Tests d hypothèses restreintes

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Tests d hypothèses restreintes"

Transcription

1 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 Résumé: Nous donnons la loi asymptotique, sous l hypothèse nulle et sous l alternative, de statistiques de tests basées sur la vraisemblance, quand l espace paramétrique est restreint par un cône sphérique ou par le cône C = {t = (t 1,, t p ) T R p ; t 1,, t p }. Les résultats obtenus permettent le calcul du niveau et de la puissance de ces tests restreints. Notre étude n est pas limitée au cas d observations iid. Des calculs numériques montrent que le test du rapport de vraisemblance restreint par un cône C 1 C est uniformément plus puissant que le test du rapport de vraisemblance restreint par le cône C sur toutes les alternatives qui appartiennent à C 1. En particulier, un test restreint est uniformément plus puissant qu un test non restreint sur toutes les alternatives qui appartiennent à l espace restreint. Mots-clés: Cone, Hypothèses restreintes, Méthode de Rice, Test de score, Test du rapport de vraisemblance Abstract: We give the asymptotic distribution function, under the null and the alternative hypothesis, of statistics based on the likelihood, when the parameter space is restricted by a spherical cone or by the polyhedral cone C = {t = (t 1,, t p ) T R p ; t 1,, t p }. The results obtained ensure the calculation of threshold and power of such restricted tests. Our study is not limited to iid observations. Numerical calculations show that the likelihood ratio test restricted by a cone C 1 C is uniformly more powerful than the likelihood ratio test restricted by C on all the alternatives that belong to C 1. Particularly, a restricted test is uniformly more powerful than a non-restricted one on all the restricted alternatives. Key words: Cone, Likelihood ratio test, Projection, Restricted Hypothesis, Rice method, Score test 1 Introduction Supposons qu une maladie soit caractérisée par une sur-expression de p gènes spécifiques dans un extrait biologique d un patient. Notons Y l expression simultanée des p gènes. 1

2 Supposons que Y suit une N (µ; Σ) sur les sujets sains et une N (µ + m; Σ) avec m = (m 1,, m p ) T et m 1,, m p sur les sujets malades. Notons X = Y µ. Un patient se fait tester pour la maladie. Nous devons tester, à partir de l unique observation de X, H, X suit une N (; Σ), contre H 1, X suit une N (m; Σ), avec m et m C Ω = {m R p ; m 1,, m p }. C Ω est un cône de R p de sommet. Nous rappelons qu un cône C Ω de sommet θ dans R p satisfait: C Ω = {x R p / si x C Ω alors a(x θ ) + θ C Ω a R + }. On note P C (Z) la projection de Z sur le cône C. La statistique de test du rapport des vraisemblances, [ln(exp( 1(X ˆm)T Σ 1 (X ˆm))) ln(exp( 1 XT Σ 1 X))] avec ˆm l estimateur du maximum de vraisemblance de m sous H 1, est: S = P Σ 1/ C Ω (Σ 1/ X). Sous H, S suit une loi P Σ 1/ C Ω (Z) où Z est N (, Id). Sous H 1, S suit une loi P Σ 1/ C Ω (Z + Σ 1/ m)). De manière plus générale on peut montrer que, dans le cas d une hypothèse nulle simple, les lois asymptotiques des statistiques de test de rapport de vraisemblance se réduisent à P C (Z + λ) où C est un cône (cf Weiss (1971, 1973), Self et Liang (1987), Delmas et Foulley (article soumis)). La loi de P C (Z) peut être trouvée, quand C est un cône convexe de R p et Z N (, Id), dans Pincus (1975), Lin et Lindsay (1997) ou Takemura et Kuriki (1997). Des résultats, quand C est un cône sphérique nonconvexe, sont obtenus dans Delmas (3). La loi de P C (Z + λ) qui donne la puissance du test est inconnue. Dans la section, nous donnons l expression de la fonction de répartition de P C (Z + λ) quand C est un cône sphérique ou bien quand C = {t = (t 1,, t p ) T R p ; t 1,, t p }. Dans la section 3, des calculs numériques montrent que le test du rapport des vraisemblances restreint par un cône C 1 C est uniformément plus puissant que le test du rapport des vraisemblances restreint par C pour toutes les alternatives qui appartiennent à C 1. Résultats Soit C un cône sphérique de R de sommet caractérisé par l angle T [, π]. Théorème 1 Notons Z = (Z 1, Z ) T une variable aléatoire N (m, Id), m = (m 1, m ) T, m(t) = m 1 cos(t) + m sin(t), m (t) = m cos(t) m 1 sin(t), ϕ et Φ sont respectivement la densité et la fonction de répartition d une gaussienne standard, Φ = 1 Φ. Alors, pour v > : P [ Z v] = π ϕ(m (t))[ϕ(v m(t)) + m(t) Φ(v m(t))]dt. (1)

3 Quand T π (C est un cône convexe), pour u > : P [ P C (Z) u] = Φ(u m 1 ) + Quand T [π; π[ (C est un cône non-convexe), pour u > : ϕ(u m(t))[m (t)φ(m (t)) + ϕ(m (t))]dt. () P [ P C (Z) u] = Φ(u m 1 ) + ϕ(u m(t))[m (t)φ(m (t)) + ϕ(m (t))]dt (3) ( ) ( ) u(1 cos(t)) + sin(t)m (t) u(1 cos(t)) + sin(t)m ϕ(u m(t))[ϕ + m (t) (t)φ ]dt. π sin(t) sin(t) Remarque : Quand m =, nous avons, quand T π: et quand T [π; π[, P [ P C (Z) u] = 1 P [χ (1) u ] + T π P [χ () u ] P [ P C (Z) u] = 1 P [χ (1) u ] + T π P [χ () u ] π exp[ u (1 cos(t)) sin(t) ] π dt. Soit C un cône de R N+1 de sommet caractérisé par l angle t = (t 1,, t N ) avec t S [, π] [, π] N 1. Notons β(t) = (β 1 (t),, β N+1 (t)) T avec: β 1 (t) = sin(t N ) sin(t N 1 ) sin(t ) cos(t 1 ) β (t) = sin(t N ) sin(t N 1 ) sin(t ) sin(t 1 ) β 3 (t) = sin(t N ) sin(t N 1 ) cos(t ) Notons:. β N+1 (t) = cos(t N ). v 1 = sin (t N ) sin (t N 1 ) sin (t ) v = sin (t N ) sin (t N 1 ) sin (t 3 ). v N 1 = sin (t N ) v N = 1 Notons Z = (Z 1,, Z N+1 ) T une variable aléatoire N (m; Id), m = (m 1,, m N+1 ) T, m(t) = N+1 i=1 βi (t)m i, m j(t) = N+1 β i (t) i=1 m t j i. 3

4 Théorème Soit C le cône caractérisé par t S = [, π ]N ou par β(t) [; + [ N+1. Alors, avec p < k 1 < < k j, et en notant S p,k1,,k j = {t S : t k, pour k = 1 à p 1, fixés à une valeur arbitraire, t p =, t k 1 = t k = = t k j = π }, nous avons pour u > : P [ P C (Z) u] = p= N p j= k 1,, k j = 1 p < k 1 < < k j S p,k1,,k j dt N i = p + 1 i k 1, i k j vi + u dx xn p j exp[ (x m(t)) ] ( π) N p j+1 exp[ 1 i = p + 1 i k 1, i k j m i (t) v i ] (4) exp[ 1 p i=1 dz 1 dz (z i λ i ) ] p p π où λ = (m, m 1, m 3, m 4,, m N+1 ). Remark : Quand m = nous avons: + dy k1 + j i=1 (y ki m k i (t)) v ki ] exp[ 1 dy kj j π j, i=1 vki P [ P C (Z) u] = k= C k N+1 N+1 P [χ (N + 1 k) u ]. Nous renvoyons à Delmas et Foulley (article soumis) pour les preuves et les résultats pour un cône sphérique de R N+1 avec N > 1. 3 Calculs numériques L objectif de ces calculs numériques est de comparer la puissance de différents tests de rapport de vraisemblance restreints. Nous considérons les tests de rapport de vraisemblance restreint et non-restreint dont les lois asymptotiques sont respectivement P C (Z) et Z. Z est N (, Id) sous l hypothèse nulle et N (m, Id) sous l alternative. C est un cône sphérique. Nous considérons le cas où Z R. Alors m = (m 1, m ) T. C est le cône sphérique de R caractérisé par l angle T [; π]. Le seuil à 5% du test non-retreint est ln.5 =.448. Il a été obtenu par (1) avec m =. Les seuils à 5% des tests restreints, pour différentes valeurs de T, ont été obtenus par dichotomie à partir de () et (3) avec m =. Ils sont donnés dans la Table 1. 4

5 π π 3π 5π 3π 7π T π π Threshold Table 1 : Seuil asymptotique à 5% du test de rapport de vraisemblances restreint par le cône sphérique de R caractérisé par l angle T [; π]. La puissance asymptotique à 5% a été obtenue à partir de (1) pour le test non-retreint et par () et (3) pour les tests restreints. Les résultats, pour différentes valeurs de m 1 et m et pour T = π 4 ; π, 3π et π, sont donnés dans la Table. Nous obtenons les mêmes résultats pour le test non-restreint et le test restreint avec T = π. Nous ne donnons donc pas les résultats pour le cas non-restreint. m 1 = 1 m 1 = 1 m 1 = m = T = π/4 m = m = m = T = π/ m = m = m = T = 3π/ m = m = m = T = π m = m = Table : Puissance asymptotique à 5% pour le test du rapport de vraisemblance restreint par le cône sphérique de R caractérisé par l angle T [; π]. Pour les cônes C 1 et C caractérisés par les angles T 1 et T avec T 1 < T, nous remarquons que le test du rapport de vraisemblance restreint par C 1 est uniformément plus puissant que celui restreint par C pour toutes les alternatives qui appartiennent à C 1. Plus un test est restreint, plus grande est sa puissance. En particulier, nous remarquons qu un test restreint est uniformément plus puissant qu un test non-restreint pour toutes les alternatives qui appartiennent à l espace restreint. Bibliographie [1] Azaïs, J. M. et Delmas, C. () Asymptotic expansions for the distribution of the maximum of Gaussian random fields. Extremes,, [] Delmas, C. (3) Projections on spherical cones, maximum of Gaussian fields and Rice s method. Statistics & Probability Letters, 64, [3] Delmas, C. et Foulley, J. L. On testing restricted hypothesis. Article soumis. [3] Lin, Y. et Lindsay, B.G. (1997) Projections on cones, chi-bar squared distributions, and Weyl s formula, Statistics & Probability Letters, 3,

6 [4] Pincus, R. (1975) Testing linear hypotheses under restricted alternatives, Math. Oper. Statist., 6, [5] Self, S.G. et Liang, K.Y. (1987) Asymptotic properties of maximum likelihood estimators and likelihood ratio tests under nonstandard conditions, J. Amer. Statist. Assoc., 8, 398, [6] Takemura, A. et Kuriki, S. (1997) Weights of χ distribution for smooth or piecewise smooth cone alternatives, The Annals of Statistics, 5, 6, [7] Weiss, L. (1971, 1973) Asymptotic Properties of Maximum Likelihood Estimators in Some Nonstandard Cases. Journal of the American Statistical Association, 66, 68; 334, 34; Theory and Methods Section; ;

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

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

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» 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 2012 1 / 40 Plan

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

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

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

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

Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles

Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles Estimation spline de quantiles conditionnels pour variables explicatives fonctionnelles Hervé Cardot 1, Christophe Crambes 2 & Pascal Sarda 2,3 1 INRA Toulouse, Biométrie et Intelligence Artificielle,

Plus en détail

EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N

EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N PORTUGALIAE MATHEMATICA Vol. 53 Fasc. 4 1996 EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N B. Khodja Résumé: Soit f une fonction numérique continue, localement lipschitzienne

Plus en détail

Mohamed Chraïbi Kaadoud

Mohamed Chraïbi Kaadoud Serdica Math. J. 32 (2006, 1 6 DOMAINE NUMÉRIQUE DU PRODUIT AB AVEC A NORMAL Mohamed Chraïbi Kaadoud Communicated by S. L. Troyanski Abstract. Let A, B be two linear operators on a complex Hilbert space

Plus en détail

Estimation et calibration des paramètres

Estimation et calibration des paramètres et calibration des paramètres 6-601-09 Simulation Monte Carlo Geneviève Gauthier HEC Montréal 1 1. Nous allons discuter des diverses façons de déterminer les paramètres des modèles que nous employons lors

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

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

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

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

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

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

Calcul d'un flux de particules, émises par une source ponctuelle isotrope, à travers une surface plane et application à un radiamètre cylindrique

Calcul d'un flux de particules, émises par une source ponctuelle isotrope, à travers une surface plane et application à un radiamètre cylindrique Radioprotection 01 Vol 47, n 3, pages 375 à 385 DOI: 101051/radiopro/01006 Article Calcul d'un flux de particules, émises par une source ponctuelle isotrope, à travers une surface plane et application

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

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 détail

Équations différentielles en physique

Équations différentielles en physique Fiche Mathématiques pour la Physique - Équations différentielles en physique - MPSI 1 Lycée Chaptal - 2012 Équations différentielles en physique On ne considère en physique en prépa (quasiment) que des

Plus en détail

Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique

Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique Essais de modélisation de l épilepsie en Tunisie: Théorie et application basées sur des modèles de régression logistique Abdelwaheb Daouthi, Mohamed Dogui, Abdeljelil Farhat To cite this version: Abdelwaheb

Plus en détail

PHYSIQUE. Lampe à incandescence et bilans thermiques. Partie I - Lampe à incandescence en régime permanent

PHYSIQUE. Lampe à incandescence et bilans thermiques. Partie I - Lampe à incandescence en régime permanent PHYSIQUE Lampe à incandescence et bilans thermiques Partie I - Lampe à incandescence en régime permanent IA - Détermination de la température du filament Le filament d une ampoule à incandescence est constitué

Plus en détail

Systèmes dynamiques. Chapitre 1

Systèmes dynamiques. Chapitre 1 Chapitre 1 Systèmes dynamiques 1) Placement financier On dépose une quantité d argent u 0 à la banque à l instant t 0 = 0 et on place cet argent à un taux r > 0. On sait qu en vertu de la loi des intérêts

Plus en détail

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES Jean-Cléophas ONDO (*) (*) Institut Sous-régional de Statistique et d Economie Appliquée (ISSEA) Résumé Les procédures couramment utilisées

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

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

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

Etude de la période d un pendule simple

Etude de la période d un pendule simple Etude de la période d un pendule simple Préparation à l Agrégation de Physique ENS Cachan June 3, Figure 1: Photographie du dispositif expérimental pour étudier la variation de la période d un pendule

Plus en détail

Techniques d Analyse par les Méthodes de Lyapunov (suite)

Techniques d Analyse par les Méthodes de Lyapunov (suite) Techniques d Analyse par les Méthodes de Lyapunov (suite) Analyse et Commande des Systèmes Non Linéaires Cours SM II () Enseignant: Dr. Ph. Müllhaupt 1 / 24 Leçon 5 1 Désavantage de la définition de la

Plus en détail

ETUDE DES E VI V B I RATIO I N O S

ETUDE DES E VI V B I RATIO I N O S ETUDE DES VIBRATIONS 1 Chapitre I - Présentation et définitions 2 Les objectifs à atteindre: 1) Savoir décrire le modèle de l'oscillateur harmonique et savoir l'appliquer à l'étude des systèmes physiques

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

Théorème de Rolle et égalité des accroissements finis. Applications

Théorème de Rolle et égalité des accroissements finis. Applications 0 Théorème de Rolle et égalité des accroissements finis. Applications 0. Le théorème de Rolle sur un espace vectoriel normé Pour ce paragraphe, on se donne un espace vectoriel normé (E, ). Le théorème

Plus en détail

«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

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

Cours de Mathématiques 2

Cours de Mathématiques 2 Cours de Mathématiques 2 première partie : Analyse 2 DEUG MIAS 1 e année, 2 e semestre. Maximilian F. Hasler Département Scientifique Interfacultaire B.P. 7209 F 97275 SCHOELCHER CEDEX Fax : 0596 72 73

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 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

Equations différentielles

Equations différentielles Equations différentielles Mathématiques Martine Arrrou-Vignod FORMAV 2009 I Equations différentielles linéaires à coefficients constants du premier ordre 3 I.1 Vocabulaire Définitions......................

Plus en détail

Seconde Partie. Cours de Mathématiques. Semestre

Seconde Partie. Cours de Mathématiques. Semestre Année 2009-2010 ntégration et Probabilités Seconde Partie Cours de Mathématiques Takéo Takahashi Première Année FICM Semestre Table des matières 5 Indépendance et Convolution 3 5.1 Indépendance..............................................

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

Dépréciations d actifs financiers en IAS 39 : quelques caractéristiques

Dépréciations d actifs financiers en IAS 39 : quelques caractéristiques Dépréciations d actifs financiers en IAS 39 : quelques caractéristiques Pierre Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 30 janvier 2014 Travaux de

Plus en détail

concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP)

concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP) SESSION DE 2005 concours externe de recrutement de professeurs certifiés et concours d accès à des listes d aptitude (CAFEP) section : mathématiques deuxième composition de mathématiques (épreuve de remplacement)

Plus en détail

L3 Mathématique pour la physique Examen final 4 janvier 2011 : CORRIGE

L3 Mathématique pour la physique Examen final 4 janvier 2011 : CORRIGE Université Joseph Fourier L3 Physique Julia Meyer julia.meyer@ujf-grenoble.fr L3 Mathématique pour la physique Examen final 4 janvier 20 : CORRIGE Modalités : Notes de cours et TDs permis. NOTE IMPORTANTE

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

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 14 Janvier 2015 2 Il est impossible d envisager l étude des méthodes

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

Relation entre la fraction volumique de martensite et la déformation de transformation en pseudoélasticité proportionnelle et non proportionnelle

Relation entre la fraction volumique de martensite et la déformation de transformation en pseudoélasticité proportionnelle et non proportionnelle Relation entre la fraction volumique de martensite et la déformation de transformation en pseudoélasticité proportionnelle et non proportionnelle Karine Taillard (a), Sylvain Calloch (b), Shabnam Arbab-Chirani

Plus en détail

Équations elliptiques semilinéaires avec, pour la non linéarité, une condition de signe et une dépendance sous quadratique par rapport au gradient

Équations elliptiques semilinéaires avec, pour la non linéarité, une condition de signe et une dépendance sous quadratique par rapport au gradient ANNALES DE LA FACULTÉ DES SCIENCES DE TOULOUSE THIERRY GALLOUËT Équations elliptiques semilinéaires avec, pour la non linéarité, une condition de signe et une dépendance sous quadratique par rapport au

Plus en détail

Une introduction aux statistiques inférentielles

Une introduction aux statistiques inférentielles 1 Une introduction aux statistiques inférentielles Christophe Lalanne Sommaire 1 Quelques rappels utiles de probabilités.................................. 1 1.1 Les axiomes fondamentaux..........................................

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

Un modèle à risques proportionnels avec détection de ruptures pour l estimation de la demande initiale de tgv

Un modèle à risques proportionnels avec détection de ruptures pour l estimation de la demande initiale de tgv Un modèle à risques proportionnels avec détection de ruptures pour l estimation de la demande initiale de tgv Abdullah Oueslati Université Pierre et Marie Curie - Paris VI SNCF, Innovation & Recherche

Plus en détail

Estimation de la moyenne : Une approche expérimentale versus une approche classique.

Estimation de la moyenne : Une approche expérimentale versus une approche classique. Estimation de la moyenne : Une approche expérimentale versus une approche classique Jean-François Coeurjolly & Rémy Drouilhet Labsad, BSHM, UPMF, 1251 Avenue Centrale BP 47, 38040 Grenoble Cedex 9 Jean-FrancoisCoeurjolly@upmf-grenoblefr,

Plus en détail

Méthodes d analyse empirique

Méthodes d analyse empirique Méthodes d analyse empirique Partie Quantitative Michel Beine (suppl. S. Laurent) michel.beine@uni.lu Université du Luxembourg http://www.michelbeine.be Méthodes d analyse empirique p. 1/? Méthodes d analyse

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

1.1. Le moment cinétique en mécanique classique

1.1. Le moment cinétique en mécanique classique c M Dunseath-Terao - Master 1 de Physique UR1 2006 2007 1 Complément 1 Le moment cinétique 1.1. Le moment cinétique en mécanique classique L équation du mouvement d un corps en rotation en mécanique classique

Plus en détail

Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé

Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé Planche n o 19. Applications linéaires continues, normes matricielles. Corrigé n o 1 *I : 1 Soit P E. Si on pose P = + a k X k, il existe n N tel que k > n, a k =. Donc P = { k= P k } Sup k!, k N = Max{

Plus en détail

Euler 2D dans des domaines non réguliers

Euler 2D dans des domaines non réguliers Christophe Lacave Université de Paris Diderot (Paris VII), France partiellement en collaboration avec David Gérard-Varet (Paris VII) Math Horizon, Paris, 13 Décembre 2011 1 / 42 Plan de l exposé 1 Solution

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

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

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

Florian De Vuyst ENS de Cachan 2013-2014

Florian De Vuyst ENS de Cachan 2013-2014 Master Modélisation et Simulation M2S M6 Simulation et méthodes numériques Florian De Vuyst ENS de Cachan 2013-2014 Travaux pratiques, feuille 6. Méthode de volumes finis Résolution de l équation de convection

Plus en détail

Econométrie des modèles de durée

Econométrie des modèles de durée Econométrie des modèles de durée Guillaume Horny Banque de France et UCLouvain Master 2 MOSEF Guillaume Horny (Banque de France) Econométrie des durées (chap 1) 2009 1 / 70 Introduction Introduction Pourquoi

Plus en détail

Laurent Garcin MPSI Lycée Jean-Baptiste Corot. (a, b) + (c, d) = (a + c, b + d) (a, b) (c, d) = (ac bd, ad + bc) (a, 0) (b, 0) = (ab, 0)

Laurent Garcin MPSI Lycée Jean-Baptiste Corot. (a, b) + (c, d) = (a + c, b + d) (a, b) (c, d) = (ac bd, ad + bc) (a, 0) (b, 0) = (ab, 0) NOMBRES COMPLEXES 1 Corps C des nombres complexes 1.1 Construction de C Construction de C On munit R de deux lois internes + et de la manière suivante. Pour (a, b, c, d) R 4, on pose (a, b) + (c, d) =

Plus en détail

13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS.

13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS. 13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS. 1. DEFINITION Soit l'équation différentielle du second ordre à coefficients constants ay + by + cy = ϕ( x) ( I) a R, b

Plus en détail

Éléments de correction du TD

Éléments de correction du TD Septembre 011 Éléments de correction du TD Stéphane Blin Introduction Je donne ici les éléments de correction de la question - de la marche de potentiel, ainsi que les éléments de corrections pour les

Plus en détail

Thèse de statistiques dans une PME : La localisation intra-muros WiFi

Thèse de statistiques dans une PME : La localisation intra-muros WiFi Thèse de statistiques dans une PME : La localisation intra-muros WiFi Thierry Dumont 1 1 Bureau E 20 Bât.G, Université Paris Ouest, 200 Av. République Nanterre France Résumé. Cet exposé revient sur la

Plus en détail

1 Réflexion et réfraction

1 Réflexion et réfraction 1 Réflexion et réfraction 1.1 Rappel sur la propagation dans les milieux linéaires isotropes Equations de Maxwell dans les milieux Dans un milieu diélectrique sans charges libres (ni courants libres) les

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

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

Un problème de Laplace non standard en milieu non

Un problème de Laplace non standard en milieu non INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE Un problème de Laplace non standard en milieu non borné Sébastien Tordeux N 5799 Janvier 2006 THÈME 4 apport d e recherche ISSN 0249-6399

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

Quasicristaux et mesures presque-périodiques

Quasicristaux et mesures presque-périodiques 1 / 16 Quasicristaux et mesures presque-périodiques Claire Delplancke Sous la direction d Yves Meyer 24 juin 2010 2 / 16 Ensembles de Meyer Approximation diophantienne Ensembles coupe et projection Mesures

Plus en détail

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales Recueil d annales en Mathématiques Terminale S Enseignement obligatoire Frédéric Demoulin Dernière révision : 3 juin 2 Document diffusé via le site www.bacamaths.net de Gilles Costantini 2. frederic.demoulin

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

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

Régression logistique ou modèle binomial

Régression logistique ou modèle binomial Résumé Régression logistique ou modèle binomial Introduction au modèle linéaire et modèle linéaire général : la régression logistique ou modèle binomial Retour au plan du cours 1 Introduction Dans ce chapitre,

Plus en détail

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

Plus en détail

TP 3 : STATISTIQUE PARAMÉTRIQUE

TP 3 : STATISTIQUE PARAMÉTRIQUE Statistique Numérique et Analyse de Données Ecole des Ponts ParisTech, 2 ème année TP 3 : STATISTIQUE PARAMÉTRIQUE La séance de TP se fait sous environnement Windows, sauf si vous avez une nette préférence

Plus en détail

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE N o d ordre :... N o de série :... UNIVERSITÉ MENTOURI CONSTANTINE FACULTÉ DES SCIENCES

Plus en détail

Un résultat de densité pour les équations de Maxwell

Un résultat de densité pour les équations de Maxwell Un résultat de densité pour les équations de Maxwell Faker Ben Belgacem 1, Christine Bernardi 2, Martin Costabel 3, Monique Dauge 3 1 M.I.P. (UMR C.N.R.S. 5640), Université Paul Sabatier, 118 route de

Plus en détail

Représentation des courbes planes

Représentation des courbes planes TP Maple 9 Représentation des courbes planes Nous n explorerons dans ce chapitre que les commandes graphiques essentielles offertes par Maple. Pour chacune des commandes de tracé, nous avons fait le choix

Plus en détail

Applications mathématiques à la physique

Applications mathématiques à la physique Applications mathématiques à la physique Serge Robert cégep Saint-Jean-sur-Richelieu RÉSUMÉ Je vais présenter quelques problèmes qui sont traités dans le cours Intégration des apprentissages en Sciences

Plus en détail

Illustration de la méthode des plans d expériences sur la comparaison de boissons au cola

Illustration de la méthode des plans d expériences sur la comparaison de boissons au cola Illustration de la méthode des plans d expériences sur la comparaison de boissons au cola Jean-Marc Azaïs 14 mars 2005 Résumé Nous présentons une application de la méthode des plans d expériences sur un

Plus en détail

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 =

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 = TESTS DE NORMALITE Dans le chapitre précédent on a vu les propriétés nécessaires sur les erreurs pour que les coe cients des MCO soient les meilleurs. Dans la pratique bien sur ce ne sera pas toujours

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

Analyse de la variance à un facteur

Analyse de la variance à un facteur Analyse de la variance à un facteur Frédéric Bertrand et Myriam Maumy-Bertrand IRMA, UMR 7501, Université de Strasbourg 08 juin 2015 F. Bertrand et M. Maumy-Bertrand (UdS) Analyse de la variance à un facteur

Plus en détail

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense.

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense. 1 Feuille d exercices n o 1 1. Deuxième forme géométrique du théorème de Hahn-Banach Soient A E et B E deux convexes, non vides, disjoints (E est une espace vectoriel normé). On suppose que A est fermé

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

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

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

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

Classement de données binaires lorsque les populations d apprentissage et de test sont différentes

Classement de données binaires lorsque les populations d apprentissage et de test sont différentes Classement de données binaires lorsque les populations d apprentissage et de test sont différentes Julien Jacques, Christophe Biernacki Laboratoire de Statistiques et Analyse des Données, Université Pierre

Plus en détail

Méthodes d estimation

Méthodes d estimation CHAPIRE 5 Méthodes d estimation On a vu que (B,C,Σ) ne peut être (en général) estimé par les MCO, du fait de la présence de variables endogènes explicatives dans chaque équation. Dans tous les cas, l estimation

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

Microanalyse X quantitative

Microanalyse X quantitative Microanalyse X quantitative 2 ème partie : Les procédures de quantification Jacy Ruste (GN-MEB) http://micro.icaunais.free.fr jacy.ruste@free.fr Dans la ère partie on a étudié les différentes étapes du

Plus en détail

Cours de mécanique M14-travail-énergies

Cours de mécanique M14-travail-énergies Cours de mécanique M14-travail-énergies 1 Introduction L objectif de ce chapitre est de présenter les outils énergétiques utilisés en mécanique pour résoudre des problèmes. En effet, parfois le principe

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

Chapitre 15 Variables Dépendantes Limitées et Qualitatives

Chapitre 15 Variables Dépendantes Limitées et Qualitatives Chapitre 15 Variables Dépendantes Limitées et Qualitatives 15.1 Introduction Les modèles de régression supposent de manière implicite que la variable dépendante, peut-être après une transformation logarithmique

Plus en détail

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

COURS M2 GÉOMÉTRIE ET TOPOLOGIE DIFFÉRENTIELLES 2013-2014 FEUILLE D EXERCICES NO. 2 : CHAMPS DE VECTEURS, COMPLÉMENT DE COURS : FIBRÉS VECTORIELS

COURS M2 GÉOMÉTRIE ET TOPOLOGIE DIFFÉRENTIELLES 2013-2014 FEUILLE D EXERCICES NO. 2 : CHAMPS DE VECTEURS, COMPLÉMENT DE COURS : FIBRÉS VECTORIELS COURS M2 GÉOMÉTRIE ET TOPOLOGIE DIFFÉRENTIELLES 203-204 FEUILLE D EXERCICES NO. 2 : CHAMPS DE VECTEURS, DÉRIVÉE DE LIE COMPLÉMENT DE COURS : FIBRÉS VECTORIELS ALEXANDRU OANCEA Exercice. (crochet, flots,

Plus en détail