisamment grand, X suit approximativement une loi N(µ, σ 2 /n). Remarques On a aussi (approx.) nx N(nµ, nσ 2 ). Si X N(µ, σ 2 ), alors X, et nx sont exactement normales, même pour de petits échantillons. MTH2302D: distributions d échantillonnage 14/46
15 Distribution de la moyenne X (suite) On peut également définir la variable aléatoire Z = X µ σ/ n qui suit approximativement une loi N(0, 1). Remarques Si X N(µ, σ 2 ), alors Z est exactement normale, même pour de petits échantillons. On appelle pivot une variable aléatoire qui se calcule à partir d une statistique et des paramètres de la population. Nous verrons qu un pivot dont la loi de probabilité ne dépend pas des paramètres de la population permet de définir un intervalle de confiance. MTH2302D: distributions d échantillonnage 15/46
16 Exemple 4 Toujours avec X N(µ, σ 2 ), supposons que l on connaisse la moyenne et la variance de la population : µ = 175 et σ 2 = On choisit 10 échantillons aléatoires de 50 étudiants chacun. Pour combien de ces échantillons s attend-on à avoir une moyenne comprise entre 174 et 176 cm? MTH2302D: distributions d échantillonnage 16/46
17 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 17/46
18 Distribution échantillonnale de la variance S 2 Soit X 1, X 2,..., X n un échantillon aléatoire d une v.a. X de moyenne µ = E(X), de variance σ 2 = V(X) et de coefficient d aplatissement β 2 = µ 4 σ 4. Soit S 2 la variance échantillonnale. Alors 1. E(S 2 ) = σ 2 (S 2 est un estimateur non-biaisé de σ 2 ) ( 2 2. V(S 2 ) = σ 4 n 1 + β ) 2 3 n Remarques On peut montrer (difficile!) que S 2 suit approximativement une loi normale pour de grands échantillons. En supposant que X suit une loi normale, on peut définir la distribution de S 2 pour de petits échantillons. MTH2302D: distributions d échantillonnage 18/46
19 Exemple 5 Une population est constituée des nombres 2, 3, 6, 8, 11. Les variances échantillonnales S 2 = 1 ( (X1 X) 2 + (X 2 X) 2) 2 1 des 25 échantillons (avec remise) de taille 2 sont : Retrouver manuellement ces valeurs et calculer E(S 2 ). MTH2302D: distributions d échantillonnage 19/46
20 La fonction gamma Rappel La fonction gamma est définie pour tout x > 0 par Γ(x) = t=0 t x 1 e t dt. Propriétés 1. Γ(1) = 1, 2. Γ(1/2) = π, 3. Γ(x) = (x 1)Γ(x 1) pour x > 1, 4. Si x = n N alors Γ(n) = (n 1)!, 5. Voir page 139. MTH2302D: distributions d échantillonnage 20/46
21 La loi du khi-deux Soit Z 1, Z 2,..., Z k des variables aléatoires indépendantes et identiquement distribuées selon une loi normale N(0, 1). Alors la variable aléatoire W = Z Z Z 2 k suit une loi du khi-deux à k degrés de liberté. On note W χ 2 k. La fonction de densité de W est 1 f(w) = 2 k/2 Γ(k/2) w(k/2) 1 e w/2 si w 0, 0 sinon. Remarques : χ 2 1 (N(0, 1))2 et χ 2 k Γ(k/2, 1/2). MTH2302D: distributions d échantillonnage 21/46
22 La loi du khi-deux (suite) Soit W χ 2 k. Alors 1. E(W ) = k. 2. V(W ) = 2k. 3. Le quantile χ 2 α;k est défini par P (W > χ2 α;k ) = α avec 0 α 1. Calculs avec la loi du khi-deux Le tableau de la page 478 du livre donne les quantile de la loi du khi-deux. En R : χ 2 α;k est donné par qchisq(1-α,k). En Excel : LOI.KHIDEUX.INVERSE.DROITE(α,k). Exemple 6 Calculer χ 2 0.1;3 et P (X 11.07) si X χ2 5. MTH2302D: distributions d échantillonnage 22/46
23 Additivité la loi du khi-deux Théorème Soient W 1, W 2,..., W p des v.a. khi-deux à k 1, k 2,..., k p degrés de liberté respectivement. Alors Y = W 1 + W W p suit une loi du khi-deux à k = k 1 + k 2 + k p degrés de liberté. MTH2302D: distributions d échantillonnage 23/46
24 Additivité la loi du khi-deux Application du théorème d additivité Soit Z 1, Z 2,..., Z n un échantillon aléatoire de Z N(0, 1). On définit A = n Zi 2, B = i=1 n (Z i Z) 2 et C = n(z) 2. i=1 On peut montrer que A = B + C. De plus, A χ 2 n et C χ 2 1. On en déduit, d après le théorème précédent, que B χ 2 n 1, car seule la loi χ 2 n 1, additionnée à une loi χ2 1, peut donner une loi χ2 n. MTH2302D: distributions d échantillonnage 24/46
25 Distribution de la variance S 2 (suite) Théorème Soit X 1, X 2,..., X n un échantillon aléatoire de taille n d une variable aléatoire normale X N(µ, σ 2 ) et S 2 la variance échantillonnale. Alors la variable aléatoire W = (n 1)S2 σ 2 suit une loi khi-deux avec n 1 degrés de liberté. MTH2302D: distributions d échantillonnage 25/46
26 Distribution de la variance S 2 (suite) Le théorème précédent nous permet de caractériser la distribution échantillonnale de S 2. Soit W χ 2 n 1, avec E(W ) = n 1 et V(W ) = 2(n 1). On a : ( P(S 2 b) = P (n 1)S 2 σ 2 ( ) E(S 2 ) = E σ 2 n 1 W ) ( ) (n 1)b = P W (n 1)b σ 2 σ 2 = σ2 n 1E(W ) = σ2 ( ) V(S 2 ) = V σ 2 n 1 W = σ4 V(W ) = 2σ4 (n 1) 2 n 1 Remarque : Ces résultats ne sont valides que si la population X suit une loi N(µ, σ 2 ). MTH2302D: distributions d échantillonnage 26/46
27 Exemple 7 On fait l hypothèse que la taille (en cm) des 4000 étudiants masculins d une école de génie est une variable aléatoire normale X de moyenne 175 et variance 10 2, c est-à-dire X N(µ = 175, σ 2 = 10 2 ). On choisit 10 échantillons de taille 50 de la population X. Pour combien de ces échantillons s attend-on à avoir une variance échantillonnale S 2 d au plus 101? MTH2302D: distributions d échantillonnage 27/46
28 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 28/46
29 Loi t de Student Rappel Si X 1, X 2,..., X n est un échantillon aléatoire de taille n de la variable aléatoire X, où E(X) = µ et V(X) = σ 2, alors Z = X µ σ/ n suit approximativement une loi N(0, 1). Cette variable aléatoire est un pivot permettant de définir un intervalle de confiance pour µ. MTH2302D: distributions d échantillonnage 29/46
30 Loi t de Student (suite) Si la variance σ 2 de la population n est pas connue, on remplace σ par l écart-type échantillonal S = S 2, S 2 étant la variance échantillonnale. On obtient alors la variable aléatoire T = X µ S/ n Cette v.a. est approximativement normale si n est suffisamment grand. Si X N(µ, σ 2 ), on peut montrer que T suit une loi de Student. Cette loi est valide pour les petits et les grands échantillons. MTH2302D: distributions d échantillonnage 30/46
31 Loi t de Student (suite) Soit Z une variable aléatoire normale N(0, 1) et W une variable aléatoire khi-deux à k degrés de liberté. Si Z et W sont indépendantes alors la variable aléatoire T = Z W/k suit une loi t de Student avec k degrés de liberté. On note T t k. La fonction de densité de T est pour tout t R. f(t) = Γ ( ) k+1 ( 2 t 2 ( kπ Γ k ) k ) k+1 2 MTH2302D: distributions d échantillonnage 31/46
32 Loi t de Student (suite) Soit T t k. Alors 1. E(T ) = V(T ) = k k 2 pour k > 2 (variance infinie pour k = 1 et 2). 3. On définit le quantile t α;k de T par P (T > t α;k ) = α avec 0 α 1. Propriété La fonction de densité f(t) est symétrique par rapport à sa moyenne 0 et alors t α;k = t 1 α;k. Théorème La loi t k est approximativement identique à une loi normale N(0, 1) lorsque k est grand. MTH2302D: distributions d échantillonnage 32/46
33 Calculs avec la loi de Student Si on cherche le quantile t α;k tel que P (T k > t α;k ) = α : Le tableau à la p. 479 du livre donne les quantiles t α;k. En R : t α;k est donné par qt(1-α,k). En Excel : -LOI.STUDENT.INVERSE.N(α,k). Exemple 8 Calculer t 0.9;3 et P (X 2.015) si X T 5. MTH2302D: distributions d échantillonnage 33/46
34 Utilisation de la loi de Student Théorème Soit X 1, X 2,..., X n un échantillon de taille n d une variable aléatoire normale X N(µ, σ 2 ). Soit aussi X et S 2 la moyenne et la variance échantillonnale. On peut montrer que X et S 2 sont indépendantes, de sorte que la statistique T = X µ S/ n suit une loi de Student avec n 1 degrés de liberté. MTH2302D: distributions d échantillonnage 34/46
35 Exemple 9 Supposons que l on s intéresse maintenant à la taille (en cm) des 2000 étudiantes d une école de génie. On suppose que la taille X suit une loi normale de moyenne µ = 170. La variance est inconnue. Si on choisit un échantillon de taille 25 de cette population, quelle est la probabilité que le rapport soit inférieur à 0.26? X 170 S MTH2302D: distributions d échantillonnage 35/46
36 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 36/46
37 Distribution d une différence de moyennes Considérons maintenant deux échantillons aléatoires indépendants X 1, X 2,..., X nx et Y 1, Y 2,..., Y ny de deux variables aléatoires X et Y de moyenne et variance µ X, σx 2 et µ Y, σy 2 respectivement. On s intéresse à la différence des moyennes échantillonnales X Y. Théorème Dans la situation décrite ci-dessus 1. E(X Y ) = µ X µ Y. 2. V(X Y ) = σ2 X n X + σ2 Y n Y. MTH2302D: distributions d échantillonnage 37/46
38 Distribution d une différence de moyennes (suite) Théorème La variable aléatoire σ 2 X n X Z = X Y (µ X µ Y ) + σ2 Y n Y suit approximativement une loi normale N(0, 1) lorsque n X et n Y sont grands. Remarque : Z suit exactement une loi N(0, 1) si X N(µ X, σ 2 X ) et Y N(µ Y, σ 2 X ). MTH2302D: distributions d échantillonnage 38/46
39 Exemple 10 Soit X N(175, 10 2 ) et Y N(170, 9 2 ) la taille (en cm) des étudiants et étudiantes d une école de génie. On choisit un échantillon de taille 50 de X et un échantillon de taille 25 de Y. Quelle est la probabilité que la différence X Y soit inférieure à 4 cm? MTH2302D: distributions d échantillonnage 39/46
40 1. Échantillons aléatoires 2. Statistiques et distributions échantillonnales 3. Distribution échantillonnale de la moyenne 4. Distribution échantillonnale de la variance 5. Loi t de Student 6. Distribution échantillonnale d une différence de deux moyennes 7. Distribution échantillonnale d un rapport de variances MTH2302D: distributions d échantillonnage 40/46
41 Distribution d un rapport de variances Considérons à nouveau deux échantillons aléatoires indépendants, de taille n X et n Y, des variables aléatoires X et Y. On suppose que X et Y suivent des lois normales N(µ X, σ 2 X ) et N(µ Y, σ 2 Y ) respectivement. On s intéresse au rapport des variances échantillonnales S 2 X /S2 Y. MTH2302D: distributions d échantillonnage 41/46
42 Loi de Fisher Soient U et V deux variables aléatoires indépendantes suivant une loi du khi-deux avec u et v degrés de liberté, respectivement. Alors la variable aléatoire Y = U/u V/v suit une loi de Fisher à u et v degrés de liberté. On note Y F u,v. La fonction de densité Y est Γ( u+v 2 ) ( ) u u/2 (( v f(y) = Γ( u 2 )Γ( v 2 ) y (u/2) 1 u ) (u+v)/2 y + 1) si y 0, v 0 si y < 0. MTH2302D: distributions d échantillonnage 42/46
43 Loi de Fisher (suite) Soit Y F u,v. Alors 1. E(Y ) = v si v > 2. v 2 2. V(Y ) = 2v2 (u + v 2) u(v 2) 2 si v > 4. (v 4) 3. Le quantile F α;u,v est défini par P (Y > F α;u,v ) = α avec 0 α 1. Propriété Par la définition de la loi de Fisher, 1/Y F v,u et on trouve que F 1 α;u,v = 1 F α;v,u (attention à l inversion des indices!) MTH2302D: distributions d échantillonnage 43/46
44 Calculs avec la loi de Fisher Si on cherche le quantile F α;u,v tel que P (Y > F α;u,v ) = α : Les quantiles de F u,v sont donnés à la page 480 du livre. En R : F α;u,v est donné par qf(1-α,u,v). En Excel : F α;u,v est donné par INVERSE.LOI.F.N(1-α,u,v). Exemple 11 Calculer F 0.75;11,10 et P (X 200) si X F 2,1. MTH2302D: distributions d échantillonnage 44/46
45 Distribution d un rapport de variances (suite) Théorème Soit X 1, X 2,..., X nx et Y 1, Y 2,..., Y ny deux échantillons aléatoires indépendants, de taille n X et n Y, des variables aléatoires X et Y. On suppose que X et Y suivent des lois normales N(µ X, σ 2 X ) et N(µ Y, σ 2 Y ) respectivement. Soit SX 2 et S2 Y aléatoire les variances échantillonnales. Alors la variable Y = S2 X /σ2 X S 2 Y /σ2 Y suit une loi de Fisher à n X 1 et n Y 1 degrés de liberté. MTH2302D: distributions d échantillonnage 45/46
46 Exemple 12 Soit X N(175, 10 2 ) et Y N(170, 9 2 ) la taille (en cm) des étudiants et étudiantes d une école de génie. On choisit un échantillon de taille 50 de X et un échantillon de taille 25 de Y. Quelle est la probabilité que le rapport S2 X S 2 Y soit inférieur à 3? MTH2302D: distributions d échantillonnage 46/46
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Chapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
11. Tests d hypothèses (partie 1/2)
11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses
DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES
Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax
Loi normale ou loi de Laplace-Gauss
LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de
1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50
10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres
6. Quelques lois continues
6. Quelques lois continues MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: Lois continues 1/30 Plan 1. Loi uniforme 2. Loi exponentielle 3. Lois gamma / Weibull / bêta MTH2302D:
Séminaire de Statistique
Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière
Lois de probabilité 3/3. Anita Burgun
Lois de probabilité 3/3 Anita Burgun Contenu des cours Loi binomiale Loi hypergéométrique Loi de Poisson Loi normale Loi du Chi2 Loi de Student Loi normale VA continue X Densité de probabilité de X" Loi
Chapitre VI Échantillonages et simulations
Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des
Variables aléatoires continues
IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,
Loi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Introduction au cours STA 102 Analyse des données : Méthodes explicatives
Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide
Licence Pro Amélioration Végétale
Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des
Master 1 Informatique Éléments de statistique inférentielle
Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Chapitre IV : Couples de variables aléatoires discrètes
UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)
Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005
Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de
Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.
Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages
Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT
Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est
STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014
Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz
UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2
UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests
Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA
Analyse de la variance ANOVA Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3 Exemple. Analyse
L essentiel sur les tests statistiques
L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et
1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3
Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21
Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE
Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie
Introduction à la simulation de Monte Carlo
Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues
Probabilités Loi exponentielle Exercices corrigés
Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre
Espérance, variance, quantiles
Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1
Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité
Simulation de variables aléatoires
Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de
Simulation d un système d assurance automobile
Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...
COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR
Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un
Chapitre 4 NOTIONS DE PROBABILITÉS
Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser
Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009
Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la
Mth2302B - Intra Été 2011
École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011
Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.
Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont
Table des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Support du cours de Probabilités IUT d Orléans, Département d informatique
Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr
Le corps R des nombres réels
Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du
STATISTIQUES A UNE VARIABLE EXERCICES CORRIGES
STATISTIQUES A UNE VARIALE EXERCICES CORRIGES Exercice n Les élèves d une classe ont obtenu les notes suivantes lors d un devoir : Note 4 5 8 0 4 5 8 0 Effectif 4 7 6 4 ) Déterminer l étendue et le mode
Chapitre 5 Les Probablilités
A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de
Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :
Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une
Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels.
Licence de Sciences et Technologies EM21 - Analyse Fiche de cours 1 - Nombres réels. On connaît les ensembles suivants, tous munis d une addition, d une multiplication, et d une relation d ordre compatibles
Examen d accès - 1 Octobre 2009
Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont
14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Chapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
7. Loi normale et théorème central limite
7. Loi normale et théorème central limite MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: loi normale 1/35 Plan 1. Loi normale 2. Loi normale centrée réduite 3. Approximation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Les graphes d intervalles
Les graphes d intervalles Complément au chapitre 3 «Vol aux archives cantonales» Considérons un ensemble de tâches ayant chacune une heure de début et une heure de fin bien précises. Supposons qu on demande
Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé
Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #8 ARTHUR CHARPENTIER 1 Un contrat d assurance paie un maximum de 1 et comprend un déductible de 1 (c est-à-dire, perte de 0 à 1 elle ne rembourse rien, perte de 1 à
Probabilités 5. Simulation de variables aléatoires
Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système
Test de Poisson à 1 échantillon et à 2 échantillons
Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons
Limites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Méthodes de Monte-Carlo Simulation de grandeurs aléatoires
Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes
A propos du calcul des rentabilités des actions et des rentabilités moyennes
A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que
Lois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous
StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux
MATHÉMATIQUES ET SCIENCES HUMAINES
MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.
Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65
Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9
Modélisation coalescente pour la détection précoce d un cancer
Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction
12. Régression linéaire simple
12. Régression linéaire simple MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: régression 1/45 Plan 1. Introduction 2. Régression linéaire simple 3. Estimation des paramètres
Fiche de révision sur les lois continues
Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit
Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Principe des tests statistiques
Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d
TSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Ch.12 : Loi binomiale
4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des
Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques
Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités
Cours 1: lois discrétes classiques en probabilités
Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a
Introduction à l analyse quantitative
Introduction à l analyse quantitative Vue d ensemble du webinaire Le webinaire sera enregistré. Les diapositives et tous les autres documents seront envoyés aux participants après la séance. La séance
Démonstrations exigibles au bac
Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée
Variables Aléatoires Continues
Novembre 2010 Plan du Chapitre 1. Généralités 2. Variables Continues Usuelles 3. Espérance et Variance 4. Couple de Variables Aléatoires 5. Covariance et Corrélation 6. Autres Variables Continues Usuelles
Compléments sur les couples aléatoires
Licence Math et MASS, MATH54 : probabilités et statistiques Compléments sur les couples aléatoires 1 Couple image ans ce paragraphe, on va s intéresser à la loi d un vecteur aléatoire S, T qui s obtient
L2 MIEE 2012-2013 VAR Université de Rennes 1
. Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s
Chapitre 3 RÉGRESSION ET CORRÉLATION
Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications
Statistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Fonctions homographiques
Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.
CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.
1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve
Le Modèle de Black-Scholes. DeriveXperts. 27 octobre 2010
27 octobre 2010 Outline 1 Définitions Le modèle de diffusion de Black-Scholes Portefeuille auto-finançant Objectif de BS 2 Portefeuille auto-finançant et formule de Black-Scholes Formulation mathématique
Cours de mathématiques - Alternance Gea
Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer
Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014
Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:
Statistique (MATH-F-315, Cours #1)
Statistique (MATH-F-315, Cours #1) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles
Exercices : VAR discrètes
Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur
MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE
MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif
Cartes de contrôle aux mesures
Cartes de contrôle aux mesures 1 Une introduction à la maîtrise statistique des processus Deux objets ne sont jamais rigoureusement identiques. Quelles que soient les techniques utilisées pour fabriquer
Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste
Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste Arnaud Labourel Université de Provence 12 avril 2012 Arnaud Labourel (Université de Provence) Problèmes et Algorithmes Fondamentaux
TD 4 : HEC 2001 épreuve II
TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,
BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES. Durée : 2 heures Coefficient : 2
BREVET DE TECHNICIEN SUPÉRIEUR COMPTABILITÉ ET GESTION DES ORGANISATIONS Session 2013 ÉPREUVE DE MATHÉMATIQUES Durée : 2 heures Coefficient : 2 SUJET Dès que le sujet vous est remis, assurez-vous qu il
Introduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Étapes du développement et de l utilisation d un modèle de simulation
Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Chapitre 8 : Probabilités-Indépendance
Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités