Estimation et intervalle de confiance
|
|
- Antoinette Charpentier
- il y a 7 ans
- Total affichages :
Transcription
1 Estimation et intervalle de confiance S. Robin AgroParisTech, dépt. MMIP 8 octobre 2007 A lire : Chapitre 3 Estimation de paramètre du livre Statistique Inférentielle, Daudin, R., Vuillet (2001) 1
2 Estimation d un paramètre 3 exemples d estimation. On souhaite connaître 1. le taux de germination de graines de tournesol ; 2. le viscosité moyenne d un polymère en vue de fabrication de composant électronique, et la variabilité de cette viscosité; 3. la fréquence de l allèle A dans une population. Les quantités d intérêt sont des valeurs théoriques (paramètres) dont les vraies valeurs ne seront jamais connues mais qu on souhaite estimer à partir de données expérimentales. Taux de germination : π = probabilité pour qu une graine de tournesol germe (dans des conditions données). Viscosité : µ = espérance de la viscosité mesurée sur un échantillon de polymère, σ 2 = variance de cette viscosité. Fréquence allélique : p = probabilité qu un allèle pris au hasard dans la population soit un A. 2
3 Expérience. Taux de germination : on dispose n = 40 graines sur du papier buvard humide et on compte le nombre X de graines ayant germé au bout de 8 jours. Viscosité : on extrait n = 10 échantillons de la production et on mesure leur viscosités X 1,...,X 10. Fréquence allélique : on échantillonne n = 100 individus dans la population et on compte le nombre X AA d homozygotes A, le nombre X Aa d hétérozygotes et le nombre X aa d homozygotes aa. Modèle statistique. Taux de germination : le nombre de graine ayant germé suit une loi binomiale X B(n, π) Pr{X = x} = C x nπ x (1 π) n x 3
4 Viscosité : les mesures de viscosité sont Indépendantes et Identiquement Distribuées (i.i.d.) selon une loi normale {X i } i.i.d., X i N(µ,σ 2 ) ; f(x) = 1 ] [ σ 2π exp (x µ)2 2σ 2 Fréquence allélique : si la population est à l équilibre de Hardy-Weinberg (loi de Mendel) le vecteur des effectifs suit une loi multinomiale de probabilités (p 2,2pq, q 2 ) : (X AA,X Aa, X aa ) M(n; p 2, 2pq,q 2 ) en notant q = 1 p, Pr{X AA = x AA,X Aa = x Aa, X aa = x aa } = n! x AA!x Aa!x aa! (p2 ) x AA (2pq) x Aa (q 2 ) x aa 4
5 Estimateur. Définition. Un estimateur est une fonction des variables aléatoires de l expérience, T = f(x 1, X 2,...,X n ). Taux de germination : on propose d estimer la probabilité π par la proportion T = X/n. Viscosité : on propose d estimer l espérance µ par la moyenne n T 1 = 1 n i=1 X i et la variance (théorique) σ 2 par la variance (empirique) T 2 = 1 n 1 n (X i T 1 ) 2 i=1 Fréquence allélique :...? 5
6 Données. Taux de germination : on observe x = 36 graines germées parmi 40 ; Viscosité : on mesure x i = 78, 84, 91,76, 79, 71, 83,84, 75, 90 Fréquence allélique : on observe les effectifs x AA = 5, x Aa = 20, x aa = 75. Estimation. Définition. L estimation est la réalisation de l estimateur lors de l expérience : t = f(x 1,x 2,...,x n ). Taux de germination : on obtient t = 36/40 = 0.9. Viscosité : on obtient Fréquence allélique :...? t 1 = 81.1, t 2 =
7 Propriétés d un estimateur L estimation t fournie par l expérience est une valeur fixe sur laquelle on peut rien dire de plus. L inférence sur la vraie valeur θ du paramètre ne peut se faire qu à partir des propriétés de l estimateur (aléatoire) T. Quelques propriétés d un estimateur. Espérance : on espère que (T) est proche de θ. Biais : (T) = (T) θ mesure l erreur systématique de l estimateur. Variance : on souhaite que l estimateur ne soit pas trop variant, i.e. que Î(T) soit petite. Écart quadratique moyen : c est une mesure synthétique de l erreur d estimation EQM(T) = [ (T θ) 2 ] = [ (T)] 2 + Î(T) Loi : si on arrive a déterminer la loi de T (T F), on connaît tout de son comportement et de ses propriétés. 7
8 Exemples Proportion : (taux de germination) X B(n, π), T = X n, (T) =?, Î(T) =? Moyenne : (taux viscosité) {X i } i.i.d. N(µ, σ 2 ), T 1 = 1 n n X i, (T 1 ) =?, Î(T 1 ) =? i=1 Variance : (taux viscosité) {X i } i.i.d. N(µ, σ 2 ), T 2 = 1 n 1 n (X i T 1 ) 2, (T 2 ) =? i=1 8
9 Exemples Proportion : (taux de germination) X B(n, π), T = X n, (T) = π, Î(T) = π(1 π) n Moyenne : (taux viscosité) {X i } i.i.d. N(µ, σ 2 ), T 1 = 1 n n i=1 X i, (T 1 ) = µ, Î(T 1 ) = σ2 n Variance : (taux viscosité) {X i } i.i.d. N(µ, σ 2 ), T 2 = 1 n 1 n (X i T 1 ) 2, (T 2 ) =? i=1 9
10 Méthode d estimation Maximum de vraisemblance Définition. La vraisemblance V(x 1,...,x n,θ) est la (densité de) probabilité d observer les valeurs x 1,...,x n pour la valeur θ du paramètre. Variables discrètes : V(x 1,...,x n,θ) = P θ (X 1 = x 1,...,X n = x n ) n = P θ (X i = x i ) si X 1,...,X n sont i.i.d. Variables continues : i=1 V(x 1,...,x n, θ) = f θ (x 1,...,x n ) n = f θ (x i ) i=1 densité conjointe de X 1,...,X n si X 1,...,X n sont i.i.d. 10
11 Estimation par maximum de vraisemblance Principe. On prend comme estimation du paramètre inconnu la valeur t qui rend l échantillon observé x 1,...,x n le plus probable, i.e. qui maximise sa vraisemblance : t MV = arg max θ Θ V(x 1,...,x n ;θ) en notant Θ l ensemble des valeurs possibles de θ. t est donc une fonction des données t MV = g(x 1,...,x n ) Définition. L Estimateur du Maximum de Vraisemblance (EMV) est la variable aléatoire définie par T MV = g(x 1,..., X n ). 11
12 Exemples Taux de germination : X B(n, π) Viscosité : X i N(µ, σ 2 ) V(x;n, π) en fonction de π V({x i }; µ,σ 2 ) en fonction de µ et σ 2 n = 40,x = x x V V π µ σ² t = 0.9 t 1 = 81.1, t 2 =
13 Propriétés fondamentales des EMV Hypothèses. On suppose que différentes conditions de régularité (f θ (x) > 0 x,f θ (x) deux fois différentiable par rapport à θ, Θ, intervalle ouvert,...) sont satisfaites. Propriétés asymptotiques. Biais. T MV est asymptotiquement sans biais : lim n + (T) = 0. Information de Fisher. Elle est définie par I(θ) = { } 2 ln[fθ (x)] > 0 θ Loi asymptotique. T MV est asymptotiquement gaussien n(tmv θ) L n + N(0, I(θ) 1 ). Sous certaines conditions de régularité de f aucun estimateur sans biais ne peut avoir de variance inférieure I(θ) 1 (borne de Cramer-Rao). Transformation. T MV EMV de θ φ(t MV ) EMV de φ(θ) si φ est continue. 13
14 Exemple 3 : Loi multinomiale / Fréquence allélique. Il est plus simple de maximiser le logarithme de la vraisemblance ln V(x AA, x Aa,x aa ;n, p) ( ) n! = ln + x AA ln(p 2 ) + x Aa ln(2pq) + x aa ln(q 2 ) x AA!x Aa!x aa! = constante + (2x AA + x Aa ) ln(p) + (x Aa + 2x aa ) ln(1 p) Sa dérivée par rapport à, p vaut (avec q = 1 p) : ln V p = 2x AA + x Aa p x Aa + 2x aa 1 p et s annule pour p = (2x AA + x Aa )/2n. L estimateur du maximum de vraisemblance est donc T = 2X AA + X Aa. 2n 14
15 Estimation. On a observé sur n = 100 individus les effectifs x AA = 5, x Aa = 20, x aa = 75. On obtient donc t = 2x AA + x Aa 2n = = Variance de l estimateur. Pour des proportions empiriques égales, les échantillons de plus grandes tailles donnent un maximum plus accentué, donc une dérivée seconde plus forte (négative), donc une variance plus faible. n x AA x Aa x aa t log(v) p 15
16 Méthode des moments Principe. Les paramètres d une loi de probabilité sont reliés aux moments. Pour une loi à p paramètres, on peut exprimer ces paramètres en fonction des p premiers moments. Méthode. On estime les p premiers moments par les moments empiriques (moyenne, variance,...) et on en déduit les estimateurs des paramètres. Propriétés. Pas de propriétés générales analogues à celles obtenues pour le maximum de vraisemblance. Exemple : Fréquence allélique. Pour une fréquence p, l espérance du nombre d homozygotes AA vaut (X AA ) = np 2. Estimation. La méthode des moments propose comme estimateur de p : T = X AA /n. Estimation. Pour n = 100 et x AA = 5, on obtient t = 5/100 =
17 Ou encore. On peut aussi utiliser l espérance du nombre d homozygotes aa : (X aa ) = n(1 p) 2 qui donne l estimateur T = 1 X aa /n et, pour n = 100 et x aa = 75, l estimation t = 1 75/100 = Remarques. Il faut faire l étude de ces estimateurs pour connaître leurs propriétés (biais, variance, loi). Intuitivement, ils risquent d être moins précis que l EMV car ils n utilisent pas toute l information (seulement X AA ou X aa ). 17
18 Intervalle de confiance Objectifs. En complément de l estimation, on veut donner un intervalle ayant de bonnes chances de contenir la vraie valeur du paramètre. Méthode. On définit deux bornes B 1 = f 1 (X 1,...,X n ) et B 2 = f 2 (X 1,...,X n ) telles que Pr{B 1 θ B 2 } = 1 α où α est petit, typiquement, α = 1% ou 5%. 1 α est la probabilité de recouvrement (et α la probabilité de non-recouvrement). Intervalle de confiance. L intervalle [b 1 ;b 2 ] avec b 1 = f 1 (x 1,...,x n ) et b 2 = f 2 (x 1,...,x n ) est appeler intervalle de confiance (IC) 1 α pour le paramètre θ : IC 1 α (θ) = [b 1 ;b 2 ]. Remarque.L intervalle [b 1 ; b 2 ] est déterministe, il n a donc pas une probabilité 1 α de contenir θ. Seul l intervalle aléatoire [B 1 ; B 2 ] a cette propriété. 18
19 Construction d un intervalle de confiance pour l espérance Cas de la loi normale. On considère un échantillon {X 1,...,X n } i.i.d. N(µ, σ 2 ). On veut construire un intervalle de confiance 1 α pour l espérance µ. Loi de l estimateur de µ. On prend comme estimateur de µ la moyenne X qui suit une loi normale X = 1 n ) X i N (µ, σ2 n n i=1 car c est une combinaison linéaire de variables normales indépendantes. Variance σ 2 connue. On définit la statistique pivotale (i.e. dont la loi ne dépend pas des paramètres) X µ σ/ N(0, 1). n 19
20 Construction de l IC. On note u p le quantile d ordre p de la loi normale N(0, 1) α = 0.05, u = u = 1.96 La loi de X nous assure que 0.25 Pr { u α/2 X µ } σ/ n u 1 α/2 = 1 α α/2 1 α α/2 On en déduit Pr{X + u α/2 σ n }{{} B σ µ X + u 1 α/2 n } = 1 α. }{{} B 2 L intervalle de confiance est donc : IC 1 α (µ) = [x + u α/2 σ n }{{} b 1 ] σ σ ; x + u 1 α/2 n ] = [x ± u 1 α/2 n }{{} b 2 20
21 Largeur de l IC. La largeur de cet intervalle vaut B 2 B 1 = 2u 1 α/2 σ n soit, pour α = 5%, u 1 α/2 2, B 2 B 1 4σ/ n. La largeur dépend de l écart type σ. Elle décroît comme 1/ n. Il faut 4 fois plus de données pour avoir un intervalle 2 fois moins large; 100 fois plus de données pour un intervalle 10 fois moins large. Pour obtenir un intervalle de la forme [x ± δ] (largeur 2δ), il faut prendre n = u 2 σ 2 1 α/2 δ 2. C est une critère pour fixer la taille d un échantillon. 21
22 Variance σ 2 inconnue. On estime l espérance µ par la moyenne X et la variance σ 2 par S 2 = 1 n (X i X) 2. n 1 i=1 On définit la statistique pivotale qui suit une loi de Student à (n 1) degrés de libertés X µ S/ T (n 1). n Intervalle de confiance. En notant t ν,p le quantile d ordre p de la loi T ν, on a S Pr X + t n 1,α/2 n }{{} B 1 B 2 S µ X + t n 1,1 α/2 n = 1 α. }{{} L intervalle de confiance vaut donc : IC 1 α (µ) = [ ] s x ± t n 1,1 α/2 n 22
23 Exemple : Viscosité On a n = 10 mesures x i = 78,84, 91, 76,79, 71, 83, 84,75, 90 et on obtient x = 81.1, s 2 = 41.9 s = Pour une confiance de 95% (α = 0.05), le quantile correspondant vaut t 3,0.975 = On obtient l intervalle IC 95% (µ) = [76.5 ; 85.7]. Echantillon de plus grande taille. Si on avait obtenu la même moyenne et la même variance empirique sur un échantillon de taille n = 100 (t 99,0.975 = 1.984), on aurait obtenu IC 95% (µ) = [79.8 ; 82.4]. 23
24 Intervalle de confiance pour une variance Estimateur. On estime la variance σ 2 par la variance empirique S 2. Loi de l estimateur. La variance empirique suit une loi du Khi-2 à (n 1) degrés de libertés (χ 2 n 1) : α = 0.05,ν = 9 χ 9,0.025 = 2.7, χ 9,0.975 = 19.0 (n 1)S 2 σ 2 χ 2 n α/2 1 α α/ Bornes. On obtient les bornes B 1 = (n 1)s2 χ 2, B 2 = n 1;1 α 2 (n 1)s2 χ 2 n 1; α 2 Exemple : Viscosité. n = 10 mesures, s 2 = 41.9,s = 6.47 : IC 95% (σ 2 ) = [19.8 ; 139.6], IC 95% (σ) = [4.4 ; 11.8]. 24
25 Intervalle de confiance pour une probabilité Estimateurs. On estime la probabilité (de germination) π par la proportion : P = X/n. Intervalle de confiance approché. On reprend l intervalle établi dans le cas gaussien avec variance connue en utilisant la convergence de la loi binomiale vers la loi normale le fait la variance de X dépend de la probabilité π : Î(X) = nπ(1 π). On obtient les bornes B 1 = P u 1 α 2 P(1 P) n P(1 P), B 2 = P + u 1 α 2. n Exemple : Taux de germination. n = 40 graines dont 36 ont germées : IC 95% (π) = [0.81 ; 0.99], 25
26 Références Théorique : Cours de statistique mathématique, A. Monfort, Economica Pratique : Aide-mémoire pratique des techniques, Statistiques Ceresta Généraliste : Probabilités, analyses des données et statistiques, G. Saporta, Technip. 26
Lois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en 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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en 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 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 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 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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
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 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 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 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 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
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 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 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailCommun 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 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 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 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 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLA 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 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 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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en 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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailLes 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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
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 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
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 détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 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 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 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 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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
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 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en 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 détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
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 détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
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 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 détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
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 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 détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
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 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 détailReprésentation 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 détail