Chapitre 3 : INFERENCE

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 3 : INFERENCE"

Transcription

1 Chapitre 3 : INFERENCE 3.3 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 1 / 67

2 Chapitre 3 : INFERENCE 3.3 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 2 / 67

3 H et H 1 (1) On peut distinguer deux approches inférentielles : o l estimation ponctuelle et par intervalle des paramètres de la population, et o les tests d hypothèses, servant à déterminer si une assertion au sujet de la valeur d un paramètre de la population doit être ou non rejetée. Le point de départ d un test d hypothèse est l hypothèse nulle, notée H. Le complément de H est l hypothèse alternative, notée H 1 (parfois aussi H a ). H et H 1 sont antagonistes, càd mutuellement exclusives. H peut être considérée comme l hypothèse de statu-quo ou de stabilité, tandis que H 1 est l hypothèse de recherche ou d évolution (càd ce qu il s agit de prouver). Les tests d hypothèse 3 / 67

4 H et H 1 (2) Le cas le plus courant sont des tests d hypothèses paramétriques, portant sur des assertions sur un paramètre θ. Dans ce cas, on distingue trois formes principales de H et H 1 : } o H : θ θ ; H 1 : θ < θ tests unilatéraux o H : θ θ ; H 1 : θ > θ o H : θ = θ ; H 1 : θ θ test bilatéral On peut aussi formuler des tests d hypothèses non paramétriques, notamment si on veut savoir si une variable de la population suit une certaine distribution statistique, ou si deux variables aléatoires sont indépendantes. Les tests d hypothèse 4 / 67

5 H et H 1 (3) A l issue du test, on aboutit à l une des deux décisions suivantes : o non-rejet de H, ou o rejet de H Exemple Statville : o Hypothèses pour tests paramétriques unilatéraux : H : x 4 H : p.5 o Hypothèses pour tests paramétriques bilatéraux : H : x = 55 H : p =.52 o Hypothèses pour tests non paramétriques : H : revenu N(55, 6) H : la distribution des revenus est indépendante du sexe Les tests d hypothèse 5 / 67

6 Chapitre 3 : INFERENCE 3.3 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 6 / 67

7 Bases (1) Soit H est vraie, soit H 1 est vraie, mais pas les deux. Idéalement, le test devrait conduire à l acceptation de H lorsque H est vraie et au rejet de H lorsque H 1 est vraie. Cependant, puisque les tests d hypothèses sont basés sur les informations d un échantillon, nous devons admettre la possibilité d erreurs. Deux types d erreur sont possibles : o Le test rejette H tandis que H est vrai. On commet une erreur de première espèce. (ou : «de Type I»). o Le test ne rejette pas H tandis que H 1 est vrai. On commet une erreur de seconde espèce. (ou : «de Type II») Les tests d hypothèse 7 / 67

8 Bases (2) La probabilité de commettre une erreur de première espèce s appelle le «seuil de signification», noté α. Les valeurs de α typiquement choisies sont 5%, 1% ou 1%. La probabilité de commettre une erreur de seconde espèce s appelle le «risque de seconde espèce», noté β. La puissance d un test, notée γ, est la probabilité de rejeter H correctement, càd quand H est effectivement fausse. γ = 1 β Maximiser la puissance d un test est minimiser le risque de deuxième espèce. Les tests d hypothèse 8 / 67

9 Tableau récapitulatif Réalité inconnue H vraie H 1 vraie accusé est innocent accusé est coupable Non-rejet de H libérer l accusé Conclusion correcte (1 α) Erreur de seconde espèce (β) Conclusion du test Rejet de H pendre l accusé libérer l innocent Erreur de première espèce (α) libérer le coupable Conclusion correcte (1 β) = γ pendre l innocent pendre le coupable Les tests d hypothèse 9 / 67

10 α contre β (1) Il y a un arbitrage entre seuil de signification et risque de deuxième espèce : plus α est bas, plus β est élevé. Autrement dit : Plus on abaisse le seuil de signification, plus on réduit la puissance du test. (Plus on diminue le risque de pendre l innocent, plus on augmente le risque de libérer le coupable.) La plupart des tests sont des «tests de signification» ne permettant de choisir que le niveau de α, qui impliquera un certain niveau de β. Définir comme H l assertion qu il serait plus coûteuse d écarter à tort ( «hypothèse privilégiée» ; présomption d innocence ; «fardeau de la preuve» sur H 1 ) Choisir un seuil de signification d autant plus bas qu il serait coûteux de rejeter H par erreur (càd de commettre une erreur de première espèce) Les tests d hypothèse 1 / 67

11 α contre β (2) La puissance d un test est liée non seulement au seuil de signification mais aussi à la divergence entre H et la vérité : Le test est d autant plus puissant que θ est différent de θ. Exemple 1 : Plus le revenu moyen supposé par le syndic de Statville avant de mener l analyse (µ ) est différent du revenu moyen effectif (µ), plus le risque d accepter µ à tort est faible. Exemple 2 : Plus le crime effectivement commis par l accusé est grave, moins il y a de risque qu il soit acquitté à tort. C est à cause de l incertitude liée à l erreur de second espèce dans les tests de signification qu on utilise l expression «nonrejet de H» plutôt que l expression «acceptation de H». Les tests d hypothèse 11 / 67

12 Chapitre 3 : INFERENCE 3.3 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 12 / 67

13 Test unilatéral, σ connu Rappel : En réalité, σ est rarement connu, mais il est utile de commencer l explication des méthodes inférentielles en supposant que tel soit le cas. Tout comme dans le cas de l estimation d intervalles de confiance, les méthodes pour tester des hypothèses présentées ci-dessous sont exactes si l échantillon est issu d une population normalement distribuée. Autrement, ces méthodes restent applicables si la taille de l échantillon est suffisamment grande ( théorème centrale limite). Nous commençons par étudier des tests unilatéraux : o H : θ θ ; H 1 : θ < θ (test unilatéral inférieur) o H : θ θ ; H 1 : θ > θ (test unilatéral supérieur) Les tests d hypothèse 13 / 67

14 Exemple Statville (1) Imaginons que les communes soient éligibles pour des subventions fédérales si leur revenu moyen est < 54 francs. Le syndic est l administration fédérale sont donc intéressés à savoir si µ < 54 ou µ 54. (Rappel : µ = 518, σ = 4) Supposons que l administration fédérale cherche à minimiser ses dépenses et préfèrerait donc ne pas devoir verser des subventions. De son point de vue il serait donc plus grave de conclure à tort que Statville soit éligible pour des subventions que de conclure à tort que Statville ne soit pas éligible. Elle cherche donc à contrôler le risque de conclure à tort que µ < 54. H : µ 54 ; H 1 : µ < 54 Les tests d hypothèse 14 / 67

15 Exemple Statville (2) Supposons que le syndic aimerait bien recevoir des subventions, que ça soit justifié ou non. De son point de vue il serait donc plus grave de conclure à tort que Statville n est pas éligible pour des subventions que de conclure à tort que Statville est éligible. Il cherche donc à contrôler le risque de conclure à tort que µ 54. H : µ ; H 1 : µ > Puisque c est elle qui paierait, supposons que l administration fédérale arrive à imposer sa formulation des hypothèses d analyse, et qu elle exige un seuil de signification de 1% ainsi qu un échantillon aléatoire simple couvrant au moins 1.2% de la population communale (Statville : = 3). Les tests d hypothèse 15 / 67

16 Exemple Statville (3) Distribution d échantillonnage de la moyenne d échantillon x lorsque H est «tout juste» vraie (µ = 54): σ 4 σ x = = = 73.3 n 3 54 Les tests d hypothèse 16 / 67

17 La statistique de test Sous H, et puisque la distribution d échantillon de x est normale : x µ z = N (,1) σ x Pour des tests d hypothèses relatifs à la moyenne d une population dans le cas de σ connu, nous utilisons la variable aléatoire normale centrée réduite z comme statistique de test pour déterminer si x s écarte suffisamment de µ pour entraîner le rejet de H. Les tests d hypothèse 17 / 67

18 Approche par la valeur p La valeur p (ou «probabilité critique») liée à la statistique de test z donne la probabilité que la statistique de test observée dans l échantillon se soit produite si H était vraie. Ainsi, la valeur p mesure le soutien fourni par l échantillon à H et permet de déterminer si H doit être rejetée étant donné α. Si on décide de rejeter H, la valeur p donne la probabilité de commettre une erreur de première espèce. Une valeur p petite implique un risque faible d erreur de première espèce. Avec σ connu, et une fois qu on a choisi un seuil de signification α, on rejette H si p α, x µ o où : p = P z si H 1 : µ > µ (test unilatéral supérieur), σ n x µ o et : p = P z si H 1 : µ < µ (test unilatéral inférieur). σ n Les tests d hypothèse 18 / 67

19 Exemple Statville (4) Statistique de test : x µ x µ z = = = = = 2.99 σ σ n x Ainsi, la valeur p correspond à la P(z 2.99) = P(z 2.99). Table des probabilités normales centrées réduites P( z 2.99) = P( z < ) P( 2.99 < z < ) = P( z > ) P( < z < 2.99) = =.14 ou P( z 2.99) = 1 P( z < 2.99) = =.14 version de la table du manuel de Anderson et al. version de la table sur le site du cours Les tests d hypothèse 19 / 67

20 Exemple Statville (5) σ 4 σ x = = = 73.3 n 3 Puisque.14 <.1, on rejette H Statville a droit à des subventions x = z = v aleur p =.14 x Excel : =LOI.NORMALE.STANDARD(-2.99) µ = 54 z = Les tests d hypothèse 2 / 67

21 Approche par la valeur critique La valeur critique d un test unilatéral est égale à la valeur de la statistique de test qui correspond à une aire α (le seuil de signification) dans la queue pertinente de la distribution d échantillonnage de la statistique de test. En d autre termes, la valeur critique est la plus petite valeur de la statistique de test, en valeur absolue, qui entraîne le rejet de H. Avec σ connu, et une fois qu on a choisi un seuil de signification α, on rejette H si z z (1 α). Les approches par la valeur p ou par la valeur critique conduisent toujours à la même décision. L approche par la valeur critique est plus simple si on utilise les tables statistiques, mais les valeurs p donnent plus d information et sont donc fournies par les logiciels statistiques. Les tests d hypothèse 21 / 67

22 Exemple Statville (6) z (.5.1) = z.49 = 2.33 Les tests d hypothèse 22 / 67

23 Test bilatéral, σ connu Formulation du test : H : µ = µ ; H 1 : µ µ Tout comme pour le test bilatéral, sous H, et puisque la distribution d échantillon de x est normale, la statistique de test est donnée par : x µ z = N (,1) σ x Approche par la valeur p : Avec σ connu, et une fois qu on a choisi un seuil de signification x µ x µ α, on rejette H si p α, où p = P( z ) + P( z ) σ σ Approche par la valeur critique : Avec σ connu, et une fois qu on a choisi un seuil de signification α, on rejette H si z z 1 (α/2) Les tests d hypothèse 23 / 67 x x

24 Exemple Statville (7) Imaginons que le syndic débatte du salaire moyen avec ses conseillers. Il est convaincu que le salaire moyen est de 5 francs, tandis que certains conseillers pensent que cette estimation est trop basse et d autres croient qu elle est trop élevé. Ils font donc un pari sur o H, défendue par le syndic : µ = 5, et o H 1, défendue par les conseillers : µ 5. Ils se mettent d accord de fixer un seuil de confiance de 5% (donc d admettre un risque avec une probabilité de 5% de rejeter l estimation du syndic même qu il ait raison). n = 3, x = 51814, et σ = 4 (supposé connu) x µ x µ z = = = = = 2.48 σ σ n x Les tests d hypothèse 24 / 67

25 Exemple Statville (8) Distribution d échantillonnage de la moyenne d échantillon x lorsque H est vraie (µ = 5): σ 4 σ x = = = 73.3 n 3 µ = 5 Les tests d hypothèse 25 / 67

26 Exemple Statville (9) Approche par la valeur p : Le syndic perd son pari, car 1.3% < 5%. P z 2.48 =.66 P ( z 2.48) =.66 ( ) Excel : =LOI.NORMALE.STANDARD(-2.48) valeur p = 2.66 =.132 Les tests d hypothèse 26 / 67

27 Exemple Statville (1) Approche par la valeur critique : Le syndic perd son pari, car 2.48 > 1.96 = z.975. S ils s étaient mis d accord sur un seuil de signification de 1%, ce qui aurait impliqué une exigence plus forte pour rejeter H, le syndic aurait gagné le pari. o valeur p : 1.3% > 1 % o valeur critique : 2.48 < = z.995 Les tests d hypothèse 27 / 67

28 Test unilatéral, σ inconnu (1) Dans la plupart des cas pratiques, on doit s appuyer sur l échantillon pour l estimation de µ (via x ) et de σ (via s). Tout comme pour les intervalles de confiance, les tests d hypothèse avec σ inconnu sont basés sur la distribution du t de Student. Sous H, la statistique de test devient donc : t x µ n = t s n 1 Les tests d hypothèse 28 / 67

29 Test unilatéral, σ inconnu (2) Approche par la valeur p : Avec σ inconnu et une fois qu on a choisi un seuil de signification α, on rejette H si p α, o où : o et : p p = P t = P t x µ s n n 1 x µ s n n 1 Approche par la valeur critique : si H 1 : µ > µ (test unilatéral supérieur), si H 1 : µ < µ (test unilatéral inférieur). Avec σ inconnu, et une fois qu on a choisi un seuil de signification n 1 α, on rejette H si t t α. Les tests d hypothèse 29 / 67

30 Exemple Statville (11) Reprenons la question si la commune de Statville est éligible pour des subventions fédérales, donc si µ < 54 ou µ 54 ; et supposons que ni µ ni σ ne soient connus (ce qui est bien plus réaliste que de supposer que σ soit connu). n = 3, x = 51814, s = 3348 H : µ 54 ; H 1 : µ < 54 (test unilatéral inférieur) x µ Statistique de test : t = = = = 3.58 s n Les tests d hypothèse 3 / 67

31 Exemple Statville (12) Approche par la valeur p : o La valeur p correspond à la P(t ) = P(t ) o Table des probabilités du t de Student, 29 degrés de liberté t 29.1 = 3.396, t 29.5 = (voir table sur site du cours) la valeur p doit être inférieure à.1 et supérieur à.5, mais on ne peut pas dire davantage o Excel : =LOI.STUDENT(3.58;29;1) donne la valeur p exacte (p =.6). Approche par la valeur critique : o t = 3.58 > t = H rejetée 29.1 Les tests d hypothèse 31 / 67

32 Test bilatéral, σ inconnu Formulation du test : H : µ = µ ; H 1 : µ µ Tout comme pour le test bilatéral, sous H, et puisque la distribution d échantillon de x est normale, la statistique de test est donnée par : x µ n 1 t = t s n Approche par la valeur p : Avec σ inconnu, et une fois qu on a choisi α, on rejette H si p α, où x µ x µ p = P t + P t s n s n Approche par la valeur critique : Avec σ inconnu, et une fois qu on a choisi α, on rejette H si t t α. n 1 2 n 1 n 1 ( ) ( ) Les tests d hypothèse 32 / 67

33 Exemple Statville (13) Rappel : le pari entre le syndic et ses conseillers o H, défendue par le syndic : µ = 5, et o H 1, défendue par les conseillers : µ 5 o Seuil de confiance de 5% n = 3, x = 51814, s = 3348 x µ t = = = = s n Les tests d hypothèse 33 / 67

34 Exemple Statville (14) Approche par la valeur p : Le syndic perd son pari, car.6% < 5%. 29 P( t 2.97) =.3 29 P( t 2.97) = t valeur p = 2.3 =.6 Les tests d hypothèse 34 / 67

35 Test d hypothèse et intervalle de confiance (1) Définition de l intervalle de confiance pour µ avec un seuil de confiance 1 α : x ± t n 1 α 2 s n Définition de la région de non-rejet de H pour x dans un test d hypothèse bilatéral avec un seuil de signification α : µ ± t n 1 α 2 s n (impliqué par statistique de test «critique» : t x n 1 = = tα 2) s µ n Les tests d hypothèse 35 / 67

36 Test d hypothèse et intervalle de confiance (2) Pour un α donné, si x se situe dans la région de non-rejet, µ se situe dans l intervalle de confiance. Inversement, si µ est dans l intervalle de confiance, x sera dans la région de non-rejet de H : µ = µ. On peut donc utiliser les intervalles de confiance pour tester des hypothèses bilatérales sur µ : o Si µ est contenu dans l intervalle de confiance, on ne peut pas rejeter H : µ = µ, à un seuil de signification α. o Si µ n est pas contenu dans l intervalle de confiance, on peut rejeter H : µ = µ, à un seuil de signification α. Les tests d hypothèse 36 / 67

37 Test d hypothèse et intervalle de confiance (3) Test d une hypothèse unilatérale sur µ : o Exemple : H : µ µ (test unilatéral inférieur) o Si µ est contenu dans l intervalle de confiance, on ne peut pas rejeter H : µ µ, à un seuil de signification α/2. o Si la borne inférieure de l intervalle de confiance est en dessus de µ, on ne peut pas rejeter H : µ µ, à un seuil de signification α/2. o Si la borne supérieure de l intervalle de confiance est en dessous de µ, on peut rejeter H : µ µ, à un seuil de signification α/2. Les tests d hypothèse 37 / 67

38 Exercice Excel Générer échantillon aléatoire : ( 518,4) x N, n = 3 o Utilitaire d analyse Génération de nombres aléatoires Calculer x, (s n) o Utilitaire d analyse Statistiques descriptives Calculer statistique de test de la moyenne, t (H : µ = 52) o =(x -52)/ (s n) Calculer valeur p d un test unilatéral supérieur (H 1 : µ > 52) o =SI(t>;LOI.STUDENT(t;29;1);1-LOI.STUDENT(-t;29;1)) Calculer valeur p d un test unilatéral inférieur (H 1 : µ < 52) o =SI(t>;1-LOI.STUDENT(t;29;1);LOI.STUDENT(-t;29;1)) Calculer valeur p d un test bilatéral (H 1 : µ 52) o =SI(t>;LOI.STUDENT(t;29;2);LOI.STUDENT(-t;29;2)) Les tests d hypothèse 38 / 67

39 Signifiance statistique et signifiance pratique signifiance statistique signifiance pratique/économique! Un résultat «statistiquement significatif» est un résultat qui ne peut être expliqué (à une certaine probabilité près) par µ µ 1 l erreur d échantillonnage. «grand» s n Un résultat «économiquement significatif» est un résultat dont l ampleur est suffisamment grande qu il est judicieux d en tenir compte. µ 1 µ «grand» En augmentant n suffisamment, toute H peut être rejetée sauf une H exactement correcte. Ne pas s intéresser uniquement à la signification statistique, particulièrement quand on travaille avec des grands échantillons! Les tests d hypothèse 39 / 67

40 Chapitre 3 : INFERENCE 3.4 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 4 / 67

41 Puissance du test Rappel : La puissance d un test, γ = 1 β, est la probabilité de rejeter H correctement, càd quand H est effectivement fausse. Maximiser la puissance d un test est minimiser le risque de deuxième espèce. La puissance d un test o augmente avec la distance entre la vraie valeur du paramètre et la valeur hypothétique θ θ (cas d un test sur les moyennes : µ µ ), o augmente quand on augmente le seuil de signification α (α β γ ), o diminue quand l écart type de la population σ augmente, et o augmente quand on augmente la taille de l échantillon n. Les tests d hypothèse 41 / 67

42 Test unilatéral Puissance d un test unilatéral sur la moyenne : o H : µ µ ; H 1 : µ < µ ; seuil de signification : α o Puissance du test ( n 1 = γ = 1 β = P x µ ) tα s n H1 ( n 1 = P x µ ) tα s n µ = µ 1 < µ n 1 µ tα s n µ 1 = P t s n 1 n 1 P t µ µ = t α s n o On peut voir par simple inspection de cette expression que γ doit augmenter quand augmentent ( µ µ 1), n et α, et diminuer quand augmente s. Les tests d hypothèse 42 / 67

43 Test bilatéral Puissance d un test bilatéral sur la moyenne : o H : µ = µ ; H 1 : µ µ ; seuil de signification : α o γ = 1 β ( n 1 ) ( n 1 µ ) α 2 1 µ α 2 1 = P x t s n H + P x + t s n H µ µ 1 n 1 µ µ 1 n 1 = P t tα 2 + P t + tα 2 s n s n o De nouveau, on peut voir par simple inspection de cette expression que γ doit augmenter quand augmentent µ µ 1, n et α, et diminuer quand augmente s. Les tests d hypothèse 43 / 67

44 Exemple Statville (1) Reprenons le test unilatéral pour les subventions fédérales, mais supposons que le seuil d éligibilité soit abaissé d un revenu moyen de 54 francs à un revenu moyen de 52 francs. H : µ 52 ; H 1 : µ < 52 n = 3, x = 51814, s = 3348 (rappel : µ = 518) x µ Statistique de test : t = = = =.3 s n valeur critique t = H non rejetée Question : Quelle est la probabilité que ce verdict ne soit pas correct? Donc, quelle est le risque d avoir commis un erreur de seconde espèce, β, et donc la puissance du test, γ = 1 β? Les tests d hypothèse 44 / 67

45 Exemple Statville (2) Afin de pouvoir calculer γ, il faut spécifier une valeur précise du paramètre sous H 1, µ 1. Définissons µ 1 ainsi que H 1 soit «tout juste» vraie : µ 1 = Donc µ µ γ = = s n n 1 29 P t tα P t t ( 29 = P t t ).1 P t t.1 = Si H 1 était donc «tout juste» vraie et le revenu moyen de Statville était en dessous du seuil critique de 1 franc, le risque de seconde espèce (càd de conclure à tort que Statville n est pas suffisamment pauvre) serait de 99 pourcent. Les tests d hypothèse 45 / 67

46 Exemple Statville (3) Comme alternative, définissons µ 1 ainsi que cette valeur corresponde au revenu moyen vrai (fictif) : µ 1 = γ = P t t = P t = P( t 2.135) ( ) γ =.2 (Excel : =LOI.STUDENT(2.135;29;1)) La puissance de ce test reste donc très faible, et il est judicieux de parler de «non-rejet» de H plutôt que d «acceptation» de H. Les tests d hypothèse 46 / 67

47 Exemple Statville (4) Augmentons encore l écart entre µ et µ 1 : µ 1 = γ = P t t = P t = P( t.81) ( ) γ =.79 (Excel : =1-LOI.STUDENT(.81;29;1)) En traçant ainsi la relation entre γ et µ µ 1 en variant µ 1, on peut dessiner la «courbe caractéristique» de la puissance d un test. Les tests d hypothèse 47 / 67

48 Exemple Statville (5) La courbe caractéristique pour le test unilatéral des moyennes H : µ 52 ; H 1 : µ < 52 ; n = 3, s = 3348 α =.1 1 α =.5.8 γ.6 α =.1 α = µ Les tests d hypothèse 48 / 67

49 Exemple Statville (6) Rappel : µ 1 = =.1 = = γ P t t P ( t ).79 Augmentons la taille de l échantillon à n = =.1 = = γ P t t P ( t ) test d hypothèse convergent : lim( γ ) = 1 n.91 Alternativement, augmentons le seuil de signification à α = γ = P t t.5 = P ( t ) = Les tests d hypothèse 49 / 67

50 Chapitre 3 : INFERENCE 3.5 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 5 / 67

51 Bases (1) Les trois cas de figure : o H : p p ; H 1 : p < p test unilatéral inférieur o H : p p ; H 1 : p > p test unilatéral supérieur o H : p = p ; H 1 : p p test bilatéral Si np > 5 et n(1 p) > 5, alors la distribution d échantillonnage de la proportion d échantillon p devient approximativement normale : p ( 1 p) p N ( p, σ ) p, où σ p = n Alors, sous H : p N ( p σ ), p, où σ p = p ( 1 p ) n Les tests d hypothèse 51 / 67

52 Bases (2) La statistique de test est donc donnée par : z p p p p = = σ p p ( 1 p ) n N (,1) Approche par la valeur critique : On rejette H o si z z 1 α, quand H 1 : p > p ou H 1 : p < p (test unilatéral), o et si z z 1 α/2, quand H 1 : p p (test bilatéral). Les tests d hypothèse 52 / 67

53 Bases (3) Approche par la valeur p : On rejette H si p α, où p p σ o p = P z o p = P z p p p σ p si H 1 : p > p (test unilatéral supérieur), si H 1 : p < p (test unilatéral inférieur), et p p p p o p = P z + P z σ p σ p si H 1 : p p (test bilatéral). Les tests d hypothèse 53 / 67

54 Exemple Statville (1) Imaginons que le syndic réfléchit à introduire un quorum de >5% de participation aux assemblées communales. Il cherche à trouver, à partir de son échantillon de 3 personnes, si ce quorum n aurait pas été atteint lors de la dernière assemblée. Il se fixe un seuil de signification de 5%. H : p.5 ; H 1 : µ >.5 ; α =.5 (test unilatéral supérieur) Approche par la valeur p : p p.63.5 p = P z = P z = P ( z 1.424) =.8 σ p.5( 1.5) 3 Approche par la valeur critique : z = < = z non-rejet de H!.95 Les tests d hypothèse 54 / 67

55 Exemple Statville (2) Aire =.43 valeur p = P(z 1.47) =.7 Les tests d hypothèse 55 / 67

56 Chapitre 3 : INFERENCE 3.6 LES TESTS D HYPOTHESE Formuler des hypothèses Erreurs de 1 e et 2 e espèce Test sur la moyenne d une population Puissance du test Proportion Tests du Khi-deux Les tests d hypothèse 56 / 67

57 Bases (1) Test d ajustement du khi-deux : on cherche à tester l hypothèse selon laquelle une variable de la population, x, suit une certaine distribution statistique L, avec q moments estimés dans l échantillon ( ˆ θ ˆ ˆ ) 1, θ2,..., θ q. Il s agit donc d un test d hypothèse non paramétrique. ˆ 1, ˆ ˆ 2,..., q ˆ 1, ˆ ˆ 2,..., q H : x L( θ θ θ ) ; H 1 : x L( θ θ θ ) X Les tests d hypothèse 57 / 67

58 Bases (2) Démarche : 1. grouper les valeurs observées de la variable en classes j = 1,,k, ainsi que l effectif théorique d ajustement (fréquence attendue) N soit au moins égal à 5 pour chaque t j classe (pour convergence de la loi binomiale vers la loi t N = n * P x Classe H 5 normale) : ( ) j 2. calculer pour chaque classe j le nombre d observations N j (fréquence observée) j 3. statistique de test : D ( t ) 2 k N j N j 2 t = χ t ( k q 1) j 1 N, si N j 5 = j j si les q moments sont estimés empiriquement ; autrement, prendre (k 1) degrés de liberté Les tests d hypothèse 58 / 67

59 Dérivation du test (1) Définition de la loi du khi-deux : ( ) z N,1 j ; z indépendants j k K z χ =, j = j k r où r indique le nombre de relations liant les différents z j. j Densité de la loi du χ 2 en fonction du nombre de degrés de liberté Les tests d hypothèse 59 / 67

60 Dérivation du test (2) Supposez une variable binomiale Y 1 Bin( n, p 1 ), avec une 2 moyenne µ = np et une variance σ Y = np1(1 p1). Y 1 1 Dans le contexte du test du khi-deux, Y 1 correspondrait à la fréquence observée, et np 1 correspondrait à la fréquence attendue de la classe 1. Théorème centrale limite (convergence de la loi binomiale vers la Y1 µ Y1 loi normale) Z = N (,1), si np 5. σ Y 1 1 Les tests d hypothèse 6 / 67

61 Dérivation du test (3) Supposez k = 2 Y2 = n Y1 et p2 = 1 p1. Alors : Z ( Y np ) ( Y np ) ( 1 p ) + ( Y np ) p np1 ( 1 p1 ) np1 ( 1 p1 ) ( Y1 np1 ) ( Y1 np1 ) ( Y1 np1 ) ( Y2 np2 ) np n ( 1 p ) np np = = = + = Avec k variables de ce type, on peut montrer que : k ( Y ) 2 j npj 2 D = χk 1 np j = 1 j χ 2 1 ( Y np ) = ( n Y n + np ) = ( Y np ) Les tests d hypothèse 61 / 67

62 Exemple Statville (1) Le syndic cherche à savoir si la distribution des revenus dans sa commune suit une loi normale, se basant sur son échantillon aléatoire simple de taille n = 3 (dont x = et s = 3348). Il définit cinq classes de revenu dont sous H chacune a une t probabilité de 2%, ainsi que N =.2 * 3 = 6 j : o borne supérieure de la première classe = x 1, x N 51814,3348 telle que P(x x 1 ) =.2 si ( ) j Excel : =LOI.NORMALE.INVERSE(.2;51814;3348) o borne supérieure de la deuxième classe = x 2, x N 51814,3348 telle que P(x 1 < x x 2 ) =.2 si ( ) Excel : =LOI.NORMALE.INVERSE(.4;51814;3348) o etc. Les tests d hypothèse 62 / 67

63 Exemple Statville (2) Histogramme (fréquences observées) : Excel : Outils Utilitaire d analyse Histogramme (donner Plage des classes) Histogramme Fréquence ou plus sous H, cette distribution est uniforme, avec six observations par classe Classes Les tests d hypothèse 63 / 67

64 Exemple Statville (3) Statistique de test : D ( t ) 2 k N j N j t j = 1 N j = χ = χ ( 5 2 1) 1 = = ( ) = Valeur p =.51 (Excel : =LOI.KHIDEUX(1.33;2)) ([ ] 2 [ ] 2 [ ] 2 [ ] 2 [ ] 2 ) Valeur critique (α = 5%) : χ 2 2 k q 1, α = χ2,.5 = 5.99 (Excel : =KHIDEUX.INVERSE(.5;2)) H non rejetée Les tests d hypothèse 64 / 67

65 Exemple Statville (4) Le syndic a lu que dans le pays tout entier, la distribution des revenus peut être approximée par une loi normale avec une moyenne µ = 53 et un écart type σ = 5 (moments qu il n a pas dû estimer dans son échantillon). Il cherche à vérifier si cette distribution est valide aussi pour sa commune, se basant sur le même échantillon. Il redéfinit cinq classes de revenu dont sous la nouvelle H chacune a une probabilité de 2%, ainsi que N =.2 * 3 = 6 j : t j o borne supérieure de la première classe = x 1, x N 53,5 telle que P(x x 1 ) =.2 si ( ) Excel : =LOI.NORMALE.INVERSE(.2;53;5) o etc. Les tests d hypothèse 65 / 67

66 Exemple Statville (5) Histogramme (fréquences observées) : Excel : Outils Utilitaire d analyse Histogramme (donner Plage des classes) Histogramme Fréquence ou plus Classes sous H, cette distribution est uniforme, avec six observations par classe Les tests d hypothèse 66 / 67

67 Exemple Statville (6) Statistique de test : D ( t ) 2 k N j N j t j = 1 N j = χ = χ ( 5 1) 1 = = ( ) = Valeur p =.15 (Excel : =LOI.KHIDEUX(6.67;4)) ([ ] 2 [ ] 2 [ ] 2 [ ] 2 [ ] 2 ) Valeur critique (α = 5%) : χ 2 2 k 1, α = χ4,.5 = 9.49 (Excel : =KHIDEUX.INVERSE(.5;4))! H non rejetée si α 15% Les tests d hypothèse 67 / 67

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 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 détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»

Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.

Plus en détail

Introduction à la Statistique Inférentielle

Introduction 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 détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON 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 détail

Principe d un test statistique

Principe 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 détail

Estimation: 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. 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 détail

Cours de Tests paramétriques

Cours 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 détail

Précision d un résultat et calculs d incertitudes

Précision 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 détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 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 détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques 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 détail

Le calcul du barème d impôt à Genève

Le calcul du barème d impôt à Genève Le calcul du barème d impôt à Genève Plan : 1. Historique Passage d un système en escalier à une formule mathématique 2. Principe de l imposition Progressivité, impôt marginal / moyen ; barème couple/marié

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

Cours de méthodes de scoring

Cours 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 détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA 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 détail

Lois de probabilité. Anita Burgun

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 détail

Représentation d une distribution

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 détail

SCP Célice, Blancpain et Soltner, SCP Nicolaý, de Lanouvelle et Hannotin, avocat(s) REPUBLIQUE FRANCAISE AU NOM DU PEUPLE FRANCAIS

SCP Célice, Blancpain et Soltner, SCP Nicolaý, de Lanouvelle et Hannotin, avocat(s) REPUBLIQUE FRANCAISE AU NOM DU PEUPLE FRANCAIS Cour de cassation chambre civile 1 Audience publique du 26 novembre 2014 N de pourvoi: 13-16378 ECLI:FR:CCASS:2014:C101416 Non publié au bulletin Rejet Mme Batut (président), président SCP Célice, Blancpain

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

Quantification Scalaire et Prédictive

Quantification 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 détail

La simulation probabiliste avec Excel

La 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 détail

M2 IAD UE MODE Notes de cours (3)

M2 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 détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 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 détail

Biostatistiques : Petits effectifs

Biostatistiques : 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 détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

Simulation de variables aléatoires

Simulation 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 détail

Econométrie et applications

Econométrie et applications Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris

Plus en détail

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)

Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse

Plus en détail

La pratique du coaching en France. Baromètre 2010

La pratique du coaching en France. Baromètre 2010 SFCoach : crée du lien entre le monde du travail et les professionnels de l accompagnement La pratique du coaching en France Baromètre 2010 Fondée en 1996 22, Bd Sébastopol 75004 Paris Association 1901

Plus en détail

Propriétés des options sur actions

Propriétés des options sur actions Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,

Plus en détail

TESTS 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 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 détail

COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES

COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES Cours 6c Principe Protocole centralisé, un commissaire-priseur/vendeur (auctioneer) et plusieurs enchérisseurs/acheteurs (bidders) Le commissaire-priseur

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

CONCOURS 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) 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 détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

FORMULAIRE DE STATISTIQUES

FORMULAIRE 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 détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Les 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 détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Cours 9 : Plans à plusieurs facteurs

Cours 9 : Plans à plusieurs facteurs Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail

OUTILS STATISTIQUES ET NUMÉRIQUES

OUTILS STATISTIQUES ET NUMÉRIQUES UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME D UNE OPTION D ACHAT OU DE VENTE Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel

CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne

Plus en détail

1.1 Codage de source et test d hypothèse

1.1 Codage de source et test d hypothèse Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables

Plus en détail

Automatique (AU3): Précision. Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr

Automatique (AU3): Précision. Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr Automatique (AU3): Précision des systèmes bouclés Département GEII, IUT de Brest contact: vincent.choqueuse@univ-brest.fr Plan de la présentation Introduction 2 Écart statique Définition Expression Entrée

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Comparaison de fonctions Développements limités. Chapitre 10

Comparaison 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 détail

Continuité et dérivabilité d une fonction

Continuité et dérivabilité d une fonction DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité

Plus en détail

LES DECIMALES DE π BERNARD EGGER

LES DECIMALES DE π BERNARD EGGER LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,

Plus en détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs

Plus en détail

Projet de loi C-31 Loi de mise en œuvre de l accord Canada États-Unis pour un meilleur échange de renseignements fiscaux

Projet de loi C-31 Loi de mise en œuvre de l accord Canada États-Unis pour un meilleur échange de renseignements fiscaux Projet de loi C-31 Loi de mise en œuvre de l accord Canada États-Unis pour un meilleur échange de renseignements fiscaux Allocution de Darren Hannah Vice-président intérimaire, Politiques et opérations

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

Glossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire

Glossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire Glossaire de termes relatifs à l assurance de la qualité et aux bonnes pratiques de laboratoire Notre engagement: la qualité et l amélioration continue Photos Couverture: en haut à gauche; istockphoto.com/yegor

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

Economie 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 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 détail

Les réseaux cellulaires

Les réseaux cellulaires Les réseaux cellulaires Introduction Master 2 Professionnel STIC-Informatique Module RMHD 1 Introduction Les réseaux cellulaires sont les réseaux dont l'évolution a probablement été la plus spectaculaire

Plus en détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation 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 détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Le RSA, une voie d insertion dans le monde salarial?

Le RSA, une voie d insertion dans le monde salarial? Le RSA, une voie d insertion dans le monde salarial? Les conditions de réussite de la lutte contre la pauvreté par un meilleur accès à l emploi par Jacky FAYOLLE Alors que le débat sur le RSA se concentre

Plus en détail

Introduction et sommaire

Introduction et sommaire Mémoire de l Association canadienne des professionnels de l insolvabilité et de la réorganisation Introduction et sommaire 277, rue Wellington Ouest Toronto (Ontario) M5V 3H2 Tél. : 416-204-3242 Téléc.

Plus en détail

données en connaissance et en actions?

données 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 détail

Capacité 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 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 détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction 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 détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

OPTIMISATION À UNE VARIABLE

OPTIMISATION À UNE VARIABLE OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum

Plus en détail

Variables Aléatoires. Chapitre 2

Variables 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 détail

MARTINGALES POUR LA FINANCE

MARTINGALES POUR LA FINANCE MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................

Plus en détail

LES GENERATEURS DE NOMBRES ALEATOIRES

LES GENERATEURS DE NOMBRES ALEATOIRES LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires

Plus en détail

L Assurance. L Assurance

L Assurance. L Assurance L Assurance Benjamin Leroy et Sébastien Vidal L Assurance Définition et Historique Assurance directe et privée Assurance indirecte et Assurance sociale Mutuelle Fondement économique de l assurance 2 Définition

Plus en détail

EXERCICES - ANALYSE GÉNÉRALE

EXERCICES - ANALYSE GÉNÉRALE EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par

Plus en détail