Chapitre 3 : INFERENCE

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 3 : INFERENCE"

Transcription

1 Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 1 / 41

2 Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 2 / 41

3 Définitions En général, l inférence est définie comme une opération mentale qui consiste à tirer une conclusion d une série de propositions reconnues pour vraies. Ces conclusions sont tirées à partir de règles de base. L inférence statistique est définie comme le processus d utilisation des données d un échantillon pour estimer ou tester des hypothèses sur les caractéristiques numériques («paramètres») d une population. Une population (ou «population mère») est définie comme l ensemble de tous les éléments d intérêt dans une étude particulière. Un échantillon est défini comme un sous-ensemble de la population. L échantillonnage 3 / 41

4 Pourquoi prendre un échantillon? Le coût : recenser toute la population coûte trop cher et/ou prend trop de temps Recensement de la population 2010 : recensement traditionnel (questionnaire à tous les ménages) coûterait 200 millions ; proposition du Conseil fédéral (échantillonnage + recensement fondé sur les registres coûtera 124 millions [estimations faites en 2006]) Etant donné l impossibilité d examiner chaque être humain, toute étude empirique d hypothèses générales en sciences sociales doit être basée sur des échantillons, soit d individus soit de groupes d individus (ménages, firmes, industries, pays,...) L échantillonnage 4 / 41

5 Un exemple fictif : Statville Commune Statville : 2500 habitants adultes (= population) Syndic s intéresse à la distribution des revenus parmi ces habitants et à la participation des habitants à la dernière assemblée communale (ils étaient trop nombreux pour être comptés) Interroger tous les 2500 habitants serait trop cher Budget permet d interroger un échantillon de 30 habitants Paramètres de la population (inconnus par le syndic!) : o Revenu moyen (): francs o Ecart-type du revenu (): 4000 francs o Taux de participation à la dernière assemblée (p) : 60% Que devrait faire le syndic? L échantillonnage 5 / 41

6 Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 6 / 41

7 L échantillonnage aléatoire simple Population de N éléments ; échantillon de n éléments Définition pour une population finie (N connu): tous les éléments de la population ont la même probabilité de faire partie de l échantillon Probabilité qu un élément de la population soit contenu dans l échantillon est n/n. Définition pour une population infinie (N inconnu): les éléments de l échantillon sont sélectionnés indépendamment de la même population Echantillonnage sans remise (chaque élément ne peut être sélectionné qu une fois) : o Nombre d échantillons possibles = C = N!/(n!(N-n)!) o Probabilité qu un échantillon particulier soit tiré = 1/C o Exemple Statville : C 2.75 * L échantillonnage 7 / 41

8 Comment obtenir un échantillon aléatoire simple? Critère : probabilité de sélection indépendante de toute caractéristique des éléments de la population Population finie : Tirage au sort Choix avec nombres aléatoires à partir d une liste des éléments [Excel :=ALEA() génère des nombres aléatoires entre 0 et 1] Population infinie (processus continu dans le temps) : Sélectionner selon une loi de Bernoulli [Excel : =SI(ALEA()>=P; oui ; non ) répond «oui» dans (1 P) pourcent de cas] Trouver astuce (exemple contrôle douanier : examiner chaque voiture arrivant après une voiture orange) L échantillonnage 8 / 41

9 Autres types d échantillon Echantillon aléatoire stratifié Critère : strates homogènes Difficulté de la pondération représentative des strates Statville : sélectionner aléatoirement des individus selon le niveau d éducation Échantillon aléatoire par grappes o Critère : grappes composées de façon hétérogène et donc représentative o Statville : sélectionner aléatoirement des ménages/quartiers Échantillonnage subjectif Critère : échantillon qui semble représentatif Statville : syndic choisit 30 individus qui lui semblent représentatifs de la population municipale Évidemment problématique (danger de biais de sélection)! L échantillonnage 9 / 41

10 Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 10 / 41

11 Bases But : estimer la valeur d un paramètre de la population («estimation ponctuelle») Méthode : calculer la statistique d échantillon correspondante «Méthode des moments» : prendre moment de l échantillon comme estimateur du moment de la population Statistiques d échantillon : toute mesure de tendance centrale, de dispersion, etc. L échantillonnage 11 / 41

12 Exemple Statville (1) Échantillon aléatoire de 30 individus ind. revenu participation revenu participation Somme Moyenne Ecart type L échantillonnage 12 / 41

13 Exemple Statville (2) Revenu : moyenne de l échantillon revenu x i n 30 Revenu : écart type de l échantillon 2 ( revenui - x) s n-1 29 Participation : moyenne de l échantillon participation 19 p i 0.63 p 0.60 n 30 Les estimations ponctuelles ne correspondent pas exactement aux paramètres de la population que faire? L échantillonnage 13 / 41

14 Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 14 / 41

15 Bases Idée de départ : répéter la sélection d un échantillon multiples fois et étudier comment se comportent les statistiques de l échantillon par rapport aux paramètres correspondants de la population En moyenne, la statistique de l échantillon a-t-elle tendance à être proche du paramètre «vrai» correspondant, ou y a-til une divergence systématique (c.à.d. un «biais»)? Distribution d échantillonnage = distribution de probabilité de toutes les valeurs possibles d une statistique de l échantillon Puisque la sélection d échantillons suit un processus aléatoire, les statistiques de l échantillon sont elles-aussi des variables aléatoires et suivent donc un distribution de probabilité L échantillonnage 15 / 41

16 Exemple Statville (1) Supposons (pour fixer les idées, pas parce-que ce serait réaliste ou intelligent) que le syndic ait les moyens de répéter l expérience initiale multiples fois, c.à.d. de resélectionner des échantillons aléatoires de taille 30 parmi les habitants de Statville. Pour chacun de ces échantillons, il calcule x, s et p. Ensuite il résume les valeurs de chacune de ces trois statistiques d échantillon p.ex. sous forme d un histogramme approximation empirique de la distribution d échantillonnage Excel : un histogramme peut être dessiné via les menusoutils Utilitaire d analyse (installer viamacro complémentaire) Histogramme (Représentation graphique) voir aussiutilitaire d analyse Génération de nombres aléatoires et Échantillonnage L échantillonnage 16 / 41

17 Exemple Statville (2) Valeurs de x, s et p obtenues à partir de 500 échantillons aléatoires simples de 30 habitants échantillon revenu: moyenne ( x ) revenu: écart type (s ) participation: moyenne ( ) moyenne écart type ( s x x,, s pp) p L échantillonnage 17 / 41

18 Exemple Statville (3) Distribution de fréquence de x obtenue à partir des 500 échantillons revenu: fréquence fréquence moyenne relative Total L échantillonnage 18 / 41

19 Exemple Statville (4) Histogramme de la fréquence relative des valeurs de x obtenues à partir des 500 échantillons Approximation empirique de la distribution d échantillonnage fréquence relative de x! L échantillonnage 19 / 41

20 L espérance La moyenne de la variable aléatoire x si le nombre d échantillons tend vers l infini («moyenne des moyennes») correspond à l espérance mathématique de x, E(x). Rappel : = moyenne de la population (le paramètre «vrai») On peut montrer que E(x) =. La moyenne d un échantillon aléatoire est un estimateur non-biaisé de la moyenne de la population. L échantillonnage 20 / 41

21 L erreur type Soit x l écart type de la distribution d échantillonnage de x, désormais dénommé «erreur type». On peut montrer que x n N n N 1 Pour une population infinie (N ), on a = ( n). N n N 1 L échantillonnage 21 / 41 = «facteur de correction pour une population finie» Règle pratique : ( n) est une approximation satisfaisante si la population est finie et nn N n Statville : nn = = N 1. x

22 La distribution d échantillonnage toute entière (1) Nous avons défini la moyenne et l écart type de la distribution d échantillonnage de la moyenne. Pouvons nous définir la distribution d échantillonnage toute entière? Oui! Résultat 1 : Si les données de la population suivent une distribution normale, la distribution d échantillonnage de x est normale elle aussi, quelle que soit la taille de l échantillon n. o Cas plutôt rare o Inspecter histogramme o On peut tester formellement l hypothèse selon laquelle un certain échantillon est tiré d une population qui suit une distribution normale (p.ex. test du Khi-deux, ch ) L échantillonnage 22 / 41

23 La distribution d échantillonnage toute entière (2) Résultat 2 : Si les données de la population ne sont pas distribuées selon une loi normale, on peut appliquer le théorème centrale limite : Pour des échantillons aléatoires simples, la distribution d échantillonnage de x peut être approchée par une distribution de probabilité normale, lorsque la taille de l échantillon devient importante. L échantillonnage 23 / 41

24 La distribution d échantillonnage toute entière (3) Formellement, avec un échantillon aléatoire simple : x x N (, x ), z (0,1) x N, où (, ) et x 0.5 x 1 x N x f x e, z z N (0,1) f z e 2. 2 x 2 Règle pratique approximative : le théorème centrale limite peut être invoqué pour des échantillons de taille n 30. L échantillonnage 24 / 41

25 Illustration du théorème centrale limite (1) L échantillonnage 25 / 41

26 Illustration du théorème centrale limite (2) L échantillonnage 26 / 41

27 Illustration du théorème centrale limite (3) L échantillonnage 27 / 41

28 Illustration du théorème centrale limite (4) L échantillonnage 28 / 41

29 Illustration du théorème centrale limite (5) L échantillonnage 29 / 41

30 Illustration du théorème centrale limite (6) L échantillonnage 30 / 41

31 Le cas de p Continuons à supposer qu on ait un échantillon aléatoire simple. L espérance mathématique de la variable aléatoire p (moyenne dans l échantillon de la mesure de proportion p) est donnée par : E(p) = p p est un estimateur non-biaisé de p L erreur type de p est donné par : p et, pour une population infinie, par : p p(1 p) N n n N 1 p(1 p). n ; La distribution d échantillonnage toute entière peut être approchée par une distribution de probabilité normale lorsque np 5 et n(1 p) 5 (règle pratique approximative ; basée sur la convergenence de la loi binomiale avec la loi normale). L échantillonnage 31 / 41

32 Exemple Statville : distribution d échantillonnage de la moyenne L échantillonnage 32 / 41

33 Exemple Statville : distribution d échantillonnage d une proportion L échantillonnage 33 / 41

34 Statistique 1e année bachelor, Exemple Statville : erreur type et taille de l échantillon L échantillonnage 34 / 41

35 Statistique 1e année bachelor, Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE Introduction L échantillonnage aléatoire Estimation ponctuelle Distributions d échantillonnage Intervalles de probabilité L échantillonnage 35 / 41

36 Statistique 1e année bachelor, Base Lorsqu on a un échantillon, il est hautement improbable que les statistiques de l échantillon ( x, p ) correspondent exactement aux paramètres de la population (, p) Que peut-on dire sur la probabilité que la valeur d une statistique particulière soit «proche» du paramètre de la population, ou «proche» signifie un écart maximum de M? Les distributions d échantillonnage contiennent la réponse! Statville : o Quelle est la probabilité que le revenu moyen de l échantillon, x, soit à 500 francs près du revenu moyen de la commune,? (M = 500) o Quelle est la probabilité que la proportion des participants de l échantillon, p, soit à 5 points de pourcentage près de la proportion totale, p? (M = 0.05) L échantillonnage 36 / 41

37 Statistique 1e année bachelor, Exemple Statville (1) Probabilité que le revenu moyen d un échantillon de taille 30 soit à 500 francs près du revenu moyen de la population? x Rappel : N (0,1) x x M n 30 : x n 30 (inconnu par le syndic!) P ( 500 x 500 n 30) P Z P Z L échantillonnage 37 / 41

38 Statistique 1e année bachelor, Exemple Statville (2) Moyenne : M 500, n 30 P ( 500 x 500 n 30) P ( 0.68 Z 0.68) 0.50 * * * voir la Table 1, p. 730, du manuel de Anderson et al., où F(z) P(0 < Z < z) L échantillonnage 38 / 41

39 Statistique 1e année bachelor, Exemple Statville (3) Moyenne : M 500, n 100 P ( 500 x 500 n 100) P ( 1.25 Z 1.25) 0.79 * * * voir la Table 1, p. 730, du manuel de Anderson et al., où F(z) P(0 < Z < z) L échantillonnage 39 / 41

40 Statistique 1e année bachelor, Exemple Statville (4) Proportion : M 0.05, n 30 P ( p 0.05 p p 0.05 n 30) ( 0.56 Z 0.56) 0.42 * * * voir la Table 1, p. 730, du manuel de Anderson et al., où F(z) P(0 < Z < z) L échantillonnage 40 / 41

41 Statistique 1e année bachelor, Exemple Statville (4) Grand problème : le syndic ne connaît pas Que faire pour juger de la fiabilité des estimations basées sur son échantillon? Attendre le chapitre prochain... L échantillonnage 41 / 41

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

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

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Collecte de données. Laurent Dorey

Collecte de données. Laurent Dorey Laurent Dorey Mercredi 16 Décembre 2014 Programme : Recensement & Echantillonnage Étapes pour sélectionner un échantillon La population observée La base de sondage Les unités d enquête La taille de l échantillon

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Estimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison

Estimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Initiation à la théorie des sondages: cours IREM-Dijon

Initiation à la théorie des sondages: cours IREM-Dijon Initiation à la théorie des sondages: cours IREM-Dijon Camelia Goga IMB, Université de Bourgogne Dijon, 12 novembre 2009 Très court historique Laplace a présenté à l Académie des Sciences en 1783 une nouvelle

Plus en détail

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France

Sondage stratifié. Myriam Maumy-Bertrand. Master 2ème Année 12-10-2011. Strasbourg, France 1 1 IRMA, Université de Strasbourg Strasbourg, France Master 2ème Année 12-10-2011 Ce chapitre s appuie essentiellement sur deux ouvrages : «Les sondages : Principes et méthodes» de Anne-Marie Dussaix

Plus en détail

Note de cours de Méthodes Quantitatives 360-300-RE. Éric Brunelle et Josée Riverin

Note de cours de Méthodes Quantitatives 360-300-RE. Éric Brunelle et Josée Riverin Note de cours de Méthodes Quantitatives 360-300-RE Éric Brunelle et Josée Riverin Table des matières Chapitre 1. Méthodes scientifiques en sciences humaines 1 1. Introduction 1 2. La méthode scientifique

Plus en détail

Méthodologie d échantillonnage et Échantillonneur ASDE

Méthodologie d échantillonnage et Échantillonneur ASDE Méthodologie d échantillonnage et Échantillonneur ASDE Par Michel Rochon L énoncé suivant définit de façon générale la méthodologie utilisée par Échantillonneur ASDE pour tirer des échantillons téléphoniques.

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

La méthode des quotas

La méthode des quotas La méthode des quotas Oliviero Marchese, décembre 2006 1 La méthode des quotas Principe de la méthode Point de départ et but recherché Caractère «intuitif» de la méthode A quoi ressemble une feuille de

Plus en détail

Aline Drapeau, Ph.D.

Aline Drapeau, Ph.D. (Communauté de pratique en épidémiologie psychosociale) Aspects méthodologiques de l échantillonnage Aline Drapeau, Ph.D. Pourquoi échantillonner? Objectifs de l étude visent une population cible spécifique

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

MODÈLE CROP DE CALIBRATION DES PANELS WEB

MODÈLE CROP DE CALIBRATION DES PANELS WEB MODÈLE CROP DE CALIBRATION DES PANELS WEB 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 WWW.CROP.CA Le Protocole CROP de calibration des panels en ligne

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Initiation à la théorie de l échantillonnage

Initiation à la théorie de l échantillonnage Initiation à la théorie de l échantillonnage Jean VAILLANT Octobre 2005 1 Notions de base en échantillonnage L étude de propriétés caractéristiques d un ensemble, quand on ne dispose pas encore de données,

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 :

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 : Terminale S - ACP Ex1 : Antilles Septembre 2006 Partie A - Restitution organisée des connaissances On suppose connu le résultat suivant : Si est une variable aléatoire qui suit une loi exponentielle de

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE

DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE DOCUMENT 2.1 : INFORMATIONS COMPLEMENTAIRES SUR LA METHODE D ENQUETE 1 Définir le type de variable Dans notre cas, la variable est quantitative nominale. Note : Une variable est qualitative nominale quand

Plus en détail

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.

Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité 1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

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

FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS

FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 Réflexions méthodologiques Depuis des années,

Plus en détail

29 janvier 2013 Massiac. Élaborer un outil d évaluation: créer et faire parler un questionnaire

29 janvier 2013 Massiac. Élaborer un outil d évaluation: créer et faire parler un questionnaire 29 janvier 2013 Massiac Élaborer un outil d évaluation: créer et faire parler un questionnaire Introduction Bertrand COIFFARD Dominique VOLLET 29 janvier 2013 Groupe de travail 2 Présentation de la démarche

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

Commun à tous les candidats

Commun à tous les candidats BACCALAURÉAT GÉNÉRAL SESSION 213 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Lois de probabilité (2/3) Anita Burgun

Lois de probabilité (2/3) Anita Burgun Lois de probabilité (2/3) Anita Burgun Contenu des cours Loi binomiale Loi de Poisson Loi hypergéométrique Loi normale Loi du chi2 Loi de Student Loi hypergéométrique La loi du tirage exhaustif Puce à

Plus en détail

Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages

Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages S. Winandy, R. Palm OCA GxABT/ULg oca.gembloux@ulg.ac.be décembre 2011 1 Introduction La Direction Générale Statistique

Plus en détail

Des électeurs, des boules, des cercles, des étudiants satisfaits

Des électeurs, des boules, des cercles, des étudiants satisfaits Cours de biostatistique Illustrations dans Des électeurs, des boules, des cercles, des étudiants satisfaits A.B. Dufour, J.R. Lobry & D. Chessel 31 mars 2008 Le calcul des probabilités parle de l échantillon

Plus en détail

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli.

CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Probabilités Épreuve de Bernoulli, loi de Bernoulli. 1 ère - 3 Chap.9 : Loi binomiale. Échantillonnage. 1 ère - Chapitre 9 : LOI BINOMIALE. ÉCHANTILLONNAGE. Textes officiels (30 septembre 2010) : CONTENU CAPACITÉ ATTENDUE COMMENTAIRE Probabilités Épreuve

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Emilien Suquet, suquet@automaths.com

Emilien Suquet, suquet@automaths.com STATISTIQUES Emilien Suquet, suquet@automaths.com I Comment réagir face à un document statistique? Les deux graphiques ci-dessous représentent l évolution du taux de chômage en France sur les 1 mois de

Plus en détail

Échantillonnage Équipe Académique Mathématiques - 2011

Échantillonnage Équipe Académique Mathématiques - 2011 Échantillonnage Équipe Académique Mathématiques - 2011 Fluctuation des échantillons Considérons une urne «de Bernoulli» (la population) contenant une proportion p de boules blanches, dont on extrait n

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par

Plus en détail

Enquête mensuelle de conjoncture auprès des ménages

Enquête mensuelle de conjoncture auprès des ménages Note Méthodologique Dernière mise à jour : 27-1-214 Enquête mensuelle de conjoncture auprès des ménages Présentation de l enquête L Insee réalise depuis janvier 1987 l enquête mensuelle de conjoncture

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Des électeurs, des boules, des cercles, des étudiants satisfaits

Des électeurs, des boules, des cercles, des étudiants satisfaits Fiche TD avec le logiciel : bem5 Des électeurs, des boules, des cercles, des étudiants satisfaits A.B. Dufour, J.R. Lobry & D. Chessel Le calcul des probabilités parle de l échantillon à partir de la population.

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Chapitre 4 : construction de portefeuille (I)

Chapitre 4 : construction de portefeuille (I) Chapitre 4 : construction de portefeuille (I) 25.10.2013 Plan du cours Risque et rentabilité : un premier aperçu Mesures traditionnelles du risque et rentabilité Rentabilité historique des actifs financiers

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Introduction à Rcommander

Introduction à Rcommander Introduction à Rcommander Pauline Scherdel Septembre 2014 Table des matières 1 Introduction à Rcmdr sous R 2 2 Interagir avec R 3 3 Installer et charger le package Rcmdr sous R 3 4 Importation des données

Plus en détail

ECHANTILLONNAGES Fiche de repérage

ECHANTILLONNAGES Fiche de repérage M Objectifs pédagogiques généraux : Fiche de repérage Type : Activité d approche de la notion de fluctuation d échantillonnage et d intervalle de confiance à travers quelques simulations. Niveau : Lycée

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

LES STATISTIQUES. Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr

LES STATISTIQUES. Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr LES STATISTIQUES Valérie Bougault, PhD. valerie.bougault@univ-lille2.fr Référence: S. Champely. «Statistique vraiment appliquée au sport». Ed de Boeck université (Bruxelles), Coll Sciences et pratiques

Plus en détail

L Estimation de Modèles Log-Linéaires sur des Tableaux de Contingence issus d Enquêtes à plan de sondage complexe :

L Estimation de Modèles Log-Linéaires sur des Tableaux de Contingence issus d Enquêtes à plan de sondage complexe : L Estimation de Modèles Log-Linéaires sur des Tableaux de Contingence issus d Enquêtes à plan de sondage complexe : un Examen de l Approche proposée par Clogg & Eliason Chris Skinner Louis-André Vallet

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

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

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Le sondage indirect, la méthode du partage des poids

Le sondage indirect, la méthode du partage des poids STA108 : Enquêtes et sondages Le sondage indirect, la méthode du partage des poids Sondages en plusieurs degrés, sondage en deux phase et sondages indirects Exemple : les enquêtes par téléphone, bases

Plus en détail

Les statistiques descriptives et les intervalles de confiance

Les statistiques descriptives et les intervalles de confiance Les statistiques et les intervalles de Yohann.Foucher@univ-nantes.fr Equipe d Accueil 4275 "Biostatistique, recherche clinique et mesures subjectives en santé", Université de Nantes Master 2 - Cours #2

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Introduction aux sondages

Introduction aux sondages Service Universitaire d Enseignement à Distance Licence AES - Troisième année Introduction aux sondages Université Rennes 2 Place du Recteur H. le Moal CS 24307-35043 Rennes Tel : 02 99 14 18 21 Mel :

Plus en détail

a) Considérons le cas où N est un multiple de n : N = Mn

a) Considérons le cas où N est un multiple de n : N = Mn 5.2 TIRAGE SYSTEMATIQUE a) Considérons le cas où N est un multiple de n : N = Mn où M N 0 Prélever un échantillon systématique consiste à tirer de manière équiprobable un individu i 1 parmi {1,..., M},

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

1 Un objet aléatoire de base : le dé

1 Un objet aléatoire de base : le dé Dans le monde des statistiques, il est bien évident qu on ne fait plus aucun calcul à la main. Si nous le faisons en cours de mathématiques, c est pour mieux comprendre ce que font les divers logiciels

Plus en détail

CHÔMAGE ET STRATÉGIES DES FAMILLES : LES EFFETS MITIGÉS DU PASSAGE DE L ASSURANCE-CHÔMAGE À L ASSURANCE-EMPLOI

CHÔMAGE ET STRATÉGIES DES FAMILLES : LES EFFETS MITIGÉS DU PASSAGE DE L ASSURANCE-CHÔMAGE À L ASSURANCE-EMPLOI CHÔMAGE ET STRATÉGIES DES FAMILLES : LES EFFETS MITIGÉS DU PASSAGE DE L ASSURANCE-CHÔMAGE À L ASSURANCE-EMPLOI Édith Martel Université de Montréal Benoît Laplante Institut National de la Recherche Scientifique

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités 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 détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO

EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national

Plus en détail

Introduction à l analyse quantitative

Introduction à l analyse quantitative Introduction à l analyse quantitative Vue d ensemble du webinaire Le webinaire sera enregistré. Les diapositives et tous les autres documents seront envoyés aux participants après la séance. La séance

Plus en détail

Calcul des probabilités d inclusion dans les enquêtes par sondage probabiliste issues de bases de numéro de téléphone fixe et mobile

Calcul des probabilités d inclusion dans les enquêtes par sondage probabiliste issues de bases de numéro de téléphone fixe et mobile Calcul des probabilités d inclusion dans les enquêtes par sondage probabiliste issues de bases de numéro de téléphone fixe et mobile Retour d expérience de l enquête KABP VIH/SIDA 2010 C Sommen, J Warszawski,

Plus en détail

Résultats obtenus pour le questionnaire «Clientèle»

Résultats obtenus pour le questionnaire «Clientèle» Résultats obtenus pour le questionnaire «Clientèle» Introduction Suite à l envoi du questionnaire «Clientèle», nous avons reçu un total de 588 réponses. Ce résultat nous semble tout à fait satisfaisant

Plus en détail

Méthodes de sondage Echantillonnage et Redressement

Méthodes de sondage Echantillonnage et Redressement Méthodes de sondage Echantillonnage et Redressement Guillaume Chauvet École Nationale de la Statistique et de l Analyse de l Information 27 avril 2015 Guillaume Chauvet (ENSAI) Echantillonnage 27 avril

Plus en détail

Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités

Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités Statistique descriptive : Exercices supplémentaires Introduction à la théorie des probabilités 1. Lors du lancer d un dé équilibré dont les faces sont numérotées de 1 à 6, quelle est la probabilité d obtenir

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

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

CORRIGÉ TYPE DU TEST

CORRIGÉ TYPE DU TEST ECOLE DES HAUTES ETUDES COMMERCIALES D ALGER Niveau : 1 ème année Master TC Groupes : 4 et 6 Date : 19/05/2014 Durée du test : 1h30 CORRIGÉ TYPE DU TEST [ Page 1 sur 6 ] Module : Recherche Marketing Enseignant

Plus en détail

LES GENERATEURS DE NOMBRES ALEATOIRES

LES GENERATEURS DE NOMBRES ALEATOIRES LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires

Plus en détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE 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 détail

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR 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 détail

Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste

Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste Arnaud Labourel Université de Provence 12 avril 2012 Arnaud Labourel (Université de Provence) Problèmes et Algorithmes Fondamentaux

Plus en détail

Méthodes d investigation

Méthodes d investigation Méthodes d investigation 1 LE QUESTIONNAIRE LE questionnaire 1. l économie générale du questionnaire : 2. L avant questionnaire 3. la construction du questionnaire 4. Le choix de l échantillon 2 1. Le

Plus en détail