Chapitre 2. Test de comparaison d une moyenne à une valeur théorique. Test bilatéral pour une population de loi normale et d écart-type connu
|
|
- Dominique Landry
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 2 Test de comparaison d une moyenne à une valeur théorique I Test bilatéral pour une population de loi normale et d écart-type connu 24
2 Exemple 1 Score d Achenbach : mesure les problèmes comportementaux des jeunes. Dans la population des jeunes, les scores se distribuent selon la loi normale N(50,10). Population étudiée P : enfants de parents récemment divorcés. Hypothèse de recherche : la moyenne (µ) est différente de la norme (50). Observations : Sur un échantillon de 24 enfants, on observe un score moyen x obs = 54,5. Peut-on, à partir des observations valider l hypothèse de recherche? Pour les calculs : on admet que pour ces enfants, la loi des scores est encore normale et d écart-type σ =
3 Les étapes du test d hypothèses 1 ) Les hypothèses du test 50 : valeur de référence pour µ, à tester. valeur théorique, norme Un test comporte toujours 2 hypothèses : Hypothèse nulle notée H 0 «Opposée» à l hypothèse formulée : H 0 : La moyenne des enfants est égale à la valeur théorique Hypothèse alternative, notée H 1 Celle que l on a formulée et que l on veut valider : H 1 : La moyenne des enfants n est pas égale à la valeur théorique «elle est plus petite ou plus grande» hypothèse bilatérale 26
4 On pose les 2 hypothèses : H 0 : µ = 50 H 1 : µ 50 bilatérale On teste H 0 contre H 1. Hypothèses unilatérales : on aurait pu poser un test unilatéral : H 0 : µ = 50 H 1 : µ > 50 ou H 0 : µ = 50 H 1 : µ < 50 unilatérale droite unilatérale gauche Orientation de H 1 à choisir au départ. 27
5 2 ) Observations et statistique du test On prélève un échantillon de 24 enfants. Statistique utilisée pour le test : X n. On calcule sa valeur observée x obs = 54,5. 3 ) Règle de décision basée sur x obs - Choix à faire entre l hypothèse H 0 et l hypothèse H 1. - Décision prise en fonction de la moyenne observée : 54,5. 28
6 a) Principe de la règle On suppose au départ que H 0 est vraie. «On se place sous H 0» On va conserver (accepter) H 0 si la valeur observée (54,5) est jugée suffisamment plausible sous H 0. On va rejeter H 0 et accepter H 1 si la valeur observée (54,5) est jugée trop improbable sous H 0. b) Région de rejet et intervalle d acceptation Sous H 0 : Les moyennes se distribuent autour de 50 avec une certaine dispersion. 29
7 Il est normal d observer un écart entre valeur prise par X n et la valeur centrale 50. Il est par contre anormal d observer un écart trop grand. Rejet 50 x L 1 Acceptation L 2 Rejet Valeurs de X n plausibles : contenues dans un intervalle de variation (dit d acceptation, noté IA). Valeurs de X n trop improbables : les plus éloignées de 50, dans la région dite de rejet ou critique RC. Les plus extrêmes sont les plus significatives de H 1. 30
8 c) Calcul des bornes de l IA On choisit un risque α associé à l IA. Bornes L 1 et L 2 : quantiles d ordres α/2 et 1 α/2 de la statistique X n. ➀ On fixe le risque α α est appelé «le niveau» du test. α petit. Valeurs usuelles : 5%, 1%. On choisit un risque α = 5%. ➁ Loi de X n sous H 0 X n N ( 50; ) et sous forme centrée réduite Z n = X n N (0;1) 31
9 ➂ Intervalle d acceptation et région de rejet IA : intervalle centré en 50 et contenant 1 α = 95% des moyennes. α 2 1 α α 2 RC Intervalle d acceptation RC x IA = [46; 54] Bornes 46 et 54 : «valeurs critiques» Quand H 0 est vraie, il y a 95% de chances d observer une valeur de X n dans l intervalle IA = [46; 54] et seulement 5% de chances dans la région de rejet. 32
10 Calculs détaillés : Bornes obtenues par la formule standard de calcul des quantiles d une loi normale. bornes : 50 ± z 1 α/ moyenne quantile écart-type Pour α = 5% : z 1 α/2 = z 0,975 quantile d ordre 0,975 de la loi N (0;1). Lu dans la table N (0;1). IA = [ 50 1, ; , ]. 33
11 d) Décision Règle : Si x obs appartient à l IA, on accepte H 0. Sinon on la rejette et on accepte H 1. Décision : La moyenne observée x obs = 54,5 appartient à la région de rejet. On rejette H 0 et on accepte H 1. «Résultat du test significatif au niveau 5 %». Risque d erreur associé à cette décision : α = 5%. α : Risque d observer une valeur de X n dans la région de rejet quand H 0 est vraie. Probabilité de rejeter H 0 à tort. On le fixe au départ. 34
12 4 ) Règle de décision équivalente, basée sur z obs - Valeur observée de Z n : z obs = x obs 50 = , = 2,20 - IA au risque α = 5% : IA = [ z 0,975 ; z 0,975 ] = [ 1,96; 1,96] - Décision : z obs est dans la région de rejet. On rejette H 0 avec un risque d erreur de 5%. 35
13 Conclusion sur l exemple traité Test d une hypothèse bilatérale pour une population ayant une loi normale et un écart-type connu. En pratique σ inconnu. La loi peut être inconnue. Les hypothèses sont souvent «unilatérales». 36
14 II Test de Student pour une population de loi normale, σ inconnu Exemple 2 On modifie le contexte de l exemple 1 : - P : enfants de parents récemment divorcés. - On teste la valeur théorique On admet que la loi des scores est normale. L écart-type σ est inconnu. 37
15 Contexte général du test : Population P. Variable X quantitative. Loi de X normale. Moyenne µ et écart-type σ inconnus. On teste une valeur théorique notée µ 0 pour µ. L écart-type σ doit être estimé à partir des données de l échantillon. Pour le calcul des bornes de l IA : la loi N (0;1) est remplacée par une loi appelée loi de Student. 38
16 Etapes du test identiques à celles de l exemple précédent. 1 ) Hypothèses à tester et niveau α On teste H 0 : µ = µ 0 contre H 1 : µ µ 0 bilatérale ou H 1 : µ > µ 0 unil. droite ou H 1 : µ < µ 0 unil. gauche Niveau (risque) α fixé. Exemple 2.1. Test bilatéral : H 1 : µ 50. On choisit α = 1%. Exemple 2.2. Test unilatéral droit : H 1 : µ > 50. On choisit α = 1%. 39
17 2 ) Observations et statistique du test Cas général : on tire au sort un échantillon de taille n. Pour la décision : On calcule x obs. Statistique de décision : Xn. Pour estimer σ : On calcule s. Statistique utilisée : S n. Exemple 2 : n = 24. x obs = 54,5; s = 9,6. 3 ) Loi de X n sous H 0 On se place sous H 0. On doit déterminer l IA et la région de rejet associés au risque α choisi. Calcul des bornes : loi de X n indispensable. 40
18 Exemple 2 : On ( sait que ) X n se distribue selon σ la loi normale N 50;. 24!! La formule «centrée réduite» qui transforme X n en Z n = X n 50 σ 24 n est pas utilisable car σ n est pas connu. On la remplace ici par la formule T n = X n 50 Sn. 24 La statistique T n a sa propre distribution légèrement différente de la loi normale N (0;1). 41
19 Loi de T n : - Appelée loi de Student : symétrique autour de 0, un peu plus étalée que la loi N (0,1). - Dépend d un paramètre ν (nu) : «nombre de degrés de liberté». - Ce paramètre est égal à n 1 = 24 1 = On écrit T n T à 23 ddl Résultat général : T n = X n µ 0 S n n suit la loi de Student à n 1 ddl T n T à n 1 ddl Rq : Pour n 30, on peut remplacer la loi de Student par la loi N(0; 1). 42
20 4 ) Intervalle d acceptation et région de rejet associés au risque α a) Valeurs de X n qui conduisent à rejeter H 0 ➀ Pour H 1 : µ µ 0 Valeurs de X n s écartant trop de µ 0 (droite ou gauche). Les plus extrêmes : les plus significatives de H 1. ➁ Pour H 1 : µ > µ 0 Valeurs de X n trop grandes par rapport à µ 0 (à droite). Les plus grandes : les plus significatives de H 1. ➂ Pour H 1 : µ < µ 0 Valeurs de X n trop petites par rapport à µ 0 (à gauche). Les plus petites : les plus significatives de H 1. 43
21 ➀ α 2 1 α α 2 µ 0 x RC L 1 L 2 Intervalle d acceptation RC ➁ 1 α α µ 0 L x Intervalle d acceptation RC ➂ α 1 α RC L µ 0 Intervalle d acceptation x 44
22 b) Intervalle d acceptation au risque α pour X n ➀ Pour H 1 : µ µ 0 IA pour le cas précédent (I) : bornes : µ 0 ± z 1 α/2 σ n On remplace σ par s et le quantile z 1 α/2 par celui de la loi de Student : IA = [µ 0 t 1 α/2 s n ;µ 0 + t 1 α/2 s n ] (1) t 1 α/2 : quantile d ordre 1 α/2 de la loi de Student à n 1 ddl. A lire dans la table de Student : ligne n 1 et colonne α. 45
23 ➁ Pour H 1 : µ > µ 0 Un seule borne à calculer. On change l ordre du quantile : IA = ] ;µ 0 + t 1 α s n ] (2) t 1 α : quantile d ordre 1 α de la loi de Student à n 1 ddl. A lire dans la table de Student : ligne n 1 et colonne 2α. ➂ Pour H 1 : µ < µ 0 : IA = s [µ [ 0 t 1 α ;+ n (3) Règle de décision générale : Si x obs appartient à l IA, on conserve H 0. Sinon on la rejette au risque d erreur α. 46
24 Pour α = 1% et 23 ddl : ➀ Exemple 2.1 : H 1 : µ 50 t 1 α/2 = t 0,995 = 2,807 (ligne 23, colonne 0,01). [ IA = 50 2,807 9,6 ; ,807 9,6 ] = [44,5; 55,5] Décision : x obs = 54,5 appartient à l intervalle d acceptation. On ne rejette pas H 0. ➁ Exemple 2.2 : H 1 : µ > 50 t 1 α = t 0,99 = 2,5 (ligne 23, colonne 0,02). ] IA = ; ,5 9,6 ] = ] ; 54,9]. 24 Décision : x obs = 54,5 appartient à l intervalle d acceptation. On ne rejette pas H 0. Dans les deux cas : «Résultat du test non significatif au niveau 1 %». 47
25 5 ) Règle alternative basée sur T n a) Intervalle d acceptation : ➀ Pour H 1 : µ µ 0 IA = [ t 1 α/2 ; t 1 α/2 ] (4) ➁ Pour H 1 : µ > µ 0 ➂ Pour H 1 : µ < µ 0 IA = ] ; t 1 α ] (5) b) Valeur observée de T n : IA = [ t 1 α ; [ (6) t obs = x obs µ 0 s n Si t obs appartient à l IA, on conserve H 0. Sinon on la rejette au risque d erreur α. 48
26 Exemples 2.1 et 2.2 Valeur observée de T n : t obs = 54,5 50 9,6 24 = 2,296. ➀ Exemple 2.1 : H 1 : µ 50 IA = [ ] t 1 α/2 ;t 1 α/2 = [ 2,807; 2,807]. Décision : t obs = 2,296 appartient à l IA. On ne rejette pas H 0. ➁ Exemple 2.2 : H 1 : µ > 50. IA = ] ;t 1 α ] = ] ;2,5]. Décision : t obs = 2,296 appartient à l IA. On ne rejette pas H 0. 49
27 III Test pour une population de loi inconnue et σ inconnu Contexte général : Ce qui change par rapport au test de Student : Loi de X inconnue (quelconque). Procédure du test : Ce qui change : Loi de X n sous H 0. Formules des bornes. 50
28 1 ) Loi de X n sous H 0 On doit utiliser l approximation normale. Pour n 30 : on sait que X n N approxt ( µ 0 ; ) σ. n Pour les calculs : pour n grand, on peut transformer X n en Z n = X n µ 0 Sn. n La statistique Z n suit approximativement la loi normale N (0; 1). Pour n < 30 :?? 51
29 2 ) Intervalle d acceptation pour X n Formules analogues aux formules (1), (2) et (3) du test de Student. Les quantiles «t» sont remplacés par les quantiles «z» de la loi N(0; 1) : Bilatéral : t 1 α/2 remplacé par z 1 α/2. Unilatéral : t 1 α remplacé par z 1 α. Règle de décision usuelle. 3 ) Règle alternative basée sur Z n a) Intervalle d acceptation : Formules (4), (5) et (6) transformées de la même façon. b) Valeur observée de Z n : z obs = x obs µ 0 s n Règle de décision usuelle. 52
30 IV Niveau de signification (ou p-valeur) Probabilité, notée α obs, associée à la moyenne observée x obs. Exemple 3 On teste H 1 : µ > 13 unilatérale droite. On choisit de faire le test au niveau α = 5%. Echantillon : - n = 65 (n 30). - Valeurs observées des statistiques de test : x obs = 15,2 et z obs = 2,07. - Ecart-type estimé : s = 8,58. Test basé sur «l approximation normale». 53
31 Détails du test pour l exemple 3 Loi de X n sous H 0 : comme n = et σ est inconnu, ( ) X n N σ 13; approx. n et Z n = X n 13 S n n approx. N (0; 1). IA et RC au risque α = 5% pour X n : Région critique à droite du domaine. Valeur critique : ,645 8,58 65 = 14,75. Décision : x obs = 15,2 > 14,75. On rejette H 0 pour un risque d erreur de 5%. Si l on utilise Z n pour la décision : Valeur observée : z obs = 15,2 13 8,58 65 = 2,07. 54
32 Réponse au test de niveau α = 5% : Pour Z n : on rejette H 0 si z obs > 1,645. Décision : z obs = 2,07 > 1,645 donc on rejette H 0. Résultat du test significatif au niveau 5%. Valeur observée ( x obs ou z obs ) significative au niveau 5%. Test au niveau α = 1% : z obs = 2,07 < 2,325 donc on accepte H 0. Valeur observée non significative au niveau 1%. 55
33 Résultat significatif pour quelles valeurs de α? α = 5% 0 z obs = 2.07 z < > Rejet α = 1% z < > Rejet (Sous H 0, Z n suit approx. la loi N(0; 1)). 56
34 Résultat significatif pour n importe quel niveau α > 1,92% : α 1.92 % z < > Rejet 1,92% = P(Z n 2,07) = P( X n 15,2). 1,92% : probabilité définie par rapport aux valeurs de X n qui sont encore plus significatives que 15,2. 1,92% : niveau de signification ou p-valeur de la moyenne observée 15,2. 57
35 1 ) Définition et formules générales Définition : α obs est la probabilité, sous H 0, d observer une valeur de X n encore plus significative que la valeur effectivement observée. ➀ Pour H 1 : µ > µ 0 Valeur plus significative : plus grande. α obs = définition P H 0 ( X n x obs ). α obs µ 0 x obs x Exemple 3 : α obs = définition P H 0 ( X n 15,2). 58
36 ➁ Pour H 1 : µ < µ 0 Valeur plus significative : plus petite. α obs = définition P H 0 ( X n x obs ). α obs x obs µ 0 x 59
37 ➂ Pour H 1 : µ µ 0 Valeurs les plus significatives : les plus extrêmes ( à droite et à gauche). α obs 2 α obs 2 x obs µ 0 x Si x obs < µ 0, on pose α obs 2 = P H0 ( X n x obs ), Si x obs > µ 0, on pose α obs 2 = P H0 ( Xn x obs ). 60
38 2 ) Détermination numérique Table de la fonction de répartition de la «loi centrée réduite» nécessaire. Table disponible pour la loi N(0; 1). Table non disponible pour la loi de Student. On se limitera donc au cas où n ) Interprétation de α obs On peut considérer α obs comme un risque d erreur. 61
39 Exemple 3 : Pour un risque nominal α fixé à l avance : Si α obs = 1,92% < α, on peut rejeter H 0 au risque α. α obs : risque d erreur minimum à prendre pour rejeter H 0. Si α obs = 1,92% α, on conserve H 0. α : risque d erreur maximal que l on accepte de prendre pour rejeter H 0. α 1.92 % z < > Rejet 62
40 V Risques d erreur et puissance d un test - Deux états possibles pour H 0 : vraie ou fausse. - Deux décisions possibles : rejeter H 0 ou conserver H 0. Pour chaque décision : risque d erreur associé. 63
41 Décision H 0 Rejeter H 0 Conserver H 0 erreur de 1 re espèce bonne décision Vraie risque de 1 re espèce α fixé bonne décision erreur de 2 e espèce Fausse risque de 2 e espèce noté β Risque α : probabilité de choisir H 1 alors que H 0 est vraie. Connu car fixé. Risque β : probabilité de choisir H 0 alors que H 1 est vraie. Inconnu en général. Puissance 1 β : probabilité de choisir H 1 alors que H 1 est vraie. Plus le risque β est petit, plus le test est puissant. 64
42 On souhaite de faibles risques d erreur. Risques antagonistes : Si on diminue α, on élargit l intervalle d acceptation et donc β augmente. Effet de la taille n : Pour α fixé, si on augmente n, β diminue. Pour faire un test : Fixer α en fonction des conséquences du rejet erroné de H 0. Prendre n le plus grand possible pour avoir le test le plus puissant possible. 65
Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailPartie 1 - Séquence 3 Original d une fonction
Partie - Séquence 3 Original d une fonction Lycée Victor Hugo - Besançon - STS 2 I. Généralités I. Généralités Définition Si F(p) = L [f(t)u (t)](p), alors on dit que f est l original de F. On note f(t)
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailBTS 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailManuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2
éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCréer son questionnaire en ligne avec Google Documents
Créer son questionnaire en ligne avec Google Documents (actualisation et précision de l article paru sur http://www.marketing- etudiant.fr/actualites/collecte-donnees.php) Se connecter avec son compte
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailN u m é rit a b - A d m in is tra tio n d u n p a rc d e ta b le tte s P ré s e n ta tio n p a r P a tric k D e m ic h e l L e 6 m a i 2 0 1 4
N u m é rit a b - A d m in is tra tio n d u n p a rc d e ta b le tte s P ré s e n ta tio n p a r P a tric k D e m ic h e l L e 6 m a i 2 0 1 4 Canopé : Création Accompagnement Nouvelle Offre Pédagogique
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailAnnexe C Spécification pour les fichiers importés en format XML
Annexe C Spécification pour les fichiers importés en format XML Format de fichier : Fichier texte du fichier : 1 048 576 octets/caractères (maximum) Convention de dénomination : Le nom recommandé du fichier
Plus en détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailCOMBIEN UN MÉDECIN A-T-IL BESOIN D ARGENT POUR SA RETRAITE?
COMBIEN UN MÉDECIN A-T-IL BESOIN D ARGENT POUR SA RETRAITE? Des tableaux inédits, pour tous les médecins, quel que soit l âge ou le revenu Par Eric F. Gosselin, Adm.A, Pl.Fin. ericg@finances-etc.com Avec
Plus en détailDébuter avec Easyweb B
Débuter avec Easyweb B Sommaire :. Vous êtes utilisateur.... Connexion à Easyweb B en tant que responsable :... 5. Vous êtes gestionnaire :... 6. Vous êtes formateur :... 7 3. Création de plusieurs bureaux...
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailChapitre 3: TESTS DE SPECIFICATION
Chapitre 3: TESTS DE SPECIFICATION Rappel d u c h api t r e pr é c é d en t : l i de n t i f i c a t i o n e t l e s t i m a t i o n de s y s t è m e s d é q u a t i o n s s i m u lt a n é e s r e p o
Plus en détailComment créer un nouveau compte? 1/2- Pour le consommateur
Comment créer un nouveau compte? 1/2- Pour le consommateur Cette procédure va vous permettre de créer un compte. Tous les logiciels Photo & Book que vous allez créer, que ce soit pour un consommateur ou
Plus en détailCritères de qualité des projets
s de qualité des projets Pour pouvoir mener une réfleion systématique sur la qualité des projets, on a besoin de critères. Les critères présentés ici s'appliquent à des projets d'intervention en promotion
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailLa conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA)
La conversion de données : Convertisseur Analogique Numérique (CAN) Convertisseur Numérique Analogique (CNA) I. L'intérêt de la conversion de données, problèmes et définitions associés. I.1. Définitions:
Plus en détailEncryptions, compression et partitionnement des données
Encryptions, compression et partitionnement des données Version 1.0 Grégory CASANOVA 2 Compression, encryption et partitionnement des données Sommaire 1 Introduction... 3 2 Encryption transparente des
Plus en détailEXCEL PERFECTIONNEMENT CALCULS AVANCES
TABLE DES MATIÈRES FORMATS... 2 Formats personnalisés... 2 ADRESSAGE DE CELLULES... 3 relatif & absolu Rappel... 3 Adressage par nom... 4 Valider avec la touche Entrée... 4 FONCTIONS SI-ET-OU... 6 LA FONCTION
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailLes ateliers du Resclin. Préparation des données issues d Epi-Info en utilisant le tableur Excel
Champagne-Ardenne Les ateliers du Resclin Préparation des données issues d Epi-Info en utilisant le tableur Excel Mars 2007 SOMMAIRE 1. RAPPEL 1.1.Qu'est ce qu'un chemin d'accès? 1.2.Qu'est ce qu'une base
Plus en détailDoes it pay to improve Corporate Governance? An empirical analysis of European Equities
Does it pay to improve Corporate Governance? An empirical analysis of European Equities Joseph GAWER NATIXIS Asset Management Université Paris Dauphine joseph.gawer@am.natixis.com Association Française
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailGnuplot. Chapitre 3. 3.1 Lancer Gnuplot. 3.2 Options des graphes
Chapitre 3 Gnuplot Le langage C ne permet pas directement de dessiner des courbes et de tracer des plots. Il faut pour cela stocker résultats dans des fichier, et, dans un deuxième temps utiliser un autre
Plus en détailExercice 6 Associer chaque expression de gauche à sa forme réduite (à droite) :
Eercice a Développer les epressions suivantes : A-(-) - + B-0(3 ²+3-0) -0 3²+-0 3+00 B -30²-30+00 C-3(-) -3 + 3-3²+6 D-(-) + ² Eerciceb Parmi les epressions suivantes, lesquelles sont sous forme réduite?
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailAPPLICATION POUR FRANCHISÉ
APPLICATION POUR FRANCHISÉ Ce formulaire a pour but de fournir l information nécessaire afin de permettre à notre équipe de gestion de déterminer si vous répondez aux critères établis pour devenir un franchisé.
Plus en détailQuels sont les espaces disponibles sur l ordinateur pour stocker ses documents et comment accéder facilement au dossier «My Documents»?
Quels sont les espaces disponibles sur l ordinateur pour stocker ses documents et comment accéder facilement au dossier «My Documents»? Qui n a jamais eu de peine à retrouver ses documents informatiques?
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailEXERCICES : MECANISMES DE L IMMUNITE : pages 406 407 408 409 410
EXERCICES : MECANISMES DE L IMMUNITE : pages 406 407 408 409 410 EXERCICE 1 PAGE 406 : EXPERIENCES A INTERPRETER Question : rôles respectifs du thymus et de la moelle osseuse dans la production des lymphocytes.
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailAuto-Entreprise : Activités : Eric SOTY - Siret n 47868353500023. Formation Bureautique, continue d'adultes. Tél : 0953020032 - Fax : 0958020032
Auto-Entreprise : Activités : Eric SOTY - Siret n 47868353500023 Formation Bureautique, APE : 8559A formation continue d'adultes. identité visuelle, charte T.V.A. non applicable, article 293 B du CGI.
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailCOMMENT TROUVER VOS FUTURS CLIENTS À L INTERNATIONAL? 05/03/2015 Creditsafe France
COMMENT TROUVER VOS FUTURS CLIENTS À L INTERNATIONAL? Mise à jour Auteur 05/03/2015 Creditsafe France Trouver vos futurs clients à l international Bienvenue dans le guide utilisateur de l outil de Prospection
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa persistance des nombres
regards logique & calcul La persistance des nombres Quand on multiplie les chiffres d un nombre entier, on trouve un autre nombre entier, et l on peut recommencer. Combien de fois? Onze fois au plus...
Plus en détailNOTICE TELESERVICES : Demander un état hypothécaire
NOTICE TELESERVICES : Demander un état hypothécaire Sommaire Sommaire... 1 Objet de la notice... 1 A qui s adresse cette notice?... 1 Pré-requis... 2 Le guide pas à pas pour faire une demande d état hypothécaire...
Plus en détailGUIDE DU SERVICE DE MESSAGERIE VOCALE
GUIDE DU SERVICE DE MESSAGERIE VOCALE janv. 2005 Le service de messagerie n9uf telecom permet à un appel d'être redirigé vers une boîte vocale en cas de ligne occupée, ou de non réponse (après 20 secondes
Plus en détailDémontrer qu'un point est le milieu d'un segment
émntrer qu'un pint est le milieu d'un segment P 1 Si un pint est sur un segment et à égale distance de ses etrémités alrs ce pint est le milieu du segment. P 2 Si un quadrilatère est un alrs ses diagnales
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailDEBAT PHILO : L HOMOSEXUALITE
Ecole d Application STURM Janvier-Février 2012 CM2 Salle 2 Mme DOUILLY DEBAT PHILO : L HOMOSEXUALITE Sujet proposé par les élèves et choisi par la majorité. 1 ère séance : définitions et explications Réflexion
Plus en détailUtilisation du site de retours Lexibook
1 Utilisation du site de retours Lexibook Se connecter au site 2 Remplir une demande de retour 3 Soumettre une demande de retour 4 Sauvegarder une demande de retour 4 Vérifier la validation d une demande
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailMécanique du point : forces Newtoniennes (PCSI)
écanique du oint : foces Newtoniennes (PCSI Question de cous On admet que, losqu'il est soumis à une foce Newtonienne F K u, la tajectoie d'un cos est lane et décite a mc K +e cosθ où C θ est une constante
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailREMARQUES SUR LE PETIT FRAGMENT DE TABLETTE CHYPRO MINOENNE TROUVÉ A ENKOMI EN 1952. par EMILIA MAS SON
REMARQUES SUR LE PETIT FRAGMENT DE TABLETTE CHYPRO MINOENNE TROUVÉ A ENKOMI EN 952 par EMILIA MAS SON. C'est pendant sa campagne de 952 à Enkomi que M. Porphyrios Dikaios a trouvé un petit fragment de
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailI - Quelques propriétés des étoiles à neutrons
Formation Interuniversitaire de Physique Option de L3 Ecole Normale Supérieure de Paris Astrophysique Patrick Hennebelle François Levrier Sixième TD 14 avril 2015 Les étoiles dont la masse initiale est
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailCHAPITRE IX. Modèle de Thévenin & modèle de Norton. Les exercices EXERCICE N 1 R 1 R 2
CHPITRE IX Modèle de Thévenin & modèle de Norton Les exercices EXERCICE N 1 R 3 E = 12V R 1 = 500Ω R 2 = 1kΩ R 3 = 1kΩ R C = 1kΩ E R 1 R 2 U I C R C 0V a. Dessiner le générateur de Thévenin vu entre les
Plus en détailStéphanie Dupays. du fait de stratégies individuelles ou familiales ou bien de contraintes liées aux changements
En un quart de siècle, la mobilité sociale a peu évolué Stéphanie Dupays En 2003, un homme âgé de 40 à 59 ans sur trois a une position sociale identique à celle de son père au même âge. Ce chiffre cache
Plus en détail