Probabilité et statistique M1-INFO
|
|
- Marie-Agnès Bouffard
- il y a 7 ans
- Total affichages :
Transcription
1 Probabilité et statistique M1-INFO François Kauffmann Université de Caen Normandie 10 octobre 2016 UCBN ProbaStat 10 octobre / 66
2 Première partie I s Distributions s Variable aléatoire de Variable aléatoire binomiale Variable aléatoire uniforme discrète Variable aléatoire multinomiale Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
3 s s Chapitre Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
4 s Variable aléatoire réelle discrète Variables aléatoires X une variable aléatoire réelle discrète est définie par l ensemble fini valeurs prises par X {x 1,, x n } R la probabilité d obtenir la valeur x i, notée P([X = x i ]). Fonction des fréquences Soit X une variable aléatoire discrète à valeurs dans {x 1,, x n }. On appelle fonction des fréquences de X f X (x i ) = P([X = x i ]) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
5 s Fonction de répartition Fonctions de répartitions Soit X une variable aléatoire réelle { R [0, 1] F X : x P([X x]) est appelée fonction de répartion de X. F X (x) est la probabilité de l évènement X est plus petit que x. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
6 s Quantile Quantile Soit X une variable aléatoire ayant une foncton de répartition F X et p ]0, 1[, le p-quantile q F (p) est défini par De façon équivalente F X (q F (p)) p P([X q F (p)]) p Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
7 s Variable aléatoire de Chapitre UCBN ProbaStat 10 octobre / 66
8 s Variable aléatoire de Paragraphe UCBN ProbaStat 10 octobre / 66
9 s Variable de Une variable aléatoire X de bernoulli est une variable aléatoire qui ne prend que deux valeurs {0, 1}. Elle est définie par la probabilité de tirer la valeur 0 P([X = 0]) la probabilité de tirer la valeur 1 P([X = 1]) Soit p [0, 1], on dit qu une variable aléatoire de est de paramètre p si P([X = 1]) = p et on note l ensemble des variables alétoires de de paramètres p B(1, p) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
10 s Moyenne, variance Sa moyenne, sa variance et son écart type sont E(X ) = 1 P([X = 1]) + 0 P([X = 0]) = p Var(X ) = E((X E(X )) 2 ) = (1 p) 2 P([X = 1]) + (0 p) 2 P([X = 0]) = (1 p) 2 p + p 2 (1 p) = (1 p)p sd(x ) = Var(X ) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
11 s Variable aléatoire de Paragraphe UCBN ProbaStat 10 octobre / 66
12 s Fonction des fréquences x=c(0,1) p=0.3;n=1 prob=dbinom(c(0,1), size=n, prob=p) #!c(1-p,p) plot(x,prob,ylim=c(0,1),ylab="p([x=x])",xlab="x",xaxt="n", main="fonction des fréquences",xlim=c(-1,2)) segments(x0=x,y0=0,x1=x,y1=prob) axis(1,-1:2,xlab="x") Fonction des fréquences Pr([X=x]) X Figure : Fonction des fréquences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
13 s Fonction de répartition x=seq(from=-2,to=2,by=1/100) prob.cum=pbinom(x, size=n, prob=p) plot(x,prob.cum,ylim=c(0,1),type="s",main="fonction de répartition") x=c(0,1) y=c(0,1-p,1) Fn=stepfun(x,y) plot(fn,verticals=false,xlab="x",ylab="p([x <= x])",main="fonction de réparition") Fonction de réparition Pr([X <= x]) x Figure : Fonction des fréquences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
14 ProbaStat s Simulation tirages=rbinom(n=100,size=n,prob=p) plot(tirages,main="tirages aléatoires",xlab="numéro",ylab="valeur tirée") table(tirages)/100 tirages aléatoires valeur tirée numéro Figure : Tirages aléatoires tirages Fr([X=0]) 0.61 Fr([X=1] 0.39 Table : Frequence empirique Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
15 s Variable aléatoire de Paragraphe UCBN ProbaStat 10 octobre / 66
16 s Données d infarctus I Cette étude est extraite du livre de Mr Kleinbaum Logistic regression, a self learning text [1]. On étudie une cohorte de 609 personnes suivies pendant 7 ans. On veut modéliser la probabilité d avoir un infarctus du myocarde π en fonction de covariables. Le fichier evans.txt contient 609 lignes et 12 colonnes. Les modalités de références sont indiquées avec une étoile. # lecture avec R fichier <- url(" print(load(fichier)) close(fichier) summary(x) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
17 s Données d infarctus II colonne nom type modalités 1 id identifiant individu 2 y quali infarctus du myocarde(1=oui ; 0=non(*)) 3 cat quali concentration en catecholamine (1 = élevé ; 0 = norma 4 age quanti age 5 chl quanti concentration de cholesterol 6 smk quali fumeur (1 = oui ; 0=jamais(*)) 7 ecg quali electro-cardiogramme (1=anormal ; 0=normal(*)) 8 dpb quanti pression sanguine diastolique quantitative 9 sbp quanti pression sanguine systolique quantitative 10 hpt quali hypertension (1=oui ; 0=non(*)) 11 agec quali age >=55 (1=oui ; 0=non(*) 12? Table : Description des données Evans Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
18 s Données d infarctus III id y cat age chl smk ecg dbp sbp hpt agec 1 21 non normal jamais normal normal age 2 31 non normal fumeur normal normal jeune 3 51 oui eleve fumeur anormal anormal age 4 71 non eleve fumeur normal anormal age 5 74 non normal fumeur normal normal jeune 6 91 non normal fumeur normal normal jeune Table : Six premières lignes de la table evans D.G. Kleinbaum and Mitchell Klein. Logistic regression, a self learning text. Springer, Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
19 s pie(table(x$y))#$ Frequence d infarctus moyenne frequence non 0.88 oui 0.12 non oui Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
20 s Infarctus et catecholamine tableau=table(x$y,x$cat) barplot(prop.table(tableau,2), col=c('non'='green','oui'='red'), xlab="catecholamine",ylab="frequence") frequence normal eleve catecholamine UCBN ProbaStat 10 octobre / 66
21 s Modélisation constant La modélisation de la variable infarctus par une loi de bernoulli de paramètre p.12% constant semble insuffisant. cat La modélisation de la variable infarctus pour les individus ayant un taux de catécholamine normal par une loi de bernoulli de parametre p 9% elevee par une loi de bernoulli de parametre p 17% semble plus réaliste. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
22 s Conclusion partielle On peut faire l hypothèse suivante Avoir un taux de catécholamine élevé augmente le risque d avoir un infarctus par rapport à un taux de catécholamine normal. Questions On modélise la probabilité d avoir un infarctus Peut-on prédire pour une personne si elle va avoir un infarctus? Peut-on être sur des proportions empiriques observées? Quel risque prend on en affirmant qu il faut mieux avoir un taux de catécholamine normal que élevé? Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
23 s Variable aléatoire binomiale Chapitre UCBN ProbaStat 10 octobre / 66
24 s Variable aléatoire binomiale Paragraphe UCBN ProbaStat 10 octobre / 66
25 s Variable aléatoire binomiale Soit n un entier, p [0, 1], X 1, X n n variables aléatoires indépendantes suivant une loi de de paramètre p, on dit que Y = X 1 + X X n est une variable aléatoire suivant une loi binomiale de paramètres n et p Y B(n, p). Elle est à valeurs dans {0, 1,, n}. Elle modélise le nombre de succes quand on fait n tirages indépendants d une loi de bernoulli de paramètre p. ( ) n P([X = k]) = p k (1 p) n k, k [0, n] k Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
26 s E(Y /n) = E( X X n ) n Moyenne, variance = 1 n (E(X 1) + + E(X n )) = p var(y /n) = 1 n 2 var(x X n ) sd(y /n) = = 1 n 2 (var(x 1) + + var(x n )) indépendance = 1 (np(1 p)) n2 p(1 p) = n p(1 p) n Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
27 s Variable aléatoire binomiale Paragraphe UCBN ProbaStat 10 octobre / 66
28 s Fonction des fréquences x=0:n p=0.3;n=10 prob=dbinom(x, size=n, prob=p) plot(x,prob,ylim=c(0,1),ylab="p([x=x])",xlab="x",xaxt="n", main=paste("fonction des fréquences p=",p),pch=19,xlim=c(-1,n+1),col="red") segments(x0=x,y0=0,x1=x,y1=prob) axis(1,c(-1,x,n+1),xlab="x") Fonction des fréquences p= 0.3 Pr([X=x]) X Figure : Fonction des fréquences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
29 s Fonction de répartition x=seq(from=0,to=n,by=1/100) prob.cum=pbinom(x, size=n, prob=p) plot(x,prob.cum,ylim=c(0,1),type="s",main="fonction de répartition") x=0:n y=c(0,pbinom(x, size=n, prob=p)) Fn=stepfun(x,y) plot(fn,verticals=false,xlab="x",ylab="p([x <= x])",main="fonction de réparition") Fonction de réparition Pr([X <= x]) x Figure : Fonction des fréquences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
30 s Simulation tirages=rbinom(n=100,size=n,prob=p) tableau=rep(0,n+1) names(tableau)=0:n tableau1=table(tirages)/100 tableau[names(tableau1)]=tableau1 points(as.numeric(names(tableau)),tableau,pch=20,col="blue") legend("topleft",c('theorique','observation'),pch=c(19,20),col=c('red','blue')) Pr([X=x]) theorique observation Fonction des fréquences p= Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
31 s Variable aléatoire binomiale Paragraphe UCBN ProbaStat 10 octobre / 66
32 s Malformations des nourissons I L objectif de cette étude est de voir si il y a un lien entre les malformations congénitales du nourrisson et la consommation d alcool de sa mère pendant la grossesse. Après trois mois de grossesse, les femmes devaient remplir un questionnaire sur leur consommation d alcool. On évaluait alors la consommation d alcool grâce à un score, qui a été découpé 6 classes. Après la naissance on observait si le nourrisson avait au moins une malformation. Pour chaque classe, on a compté le nombre de nombre de nourrissons où les malformations étaient absentes : n A et le nombre de nourrissons ayant au moins une malformation : Y. Cet exercice est inspiré des exercices 3-3 et 3-4 page 91 du livre du A. Agresti [1]. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
33 s Malformations des nourissons II consommation(x) n A (x) =Absent Y (x) =Présent x=score [0, 0] x 1 = 0 ]0, 1] x 2 = 0.5 ]1, 2] x 3 = 1.5 ]2, 5] x 4 = 4 ]5, + [ 37 1 x 5 = 7 Table : Tableau de contingence malformation et consommation d alcool L attribut consommation d alcool est mesuré de deux façons : La consommation d alcool par jour est codée grâce à une échelle quantitative appelée score. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
34 s Malformations des nourissons III La variable score a été segmentée en cinq classes. Les classes retenues sont les suivantes : 0 aucune consommation d alcool, <1 moins de une unité par jour, 1-2 de un à deux unités par jour, 2-5 de deux à cinq unités par jour, >5 plus de cinq unités par jour. Alan Agresti. An introduction to categorical data Analysis. Wiley Series in probability and statistics, Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
35 s Création de la table X=matrix(c(17066,14464,788,126,37,48,38,5,1,1,0,0.5,1.5,4,7),ncol=3) dimnames(x)=list(c('[0,0]',']0,1]',']1,2]',']2,5]','>5'),c('absent','present','score')) X=data.frame(X) P=X$present/(X$absent+X$present) # proba malfomation X=data.frame(X,P)#$ plot(p~score,data=x,xlab="score",ylab="frequence malformation") frequence malformation Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66 score
36 s Question Conclusion partielle Peut -on dire que le risque de malformation congénitale augmente avec la consommation d alcool? Peut-on se tromper? Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
37 s Variable aléatoire uniforme discrète Chapitre UCBN ProbaStat 10 octobre / 66
38 s Variable aléatoire uniforme discrète Paragraphe UCBN ProbaStat 10 octobre / 66
39 s Variable aléatoire uniforme Soit n un entier et X une variable aléatoire à valeurs dans {0,, n} on dit que X une variable aléatoire de loi uniforme si P([X = k]) = cst = 1, k {0,, n} n + 1 Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
40 s Variable aléatoire uniforme discrète Paragraphe UCBN ProbaStat 10 octobre / 66
41 ProbaStat s Fonction des fréquences n=10;k=0:n;prob=rep(1,n+1)/(n+1) tirage=sample(k,size=100,replace=true) tableau=table(tirage) frequence=function(k,prob,freq.obs,...) { plot(k,prob,,ylab="p([x=x])",xaxt="n",pch=20,...) segments(x0=k,y0=0,x1=k,y1=prob) axis(1,xlab="x") if(!is.null(freq.obs)) points(k,freq.obs,col="red",pch=20) legend("topleft",c('theorique','observation'),pch=c(20,20),col=c('black','red')) } frequence(k,prob,freq.obs=tableau/100,xlab="x",main="",xlim=c(-1,n+1),ylim=c(0,.3)) Pr([X=x]) theorique observation X Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
42 s Fonction de répartition repartition=function(k,prob,...) { prob=c(0,prob) Fn=stepfun(k,cumsum(prob)) plot(fn,verticals=false,xlab="x",ylab="p([x <= x])",...) } repartition(k,prob,main="fonction de réparition loi uniforme") Fonction de réparition loi uniforme Pr([X <= x]) x Figure : Fonction des fréquences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
43 s Variable aléatoire uniforme discrète Paragraphe UCBN ProbaStat 10 octobre / 66
44 s Bootstrap L algorithme du bootstrap est une méthode permettant d évaluer la variabilité d un estimateur en modifiant l échantillon par tirage aléatoire avec remise. En faisant plusieurs tirages on peut donc estimer moyenne en faisant la moyenne des estimateurs obtenus pour chacun des tirages. écart type en calculant l écart type empirique de la série des estimateurs obtenus pour chacun des tirages. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
45 s Algorithme du bootstrap Soit P = {1,, N} l ensemble des individus et K le nombre de répétitions. Pour k=1:k Tirer aléatoirement avec remise N individus P k de P Identifier le modèle avec l échantillon P k Calculer l erreur sur l échantillon total P Calculer la moyenne empirique et l écart type empirique de l estimateur. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
46 s K=5 # nb repetitions n=10 # nb individus individus=1:n # numéros des individus tirages=c() for ( i in 1:K ){ tirage=sample(individus,n,replace=true) tirage=factor(tirage,levels=individus) tirages=cbind(tirages,table(tirage)) } dimnames(tirages)=list(paste('ind',individus),paste('tir',1:k)) tirage 1 tirage 2 tirage 3 tirage 4 tirage 5 ind ind ind ind ind ind ind ind ind ind Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
47 s Estimation de la frequence K=200 # nb repetitions n=nrow(x) # nb individus individus=1:n # numéros des individus moyennes=c() for ( i in 1:K ){ tirage=sample(individus,n,replace=true) moyenne=aggregate(x$y[tirage]=="oui",by=list(x$cat[tirage]),fun=mean) moyennes=rbind(moyennes,moyenne$x) } moyennes=as.data.frame(moyennes) names(moyennes)=as.character(moyenne$group.1) # histogrammes hist(moyennes$normal,freq=false,xlim=c(0.05,0.35),col="green",main="histogramme", xlab="frequence empirique infarctus") hist(moyennes$eleve,freq=false,col="red",add=true) legend('topright',c('normal','eleve'),lty=1,col=c('green','red')) Density histogramme normal eleve Francois.Kauffmann@unicaen.fr UCBN ProbaStat octobre /
48 s # boites à moustaches Variabilité de l estimation de la frequence tmp=data.frame(cat=c(rep('eleve',k),rep('normal',k)),freq=c(moyennes$eleve,moyennes$normal)) boxplot(freq~cat,data=tmp,col=c('eleve'='red','normal'='green')) eleve normal Figure : Boîtes à moustaches Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
49 s Test quantile(moyennes$eleve,c(.05,0.95)) quantile(moyennes$normal,c(.05,0.95)) hist(moyennes$normal-moyennes$eleve,xlab="normal-eleve main="histogramme difference") table(moyennes$normal-moyennes$eleve<0) histo difference Density normal eleve Figure : Differences Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
50 s Conclusion partielle Question : risque d infactuts augementé taux de catécholamine augmenté. Conclusions eleve la fréquence d infarctus pour un taux de catécholamine éléve pour nos tirages de bootstrap se trouve à 95 % dans l intervalle [0.16,.28] normal Pour un taux de catécholamine normal la fréquence d infarctus de trouve à 95% dans l intervalle [0.06, 0.12] risque Dans 100% des cas de tirages de bootstrap on a la fréquence d infarctus qui plus élevé si le taux de catécholamine est éleve/normal. Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
51 s Variable aléatoire multinomiale Chapitre UCBN ProbaStat 10 octobre / 66
52 s Variable aléatoire multinomiale Paragraphe UCBN ProbaStat 10 octobre / 66
53 s Variable alétoire vectorielle multinomiale On considère un ensemble à q éléments {x 1,, x q } et (p 1,, p q ) [0, 1] q, p 1 + p p q = 1. La probabilité de tirer l élément x i est p i. On fait n tirages aléatoires indépendants avec remise d éléments de cet ensemble. La variable aléatoire vectorielle comptant le nombre de fois ou l on a tiré l objet x i est dite ayant une loi multinomiale de paramètres n et (p 1,, p q ). Pour (n 1,, n q ) N q, i=q i=1 n i = n on a : P(X = (n 1,, n q ) = n! n 1!n 2! n q! pn 1 1 pnq q Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
54 s Moyenne, covariance E((X 1,, X q)) = n(p 1,, p q) cov(x 1, X 1 ) cov(x 1, X q) Cov((X 1,, X q)) =.. cov(x q, X 1 ) cov(x q, X 1 ) p 1 (1 p 1 ) p 1 p 2 p 1 p q p 1 p 2 p 2 (1 p 2 ) p 2 p q = n.. p qp 1 p q(1 p q) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
55 s Variable aléatoire multinomiale Paragraphe UCBN ProbaStat 10 octobre / 66
56 s prob=c(.2,.3,.5) # prob=tirer 3eme=1/2 x=c(1,2,1) # nb 1er=1;2eme=1;3eme=1 proba=dmultinom(x=c(1,2,1), prob=prob)# 1/10 Fonction des fréquences N=3 # 3 tirages X=expand.grid(x1=0:N,x2=0:N,x3=0:N)# toutes les possibilites X=X[X$x1+X$x2+X$x3==N,] # selection 3 tirages X=as.data.frame(t(X)) # transposition X[[1]] # 1er elt liste # appli FUN à chaque elt liste resultat=lapply(x, FUN=function(x,prob=prob) dmultinom(x=x, prob=prob), prob=prob) X=rbind(X,unlist(resultat)) X=as.data.frame(t(X)) names(x)[4]="prob"#$ # ajout de la ligne # transposition # renomage nom 4 eme colonne Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
57 s Resultats Pour 3 tirages avec remise dans une urne contenant 3 types de boules ayant une proba respective d être tirée de 20%, 30% et 50% d être tirée. num x1 x2 x3 prob Table : Proba de tirer (x1,x2,x3) elts Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
58 s Variable aléatoire multinomiale Paragraphe UCBN ProbaStat 10 octobre / 66
59 s Le repas des alligators I On veut étudier ce que mange les alligators en fonction de leurs tailles et du lac dans les quels ils été attrapés. Cet exemple est inspiré de l exercice 6.3 du Pr. Alan Agresti An Introduction to categorical data analysis, p197 [1]. Le fichier de données alligator.txt contient une table nommée X ayant cinq colonnes et quatre-vingt lignes. colonne nom type commentaires 1 lac quali modalités (1= hancock,2=oklawaha,3=trafford,4=george) 2 sexe quali modalités (1=femelle,2=male) 3 taille quali modalités (1=plus petit que 2,3m, 2=plus grand que 2.3m) 4 nourriture quali modalités (1= fish,2= invert,3= rep,4= bird,5= other ) 5 N ordinal nombre d alligators Table : Descriptif table alligator Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
60 s Le repas des alligators II # lecture avec R fichier=" X=read.table(fichier,header=TRUE) X$nourriture=factor(X$nourriture, levels=1:5, labels=c("fish","invert","rep","bird","other")) X$lac =factor(x$lac,levels=1:4, labels= c("hancock","oklawaha","trafford","george")) X$sexe =factor(x$sexe,levels=1:2,labels=c('femelle','male')) X$taille =factor(x$taille,levels=1:2,labels=c('<=2.3','>2.3')) close(fichier) Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
61 s Le contenu de l estomac tab=xtabs(n~nourriture,data=x)/sum(x$n) barplot(tab)#$ fish invert rep bird other Figure : Contenu moyen Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
62 s Le contenu de l estomac tab=xtabs(n~nourriture+taille,data=x) tab=prop.table(tab,2) apply(tab,2,sum) barplot(tab,legend.text=true,col=rainbow(5), xlab="taille",ylab="freq") freq other bird rep invert fish <=2.3 >2.3 taille Figure : Contenu moyen par taille Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
63 s Conclusion partielle Est ce que tous les alligators mangent approximativement la même chose indépendamment de Questions de l endroit ou il se trouve? de son age ou de sa taille? de son sexe? Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
64 Deuxième partie II Index Sélection de modèles Index UCBN ProbaStat 10 octobre / 66
65 Index Index Chapitre UCBN ProbaStat 10 octobre / 66
66 Index Index I Francois.Kauffmann@unicaen.fr UCBN ProbaStat 10 octobre / 66
Un exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en 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 détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en 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 détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailProbabilités. 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 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 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 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 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 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 détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
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 détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailChapitre 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 détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en 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 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 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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en 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 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 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 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 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 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 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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailChapitre 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 détailTABLE 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
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 détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 détailMéthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques
Méthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques Asshvin Gajadharsingh Mesure et analyse quantitative du risque Caisse de dépôt et placement du Québec
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
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 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 détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailAnalyse exploratoire des données
Analyse exploratoire des données Introduction à R pour la recherche biomédicale http://wwwaliquoteorg/cours/2012_biomed Objectifs Au travers de l analyse exploratoire des données, on cherche essentiellement
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 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 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 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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en 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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
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 détailVI. 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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
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 détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
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 détailBaccalauréat 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 détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
Plus en détailUNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand
UNE FORMATION POUR APPRENDRE À PRÉSENTER DES DONNÉES CHIFFRÉES : POUR QUI ET POURQUOI? Bénédicte Garnier & Elisabeth Morand Service méthodes statistiques Institut National d Etudes Démographiques (Ined)
Plus en détailStatistiques 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Plus en 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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
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 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 détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détail