Statistique Biosciences Licence 1
|
|
- Marie-Noëlle Thibodeau
- il y a 7 ans
- Total affichages :
Transcription
1 Statistique Biosciences Licence 1 Richard Emilion February 14, 2012
2 2 / 36 Indications sur le Cours Chapitre I : Statistique Descriptive Univariée
3 2 / 36 Indications sur le Cours Chapitre I : Statistique Descriptive Univariée
4 2 / 36 Indications sur le Cours Chapitre I : Statistique Descriptive Univariée
5 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Indications sur le Cours 3 / 36
6 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Horaires 4 / 36 4 cours de 2h Mardi 24/01, 14/02, 06/03, 13/03, 15h45-17h45 (Orléans) Jeudi 26/01, 16/02, 08/03, 15/03, 15h30-17h30 (Chartres) richard.emilion@univ-orleans.fr 4 séances de TD de 2h
7 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Contenu du Cours 5 / 36 Chapitre I : Statistique descriptive univariée Chapitre II : Régression linéaire simple
8 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Contenu du Cours 5 / 36 Chapitre I : Statistique descriptive univariée Chapitre II : Régression linéaire simple Chapitre III : Test de Student
9 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Contenu du Cours 5 / 36 Chapitre I : Statistique descriptive univariée Chapitre II : Régression linéaire simple Chapitre III : Test de Student
10 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Contenu du Cours 5 / 36 Chapitre I : Statistique descriptive univariée Chapitre II : Régression linéaire simple Chapitre III : Test de Student
11 Horaires Contenu du Cours Chapitre I : Statistique descriptive univariée Chapitre I : Statistique descriptive univariée 6 / 36
12 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633)
13 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868)
14 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville
15 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie
16 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie Biologie Statistique
17 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie Biologie Statistique Sir R.A. Fisher : Biologie, Génétique, Statistique
18 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie Biologie Statistique Sir R.A. Fisher : Biologie, Génétique, Statistique Interaction : biostatistique, biotechnologies, bioinformatique
19 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie Biologie Statistique Sir R.A. Fisher : Biologie, Génétique, Statistique Interaction : biostatistique, biotechnologies, bioinformatique Biologie Statistique Informatique
20 Bref Historique 7 / 36 Status (latin), Stato (Italien) : État Statistique Statista (1500), Statistica (1633) Statistik (1746), Statistics (1798), Statistique (1868) John Graunt ( ) : tables de naissance/mortalité, estimation de la population d une ville A l origine : Statistique Démographie Biologie Statistique Sir R.A. Fisher : Biologie, Génétique, Statistique Interaction : biostatistique, biotechnologies, bioinformatique Biologie Statistique Informatique
21 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) 8 / 36
22 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude...
23 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique
24 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique Ex : ω = une baleine, ω = une cellule, ω = une goutte
25 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique Ex : ω = une baleine, ω = une cellule, ω = une goutte Échantillon de Ω : sous-ensemble fini de Ω : ω 1,..., ω N Exemples : 30 baleines, 100 cellules, 1000 gouttes
26 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique Ex : ω = une baleine, ω = une cellule, ω = une goutte Échantillon de Ω : sous-ensemble fini de Ω : ω 1,..., ω N Exemples : 30 baleines, 100 cellules, 1000 gouttes Taille N de l Échantillon : nombre d éléments de l échantillon. Ex : N = 30, 100, 1000.
27 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique Ex : ω = une baleine, ω = une cellule, ω = une goutte Échantillon de Ω : sous-ensemble fini de Ω : ω 1,..., ω N Exemples : 30 baleines, 100 cellules, 1000 gouttes Taille N de l Échantillon : nombre d éléments de l échantillon. Ex : N = 30, 100, Échantillonnage : techniques de choix judicieux et réaliste de l échantillon
28 Population, Individus, Unité, Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillon 9 / 36 Ensemble que l on veut étudier : Population, Ω Exemples : Ω = {baleines}, Ω = {cellules du foie}, Ω = Sang de Claude... Élément ω de Ω : individu ou unité statistique Ex : ω = une baleine, ω = une cellule, ω = une goutte Échantillon de Ω : sous-ensemble fini de Ω : ω 1,..., ω N Exemples : 30 baleines, 100 cellules, 1000 gouttes Taille N de l Échantillon : nombre d éléments de l échantillon. Ex : N = 30, 100, Échantillonnage : techniques de choix judicieux et réaliste de l échantillon
29 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Objectif 10 / 36 Objectif : A partir de l échantillon observé, inférer (déduire) des propriétés sur Ω Intérêts pratiques : décrire, contrôler, prédire, apporter une aide à la décision
30 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Objectif 10 / 36 Objectif : A partir de l échantillon observé, inférer (déduire) des propriétés sur Ω Intérêts pratiques : décrire, contrôler, prédire, apporter une aide à la décision
31 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillonnage, Strates 11 / 36 L échantillonnage peut être Probabiliste : toute unité a une chance d être choisie Non probabiliste : choix arbitraire des sondés
32 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillonnage, Strates 11 / 36 L échantillonnage peut être Probabiliste : toute unité a une chance d être choisie Non probabiliste : choix arbitraire des sondés Stratifié : Ω est partitionné en strates (groupes) homogènes disjoints, sélection dans chaque strate d un petit échantilllon. Exemple : strates d âges, de profession,...
33 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillonnage, Strates 11 / 36 L échantillonnage peut être Probabiliste : toute unité a une chance d être choisie Non probabiliste : choix arbitraire des sondés Stratifié : Ω est partitionné en strates (groupes) homogènes disjoints, sélection dans chaque strate d un petit échantilllon. Exemple : strates d âges, de profession,...
34 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Échantillonnage, Strates 11 / 36 L échantillonnage peut être Probabiliste : toute unité a une chance d être choisie Non probabiliste : choix arbitraire des sondés Stratifié : Ω est partitionné en strates (groupes) homogènes disjoints, sélection dans chaque strate d un petit échantilllon. Exemple : strates d âges, de profession,...
35 Table de nombres au hasard
36 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Caractère, Domaine, Modalites 13 / 36 Caractère ou Variable X : Application de Ω dans un ensemble connu V appelé Domaine. Les éléments de V sont appelés Modalités Caractère, Variable, Descripteur
37 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Caractère, Domaine, Modalites 13 / 36 Caractère ou Variable X : Application de Ω dans un ensemble connu V appelé Domaine. Les éléments de V sont appelés Modalités Caractère, Variable, Descripteur Exemple : Ω = {baleines}, X : Ω [0, + [ X (ω) : poids de la baleine ω. Donc ici V = [0, + [.
38 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Caractère, Domaine, Modalites 13 / 36 Caractère ou Variable X : Application de Ω dans un ensemble connu V appelé Domaine. Les éléments de V sont appelés Modalités Caractère, Variable, Descripteur Exemple : Ω = {baleines}, X : Ω [0, + [ X (ω) : poids de la baleine ω. Donc ici V = [0, + [. Exemple : Ω = {cellules}, X : Ω V = {cancéreuse, non cancéreuse }
39 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Caractère, Domaine, Modalites 13 / 36 Caractère ou Variable X : Application de Ω dans un ensemble connu V appelé Domaine. Les éléments de V sont appelés Modalités Caractère, Variable, Descripteur Exemple : Ω = {baleines}, X : Ω [0, + [ X (ω) : poids de la baleine ω. Donc ici V = [0, + [. Exemple : Ω = {cellules}, X : Ω V = {cancéreuse, non cancéreuse }
40 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Caractère, Domaine, Modalites 13 / 36 Caractère ou Variable X : Application de Ω dans un ensemble connu V appelé Domaine. Les éléments de V sont appelés Modalités Caractère, Variable, Descripteur Exemple : Ω = {baleines}, X : Ω [0, + [ X (ω) : poids de la baleine ω. Donc ici V = [0, + [. Exemple : Ω = {cellules}, X : Ω V = {cancéreuse, non cancéreuse }
41 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée
42 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω.
43 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction.
44 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction. Caractère Qualitatif : type, couleur, profession
45 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction. Caractère Qualitatif : type, couleur, profession Qualitatif ordinal. Ex. V = {Blanc, Gris, Noir} peut être ordonné
46 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction. Caractère Qualitatif : type, couleur, profession Qualitatif ordinal. Ex. V = {Blanc, Gris, Noir} peut être ordonné Qualitatif nominal. Ex. V = {Homme, Femme}
47 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction. Caractère Qualitatif : type, couleur, profession Qualitatif ordinal. Ex. V = {Blanc, Gris, Noir} peut être ordonné Qualitatif nominal. Ex. V = {Homme, Femme}
48 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Typologie des Variables 14 / 36 Caractère Quantitatif : on peut faire des opérations arithmétiques sur V. En général V = N, Z, R, R 2,... Exemples : Poids, Taille, Durée Quantitatif discret : V est dénombrable. Ex : X (ω) = Nombre de feuilles de ω. Quantitatif continu : V non dénombrable. Ex : Temps de réaction. Caractère Qualitatif : type, couleur, profession Qualitatif ordinal. Ex. V = {Blanc, Gris, Noir} peut être ordonné Qualitatif nominal. Ex. V = {Homme, Femme}
49 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Observations, Notation : x i 15 / 36 Si l échantillon a N éléments : ω 1,..., ω N on note x 1 l observation X (ω 1 ),..., x N l observation X (ω N ).
50 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Observations, Notation : x i 15 / 36 Si l échantillon a N éléments : ω 1,..., ω N on note x 1 l observation X (ω 1 ),..., x N l observation X (ω N ). Exemple : N = 30 baleines, X : Poids en Kg x i = , , , , , , , , , , , , , , , , , , , , , , , , , , ,
51 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Observations, Notation : x i 15 / 36 Si l échantillon a N éléments : ω 1,..., ω N on note x 1 l observation X (ω 1 ),..., x N l observation X (ω N ). Exemple : N = 30 baleines, X : Poids en Kg x i = , , , , , , , , , , , , , , , , , , , , , , , , , , , On dit aussi qu on a observé une distribution de N nombres.
52 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Observations, Notation : x i 15 / 36 Si l échantillon a N éléments : ω 1,..., ω N on note x 1 l observation X (ω 1 ),..., x N l observation X (ω N ). Exemple : N = 30 baleines, X : Poids en Kg x i = , , , , , , , , , , , , , , , , , , , , , , , , , , , On dit aussi qu on a observé une distribution de N nombres.
53 Population, Individus, Unité, Échantillon Objectif Échantillonnage Table de nombres au hasard 12 / 36 Caractère, Domaine, Modalités Typologie des Variables Observations, Notation : x i, Distribution Effectif, Notation : (x i, N i ) Effectif, Notation : (x i, N i ) 16 / 36 Pour simplifier l affichage, si une donnée (une observation) x i se répète N i fois on affiche simplement (x i, N i ). Exemple : x i = 5, 3, 4, 3, 7, 5, 4, 3, 9, 7, 3, 4, 5, 7, 4, 8, 4, 9 se notera (x i, N i ) = (3,4), (4,5), (5,3), (7,3), (8,1), (9,2). Ces dernières valeurs sont distinctes. N i s appelle l effectif de la valeur x i Ici la taille de l échantillon est N = 18. Noter que la somme des effectifs vaut 18, la taille de l échantillon. De manière générale, on a N i = N i
54 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul 17 / 36
55 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Moyenne 18 / 36 Variable quantitative. On appelle moyenne m de l échantillon observé la moyenne arithmétique des observations: m = x x N N Si les observations distinctes sont exprimées avec des effectifs, en remarquant que = 3x5, on a x x N = i N i x i et donc m = i N i x i N
56 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Propriétés de la Moyenne 19 / 36 la moyenne résume la distribution de N nombres en un seul nombre on peut montrer que c est le meilleur, en un certain sens, résumé
57 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Propriétés de la Moyenne 19 / 36 la moyenne résume la distribution de N nombres en un seul nombre on peut montrer que c est le meilleur, en un certain sens, résumé la moyenne indique une tendance générale de la distribution.
58 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Propriétés de la Moyenne 19 / 36 la moyenne résume la distribution de N nombres en un seul nombre on peut montrer que c est le meilleur, en un certain sens, résumé la moyenne indique une tendance générale de la distribution. Quand N est assez grand, on montre que la moyenne m est une bonne estimation (approximation) de la moyenne inconnue, notée µ, de la population Ω x x est de moyenne nulle : on a centré x
59 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Propriétés de la Moyenne 19 / 36 la moyenne résume la distribution de N nombres en un seul nombre on peut montrer que c est le meilleur, en un certain sens, résumé la moyenne indique une tendance générale de la distribution. Quand N est assez grand, on montre que la moyenne m est une bonne estimation (approximation) de la moyenne inconnue, notée µ, de la population Ω x x est de moyenne nulle : on a centré x
60 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance avec biais 20 / 36 Variance, var : moyenne des carrés des écarts entre observations et m. var 0, On pose s = var, soit var = s 2. Donc s 0 et s 2 = (x 1 m) (x N m) 2. N On va montrer que s 2 = x x2 N N m 2 s 2 = moyenne des carrés moins carré de la moyenne. Si les observations distinctes sont exprimées avec des effectifs, on a s 2 = i N i x 2 i N m 2
61 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance : Démonstration 21 / 36 On part de (x i m) 2 = xi 2 2x i m + m 2 On a (x i m) 2 = xi 2 2m x i + m 2 i i i i = xi 2 2mNm + Nm 2 car i i x i = Nm = i x 2 i Nm 2 en divisant les deux membres par N on obtient donc s 2 = x x 2 N N m 2
62 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m
63 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m variance grande : distribution dispersée par rapport à m
64 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m variance grande : distribution dispersée par rapport à m s 2 : estimation de la variance inconnue de la population, s écarte de celle-ci : estimation avec biais.
65 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m variance grande : distribution dispersée par rapport à m s 2 : estimation de la variance inconnue de la population, s écarte de celle-ci : estimation avec biais. N On pose σ = N 1 s soit σ2 = N N 1 s2
66 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m variance grande : distribution dispersée par rapport à m s 2 : estimation de la variance inconnue de la population, s écarte de celle-ci : estimation avec biais. N On pose σ = N 1 s soit σ2 = N N 1 s2 σ 2 : estimation sans biais de la variance inconnue de la population
67 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Variance sans biais 22 / 36 si les observations sont en mètres, variance : en mètres carrés variance petite : distribution concentrée autour de m variance grande : distribution dispersée par rapport à m s 2 : estimation de la variance inconnue de la population, s écarte de celle-ci : estimation avec biais. N On pose σ = N 1 s soit σ2 = N N 1 s2 σ 2 : estimation sans biais de la variance inconnue de la population
68 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Ecart-type 23 / 36 On appelle écart-type le nombre s = var s est dans la même unité que les observations
69 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Ecart-type 23 / 36 On appelle écart-type le nombre s = var s est dans la même unité que les observations s exprime une distance entre la distribution et la moyenne m
70 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Ecart-type 23 / 36 On appelle écart-type le nombre s = var s est dans la même unité que les observations s exprime une distance entre la distribution et la moyenne m plus s est petit plus la distribution est concentrée autour de la moyenne m
71 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Ecart-type 23 / 36 On appelle écart-type le nombre s = var s est dans la même unité que les observations s exprime une distance entre la distribution et la moyenne m plus s est petit plus la distribution est concentrée autour de la moyenne m σ est l écart-type correspondant à une variance sans biais.
72 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Ecart-type 23 / 36 On appelle écart-type le nombre s = var s est dans la même unité que les observations s exprime une distance entre la distribution et la moyenne m plus s est petit plus la distribution est concentrée autour de la moyenne m σ est l écart-type correspondant à une variance sans biais.
73 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Erreur standard, coefficient de variation 24 / 36 On appelle Erreur standard (e.s.) le nombre s N ou dans le cas sans biais σ N s m : Coefficient de Variation. Indicateur de turbulence en physique, de volatilité en finance
74 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Erreur standard, coefficient de variation 24 / 36 On appelle Erreur standard (e.s.) le nombre s N ou dans le cas sans biais σ N s m : Coefficient de Variation. Indicateur de turbulence en physique, de volatilité en finance
75 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Erreur standard, coefficient de variation 24 / 36 On appelle Erreur standard (e.s.) le nombre s N ou dans le cas sans biais σ N s m : Coefficient de Variation. Indicateur de turbulence en physique, de volatilité en finance
76 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Graphique moyenne, Erreur-Standard 25 / 36 L intervalle [m s N,m + s N ] centré en m : souvent choisi comme intervalle qui contient la vraie moyenne µ de la population avec une grande confiance. Richard Emilion sstatistique Biosciences s Licence 1
77 Moyenne Propriétés de la Moyenne Variance avec biais Variance : Démonstration Variance sans biais Ecart-type Erreur standard, coefficient de variation Graphique moyenne, Erreur-Standard Exemple de calcul Exemple de calcul 26 / 36 Temps de réaction (secondes) par ordre croissant Σ x i N i N = 465 N i x i N i xi N i cum m = 9,11, s 2 = 1,205, s = 1,098. e.s. = s 465 = 0, 051
78 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Mode 27 / 36 Temps de réaction (secondes). Σ x i N i N = 465 N i x i N i xi N i cum Mode = 9. Valeur pour laquelle l effectif est le plus grand. Ici il n y a qu un seul mode. Distribution monomodale. Il se peut qu il y ait deux modes : distribution bimodale, ou plusieurs modes : distribution multimodale.
79 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant
80 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.1, x (5) = 4.4, x (6) = 4.4, x (7) = 5.1, x (8) = 5.1, x (9) = 5.4, x (10) = 5.6, x (11) = 6.1
81 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.1, x (5) = 4.4, x (6) = 4.4, x (7) = 5.1, x (8) = 5.1, x (9) = 5.4, x (10) = 5.6, x (11) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus.
82 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.1, x (5) = 4.4, x (6) = 4.4, x (7) = 5.1, x (8) = 5.1, x (9) = 5.4, x (10) = 5.6, x (11) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus. Dans ce cas-ci : Médiane = x (6) = 4.4. Il y a 6 observations en dessous de cette valeur et 6 au dessus (en comptant la médiane).
83 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.1, x (5) = 4.4, x (6) = 4.4, x (7) = 5.1, x (8) = 5.1, x (9) = 5.4, x (10) = 5.6, x (11) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus. Dans ce cas-ci : Médiane = x (6) = 4.4. Il y a 6 observations en dessous de cette valeur et 6 au dessus (en comptant la médiane).
84 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N impair 28 / 36 N = 11 longueurs de pétales d iris (Fisher) x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.1, x (5) = 4.4, x (6) = 4.4, x (7) = 5.1, x (8) = 5.1, x (9) = 5.4, x (10) = 5.6, x (11) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus. Dans ce cas-ci : Médiane = x (6) = 4.4. Il y a 6 observations en dessous de cette valeur et 6 au dessus (en comptant la médiane).
85 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant
86 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1
87 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus.
88 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Dans ce cas-ci : Médiane = x (5)+x (6) 2 = = 4.75.
89 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Dans ce cas-ci : Médiane = x (5)+x (6) 2 = = Il y a 5 observations en dessous et 5 au dessus de cette valeur.
90 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Dans ce cas-ci : Médiane = x (5)+x (6) 2 = = Il y a 5 observations en dessous et 5 au dessus de cette valeur.
91 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane, N pair 29 / 36 N = 10 longueurs de pétales d iris x i = Ranger par ordre croissant x (1) = 1.5, x (2) = 1.5, x (3) = 1.7, x (4) = 4.4, x (5) = 4.4, x (6) = 5.1, x (7) = 5.1, x (8) = 5.4, x (9) = 5.6, x (10) = 6.1 Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Dans ce cas-ci : Médiane = x (5)+x (6) 2 = = Il y a 5 observations en dessous et 5 au dessus de cette valeur.
92 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane 30 / 36 Obrservations x 1,..., x N Ranger par ordre croissant
93 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane 30 / 36 Obrservations x 1,..., x N Ranger par ordre croissant x (1)... x (i)... x (N)
94 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane 30 / 36 Obrservations x 1,..., x N Ranger par ordre croissant x (1)... x (i)... x (N) Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus.
95 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane 30 / 36 Obrservations x 1,..., x N Ranger par ordre croissant x (1)... x (i)... x (N) Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Médiane = x ( N+1 ) si N est impair 2 x ( N 2 ) +x ( N 2 +1) 2 si N est pair
96 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Médiane 30 / 36 Obrservations x 1,..., x N Ranger par ordre croissant x (1)... x (i)... x (N) Médiane : valeur centrale, 50% de l échantillon est au dessous de cette valeur, 50% au dessus dessus. Médiane = x ( N+1 ) si N est impair 2 x ( N 2 ) +x ( N 2 +1) 2 si N est pair
97 Mode Médiane (1) Médiane (2) Médiane (3) Quartiles Quartiles 31 / 36 Temps de réaction (secondes). Ranger par ordre croissant. Σ x i N i N = 465 N i x i N i xi N i cum er quartile Q 1 = 8, plus petite valeur de x i où le cumul des N i dépasse 25% de 465 = 116,25. 2ème quartile = Médiane, Q 2 = 9 (cum dépasse 50% 465 = 232,5). 3ème quartile Q 3 = 10 (cumul dépasse 75% 465 = 348,75).
98 Boîte à moustache Diagramme sectoriel Histogramme Fonction de Répartition Fonction de Répartition Boîte à moustache 32 / 36 Figure: Min, Q 1, Q 2, Q 3, Max Max - Min : Étendue, Q 3 Q 1 : Écart interquartile
99 Boîte à moustache Diagramme sectoriel Histogramme Fonction de Répartition Fonction de Répartition Diagramme sectoriel 33 / 36 Variable Qualitative. Séquence ADN. x i = A, C, G, C, A, T, C, G, A, A, C, T, T, G, A, A, A, A, G, A, G, G, A, A, C, T, C, C, A, A. Figure: A (43.3%), C (23.3%) G(20%) T(13.3%)
100 Boîte à moustache Diagramme sectoriel Histogramme Fonction de Répartition Fonction de Répartition Histogramme de fréquence 34 / 36 N = 100, m = , s 2 = 43.03, s = 6.56, σ 2 = 43.46, σ = 6.59 Poids de 100 Baleines (Tonnes) Densité < Surface S3 = > < Surface S2 = > <--Surface S1 = > q1 = q2 = q3 = 155 Surface Totale des rectangles = Poids (Tonnes) Figure: Histogramme de fréquence et quartiles
101 Boîte à moustache Diagramme sectoriel Histogramme Fonction de Répartition Fonction de Répartition Fonction de Répartition 35 / 36 Variable Quantitative Discrète. Nombre de fourmis (50 feuilles). (x i, N i ) = (1, 5), (2, 9), (3, 15), (4, 10), (5, 6), (6, 3), (8, 2). Figure: Cumul des fréquences 1 (0.1), 2 (0.18), 3 (0.3), 4 (0.2), 5 (0.12), 6 (0.06), 8 (0.04)
102 Boîte à moustache Diagramme sectoriel Histogramme Fonction de Répartition Fonction de Répartition Fonction de Répartition 36 / 36 Variable Quantitative Continue. Longueur de pétale de 50 Iris Ventosa (Fisher). (x i, N i ) = (]4.5 5], 9), (]5 5.5], 16), (]5.5 6], 16), (]6 6.5], 5), (]6.5 7], 4) Fréquences : 0.18, 0.32, 0.32, 0.10, Iris Vetosa Fréquence cumulée Q1=5.12 Q2=5.5 Q3= Longueur de Pétale Figure: Fonction de Répartition, Quartiles
Représentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en 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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
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 détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailSTATISTIQUES DESCRIPTIVES
1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
Plus en détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailStatistique descriptive. Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne. Notes de cours
Statistique descriptive Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne Notes de cours Dernière mise à jour le mercredi 25 février 2009 1 ère année de Licence Aix & Marseille
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
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 détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
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 détailLicence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015.
Licence Economie-Gestion, 1ère Année Polycopié de Statistique Descriptive. Année universitaire : 2014-2015. Thèmes des séances de TD Thème n.1: Tableaux statistiques et représentations graphiques. Thème
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 détailIntroduction à la statistique descriptive
Chapitre chapitre 1 Introduction à la statistique descriptive Les méthodes de la statistique descriptive (statistique déductive) permettent de mener des études à partir de données exhaustives, c est-à-dire
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailSéquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement
Séquence 4 Statistiques Sommaire Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement 1 Introduction «Etude méthodique des faits sociaux par des
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 détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
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 détailINFIRMIER(E) GRADUE(E) SPECIALISE(E) EN SANTE COMMUNAUTAIRE HAUTE ECOLE DE LA PROVINCE DE LIEGE PROFESSEUR : RENARD X.
INFIRMIER(E) GRADUE(E) SPECIALISE(E) EN SANTE COMMUNAUTAIRE HAUTE ECOLE DE LA PROVINCE DE LIEGE PROFESSEUR : RENARD X. Année scolaire 009-010 TABLE DES MATIERES CHAPITRE 1: Eléments de statistiques descriptives...
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en 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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
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 détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
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 détailBulletin d information statistique
INFOSTAT JUSTICE Divorces : une procédure à deux vitesses Zakia Belmokhtar * Mai 2012 Numéro 117 En visant à permettre un règlement plus rapide et plus complet des demandes en divorce, la loi du 26 mai
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
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 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 détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en 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 détail4 Statistiques. Les notions abordées dans ce chapitre CHAPITRE
CHAPITRE Statistiques Population (en milliers) 63 6 6 6 Évolution de la population en France 9 998 999 3 Année Le graphique ci-contre indique l évolution de la population française de 998 à. On constate
Plus en détailStatistiques - Cours. 1. Gén éralités. 2. Statistique descriptive univari ée. 3. Statistique descriptive bivariée. 4. Régression orthogonale dans R².
Statistiques - Cours Page 1 L I C E N C E S c i e n t i f i q u e Cours Henri IMMEDIATO S t a t i s t i q u e s 1 Gén éralités Statistique descriptive univari ée 1 Repr é s e n t a t i o n g r a p h i
Plus en détailUNIVERSITE DE TOULON UFR FACULTE DE DROIT REGLEMENT D EXAMEN ANNEE 2012/2017 LICENCE DROIT MENTION DROIT GENERAL
UNIVERSITE DE TOULON UFR FACULTE DE DROIT REGLEMENT D EXAMEN ANNEE 01/017 LICENCE DROIT MENTION DROIT GENERAL Les présentes règles s inscrivent dans le cadre réglementaire national défini par les tetes
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 détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en 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 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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
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 détailChapitre 6 La lumière des étoiles Physique
Chapitre 6 La lumière des étoiles Physique Introduction : On ne peut ni aller sur les étoiles, ni envoyer directement des sondes pour les analyser, en revanche on les voit, ce qui signifie qu'on reçoit
Plus en détailDocument d accompagnement. de la 1 re à la 8 e année. Exemples de tâches et corrigés. 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Normes de performance de la Colombie-Britannique Document d accompagnement Mathématiques de la 1 re à la 8 e année Exemples de tâches et corrigés 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailObservatoire Economique et Statistique d Afrique Subsaharienne
Observatoire Economique et Statistique d Afrique Subsaharienne Termes de référence pour le recrutement de quatre (4) consultants dans le cadre du Projet «Modules d initiation à la statistique à l attention
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 détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailSERIE 1 Statistique descriptive - Graphiques
Exercices de math ECG J.P. 2 ème A & B SERIE Statistique descriptive - Graphiques Collecte de l'information, dépouillement de l'information et vocabulaire La collecte de l information peut être : directe:
Plus en détailglossaire Appellation commerciale Voir nom de marque.
glossaire Accessibilité financière Le coût d un traitement par rapport au revenu de la population. dans cette enquête, le salaire journalier minimum d un employé non-qualifié du secteur public est comparé
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 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 détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détail2 Moodle Guide 2c : banque de questions et activité Test. Version du service
2 Moodle Guide 2c : banque de questions et activité Test Résumé de la fonctionnalité Une question est un type d exercice qui peut être évalué. La banque de questions permet de gérer, de regrouper ou de
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 détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailPrésentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée
Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de
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 détailÉlément 424b Introduction à la statistique descriptive
CTU Master AGPS De la donnée à la connaissance : traitement, analyse et transmission Élément 44b Introduction à la statistique descriptive Prof. Marie-Hélène de Sède-Marceau Année / Statistique Introduction
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 détailTD 11. Les trois montages fondamentaux E.C, B.C, C.C ; comparaisons et propriétés. Association d étages. *** :exercice traité en classe.
TD 11 Les trois montages fondamentaux.,.,. ; comparaisons et propriétés. Association d étages. *** :exercice traité en classe ***exercice 11.1 On considère le montage ci-dessous : V = 10 V R 1 R s v e
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détail