Cours 5: Inférences: Estimation, Echantillonnage et Tests
|
|
- Anne-Laure Chabot
- il y a 7 ans
- Total affichages :
Transcription
1 Cours 5: Inférences:, Echantillonnage et Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Cours 5: Inférences:, Echantillonnage et
2 1 Les divers types de problèmes que l on se pose Echantillonnage Idée générale pour la résolution de ces 3 problématiques 2 La moyenne empirique X n La variance empirique S 2 n Cas général Cas des échantillons Gaussiens Cours 5: Inférences:, Echantillonnage et
3 3 décor par intervalles de confiance d une moyenne Complément : estimation d une variance 4 paramétriques Test d une moyenne, σ connu Test d une moyenne, σ inconnu mais échantillon Gaussien Test d une variance, µ connu mais échantillon Gaussien Test d une variance, µ inconnu échantillon Gaussien Cours 5: Inférences:, Echantillonnage et
4 de comparaison Cas d échantillons Gaussiens Cas d échantillons non Gaussiens Comparaison d échantillons Gaussiens appariés Cours 5: Inférences:, Echantillonnage et
5 Echantillonnage Idée générale pour la résolution de ces 3 problématiques 1 Les divers types de problèmes que l on se pose Echantillonnage Idée générale pour la résolution de ces 3 problématiques Cours 5: Inférences:, Echantillonnage et
6 Introduction : les 3 grandes lignes Echantillonnage Idée générale pour la résolution de ces 3 problématiques Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grande chance de se trouver de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Cours 5: Inférences:, Echantillonnage et
7 Introduction : les 3 grandes lignes Echantillonnage Idée générale pour la résolution de ces 3 problématiques Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grande chance de se trouver de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Cours 5: Inférences:, Echantillonnage et
8 Introduction : les 3 grandes lignes Echantillonnage Idée générale pour la résolution de ces 3 problématiques Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grande chance de se trouver de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Cours 5: Inférences:, Echantillonnage et
9 Introduction : les 3 grandes lignes Echantillonnage Idée générale pour la résolution de ces 3 problématiques Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grande chance de se trouver de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Cours 5: Inférences:, Echantillonnage et
10 Introduction : les 3 grandes lignes Echantillonnage Idée générale pour la résolution de ces 3 problématiques Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grande chance de se trouver de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Cours 5: Inférences:, Echantillonnage et
11 Echantillonage Echantillonnage Idée générale pour la résolution de ces 3 problématiques L échantillonnage permet de passer (de la loi connue d un paramètre θ dans une population de taille N ) à une estimée d une quantité θ n fabriquée à partir seulement d une population de taille n plus petite (échantillon). Population mère, effectif N Echantillon, effectif n θ n inconnu θ connu FIGURE: Principe de l échantillonnage. Cours 5: Inférences:, Echantillonnage et
12 Echantillonage Echantillonnage Idée générale pour la résolution de ces 3 problématiques L échantillonnage permet de passer (de la loi connue d un paramètre θ dans une population de taille N ) à une estimée d une quantité θ n fabriquée à partir seulement d une population de taille n plus petite (échantillon). Population mère, effectif N Echantillon, effectif n θ n inconnu θ connu FIGURE: Principe de l échantillonnage. Cours 5: Inférences:, Echantillonnage et
13 Exemple : échantillonnage Echantillonnage Idée générale pour la résolution de ces 3 problématiques Dans une entreprise qui comptent 659 employés, on sait que 0, 03% des employés sont mécontents. On pioche un échantillon de 15 employés. Quel est l ordre de grandeur des employés mécontents dans cet échantillon? Cours 5: Inférences:, Echantillonnage et
14 Echantillonnage Idée générale pour la résolution de ces 3 problématiques L estimation permet d induire, à partir des résulats observés sur un échantillon, des informations sur la population totale. Population mère, effectif N Echantillon, effectif n θ connu n θ inconnu FIGURE: Principe de l estimation. Cours 5: Inférences:, Echantillonnage et
15 Echantillonnage Idée générale pour la résolution de ces 3 problématiques L estimation permet d induire, à partir des résulats observés sur un échantillon, des informations sur la population totale. Population mère, effectif N Echantillon, effectif n θ connu n θ inconnu FIGURE: Principe de l estimation. Cours 5: Inférences:, Echantillonnage et
16 Exemple : estimation Echantillonnage Idée générale pour la résolution de ces 3 problématiques Dans un échantillon de 15 employés d une entreprise, 7% s estiment sous pression. Quel est l ordre de grandeur des employés sous pression parmi tout le personnel de l entreprise? Cours 5: Inférences:, Echantillonnage et
17 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
18 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
19 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
20 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
21 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
22 Test statistiques Echantillonnage Idée générale pour la résolution de ces 3 problématiques de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Etant donné, une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas "qu on valide une hypothèse" mais on dira "qu on ne rejette pas une hypothèse". En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Cours 5: Inférences:, Echantillonnage et
23 Exemple : test d un paramètre Echantillonnage Idée générale pour la résolution de ces 3 problématiques En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon des employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35h. Peut on considérer que le temps de sommeil des employés de cette entreprise est significativement inférieur au temps de sommeil moyen des individus qui est de 7h30? Cours 5: Inférences:, Echantillonnage et
24 Exemple : test d un paramètre Echantillonnage Idée générale pour la résolution de ces 3 problématiques En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon des employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35h. Peut on considérer que le temps de sommeil des employés de cette entreprise est significativement inférieur au temps de sommeil moyen des individus qui est de 7h30? Cours 5: Inférences:, Echantillonnage et
25 Exemple : test d un paramètre Echantillonnage Idée générale pour la résolution de ces 3 problématiques En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon des employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35h. Peut on considérer que le temps de sommeil des employés de cette entreprise est significativement inférieur au temps de sommeil moyen des individus qui est de 7h30? Cours 5: Inférences:, Echantillonnage et
26 Principe général commun Echantillonnage Idée générale pour la résolution de ces 3 problématiques Dans chacun des cas, par les théorèmes probabilistes, on sait que : une quantité θ n converge en loi vers une loi connue (loi normale, loi du χ 2, loi de Student, loi de Fisher, etc...en fonction des situations) Par l allure des densités de chacune de ces lois, on sait donc où la variable θ n doit de trouver avec grosse probabilité... Cours 5: Inférences:, Echantillonnage et
27 Principe général commun Echantillonnage Idée générale pour la résolution de ces 3 problématiques Dans chacun des cas, par les théorèmes probabilistes, on sait que : une quantité θ n converge en loi vers une loi connue (loi normale, loi du χ 2, loi de Student, loi de Fisher, etc...en fonction des situations) Par l allure des densités de chacune de ces lois, on sait donc où la variable θ n doit de trouver avec grosse probabilité... Cours 5: Inférences:, Echantillonnage et
28 Echantillonnage Idée générale pour la résolution de ces 3 problématiques Prérequis : lois classiques et convergence en loi Lois limites classiques (que l on obtiendra). Connaître et savoir lire dans les tables les lois suivante : Loi normale N (0; 1) et passage à N (µ; σ), Loi du χ 2, Loi de Student, Loi de Fischer. Cours 5: Inférences:, Echantillonnage et
29 Echantillonnage Idée générale pour la résolution de ces 3 problématiques Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + L Notation : On écrit θ n θ Exemple : Dans le Théorème central limite, on a vu que si les (X i ) i étaient iid et d espérance finie µ et d écart-type σ, alors la variable n σ ( X n µ) convergeait en loi vers une loi N (0; 1). Cours 5: Inférences:, Echantillonnage et
30 Echantillonnage Idée générale pour la résolution de ces 3 problématiques Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + L Notation : On écrit θ n θ Exemple : Dans le Théorème central limite, on a vu que si les (X i ) i étaient iid et d espérance finie µ et d écart-type σ, alors la variable n σ ( X n µ) convergeait en loi vers une loi N (0; 1). Cours 5: Inférences:, Echantillonnage et
31 Echantillonnage Idée générale pour la résolution de ces 3 problématiques Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + L Notation : On écrit θ n θ Exemple : Dans le Théorème central limite, on a vu que si les (X i ) i étaient iid et d espérance finie µ et d écart-type σ, alors la variable n σ ( X n µ) convergeait en loi vers une loi N (0; 1). Cours 5: Inférences:, Echantillonnage et
32 La moyenne empirique X n La variance empirique S 2 n 1 Les divers types de problèmes que l on se pose 2 La moyenne empirique X n La variance empirique S 2 n 3 4 Cours 5: Inférences:, Echantillonnage et
33 La moyenne empirique X n La variance empirique S 2 n Décor, notations valables pour toute la suite du cours Soit un échantillon de taille n. Pour 1 i n, notons X i les valeurs d un paramètre que prennent les n individus de l échantillon. Les X i sont donc des v.a supposées iid, de moyenne µ et d écart-type σ (connus ou pas). Cours 5: Inférences:, Echantillonnage et
34 La moyenne empirique X n La variance empirique S 2 n 2 La moyenne empirique X n La variance empirique S 2 n Cas général Cas des échantillons Gaussiens Cours 5: Inférences:, Echantillonnage et
35 La moyenne empirique X n La variance empirique S 2 n La moyenne empirique X n On pose, Moyenne empirique des X i i=1...n X n = X i. n Cours 5: Inférences:, Echantillonnage et
36 La moyenne empirique X n La variance empirique S 2 n La moyenne empirique X n On pose, Moyenne empirique des X i i=1...n X n = X i. n Cours 5: Inférences:, Echantillonnage et
37 La moyenne empirique X n La variance empirique S 2 n La moyenne empirique X n On pose, Moyenne empirique des X i i=1...n X n = X i. n Cours 5: Inférences:, Echantillonnage et
38 La moyenne empirique X n La variance empirique S 2 n Propriétés de X n 1 2 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) lim n Xn = µ p.s (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Cours 5: Inférences:, Echantillonnage et
39 La moyenne empirique X n La variance empirique S 2 n Propriétés de X n 1 2 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) lim n Xn = µ p.s (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Cours 5: Inférences:, Echantillonnage et
40 La moyenne empirique X n La variance empirique S 2 n Propriétés de X n 1 2 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) lim n Xn = µ p.s (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Cours 5: Inférences:, Echantillonnage et
41 La moyenne empirique X n La variance empirique S 2 n Propriétés de X n 1 2 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) lim n Xn = µ p.s (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Cours 5: Inférences:, Echantillonnage et
42 La moyenne empirique X n La variance empirique S 2 n Propriétés de X n 1 2 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) lim n Xn = µ p.s (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Cours 5: Inférences:, Echantillonnage et
43 La moyenne empirique X n La variance empirique S 2 n Justification de l intérêt de la quantité X n Ainsi, la statistique X n converge (en un certain sens) quand n tend vers l infini vers µ = E(X i ). On dit que c est un estimateur de µ. On dit qu il est sans biais car, E( X n ) = µ (l espérance de l estimateur est égale à la valeur que l on cherche à estimer). Cours 5: Inférences:, Echantillonnage et
44 La moyenne empirique X n La variance empirique S 2 n Justification de l intérêt de la quantité X n Ainsi, la statistique X n converge (en un certain sens) quand n tend vers l infini vers µ = E(X i ). On dit que c est un estimateur de µ. On dit qu il est sans biais car, E( X n ) = µ (l espérance de l estimateur est égale à la valeur que l on cherche à estimer). Cours 5: Inférences:, Echantillonnage et
45 Exemples d application La moyenne empirique X n La variance empirique S 2 n Parmi le personnel d une entreprise, il y a 300 femmes et 600 hommes. On réalise une enquête sur un échantillon de 55 personnes. Donnez une fourchette du nombres d hommes et de femmes de l échantillon, avec proba 0,95. Marcheur aléatoire (cf cours précédent) Cours 5: Inférences:, Echantillonnage et
46 La moyenne empirique X n La variance empirique S 2 n 2 La moyenne empirique X n La variance empirique S 2 n Cas général Cas des échantillons Gaussiens Cours 5: Inférences:, Echantillonnage et
47 Variance empirique La moyenne empirique X n La variance empirique S 2 n Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : Sn 2 = 1 (X i n X n ) 2 = 1 n [ Xi 2 ] X 2 n. i=1...n i=1...n variance empirique des X i Avantage de cet estimateur, on n a pas besoin de connaître l espérance µ. Cours 5: Inférences:, Echantillonnage et
48 Variance empirique La moyenne empirique X n La variance empirique S 2 n Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : Sn 2 = 1 (X i n X n ) 2 = 1 n [ Xi 2 ] X 2 n. i=1...n i=1...n variance empirique des X i Avantage de cet estimateur, on n a pas besoin de connaître l espérance µ. Cours 5: Inférences:, Echantillonnage et
49 Propriétés La moyenne empirique X n La variance empirique S 2 n 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 (petit calcul) On dit que S 2 n a un biais, E(S 2 n) σ 2. 3 On admet que, Sn 2 n 1 n σ2 Var(Sn) 2 L N (0; 1). Cours 5: Inférences:, Echantillonnage et
50 Propriétés La moyenne empirique X n La variance empirique S 2 n 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 (petit calcul) On dit que S 2 n a un biais, E(S 2 n) σ 2. 3 On admet que, Sn 2 n 1 n σ2 Var(Sn) 2 L N (0; 1). Cours 5: Inférences:, Echantillonnage et
51 Propriétés La moyenne empirique X n La variance empirique S 2 n 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 (petit calcul) On dit que S 2 n a un biais, E(S 2 n) σ 2. 3 On admet que, Sn 2 n 1 n σ2 Var(Sn) 2 L N (0; 1). Cours 5: Inférences:, Echantillonnage et
52 Propriétés La moyenne empirique X n La variance empirique S 2 n 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 (petit calcul) On dit que S 2 n a un biais, E(S 2 n) σ 2. 3 On admet que, Sn 2 n 1 n σ2 Var(Sn) 2 L N (0; 1). Cours 5: Inférences:, Echantillonnage et
53 Une remarque La moyenne empirique X n La variance empirique S 2 n Si l on connaît la valeur de µ, on peut remplacer l estimateur S 2 n par l estimateur : Ŝ n 2 = 1 n i=1...n (X i µ) 2 = 1 n [ i=1...n X 2 i ] µ 2 Avantage : Ŝ n 2 est sans biais, puisque E( Ŝ n 2 ) = σ 2 Cours 5: Inférences:, Echantillonnage et
54 Une remarque La moyenne empirique X n La variance empirique S 2 n Si l on connaît la valeur de µ, on peut remplacer l estimateur S 2 n par l estimateur : Ŝ n 2 = 1 n i=1...n (X i µ) 2 = 1 n [ i=1...n X 2 i ] µ 2 Avantage : Ŝ n 2 est sans biais, puisque E( Ŝ n 2 ) = σ 2 Cours 5: Inférences:, Echantillonnage et
55 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
56 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
57 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
58 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
59 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
60 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Si les X i suivent une loi Normale N (µ; σ), on a : X n N (µ; σ2 n ) ns 2 n σ 2 χ2 (n 1) ie : i=1...n (X i X n ) 2 σ 2 χ 2 (n 1) X n et S 2 n sont indépendants. Cours 5: Inférences:, Echantillonnage et
61 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Et donc, en posant : T n 1 := = n σ ( X n µ) ns 2 n (n 1)σ 2 n 1 S n ( X n µ) suit une loi de Student à n 1 degrès de liberté Ce résultat est extrêmement utile car il ne dépend pas de σ et servira donc dès que ce paramètre est inconnu. Cours 5: Inférences:, Echantillonnage et
62 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Et donc, en posant : T n 1 := = n σ ( X n µ) ns 2 n (n 1)σ 2 n 1 S n ( X n µ) suit une loi de Student à n 1 degrès de liberté Ce résultat est extrêmement utile car il ne dépend pas de σ et servira donc dès que ce paramètre est inconnu. Cours 5: Inférences:, Echantillonnage et
63 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens De même pour l estimateur Ŝn2, on peut prouver : 2 nŝn σ 2 χ 2 (n) ie : i=1...n (X i µ) 2 σ 2 χ 2 (n) Cours 5: Inférences:, Echantillonnage et
64 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens De même pour l estimateur Ŝn2, on peut prouver : 2 nŝn σ 2 χ 2 (n) ie : i=1...n (X i µ) 2 σ 2 χ 2 (n) Cours 5: Inférences:, Echantillonnage et
65 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Retenir et ns 2 n σ 2 χ2 (n 1) 2 nŝn σ 2 χ 2 (n) n 1 S n ( X n µ) Student(n 1) Utilité de ces résultats pour les tests et intervalles de confiance. Cours 5: Inférences:, Echantillonnage et
66 La moyenne empirique X n La variance empirique S 2 n Cas particulier des échantillons Gaussiens Retenir et ns 2 n σ 2 χ2 (n 1) 2 nŝn σ 2 χ 2 (n) n 1 S n ( X n µ) Student(n 1) Utilité de ces résultats pour les tests et intervalles de confiance. Cours 5: Inférences:, Echantillonnage et
67 Rappel : Loi de Student La moyenne empirique X n La variance empirique S 2 n Definition Soient X N (0, 1) et Y χ 2 (n). Posons T = X. Alors T Y /n suit une loi de Student à n degré de liberté et on la note Student(n) La loi de Student est une loi à densité, qui a la "même" allure que la loi normale centrée réduite. Cours 5: Inférences:, Echantillonnage et
68 Rappel : Loi de Student La moyenne empirique X n La variance empirique S 2 n Definition Soient X N (0, 1) et Y χ 2 (n). Posons T = X. Alors T Y /n suit une loi de Student à n degré de liberté et on la note Student(n) La loi de Student est une loi à densité, qui a la "même" allure que la loi normale centrée réduite. Cours 5: Inférences:, Echantillonnage et
69 Une application La moyenne empirique X n La variance empirique S 2 n Exemple : Les durées de vie moyenne des écrans d ordinateurs d une société sont de 3000h avec un écart-type de 70h. On suppose que les durées de vie de chaque machines, suivent des lois normales et sont indépendantes. On prend au hasard 10 écrans. Trouver probabilité que l écart-type de l échantillon obtenu soit compris entre 60h et 80h. Cours 5: Inférences:, Echantillonnage et
70 Une application La moyenne empirique X n La variance empirique S 2 n Exemple : Les durées de vie moyenne des écrans d ordinateurs d une société sont de 3000h avec un écart-type de 70h. On suppose que les durées de vie de chaque machines, suivent des lois normales et sont indépendantes. On prend au hasard 10 écrans. Trouver probabilité que l écart-type de l échantillon obtenu soit compris entre 60h et 80h. Cours 5: Inférences:, Echantillonnage et
71 Un exemple La moyenne empirique X n La variance empirique S 2 n 1 Pour 1 i 10, notons X i les durées de vie des 10 écrans de l échantillon. Par hypothèse, on a X i N (3000; 70). 2 La variance de l échantillon est donnée par 2 Sˆ 1 10 = 10 i= (X i 3000) 2 3 Or, on sait que la v.a Z = 10 S ˆ 2 10 suit une loi du χ 2 (10) Il ne reste plus qu à traduire l événement demandé avec la v.a Z. Cours 5: Inférences:, Echantillonnage et
72 Un exemple La moyenne empirique X n La variance empirique S 2 n 1 Pour 1 i 10, notons X i les durées de vie des 10 écrans de l échantillon. Par hypothèse, on a X i N (3000; 70). 2 La variance de l échantillon est donnée par 2 Sˆ 1 10 = 10 i= (X i 3000) 2 3 Or, on sait que la v.a Z = 10 S ˆ 2 10 suit une loi du χ 2 (10) Il ne reste plus qu à traduire l événement demandé avec la v.a Z. Cours 5: Inférences:, Echantillonnage et
73 Un exemple La moyenne empirique X n La variance empirique S 2 n 1 Pour 1 i 10, notons X i les durées de vie des 10 écrans de l échantillon. Par hypothèse, on a X i N (3000; 70). 2 La variance de l échantillon est donnée par 2 Sˆ 1 10 = 10 i= (X i 3000) 2 3 Or, on sait que la v.a Z = 10 S ˆ 2 10 suit une loi du χ 2 (10) Il ne reste plus qu à traduire l événement demandé avec la v.a Z. Cours 5: Inférences:, Echantillonnage et
74 Un exemple La moyenne empirique X n La variance empirique S 2 n 1 Pour 1 i 10, notons X i les durées de vie des 10 écrans de l échantillon. Par hypothèse, on a X i N (3000; 70). 2 La variance de l échantillon est donnée par 2 Sˆ 1 10 = 10 i= (X i 3000) 2 3 Or, on sait que la v.a Z = 10 S ˆ 2 10 suit une loi du χ 2 (10) Il ne reste plus qu à traduire l événement demandé avec la v.a Z. Cours 5: Inférences:, Echantillonnage et
75 Un exemple La moyenne empirique X n La variance empirique S 2 n 1 Pour 1 i 10, notons X i les durées de vie des 10 écrans de l échantillon. Par hypothèse, on a X i N (3000; 70). 2 La variance de l échantillon est donnée par 2 Sˆ 1 10 = 10 i= (X i 3000) 2 3 Or, on sait que la v.a Z = 10 S ˆ 2 10 suit une loi du χ 2 (10) Il ne reste plus qu à traduire l événement demandé avec la v.a Z. Cours 5: Inférences:, Echantillonnage et
76 Un exemple La moyenne empirique X n La variance empirique S 2 n Donc, on a : S 10 2 P(60 S ˆ ) = P( ˆ 70 2 ou calculatrice, logiciel = P( 70 2 Z 70 2 ) = P(7, 34 Z 13, 06) = P(Z 13, 06) P(Z 7, 34) ) = 0, 473 à l aide de la table du χ 2 (10), Cours 5: Inférences:, Echantillonnage et
77 Un exemple La moyenne empirique X n La variance empirique S 2 n Donc, on a : S 10 2 P(60 S ˆ ) = P( ˆ 70 2 ou calculatrice, logiciel = P( 70 2 Z 70 2 ) = P(7, 34 Z 13, 06) = P(Z 13, 06) P(Z 7, 34) ) = 0, 473 à l aide de la table du χ 2 (10), Cours 5: Inférences:, Echantillonnage et
78 décor par intervalles de confiance 1 Les divers types de problèmes que l on se pose 2 3 décor par intervalles de confiance 4 Cours 5: Inférences:, Echantillonnage et
79 Outil : estimateur décor par intervalles de confiance Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites ( type Loi des grands nombres). On préférera une statistique sans biais On essaye de connaître la loi limite de cette statistique. On est alors capable, de donner les fluctuations les plus probables de la statistique, et de donner par exemple un intervalle de confiance. Cours 5: Inférences:, Echantillonnage et
80 Outil : estimateur décor par intervalles de confiance Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites ( type Loi des grands nombres). On préférera une statistique sans biais On essaye de connaître la loi limite de cette statistique. On est alors capable, de donner les fluctuations les plus probables de la statistique, et de donner par exemple un intervalle de confiance. Cours 5: Inférences:, Echantillonnage et
81 Outil : estimateur décor par intervalles de confiance Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites ( type Loi des grands nombres). On préférera une statistique sans biais On essaye de connaître la loi limite de cette statistique. On est alors capable, de donner les fluctuations les plus probables de la statistique, et de donner par exemple un intervalle de confiance. Cours 5: Inférences:, Echantillonnage et
82 Outil : estimateur décor par intervalles de confiance Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites ( type Loi des grands nombres). On préférera une statistique sans biais On essaye de connaître la loi limite de cette statistique. On est alors capable, de donner les fluctuations les plus probables de la statistique, et de donner par exemple un intervalle de confiance. Cours 5: Inférences:, Echantillonnage et
83 décor par intervalles de confiance 3 décor par intervalles de confiance d une moyenne Complément : estimation d une variance Cours 5: Inférences:, Echantillonnage et
84 décor par intervalles de confiance d une moyenne, lorsque σ connu Cours 5: Inférences:, Echantillonnage et
85 décor par intervalles de confiance d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Etant donné une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Ainsi avec proba 1 α, on a : n σ ( X n µ) u α. ie : σ X n u α n µ X σ n + u α n Cours 5: Inférences:, Echantillonnage et
86 décor par intervalles de confiance d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Etant donné une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Ainsi avec proba 1 α, on a : n σ ( X n µ) u α. ie : σ X n u α n µ X σ n + u α n Cours 5: Inférences:, Echantillonnage et
87 décor par intervalles de confiance d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Etant donné une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Ainsi avec proba 1 α, on a : n σ ( X n µ) u α. ie : σ X n u α n µ X σ n + u α n Cours 5: Inférences:, Echantillonnage et
88 décor par intervalles de confiance d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Etant donné une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Ainsi avec proba 1 α, on a : n σ ( X n µ) u α. ie : σ X n u α n µ X σ n + u α n Cours 5: Inférences:, Echantillonnage et
89 décor par intervalles de confiance d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Etant donné une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Ainsi avec proba 1 α, on a : n σ ( X n µ) u α. ie : σ X n u α n µ X σ n + u α n Cours 5: Inférences:, Echantillonnage et
90 Exemple 1 décor par intervalles de confiance Une machine produit en grande série des objets de masse théorique 180g. On admet que la variable aléatoire qui associe à un objet sa masse a pour ecart-type 0,92g. On préléve un échantillon de 100 objets et on mesure la masse de chacun, on obtient une moyenne de 179,93g. Déterminer un intervalle de confiance au seuil de risque de 1%, de la masse µ d un objet. Cours 5: Inférences:, Echantillonnage et
91 Exemple 1 décor par intervalles de confiance Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ) On sait qu avec proba 1 α, X n u α σ n µ X n + u α σ n α = 0, 01 donne un u α = 2, 58. (table 2 de la loi normale centrée réduite) D où, 0, 92 0, , 93 2, 58 µ 179, , ie : Avec proba 0, 99 on a, µ [179, 69; 180, 17]. Cours 5: Inférences:, Echantillonnage et
92 Exemple 1 décor par intervalles de confiance Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ) On sait qu avec proba 1 α, X n u α σ n µ X n + u α σ n α = 0, 01 donne un u α = 2, 58. (table 2 de la loi normale centrée réduite) D où, 0, 92 0, , 93 2, 58 µ 179, , ie : Avec proba 0, 99 on a, µ [179, 69; 180, 17]. Cours 5: Inférences:, Echantillonnage et
93 Exemple 1 décor par intervalles de confiance Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ) On sait qu avec proba 1 α, X n u α σ n µ X n + u α σ n α = 0, 01 donne un u α = 2, 58. (table 2 de la loi normale centrée réduite) D où, 0, 92 0, , 93 2, 58 µ 179, , ie : Avec proba 0, 99 on a, µ [179, 69; 180, 17]. Cours 5: Inférences:, Echantillonnage et
94 décor par intervalles de confiance Exemple 2 : intervalle de confiance d une proportion Intervalle de confiance d une proportion lors d une élection, voir exemple détaillé en cours 3. Rappel des grandes lignes : Dans ce cas, les X i Bernoulli(p) avec p inconnu. La variance p(1 p), est donc également inconnue! On a donc avec proba 1 α, X n u α p(1 p) n µ X n + u α p(1 p) n L estimée précédente est à priori sans intérêt, puisque p(1 p) est inconnu.la clef consiste à remarquer que pour tout p [0; 1], on a p(1 p) 1/4. Ainsi, avec proba 1 α, X n u α 2 n µ X n + u α 2 n. Cours 5: Inférences:, Echantillonnage et
95 décor par intervalles de confiance Exemple 2 : intervalle de confiance d une proportion Intervalle de confiance d une proportion lors d une élection, voir exemple détaillé en cours 3. Rappel des grandes lignes : Dans ce cas, les X i Bernoulli(p) avec p inconnu. La variance p(1 p), est donc également inconnue! On a donc avec proba 1 α, X n u α p(1 p) n µ X n + u α p(1 p) n L estimée précédente est à priori sans intérêt, puisque p(1 p) est inconnu.la clef consiste à remarquer que pour tout p [0; 1], on a p(1 p) 1/4. Ainsi, avec proba 1 α, X n u α 2 n µ X n + u α 2 n. Cours 5: Inférences:, Echantillonnage et
96 décor par intervalles de confiance Exemple 2 : intervalle de confiance d une proportion Intervalle de confiance d une proportion lors d une élection, voir exemple détaillé en cours 3. Rappel des grandes lignes : Dans ce cas, les X i Bernoulli(p) avec p inconnu. La variance p(1 p), est donc également inconnue! On a donc avec proba 1 α, X n u α p(1 p) n µ X n + u α p(1 p) n L estimée précédente est à priori sans intérêt, puisque p(1 p) est inconnu.la clef consiste à remarquer que pour tout p [0; 1], on a p(1 p) 1/4. Ainsi, avec proba 1 α, X n u α 2 n µ X n + u α 2 n. Cours 5: Inférences:, Echantillonnage et
97 décor par intervalles de confiance Exemple 2 : intervalle de confiance d une proportion Intervalle de confiance d une proportion lors d une élection, voir exemple détaillé en cours 3. Rappel des grandes lignes : Dans ce cas, les X i Bernoulli(p) avec p inconnu. La variance p(1 p), est donc également inconnue! On a donc avec proba 1 α, X n u α p(1 p) n µ X n + u α p(1 p) n L estimée précédente est à priori sans intérêt, puisque p(1 p) est inconnu.la clef consiste à remarquer que pour tout p [0; 1], on a p(1 p) 1/4. Ainsi, avec proba 1 α, X n u α 2 n µ X n + u α 2 n. Cours 5: Inférences:, Echantillonnage et
98 décor par intervalles de confiance Exemple 2 : intervalle de confiance d une proportion Intervalle de confiance d une proportion lors d une élection, voir exemple détaillé en cours 3. Rappel des grandes lignes : Dans ce cas, les X i Bernoulli(p) avec p inconnu. La variance p(1 p), est donc également inconnue! On a donc avec proba 1 α, X n u α p(1 p) n µ X n + u α p(1 p) n L estimée précédente est à priori sans intérêt, puisque p(1 p) est inconnu.la clef consiste à remarquer que pour tout p [0; 1], on a p(1 p) 1/4. Ainsi, avec proba 1 α, X n u α 2 n µ X n + u α 2 n. Cours 5: Inférences:, Echantillonnage et
99 décor par intervalles de confiance d une moyenne, lorsque σ inconnu Cours 5: Inférences:, Echantillonnage et
100 décor par intervalles de confiance de la moyenne, dans le cas où la variance σ 2 est inconnue. On suppose dans ce cas que les X i suivent des lois normales N (µ, σ). Cours 5: Inférences:, Echantillonnage et
101 décor par intervalles de confiance n 1 On utilise le fait que T = S n ( X n µ) suit une loi de Student(n 1). Etant donné une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : Ainsi, n 1 S n ( X n µ) t α. S n S n X n t α µ X n + t α n 1 n 1 Cours 5: Inférences:, Echantillonnage et
102 décor par intervalles de confiance n 1 On utilise le fait que T = S n ( X n µ) suit une loi de Student(n 1). Etant donné une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : Ainsi, n 1 S n ( X n µ) t α. S n S n X n t α µ X n + t α n 1 n 1 Cours 5: Inférences:, Echantillonnage et
103 décor par intervalles de confiance n 1 On utilise le fait que T = S n ( X n µ) suit une loi de Student(n 1). Etant donné une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : Ainsi, n 1 S n ( X n µ) t α. S n S n X n t α µ X n + t α n 1 n 1 Cours 5: Inférences:, Echantillonnage et
104 décor par intervalles de confiance n 1 On utilise le fait que T = S n ( X n µ) suit une loi de Student(n 1). Etant donné une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : Ainsi, n 1 S n ( X n µ) t α. S n S n X n t α µ X n + t α n 1 n 1 Cours 5: Inférences:, Echantillonnage et
105 Exemple décor par intervalles de confiance Le chiffre d affaire mensuel d une entreprise suit une loi normale de moyenne µ et d écart-type σ inconnus. Sur les 12 derniers mois, on a observé une moyenne des chiffres d affaires égale à euros avec un écart-type de 2000 euros. Donner une estimation de µ par intervalle de confiance au niveau 0, 98. Cours 5: Inférences:, Echantillonnage et
106 Exemple décor par intervalles de confiance Le chiffre d affaire mensuel d une entreprise suit une loi normale de moyenne µ et d écart-type σ inconnus. Sur les 12 derniers mois, on a observé une moyenne des chiffres d affaires égale à euros avec un écart-type de 2000 euros. Donner une estimation de µ par intervalle de confiance au niveau 0, 98. Cours 5: Inférences:, Echantillonnage et
107 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
108 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
109 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
110 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
111 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
112 Exemple décor par intervalles de confiance Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11) A l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98 Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. ie : µ [ X 12 2, 718 S ; X 12 2, 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Cours 5: Inférences:, Echantillonnage et
113 décor par intervalles de confiance 3 décor par intervalles de confiance d une moyenne Complément : estimation d une variance Cours 5: Inférences:, Echantillonnage et
114 décor par intervalles de confiance Complément : estimation d une variance, lorsque µ connue et échantillon Gaussien Cours 5: Inférences:, Echantillonnage et
115 décor par intervalles de confiance Etimation de la variance, on ne traitera que le cas GAUSSIEN! On suppose dans ce cas que les X i suivent des lois normales N (µ, σ). Cours 5: Inférences:, Echantillonnage et
116 Cas où la moyenne µ est connue. décor par intervalles de confiance On utilise l estimateur Ŝn 2 = 1 n i=1...n (X i µ) 2 On sait que Z = nŝn 2 χ 2 (n) σ 2 Etant donné, un taux d erreur α, à l aide de la table de la loi du χ 2, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n). Cours 5: Inférences:, Echantillonnage et
117 Cas où la moyenne µ est connue. décor par intervalles de confiance On utilise l estimateur Ŝn 2 = 1 n i=1...n (X i µ) 2 On sait que Z = nŝn 2 χ 2 (n) σ 2 Etant donné, un taux d erreur α, à l aide de la table de la loi du χ 2, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n). Cours 5: Inférences:, Echantillonnage et
118 Cas où la moyenne µ est connue. décor par intervalles de confiance On utilise l estimateur Ŝn 2 = 1 n i=1...n (X i µ) 2 On sait que Z = nŝn 2 χ 2 (n) σ 2 Etant donné, un taux d erreur α, à l aide de la table de la loi du χ 2, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n). Cours 5: Inférences:, Echantillonnage et
119 Cas où la moyenne µ est connue. décor par intervalles de confiance On utilise l estimateur Ŝn 2 = 1 n i=1...n (X i µ) 2 On sait que Z = nŝn 2 χ 2 (n) σ 2 Etant donné, un taux d erreur α, à l aide de la table de la loi du χ 2, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n). Cours 5: Inférences:, Echantillonnage et
120 décor par intervalles de confiance Détermination des nombres m α et M α : une méthode... Une manière possible de procéder est de trouver m α et M α tels que P(Z M α ) = α/2 et P(Z m α ) = α/2 FIGURE: Allure de la densité d un χ 2. Cours 5: Inférences:, Echantillonnage et
121 décor par intervalles de confiance Détermination des nombres m α et M α : une méthode... Une manière possible de procéder est de trouver m α et M α tels que P(Z M α ) = α/2 et P(Z m α ) = α/2 FIGURE: Allure de la densité d un χ 2. Cours 5: Inférences:, Echantillonnage et
122 décor par intervalles de confiance Détermination des nombres m α et M α : une méthode... Une manière possible de procéder est de trouver m α et M α tels que P(Z M α ) = α/2 et P(Z m α ) = α/2 FIGURE: Allure de la densité d un χ 2. Cours 5: Inférences:, Echantillonnage et
123 Cas où la moyenne µ est connue. décor par intervalles de confiance On déduit donc, P(m α nŝn 2 σ 2 M α ) 1 α. Ainsi, ie : P( nŝn 2 σ [Ŝn M α σ 2 nŝn 2 ) 1 α. m α n n ; M Ŝn ] avec proba 1 α. α m α Cours 5: Inférences:, Echantillonnage et
124 Cas où la moyenne µ est connue. décor par intervalles de confiance On déduit donc, P(m α nŝn 2 σ 2 M α ) 1 α. Ainsi, ie : P( nŝn 2 σ [Ŝn M α σ 2 nŝn 2 ) 1 α. m α n n ; M Ŝn ] avec proba 1 α. α m α Cours 5: Inférences:, Echantillonnage et
125 Cas où la moyenne µ est connue. décor par intervalles de confiance On déduit donc, P(m α nŝn 2 σ 2 M α ) 1 α. Ainsi, ie : P( nŝn 2 σ [Ŝn M α σ 2 nŝn 2 ) 1 α. m α n n ; M Ŝn ] avec proba 1 α. α m α Cours 5: Inférences:, Echantillonnage et
126 décor par intervalles de confiance Complément : estimation d une variance, lorsque µ inconnu et échantillon Gaussien Cours 5: Inférences:, Echantillonnage et
127 Cas où la moyenne µ est inconnue. décor par intervalles de confiance On utilise même démarche en remplaçant Ŝ n 2, par l estimateur S 2 n = 1 n (X i X n ) 2 i=1...n On sait alors que Z = ns2 n σ 2 χ 2 (n 1) A l aide de la table du χ 2, pour le taux α, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n 1). Cours 5: Inférences:, Echantillonnage et
128 Cas où la moyenne µ est inconnue. décor par intervalles de confiance On utilise même démarche en remplaçant Ŝ n 2, par l estimateur S 2 n = 1 n (X i X n ) 2 i=1...n On sait alors que Z = ns2 n σ 2 χ 2 (n 1) A l aide de la table du χ 2, pour le taux α, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n 1). Cours 5: Inférences:, Echantillonnage et
129 Cas où la moyenne µ est inconnue. décor par intervalles de confiance On utilise même démarche en remplaçant Ŝ n 2, par l estimateur S 2 n = 1 n (X i X n ) 2 i=1...n On sait alors que Z = ns2 n σ 2 χ 2 (n 1) A l aide de la table du χ 2, pour le taux α, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n 1). Cours 5: Inférences:, Echantillonnage et
130 Cas où la moyenne µ est inconnue. décor par intervalles de confiance On utilise même démarche en remplaçant Ŝ n 2, par l estimateur S 2 n = 1 n (X i X n ) 2 i=1...n On sait alors que Z = ns2 n σ 2 χ 2 (n 1) A l aide de la table du χ 2, pour le taux α, on détermine deux nombres m α et M α tels que : P(m α Z M α ) 1 α, où Z χ 2 (n 1). Cours 5: Inférences:, Echantillonnage et
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
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 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 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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailTESTS 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 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 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 détailEstimation: 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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
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 détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
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 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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en 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 détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailCONCOURS 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
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 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détail