Estimation de la moyenne : Une approche expérimentale versus une approche classique.
|
|
- Bertrand Brunelle
- il y a 8 ans
- Total affichages :
Transcription
1 Estimation de la moyenne : Une approche expérimentale versus une approche classique Jean-François Coeurjolly & Rémy Drouilhet Labsad, BSHM, UPMF, 1251 Avenue Centrale BP 47, Grenoble Cedex 9 Jean-FrancoisCoeurjolly@upmf-grenoblefr, RemyDrouilhet@upmf-grenoblefr Résumé: Enseignants en deuxième année (de Licence de sciences économiques dans une filière non-matheuse, nous avions pour charge d enseigner les probabilités et la statistique inférentielle pour un volume horaire assez court (20h cours et 20h TD De par nos différentes expériences, nous avons remarqué qu étant donné le public une approche classique trop formalisée posait un certain nombre de difficultés que ce soit sur les concepts probabilistes ou sur la construction et l interprétation des intervalles de confiance et tests d hypohèses Afin d appréhender ces différents concepts tout en évitant les techniques mathématiques, nous nous sommes orientés vers l utilisation conjointe d une approche en simulation (appelée approche expérimentale des probabilités (AEP et de logiciels éducatifs permettant la visualisation graphique de ces concepts Dans cet exposé, nous nous concentrerons uniquement sur l étude des lois d échantillonnage puis sur la notion d intervalle de confiance Mots-clés: approche expérimentale des probabilités, approche visuelle, intervalle de confiance Abstract: Lecturers in second year of Economics Licence in a non-mathematical branch, we were in charge of a course on probability and statistical inference This lecture was designed to a volume of forty hours This constraint and our experience convinced us that a classical approach is too formal and so not adapted to our public In order to learn concepts like probability density function, confidence intervals or hypothesis testing, we try to avoid mathematical technics by combining an experimental approach of probability and some educational softwares that allow a graphical visualisation of such concepts This talk will focus on the following topics : sampling distributions and confidence interval 1 Introduction et motivations Dans un séminaire de probabilités ou statistiques, il est courant que l orateur conclut son exposé par une étude en simulation Cette étape basée sur l expérimentation permet entre autres choses de mettre en avant et ainsi de communiquer plus facilement les résultats obtenus en se dégageant de la lourdeur des techniques mathématiques ayant permis de les démontrer Notre étonnement a été alors le suivant : pourquoi enseigner à un public plutôt rebuté par les mathématiques, les statistiques et les probabilités par une approche classique reposant sur les techniques mathématiques (dont les principales vertues sont de calculer et démontrer plutôt qu une approche expérimentale conduisant à une meilleure interprétation des outils mathématiques mis en place? 1
2 Quelques unes des difficultés rencontrées par l étudiant : (1 Compréhension plus que confuse de la notion de variable aléatoire, (2 Confusion entre variable aléatoire (va (notée dès que possible en majuscule et ses réalisations (notées en minuscule, (3 Cadre des va continues bien moins accessibles que celui des va discrètes, (4 Densité de probabilité, un objet graphique très étrange et bien plus difficile qu un diagramme en baton pour caractériser la loi de probabilité d une va discrète et Les messages que nous jugeons difficiles à faire passer (notamment à des étudiants non matheux : (1 Approximation d une va discrète (représentation classique de sa loi de probabilité en diagramme en baton par une va continue (représentation de sa loi de probabilité par une densité de probabilité, (2 Bonne interprétation de la notion d intervalle de confiance et (3 Interprétation des décisions résultant d un test d hypothèses (voir l exposé intitulé Construction d un test d hypothèses par un approche visuelle et une approche expérimentale des probabilités Nos solutions : (1 Appréhension de la notion de va en introduisant une phase expérimentale (plutôt classique consistant à générer un grand nombre de ses réalisations, (2 Système de notations plus complexes mais plus précises (très utiles en phase d apprentissage spécialement adaptées à cette approche expérimentale (3 Représentation des va discrètes et continues par des histogrammes (discrets et continus définis comme un mur de briques empilées une à une en abscisse en leurs réalisations associées Nous estimons que malgré la complexité apparente des notations introduites (impression immédiate, elles nous permettent (dans un deuxième temps de communiquer plus facilement les messages aux étudiants puisqu elles décrivent très précisément tous les acteurs de cette approche expérimentale des probabilités 2 Introduction de l Approche Expérimentale des Probabilités (AEP Pour être le plus direct possible, nous nous limitons ici à présenter l Approche Expérimentale des Probabilités dans le cadre de l étude des lois d échantillonnage Puisque notre approche pédagogique est basée sur l utilisation de logiciels éducatifs (pour la plupart développés par nous-mêmes, nous privilégierons dans cet exposé les représentations graphiques que nous montrons aux étudiants Notre principal exemple de cours : un industriel veut savoir s il doit ou pas lancer un nouveau produit (noté produit B sur le marché Cette problématique est facile et rapide à appréhender reposant notamment sur l estimation d un paramètre défini à partir d informations relatives à une population finie (ici celle des N = acheteurs potentiels L enjeu de l industriel est que le jour J, il devra dépenser une grosse somme d argent pour recueillir les choix d achats de n = 1000 individus de son échantillon et qu avec cette seule information il devra prendre sa décision de lancement ou pas de son produit L industriel se fait alors assister 2
3 par un expérimentateur et un mathématicien lui promettant de bien lui faire comprendre la nature des estimations de µ B dont il disposera le jour J Dans cet exposé, nous ne traiterons pas directement de test d hypothèses mais uniquement d estimation (ponctuelle et par intervalle de confiance du paramètre, ici le nombre µ B moyen de produit(s acheté(s sur la population totale Phase d expérimentation ou de simulation : Malheureusement pour l industriel, le paramètre d intérêt µ B est inconnu Pour anticiper ce qui peut arriver avant la prise de décision finale, il peut simuler toutes les situations possibles dans une phase expérimentale Pour ce faire, le paramètre d intérêt µ B inconnu sera remplacé par un paramètre µ dont la valeur peut être fixée arbitrairement par l expérimentateur La population totale sera alors remplacée par une urne Uµ B contenant N boules (en remplacement des acheteurs potentiels dont N j (j = 0,, J max sont numérotées par j (correspondant au nombre de produit(s B acheté(s Notons que la répartition doit être choisie de sorte que la moyenne des numéros de toutes les boules de l urne soit égale à µ (dans nos exemples, 01 ou 015 ou 019 La variance quant à elle sera alors notée σ 2 remplaçant dans la phase expérimentale celle σb 2 de la vraie population Construire un échantillon consistera alors à simplement tirer n = 1000 boules (avec remise dans ces urnes Un tableau décrivant l Approche Expérimentale des Probabilités : Soulignons l utilisation d un système de notations spécifique et la mise en avant de la chronologie à partir du jour J AVANT le jour J Phase expérimentale Le paramètre à estimer est µ fixé arbitrairement (par exemple, à 019 Avant simulation E = (E 1, E 2,, E n Y = (Y 1, Y 2,, Y n µ (Y Après simulation 1ère expérience e [1] y [1] µ ( y [1] 2ème expérience e [2] y [2] µ ( y [2] expérience e [m] y [m] µ ( y [m] Phase pratique Le paramètre à estimer est µ B qui est inconnu Avant pratique E = (E 1, E 2,, E n Y = (Y 1, Y 2,, Y n µb (Y APRES le jour J Après pratique l expérience réelle e y µb (y Nous avons ici particularisé nos notations à celle de la problématique de l industriel mais elles sont facilement adaptables à un cadre général Nous aimons rassurer nos étudiants en leur affirmant que toutes les notations utilisées (vues comme des mots d un langage mathématique sont faciles à traduire littéralement (en français Ainsi, θ ( se dit : estimation ou remplaçant 3
4 du paramètre θ obtenu à partir du jeu de données Les différents jeux de données sont décrits ci-dessous : Avant le jour J, les futures données : L industriel envisage le procédé de construction de ses futures données Y = (Y 1,, Y n constitué des futurs nombres de produit(s B acheté(s par les n = 1000 individus choisis au hasard (et avec remise dans la population totale ou dans une des urnes expérimentales Selon ces deux cas, il obtiendra respectivement comme future estimation soit µ B (Y soit µ (Y obtenue à partir des Y 1,, Y n : µ B (Y ou µ (Y = Y = 1 n n i=1 Y i Il en est de même pour l estimation de la variance avec σ 2 B (Y et σ 2 (Y futures estimations de σ 2 B et σ2 respectivement Avant le jour J, les données simulées : Après avoir construit son urne expérimentale, l industriel peut obtenir autant de jeux de données qu il le souhaite Il en construit m (ici 10000, le jème étant noté y [j] Il obtient alors m estimations ( µ ( y [j] j=1,,m et ( éventuellement m estimations ( σ 2 y[j] j=1,,m Le jour J, les données réelles : L industriel se paie un jeu de données y = (y 1,, y n constitué des nombres de produit(s B acheté(s par les n = 1000 individus choisis au hasard (et avec remise dans la population totale Il en déduit une estimation (réelle µ B (y de µ B et éventuellement une estimation (réelle σ B 2 (y de σ2 B Après avoir mis en correspondance, le langage mathématique et le langage littéral, nous allons maintenant les mettre en correspondance avec le langage visuel En effet, dès que c est possible, nous avons pour volonté de représenter graphiquement tout objet acteur important dans la phase d apprentissage La phase expérimentale facilite la compréhension de la nature aléatoire de l échantillonnage en proposant une multitude (m = ou plus de réalisations de la future estimation Afin de caractériser son comportement aléatoire, il ne reste plus qu à en faire une représentation graphique de sa répartition La question est diagramme en bâtons ou histogramme discret? Nous optons pour le second qui permettra de visualiser sur un même graphique la loi d une va discrète ainsi que son approximation par celle d une va continue Histogramme en briques : Les m réalisations µ ( y [j] de µ (Y sont représentées par des briques de surface 1/m et de largeur 1/n centrées en abscisse en leurs valeurs associées Toutes les briques sont empilées une par une et l évolution en m de cet empilement laisse apparaître un mur de briques de surface totale toujours égale à 1 Cette représentation, appelée histogramme (discret, permet de visualiser en un seul coup d oeil la répartition des ( µ ( y [j] j=1,,m 4
5 Sur une urne particulière, voilà l évolution en m de l histogramme en briques Evolution des histogrammes discrets Assez naturellement, nous nous interrogeons sur la meilleure valeur de m pour caractériser le comportement aléatoire (ici de µ (Y Les étudiants répondent très rapidement le plus grand possible et les plus courageux une infinité Ensuite, nous poursuivons notre récit en évoquant que le matheux le savait à l avance dès lors toute information relative à l urne expérimentale lui est fournie L étudiant est alors invité à comprendre le résultat du mathématicien dans son propre langage : µ (Y approx N (µ, σ n (1 Le tableau et les graphiques ci-dessous décrivent les connaissances de l expérimentateur et du mathématicien La courbe lisse du dernier graphique exprime la connaissance anticipée du mathématicien décrite en (1 La question que nous posons à l étudiant est la suivante : à quoi ressemble une brique si m tend vers +? Il répond généralement un point Bien qu erronée, celle-ci nous satisfait complètement mais nous lui indiquons que sa réponse est juste si n tend lui-aussi vers + Nous poursuivons alors avec l interprétation de ce résultat L industriel s imagine être le jour J dans l une des situations expérimentales (µ fixé et il prend alors conscience que ce qui peut lui arriver le jour J, c est équivalent (ou presque à : 1 Grâce à l Expérimentateur, choisir (graphique du haut ci-dessous au hasard une brique (ie un des m µ ( y [j] du tableau ci-dessous 2 Grâce au Mathématicien, choisir (graphique du bas ci-dessous au hasard un point sous la courbe N (µ, σ n associé à son abscisse représentant une réalisation au hasard de µ (Y choisie parmi une infinité Il voit clairement la courbe N (µ, σ n comme un empilement d une infinité de briques ( devenues des points associées à une infinité de réalisations possibles de µ (Y 5
6 Urne U B 015 j µ ( y [j] Application à l intervalle de confiance Nous ne nous concentrerons pas sur l aspect mathématique de la construction de l intervalle de confiance (relativement aisée mais plutôt sur la difficulté à l interpréter En effet, le jour J l industriel disposera d un intervalle de confiance [ θ inf (y, θ sup (y] (par exemple [0113, 023] obtenu avec 95% de niveau de confiance La question est alors : quelle est la valeur de la probabilité P ( µ B [0113, 023]? Même bien avertis, les étudiants traduisant leur propre compréhension de cette fourchette répondent en coeur : 95% Ils ne prennent pas conscience que µ B est ou n est pas dans l intervalle obtenue Pour les éclairer, nous nous en remettons à l AEP Nous pouvons alors imaginer construire une infinité d intervalles de confiances [ θ ( ( ( ( inf y[1], θ sup y[1] ],, [ θ inf y[m], θ sup y[m] ], dont 5% seulement ne contiendront pas µ B Le jour J, cela revient alors à en choisir un au hasard parmi cette infinité Utiliser un tel outil c est donc parier que nous sommes normalement chanceux en tombant sur un parmi les 95% qui contiennent µ B Par manque de place, nous ne pouvons faire figurer les représentations graphiques relatives à un de nos logiciels éducatifs illustrant ce contexte 6
Principe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailTSTI 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
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCRÉER UN COURS EN LIGNE
Anne DELABY CRÉER UN COURS EN LIGNE Deuxième édition, 2006, 2008 ISBN : 978-2-212-54153-3 2 Que recouvre le concept d interactivité? Dans une perspective de cours en ligne, une activité interactive est
Plus en détailLoi 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
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailÉVALUATION DES RÉTROACTIONS DONNÉES PAR UN LOGICIEL D AIDE À L APPRENTISSAGE DE L ÉCRITURE MANUSCRITE
ÉVALUATION DES RÉTROACTIONS DONNÉES PAR UN LOGICIEL D AIDE À L APPRENTISSAGE DE L ÉCRITURE MANUSCRITE LECLERC MARIE-CHRISTINE, ROBERT JEAN-MARC École Polytechnique de Montréal Département de mathématiques
Plus en détailProbabilités. I - Expérience aléatoire. II - Evénements
Probabilités Voici le premier cours de probabilités de votre vie. N avez-vous jamais eut envie de comprendre les règles des grands joueurs de poker et de les battre en calculant les probabilités d avoir
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailUML est-il soluble dans les méthodes agiles?
Pascal ROQUES Valtech Training UML est-il soluble dans les méthodes agiles? octobre 07 Résumé On entend beaucoup parler actuellement de deux approches ayant l'air fondamentalement opposées : l'approche
Plus en détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailL analyse boursière avec Scilab
L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailForthcoming Database
DISS.ETH NO. 15802 Forthcoming Database A Framework Approach for Data Visualization Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of
Plus en détailEn 2014, comment mener à bien une enquête aléatoire en population générale par téléphone?
En 2014, comment mener à bien une enquête aléatoire en population générale par téléphone? Prémila Choolun 1, François Beck 2, Christophe David 1, Valérie Blineau 1, Romain Guignard 3, Arnaud Gautier 3,
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailStatistiques 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
Plus en détailAGROBASE : un système de gestion de données expérimentales
AGROBASE : un système de gestion de données expérimentales Daniel Wallach, Jean-Pierre RELLIER To cite this version: Daniel Wallach, Jean-Pierre RELLIER. AGROBASE : un système de gestion de données expérimentales.
Plus en détailChapitre 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
Plus en détail<http://cahiers.gutenberg.eu.org/fitem?id=cg_2001 39-40_17_0>
Cahiers GUTenberg GUT LES POLICES TTF CONVERTIES EN METAFONT Daniel Taupin Cahiers GUTenberg, no 39-40 (2001), p. 17-21. Association GUTenberg,
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailStéphane Lefebvre. CAE s Chief Financial Officer. CAE announces Government of Canada participation in Project Innovate.
Stéphane Lefebvre CAE s Chief Financial Officer CAE announces Government of Canada participation in Project Innovate Montreal, Canada, February 27, 2014 Monsieur le ministre Lebel, Mesdames et messieurs,
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailPremiers pas avec Mathematica
Premiers pas avec Mathematica LP206 : Mathématiques pour physiciens I Année 2010/2011 1 Introduction Mathematica est un logiciel de calcul formel qui permet de manipuler des expressions mathématiques symboliques.
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailPlan du cours : Zippers. Des fonctions sur les listes avec position. Des fonctions sur les listes avec position
Plan du cours : Le problème : naviguer efficacement une structure de données Ce qui ne marche pas Ce qui marche : les de Huet Exemples Comment dériver des pour tout type de données Pour en savoir plus
Plus en détailCorps des nombres complexes, J Paul Tsasa
Corps des nombres complexes, J Paul Tsasa One Pager Février 2013 Vol. 5 Num. 011 Copyright Laréq 2013 http://www.lareq.com Corps des Nombres Complexes Définitions, Règles de Calcul et Théorèmes «Les idiots
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailOur success is measured by how well we meet your needs
Grâce à l ensemble HSBC Premier, recevez un soutien personnalisé pour vous aider à gérer votre économie personnelle. Our success is measured by how well we meet your needs 1 Pour être admissible à l ensemble
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailLogiciel de gestion de point de vente dédié à la restauration. Rapport de projet. 3 e année F5
Institut Supérieur d Informatique Modélisation et leurs Applications Complexe des Cézeaux BP 125 63173 AUBIERE CEDEX Rapport de projet 3 e année F5 Logiciel de gestion de point de vente dédié à la restauration
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailVMware : De la Virtualisation. au Cloud Computing
VMware : De la Virtualisation. au Cloud Computing Tunis, le 12 Décembre 2012 Jamal Belhachemi BDM South EMEA 2010 VMware, Inc. Tous droits réservés. 2010 #1 dans les priorités des Directeurs Informatiques
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailM1 : Ingénierie du Logiciel
M1 : Ingénierie du Logiciel UNIVERSITE PIERRE & MARIE CURIE (PARIS VI) Examen Réparti 2eme partie 16 Mai 2013 (2 heures avec documents : tous SAUF ANNALES CORRIGEES). Barème indicatif sur 20,5 points (max
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailStratégie DataCenters Société Générale Enjeux, objectifs et rôle d un partenaire comme Data4
Stratégie DataCenters Société Générale Enjeux, objectifs et rôle d un partenaire comme Data4 Stéphane MARCHINI Responsable Global des services DataCenters Espace Grande Arche Paris La Défense SG figures
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailOptimized Protocol Stack for Virtualized Converged Enhanced Ethernet
Diss. ETH No. 22127 Optimized Protocol Stack for Virtualized Converged Enhanced Ethernet A thesis submitted to attain the degree of DOCTOR OF SCIENCES of ETH ZURICH (Dr. sc. ETH Zurich) presented by Daniel
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailServices. Expériences d entreprises de moins de 20 salariés. Propositions d axes de travail. Agir pour améliorer les conditions de travail
Services à la personne Agir pour améliorer les conditions de travail Expériences d entreprises de moins de 20 salariés Propositions d axes de travail Des problématiques des Des petites entités souvent
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
Plus en détailDérivation : Résumé de cours et méthodes
Dérivation : Résumé de cours et métodes Nombre dérivé - Fonction dérivée : DÉFINITION (a + ) (a) Etant donné est une onction déinie sur un intervalle I contenant le réel a, est dérivable en a si tend vers
Plus en détailInitiation à la Programmation en Logique avec SISCtus Prolog
Initiation à la Programmation en Logique avec SISCtus Prolog Identificateurs Ils sont représentés par une suite de caractères alphanumériques commençant par une lettre minuscule (les lettres accentuées
Plus en détailCONSOLIDATION CODIFICATION. Current to August 30, 2015 À jour au 30 août 2015
CANADA CONSOLIDATION CODIFICATION Order Transferring to the Department of Supply and Services the Control and Supervision of the Government Telecommunications Agency and the Translation Bureau and Transferring
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détail