Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»"

Transcription

1 Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

2 Plan Définitions 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

3 Définitions Notion d échantillon Un phénomène n est généralement étudié que sur un échantillon de la population : Sondages, toxicité, séquences ARN, etc. Si on change d échantillon (i.e., si on répète l expérience), les résultats seront différents. La taille et la nature de l échantillon sont des éléments déterminants dans la démarche statistique. Motivation des statistiques : Prise en compte de ces contraintes afin de définir dans quelle mesure les résultats sont généralisables à la population. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

4 Définitions Notion d expérience aléatoire Une expérience aléatoire est une action ou un procédé dont le résultat est indéterminé ou incertain (e.g., lancer de pièce). Un évènement est un des résultats possible d une expérience (e.g., résultat Pile ou Face au lancer). En première approximation, la probabilité d un évènement est définie comme : Proportion de fois où l on observerait ledit évènement si l on répétait l expérience aléatoire une infinité de fois. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

5 Définitions Variables aléatoires Une variable aléatoire (v.a.) X est une fonction de l expérience aléatoire. Une réalisation x d une v.a. X est la valeur de la variable après avoir effectué l expérience. En statistiques, on considère que les données sont des réalisations des v.a. : Dans un échantillon de taille n, on a n réalisations (x 1, x 2,..., x n ) des v.a. (X 1, X 2,..., X n ). Plus n augmente et plus on collecte de l information sur le phénomène étudié. Une grande taille d échantillon permet d obtenir : Une meilleure précision sur l explication du phénomène Un meilleur pouvoir prédictif du modèle. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

6 Plan Les difféntes distributions 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

7 Les difféntes distributions Variables aléatoires discrètes Les valeurs prises par les variables sont discrètes. Leur loi est complètement déterminée par P(X = k) pour tout k X (Ω), avec : P(X = k) = 1 k X (Ω) La fonction de répartition F de X est définie par : F (k) = P(X k) L espérance mathématique et la variance sont définies par : E(X ) = k P(X = k) et V(X ) = [k E(X )] 2 P(X = k) k X (Ω) k X (Ω) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

8 Les difféntes distributions Distribution de Poisson Écriture sous la forme P(λ), avec λ R + le paramètre de la loi. Loi de probabilité : P(X = k) = λk e λ k! avec X (Ω) = N. Espérance mathématique et variance : E(X ) = V(X ) = λ Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

9 Exemples numériques Les difféntes distributions P(X = k) λ = 1 λ = 2 λ = 5 λ = k P(X k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

10 Les difféntes distributions Distribution Binomiale Écriture sous la forme B(n, p), avec n N et p [0, 1] les deux paramètres de la loi. Loi de probabilité : avec X (Ω) = [0, n]. P(X = k) = Espérance mathématique et variance : = ( ) n p k (1 p) n k k n! k!(n k)! pk (1 p) n k E(X ) = np et V(X ) = np(1 p) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

11 Exemples numériques Les difféntes distributions P(X = k) n = 20, p = 0.5 n = 20, p = 0.7 n = 40, p = 0.5 n = 40, p = k P(X = k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

12 Les difféntes distributions Distribution Binomiale Négative Écriture sous la forme J (n, p), avec n N et p [0, 1] les deux paramètres de la loi. Loi de probabilité : ( ) k + n 1 P(X = k) = p n (1 p) k k ( ) n = ( 1) k p n (1 p) k k avec X (Ω) = N. Espérance mathématique et variance : E(X ) = n(1 p) p et V(X ) = n(1 p) p 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

13 Exemples numériques Les difféntes distributions P(X = k) n = 2, p = 0.5 n = 5, p = 0.5 n = 10, p = 0.5 n = 20, p = k P(X k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

14 Les difféntes distributions Variables aléatoires continues Les valeurs prises par les variables appartiennent à des ensembles continus : La probabilité d un point est nulle. Raisonnement en termes d intervalles : P(a X b). La loi d une variable continue est définie par sa densité de probabilité f ou par sa fonction de répartition F : f (x)dx = 1 et F (t) = P(X t) X (Ω) L espérance mathématique et la variance sont définies par : E(X ) = x f (x)dx et V(X ) = [x E(X )] 2 f (x)dx X (Ω) X (Ω) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

15 Les difféntes distributions Distribution Normale Écriture sous la forme N (µ, σ 2 ), avec µ R et σ 2 R + les deux paramètres de la loi. Loi de probabilité : avec X (Ω) = R. f (x) = 1 σ 2π exp { Espérance mathématique et variance : } (x µ)2 2σ 2 E(X ) = µ et V(X ) = σ 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

16 Les difféntes distributions Exemples numériques f(x) x µ = 0, σ 2 = 0.2 µ = 0, σ 2 = 1.0 µ = 0, σ 2 = 5.0 µ = -2, σ 2 = 0.5 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

17 Les difféntes distributions Distribution Gamma Écriture sous la forme G(α, β), avec α R + et β R + les paramètres de la loi. Loi de probabilité : avec X (Ω) = R +. f (x) = x α 1 e x/β Γ(α)β α et Γ(α) = Espérance mathématique et variance : E(X ) = αβ et V(X ) = αβ 2 0 e t t α 1 dt Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

18 Les difféntes distributions Exemples numériques f(x) x α = 0.25 α = 1 α = 2 α = 10 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

19 Les difféntes distributions Distribution de Student Écriture sous la forme T (k), avec k N le nombre de degrés de liberté (d.d.l.) de la distribution. Loi de probabilité : ( ) k + 1 f (x) = 1 Γ 2 ( ) (1 + x 2 kπ k k Γ 2 avec X (Ω) = R. Espérance mathématique et variance : E(X ) = 0 (k > 1) et V(X ) = k k + 2 ) (k+1)/2 (k > 2) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

20 Les difféntes distributions Exemples numériques f(x) x k = 1 k = 2 k = 5 k = 10 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

21 Plan Principe des tests 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

22 Principe des tests Tests et démarche scientifique Les démarches d estimation et de test sont différentes mais complémentaires : Dualité entre les deux approches. Pour l estimation, on cherche à collecter des informations sur un paramètre et à l estimer au mieux. Pour les tests, la démarche suivie consiste à comparer ou, plus généralement, à quantifier la compatibilité (ou l absence d incompatibilité) des données. Processus courant : Hypothèse Expérience Résultats Discussion de l hypothèse. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

23 Principe des tests Cadre des tests paramétriques La distribution des données est modélisée au moyen d un modèle statistique. Un modèle statistique est constitué d une famille de lois de probabilité sur un même espace : Ces lois de probabilités dépendent d un paramètre θ qui appartient à un ensemble Θ : M θ = {P θ, θ Θ} Test paramétrique : Test qui concerne les paramètres du modèle. Les x i sont considérés comme des réalisations de la v.a. X i, de loi M θ. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

24 Principe des tests Définition de plusieurs hypothèses On s intéresse à deux sous-ensembles de Θ, notés Θ 0 et Θ 1 et on pose : H 0 : {θ Θ 0 } H 1 : {θ Θ 1 } Exemple d un modèle Binomial de paramètre p : Θ 0 = {0.5} Θ 1 = [0, 1] \ {0.5} Exemple d un modèle Normal de paramètre µ : Θ 0 = {10 C} Θ 1 =]10 C, [ La finalité d un test est de prendre une décision Oui/Non : Acceptation/Rejet au vu des données Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

25 Principe des tests Définition d un test On appelle test une fonction φ des observations (X i = x i ) qui permet de choisir entre deux hypothèses : Deux valeurs possibles, 0 ou 1 : {φ(x ) = 0} alors on choisit H 0 : {θ Θ 0 } {φ(x ) = 1} alors on choisit H 1 : {θ Θ 1 } L ensemble des X pour lesquels on rejette H 0 {X, φ(x ) = 1} s appelle région de rejet. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

26 Principe des tests Les différentes qualités d un test L erreur de première espèce α est définie comme étant l espérance de φ(x ) sous H 0 : α = P{Décider H 1 alors que H 0 est vraie} = P{φ(X ) = 1 H 0 } = P 0 {φ(x ) = 1} L erreur de deuxième espèce β est définie comme étant l espérance de φ(x ) sous H 1 : β = P{Décider H 0 alors que H 1 est vraie} = P{φ(X ) = 0 H 1 } = P 1 {φ(x ) = 0} La puissance d un test est égale à π = 1 β. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

27 Principe des tests Différence entre H 0 et H 1 Les deux risques sont liés et varient généralement en sens inverse. Les hypothèses H 0 et H 1 ne jouent pas des rôles symétriques (Neyman et Pearson, 1933) : H 0 suppose l absence d effet et devient l hypothèse à réfuter. Affranchissement de ce qui se passe sous H 1. Stratégie standard : Accumuler des données pour savoir si on doit garder H 0 ou non. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

28 Principe des tests Du rôle central de l hypothèse nulle Le choix de l hypothèse nulle est l étape la plus délicate d une procédure de test. Choisir une «bonne» hypothèse est d autant plus crucial qu elle sera privilégiée : Les risques prennent des rôles dissymétriques lorsqu on privilégie H 0. L idée est de fixer α a priori ; c est le principe de précaution : Cet a priori signifie que α est le risque maximum que l on est prêt à prendre en rejetant H 0 à tort. Plus α diminue et plus le test devient conservatif ; on aura tendance à conserver H 0. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

29 Principe des tests Statistique de test Construction d une statistique de test S(X ) après le choix de l hypothèse nulle : Dépend des données et sa distribution, du modèle choisi. Souvent fondée sur la moyenne X. La définition d un score approprié est un élément central de la procédure de test. Plusieurs statistiques sont en général possibles pour la même hypothèse nulle. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

30 Principe des tests Notion de risque La démarche fondamentale consiste à se placer sous H 0 : Si H 0 était vraie, quelle serait la distribution de S(X )? Le raisonnement consiste à s interroger sur le caractère plausible ou non de l observation d un tel score. La procédure consiste à rejeter H 0 quand S(X ) dépasse un seuil : {Rejet de H 0 } {φ(x ) = 1} {S(X ) u} Dans ce cas P 0 {S(X ) u} s interprète comme un risque : C est la masse qu il resterait dans la distribution sous H 0 si on rejetait à u. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

31 Principe des tests Contrôle du risque Si le principe est de rejeter H 0 quand la statistique dépasse un seuil, comment le choisir? Plus la statistique de test S(X ) est grande, plus on le rejette avec certitude. On peut contrôler le risque de première espèce α en choisissant u tel que : P 0 {S(X ) u} α La valeur de u nous est fournie par les données de l échantillon : Réalisation de S(X ) notée s obs. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

32 Principe des tests Résumé de la procédure 1 Recueil des données (x 1, x 2,..., x n ). 2 Modélisation des observations (X 1, X 2,..., X n ) au moyen de M θ. 3 Définition d une hypothèse nulle H 0 à tester. 4 Définition d une statistique de test S(X ) et évaluation sur l échantillon s obs. 5 Calcul de la probabilité de dépassement P 0 {S(X ) s obs } sous H 0, c est la p-valeur ou p-value. 6 Fixation du risque α. 7 Si P 0 {S(X ) s obs } α, rejet de H 0. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

33 Plan Exemple du modèle gaussien 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

34 Exemple du modèle gaussien Comparaison de moyennes I 1 Soit deux échantillons provenant de populations indépendantes : Tailles respectives n 1 et n 2 et notation comme (x 1 1, x 1 2,..., x 1 n 1 ) et (x 2 1, x 2 2,..., x 2 n 2 ). 2 On suppose que la variable d interêt peut être modélisée par une loi normale, telle que : X 1 i iid N (µ 1, σ 2 ) et X 2 i iid N (µ 2, σ 2 ) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

35 Exemple du modèle gaussien Comparaison de moyennes II 3 Hypothèse nulle de l égalité du paramètre d espérance dans les populations : H 0 : {µ 1 = µ 2 } Hypothèse alternative : Estimation de µ 1 et µ 2 : H 1 : {µ 1 µ 2 } µ 1 = X 1 et µ 2 = X 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

36 Exemple du modèle gaussien Comparaison de moyennes III 4 Construction d une statistique S(X ) pour tester H 0 : ( ) X 1 X 2 H0 N 0, σ 2 1 n n 2 Si σ 2 connue, utilisation de la statistique centrée réduite : S(X ) = X 1 X 2 1 σ + 1 n 1 n 2 5 Calcul de s obs à partir des données. 6 Choix de α. 7 Si P 0 {S(X ) s obs } α, rejet de H 0. N (0, 1) H 0 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

37 Variantes du test I Exemple du modèle gaussien Si σ 2 est inconnue, il faut l estimer, ce qui change S(X ) : avec : S(X ) = X 1 X 2 1 s + 1 n 1 n 2 T (n 1 + n 2 2) H 0 s 2 = (n 1 1)s (n 2 1)s 2 2 n 1 + n 2 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

38 Variantes du test II Exemple du modèle gaussien Si les deux groupes ont des variances différentes, le modèle change : X 1 i iid N (µ 1, σ 2 1) et X 2 i iid N (µ 2, σ 2 2) Par conséquent, S(X ) change également : S(X ) = X 1 X 2 s 2 1 n 1 + s2 2 n 2 T (k) H 0 avec k, le nombre de d.d.l., donné par la formule de Satterthwaite (trop complexe pour être donnée ici!) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

39 Plan Tests non paramétriques 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

40 Tests non paramétriques Utilisation Lorsqu il n est pas raisonnable d utiliser des lois limites. Lorsque trop peu d observations sont disponibles pour faire des hypothèses quant à leur distribution. Théorie générale fondée sur les statistiques de rang : Le plus connu est le test de Wilcoxon (Mann-Whitney) : Se rapproche du test gaussien à variances égales. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) 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

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

Estimation. Anita Burgun

Estimation. Anita Burgun Estimation Anita Burgun Estimation Anita Burgun Contenu du cours Sondages Mesures statistiques sur un échantillon Estimateurs Problème posé Le problème posé en statistique: On s intéresse à une population

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

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

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

Tests Statistiques. Rejeter, ne pas rejeter... Se risquer? Magalie Fromont. Année universitaire 2015-2016

Tests Statistiques. Rejeter, ne pas rejeter... Se risquer? Magalie Fromont. Année universitaire 2015-2016 Tests Statistiques Rejeter, ne pas rejeter... Se risquer? Magalie Fromont Année universitaire 2015-2016 Table des matières 1 Introduction 5 1.1 Problèmes de tests.................................. 5 1.1.1

Plus en détail

Tests statistiques élémentaires

Tests statistiques élémentaires Résumé Il serait vain de chercher à présenter l ensemble des tests statistiques, la littérature est très abondante sur le sujet. Cette vignette introduit les plus couramment calculés par les logiciels

Plus en détail

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue Cours Statistiques L2 Université Nice Sophia-Antipolis François Delarue Table des matières Chapitre 1. Rappels de Probabilités 5 1. Espaces de probabilité et Variables aléatoires 5 2. Espérances et variances

Plus en détail

Chapitre 6 TESTS STATISTIQUES

Chapitre 6 TESTS STATISTIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 6 TESTS STATISTIQUES Les tests statistiques sont des méthodes de la statistique inférentielle qui, comme

Plus en détail

Statistique (MATH-F-315, Cours #1)

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

Plus en détail

Statistiques - Notes de cours - M1. Elisabeth Gassiat

Statistiques - Notes de cours - M1. Elisabeth Gassiat Statistiques - Notes de cours - M1 Elisabeth Gassiat Table des matières 1 Introduction 5 1.1 Estimation et régions de confiance...................... 5 1.2 Tests.......................................

Plus en détail

TUTORAT UE4 2010-2011 Biostatistiques Concours Blanc

TUTORAT UE4 2010-2011 Biostatistiques Concours Blanc TUTORAT UE4 2010-2011 Biostatistiques Concours Blanc Lorsque cela n est pas précisé (explicitement ou implicitement), les tests sont réalisés à 5% en bilatéral QCM n 1 : Généralités sur les probabilités

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Échantillonnage et estimation Dans ce chapitre, on s intéresse à un caractère dans une population donnée dont la proportion est notée. Cette proportion sera dans quelques cas connue (échantillonnage),

Plus en détail

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance Deuxième partie II Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance (version corrigée, 4 avril 27) Construction d estimateurs 4 Construction d estimateurs Estimateur

Plus en détail

TD1, sur la Régression Logistique (STA 2211)

TD1, sur la Régression Logistique (STA 2211) TD, sur la Régression Logistique STA 22) Exercice : Un sondage international cité dans un article de presse le 4 décembre 2004) rapportait le faible taux d approbation de la politique du Président des

Plus en détail

Chapitre I Théorie de la ruine

Chapitre I Théorie de la ruine Chapitre I Théorie de la ruine Olivier Wintenberger ISUP 2, Université Paris VI (slides Olivier Lopez) Année universitaire 2013-2014 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité

Plus en détail

Modèles statistiques pour l analyse des séquences biologiques

Modèles statistiques pour l analyse des séquences biologiques Modèles statistiques pour l analyse des séquences biologiques Franck Picard UMR CNRS-5558, Laboratoire de Biométrie et Biologie Evolutive franck.picard@univ-lyon1.fr F. Picard (LBBE) 1 / 60 Outline Introduction

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

partie a Introduction à la statistique 1

partie a Introduction à la statistique 1 table des matières F AVANT-PROPOS À L ÉDITION AMÉRICAINE Abréviations viii xiv partie a Introduction à la statistique 1 1. Statistique et probabilité ne sont pas intuitives 3 Nous avons tendance à passer

Plus en détail

5. Quelques lois discrètes

5. Quelques lois discrètes 5. Quelques lois discrètes MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: Lois discrètes 1/46 Plan 1. Loi de Bernoulli 2. Loi binomiale 3. Loi géométrique 4. Loi hypergéométrique

Plus en détail

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48 Plan 1 Tests

Plus en détail

Chapitre 4 : Variables aléatoires à densité. Soit f une fonction continue sur IR. On définit sous réserve d existence. f(t) dt = [ exp( t) ] b

Chapitre 4 : Variables aléatoires à densité. Soit f une fonction continue sur IR. On définit sous réserve d existence. f(t) dt = [ exp( t) ] b Chapitre 4 : Variables aléatoires à densité I - Généralités 1. Intégrales généralisées. a) Généralisée en +. Soit f une fonction continue sur IR. On définit sous réserve d existence la limite lim b + b

Plus en détail

ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL

ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL ET - FONCTIONS D ONDE DANS LES ETATS LIES D UN PUITS DE POTENTIEL Dans ce qui suit on adopte les notations suivantes : désigne une constante universelle h = π = 6,60 34 Joules par seconde est la constante

Plus en détail

Eléments de statistique Leçons 3 et 4 - Estimation

Eléments de statistique Leçons 3 et 4 - Estimation Eléments de statistique Leçons 3 et 4 - Estimation Louis Wehenkel Département d Electricité, Electronique et Informatique - Université de Liège B24/II.93 - L.Wehenkel@ulg.ac.be MATH0487-1 : 3BacIng, 3BacInf

Plus en détail

Formulaire de Probabilités et Statistiques

Formulaire de Probabilités et Statistiques Formulaire de Probabilités et Statistiques AD+JS 1 Rappels de combinatoire Arrangements avec répétitions Nombre d applications d un ensemble à k éléments dans un ensemble à n éléments : n k Arrangements

Plus en détail

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Shuyan LIU Université Paris - SAMM Youri DAVYDOV et Radu STOICA Université Lille - Laboratoire Paul Painlevé

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale MT8 A 0 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale. Fonction de répartition.. Variable aléatoire à valeurs réelles Définition : Soit un ensemble fondamental

Plus en détail

Principes Pourcentage / Standard Moyenne / Standard. Tests d'hypothèse. Formation Fondamentale

Principes Pourcentage / Standard Moyenne / Standard. Tests d'hypothèse. Formation Fondamentale Tests d'hypothèse Formation Fondamentale Sommaire 1 Principes Généralités 2 Pourcentage par rapport à un standard 3 Moyenne par rapport à un standard Sommaire 1 Principes Généralités 2 Pourcentage par

Plus en détail

TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015

TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015 TUTORAT UE 4 2015-2016 Biostatistiques Séance n 5 Semaine du 19/10/2015 Tests statistiques 2 M. Molinari. Séance préparée par Cécile JOURDAN, Charlotte SILVESTRE, Brice LAVABRE, Julie DUSSAUT, Mathilde

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Statistiques et estimation

Statistiques et estimation DERNIÈRE IMPRESSION LE 23 juillet 2014 à 16:35 Statistiques et estimation Table des matières 1 Intervalle de fluctuation 2 1.1 Simulation................................. 2 1.2 Définition.................................

Plus en détail

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3 CHAPITRE : LOIS DISCRÈTES Sommaire Variable aléatoire discrète................................... Rappels........................................... Exemple......................................... Couples

Plus en détail

Chapitre 7 Tests d hypothèse (partie 1)

Chapitre 7 Tests d hypothèse (partie 1) Chapitre 7 Tests d hypothèse (partie 1) I Qu est ce qu un test statistique? La philosophie est toujours la même : déterminer des informations sur une population à partir d informations sur un échantillon

Plus en détail

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010 PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4 Epreuve du jeudi 16 décembre 2010 Dr Claire BARDEL, Dr Marie-Aimée DRONNE, Dr Delphine MAUCORT-BOULCH

Plus en détail

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION MASTER 1 GSI- Mentions ACCIE et RIM La Citadelle - ULCO Mesures et analyses statistiques de données - Probabilités Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION Exercice 1 Partie I 12pts 1 Étude

Plus en détail

1 - Probabilités et probabilités conditionnelles. PAES Faculté de Médecine P. et M. Curie V. Morice

1 - Probabilités et probabilités conditionnelles. PAES Faculté de Médecine P. et M. Curie V. Morice Probabilités et Biostatistique 1 - Probabilités et probabilités conditionnelles Evaluation ation d'un test diagnostique PAES Faculté de Médecine P. et M. Curie V. Morice Pourquoi la biostatistique : la

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2008/2009 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

Exercices de Statistique

Exercices de Statistique Université Joseph Fourier, Grenoble I Licence Sciences et Technologies e année STA30 : Méthodes Statistiques pour la Biologie Exercices de Statistique http ://ljk.imag.fr/membres/bernard.ycart/sta30/ Chaque

Plus en détail

Apprentissage Automatique Numérique

Apprentissage Automatique Numérique Apprentissage Automatique Numérique Loïc BARRAULT Laboratoire d Informatique de l Université du Maine (LIUM) loic.barrault@lium.univ-lemans.fr 16 septembre 2015 1/42 Problème classique Automatique Autre

Plus en détail

Détection statistique d anomalies en présence de paramètres de nuisance

Détection statistique d anomalies en présence de paramètres de nuisance Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29 Structure

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Zaher Mohdeb Université Mentouri Département de Mathématiques, Constantine, Algérie E-mail: zaher.mohdeb@umc.edu.dz

Plus en détail

Statistiques Appliquées Rôle des femmes dans la société

Statistiques Appliquées Rôle des femmes dans la société Statistiques Appliquées Rôle des femmes dans la société Denis Schelling Semestre d automne 2012 Résumé A partir de données concernant le rôle des femmes dans la société, nous avons effectué une analyse

Plus en détail

Modélisation de la demande de transport

Modélisation de la demande de transport Modélisation de la demande de transport Fabien Leurent ENPC / LVMT Introduction Approche empirique Fonctions de répartition Position microéconomique : préférences et rationalité Distribution des décideurs,

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*)

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*) Traitement statistique Application avec JMP - 3 jours (*) Référence : STA-N1-SPECHAJMP Durée : 3 jours soit 21 heures (*) : La durée proposée est une durée standard. Elle peut être adaptée selon les besoins,

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : économique et commerciale Option : Technologique (ECT) Discipline : Mathématiques- Informatique Seconde année Ministère de l enseignement

Plus en détail

Épreuve de Mathématiques 8

Épreuve de Mathématiques 8 Lycée La Prat s Vendredi 10 avril 2015 Classe de PT Épreuve de Mathématiques 8 Durée 4 h L usage des calculatrices est interdit. La présentation, la lisibilité, l orthographe, la qualité de la rédaction

Plus en détail

Probabilité mathématique et distributions théoriques

Probabilité mathématique et distributions théoriques Probabilité mathématique et distributions théoriques 3 3.1 Notion de probabilité 3.1.1 classique de la probabilité s Une expérience ou une épreuve est dite aléatoire lorsqu on ne peut en prévoir exactement

Plus en détail

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1 Qualité Six Sigma Sylvain ROZÈS 28 mars 2008 Sommaire 1 Introduction 1 2 Étude séparée de quatre échantillons 1 3 Étude sur l ensemble des échantillons 8 4 Étude sur les range 13 1 Introduction Le but

Plus en détail

Tests d homogénéité dans les modèles de mélange

Tests d homogénéité dans les modèles de mélange Tests d homogénéité dans les modèles de mélange A. Autin, C. Pouet Université de Provence Rennes, 29 Août 2008 Plan 1. 2. non-adaptatifs et adaptatifs 3. Idées des preuves 4. Modèle de mélange Modèle Cadre

Plus en détail

Introduction à la statistique inférentielle

Introduction à la statistique inférentielle Introduction à la statistique inférentielle Didier Concordet Unité de Biométrie Ecole Vétérinaire de Toulouse Sommaire 1 Statistiques descriptives 7 1.1 Description numérique...................... 7 1.1.1

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

LOIS DE PROBABILITÉ À DENSITÉ

LOIS DE PROBABILITÉ À DENSITÉ LOIS DE PROBABILITÉ À DENSITÉ Une expérience aléatoire consiste à choisir au hasard un nombre réel X dans l'intervalle I = ]0 ; 0]. L'univers est l'intervalle I. C'est un univers infini. On ne peut pas

Plus en détail

0.1 Espace de probabilité

0.1 Espace de probabilité 0.1. ESPACE DE PROBABILITÉ 1 0.1 Espace de probabilité Exercice 1 La population d une ville compte 48% d hommes et 52% de femmes. Le 1er Janvier 2002 5% des hommes et 1% des femmes avaient la grippe. a)

Plus en détail

TD : Microéconomie de l incertain. Emmanuel Duguet

TD : Microéconomie de l incertain. Emmanuel Duguet TD : Microéconomie de l incertain Emmanuel Duguet 2013-2014 Sommaire 1 Les loteries 2 2 Production en univers incertain 4 3 Prime de risque 6 3.1 Prime de risque et utilité CRRA.................. 6 3.2

Plus en détail

Introduction au cours de physique (1)

Introduction au cours de physique (1) Introduction au cours de physique () Exercices : Petites variations, valeurs moyennes Calculs de petites variations Méthode De manière générale : il est souvent plus simple de faire une différentiation

Plus en détail

ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES. Année universitaire 2006 2007. COURS DE STATISTIQUE et ANALYSE des DONNÉES

ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES. Année universitaire 2006 2007. COURS DE STATISTIQUE et ANALYSE des DONNÉES ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES Année universitaire 2006 2007 COURS DE STATISTIQUE et ANALYSE des DONNÉES 12 juin 2007 ii Préambule Le mot Statistique vient de l allemand Statistik, qui désigne

Plus en détail

Université de Nantes UFR des Sciences et Techniques Département de Mathématiques. Master 1 Ingénierie mathématique Année 2012-2013

Université de Nantes UFR des Sciences et Techniques Département de Mathématiques. Master 1 Ingénierie mathématique Année 2012-2013 Université de Nantes UFR des Sciences et Techniques Département de Mathématiques Master 1 Ingénierie mathématique Année 2012-2013 TP 1: Statistique descriptive F. Lavancier, A. Philippe Le logiciel utilisé

Plus en détail

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

Modèles probabilistes

Modèles probabilistes 1 Cahier de Mathématiques Appliquées n o 3 Modèles probabilistes B Ycart Ceci n est pas un cours de probabilités, mais une introduction pratique à l utilisation des modèles probabilistes en statistique

Plus en détail

Traitement de données

Traitement de données Traitement de données GLMA 512 I. Statistiques descriptives 2 Problématique.......................................................... 4 Histogramme...........................................................

Plus en détail

Probabilité d un événement. Combinaisons d événements. Probabilité conditionnelle

Probabilité d un événement. Combinaisons d événements. Probabilité conditionnelle Probabilités classiques Mathématiques discrètes Théorie des probabilités Cours 31, MATH/COSC 1056F Julien Dompierre Département de mathématiques et d informatique Université Laurentienne 7 novembre 00,

Plus en détail

Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 1 - Corrigé

Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 1 - Corrigé Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 1 - Corrigé Marc Sangnier - marc.sangnier@ens-cachan.fr 18 octobre 7 Exercice A Question 1 - Loyer d'un studio à Paris La variable

Plus en détail

Cours PS1 (Probabilités et Statistiques 1)

Cours PS1 (Probabilités et Statistiques 1) Bert Wiest Université de Rennes UFR Mathématiques et IRMAR Cours PS (Probabilités et Statistiques ) Organisation Il y a 5h de cours, dont 2h pour les contrôles continus. Détails sur ma page http://perso.univ-rennes.fr/bertold.wiest

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

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 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

Plus en détail

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Projet de Semestre. Processus de Wiener. Analyse de B(u,T) avec racines de l équation de Lundberg complexes

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Projet de Semestre. Processus de Wiener. Analyse de B(u,T) avec racines de l équation de Lundberg complexes ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Projet de Semestre Processus de Wiener Analyse de B(u,T) avec racines de l équation de Lundberg complexes Meichtry Eliane Mathématiques Paroz Sandrine 3ème année

Plus en détail

IUT d Orléans - Département d Informatique TD de Probabilités

IUT d Orléans - Département d Informatique TD de Probabilités IUT d Orléans - Département d Informatique TD de Probabilités Fiche 1 Dénombrement DENOMBREMENT : arrangements et combinaisons Le but de cette première partie est d introduire la fonction factorielle,

Plus en détail

Bases du Modèle Linéaire

Bases du Modèle Linéaire AgroParisTech Bases du Modèle Linéaire J.J. Daudin, E. Lebarbier, C. Vuillet Table des matières 1 Introduction 3 2 Estimation des paramètres 5 2.1 Estimation des paramètres de l espérance......................

Plus en détail

Caractérisation des mesures de performance pertinentes en gestion alternative

Caractérisation des mesures de performance pertinentes en gestion alternative Caractérisation des mesures de performance pertinentes en gestion alternative Alexis BONNET Isabelle NAGOT Methodology Group CERMSEM Université Paris1Panthéon-Sorbonne 2 avril 2004 Quelles sont les mesures

Plus en détail

Tests d hypothèses restreintes

Tests d hypothèses restreintes Tests d hypothèses restreintes Céline Delmas & Jean-Louis Foulley Station de Génétique Quantitative et Appliquée I.N.R.A., Domaine de Vilvert 7835 Jouy-en-Josas Cedex {delmas,foulley}@dga.jouy.inra.fr

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Estimation indirecte en sciences humaines : une méthode bayésienne

Estimation indirecte en sciences humaines : une méthode bayésienne Estimation indirecte en sciences humaines : une méthode bayésienne Henri Caussinus, Institut de Mathématiques de Toulouse, en collaboration avec Daniel Courgeau, INED Isabelle Séguy, INED Luc Buchet, CNRS

Plus en détail

CHAPITRE II NOTIONS DE PROBABILITES

CHAPITRE II NOTIONS DE PROBABILITES CHAPITRE II NOTIONS DE PROBABILITES II.1. Un exemple : le poker Distribuer une main de poker (5 cartes sur 52) revient à tirer au hasard 5 cartes parmi 52. On appelle expérience aléatoire une telle expérience

Plus en détail

Validation des méthodes analytiques : Le profil d exactitude

Validation des méthodes analytiques : Le profil d exactitude Validation des méthodes analytiques : Le profil d exactitude Pourquoi valider une méthode analytique? Passer à une utilisation de l outil d analyse en routine Obligations réglementaires : normes qualité,

Plus en détail

Deuxième partie. Estimation ponctuelle et par intervalles

Deuxième partie. Estimation ponctuelle et par intervalles Deuxième partie Estimation ponctuelle et par intervalles CHAITRE 3 Estimation ponctuelle Résumé : Des chapitres précédents, il faut essentiellement retenir que dans la plupart des cas étudiés dans ce

Plus en détail

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 COPULES. Alexandre Popier Université du Maine, Le Mans Septembre 2010 A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 PLAN DU COURS 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

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

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

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

Plus en détail

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007 Introduction aux probabilités Série n 3 Exercice 1 Une urne contient neuf boules. Quatre de ces boules portent le numéro

Plus en détail

a) Il n y a pas de contre indication à utiliser la loi normale. On peut donc utiliser des tests basés sur la loi normale comme ceux vus au cours.

a) Il n y a pas de contre indication à utiliser la loi normale. On peut donc utiliser des tests basés sur la loi normale comme ceux vus au cours. Probabilités et statistique Été 2006 ELEC, MICRO, MX Dr. Diego Kuonen Corrigé du TP 2 Exercice 1. Test de Student Normal Q Q Plot Sample Quantiles 985 990 995 1000 1005 1.5 1.0 0.5 0.0 0.5 1.0 1.5 a) Il

Plus en détail

Exercices de probabilités et statistique

Exercices de probabilités et statistique Exercices de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi & Fabrice Le Lec Cette œuvre est mise à disposition

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts

Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts Thomas Lim Université Paris 7-LPMA Travail en collaboration avec Marie-Claire Quenez Séminaire des jeunes

Plus en détail

Simulations et Estimations de la volatilité

Simulations et Estimations de la volatilité Simulations et Estimations de la volatilité Daniel Herlemont 5 novembre 2012 Table des matières 1 Introduction 1 2 A faire... 3 3 Rappels 10 3.1 Propriétés des estimateurs............................ 10

Plus en détail

Exercice n HF 0201 - Corrigé

Exercice n HF 0201 - Corrigé ENAC/ISTE/HYDRAM HYDROTHEQUE : base de données d exercices en Hydrologie Cours : Hydrologie Fréquentielle / Thématique : Construction des courbes IDF Exercice n HF 0201 - Corrigé Logo optimisé par J.-D.Bonjour,

Plus en détail

Corrigé du Baccalauréat S Nouvelle-Calédonie Mars 2016

Corrigé du Baccalauréat S Nouvelle-Calédonie Mars 2016 Corrigé du Baccalauréat S Nouvelle-Calédonie Mars 0 A. P. M. E. P. EXERCICE Commun à tous les candidats points Partie A Une boite contient 00 médailles souvenir dont 50 sont argentées, les autres dorées.

Plus en détail