Estimation, Échantillonnage et Tests
|
|
- Arlette Bellefleur
- il y a 7 ans
- Total affichages :
Transcription
1 Estimation, Échantillonnage et Tests H. Hocquard HSE Hervé Hocquard Estimation, Échantillonnage et Tests 1/60
2 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : Hervé Hocquard Estimation, Échantillonnage et Tests 2/60
3 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : d estimer un paramètre inconnu, Hervé Hocquard Estimation, Échantillonnage et Tests 2/60
4 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grandes chances de se trouver, Hervé Hocquard Estimation, Échantillonnage et Tests 2/60
5 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grandes chances de se trouver, de prendre des décisions. Hervé Hocquard Estimation, Échantillonnage et Tests 2/60
6 Introduction : les 3 grandes lignes Les statistiques peuvent permettre : d estimer un paramètre inconnu, de donner une zone dans laquelle un paramètre, a de grandes chances de se trouver, de prendre des décisions. Chacune de ses questions correspond à une thématique en statistiques. Hervé Hocquard Estimation, Échantillonnage et Tests 2/60
7 Échantillonnage L échantillonnage permet de passer (de la loi connue d un paramètre θ dans une population de taille N ) à une estimée d une quantité θ n fabriquée à partir seulement d une population de taille n plus petite (échantillon). Hervé Hocquard Estimation, Échantillonnage et Tests 3/60
8 Échantillonnage L échantillonnage permet de passer (de la loi connue d un paramètre θ dans une population de taille N ) à une estimée d une quantité θ n fabriquée à partir seulement d une population de taille n plus petite (échantillon). Population mère, effectif N Echantillon, effectif n θ n inconnu θ connu Figure: Principe de l échantillonnage. Hervé Hocquard Estimation, Échantillonnage et Tests 3/60
9 Exemple : échantillonnage Exemple Dans une entreprise qui compte 659 employés, on sait que 0, 03% des employés sont mécontents. On pioche un échantillon de 15 employés. Quel est l ordre de grandeur des employés mécontents dans cet échantillon? Hervé Hocquard Estimation, Échantillonnage et Tests 4/60
10 Estimation L estimation permet d induire, à partir des résulats observés sur un échantillon, des informations sur la population totale. Hervé Hocquard Estimation, Échantillonnage et Tests 5/60
11 Estimation L estimation permet d induire, à partir des résulats observés sur un échantillon, des informations sur la population totale. Population mère, effectif N Echantillon, effectif n θ connu n θ inconnu Figure: Principe de l estimation. Hervé Hocquard Estimation, Échantillonnage et Tests 5/60
12 Exemple : estimation Exemple Dans un échantillon de 15 employés d une entreprise, 7% s estiment sous pression. Quel est l ordre de grandeur des employés sous pression parmi tout le personnel de l entreprise? Hervé Hocquard Estimation, Échantillonnage et Tests 6/60
13 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
14 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est-ce qu une moyenne µ est inférieure à une valeur µ 0? Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
15 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est-ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
16 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est-ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
17 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est-ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Étant donnée une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
18 Tests statistiques Tests de validité d une hypothèse, prise de décision, contrôle qualité. Test sur un paramètre. Est-ce qu une moyenne µ est inférieure à une valeur µ 0? Test de comparaison. Peut on considérer que la moyenne du chiffre d affaire d entreprises issues d un réseau A, est la même que celle d un réseau B? Étant donnée une marge d erreur α, on rejettera ou ne rejettera pas une hypothèse au risque α% de se tromper. Remarque On ne dira pas qu on valide une hypothèse mais on dira qu on ne rejette pas une hypothèse. En effet, les théories probabilistes permettent de dire que sous une certaine hypothèse, il n y a pas de contradictions... Hervé Hocquard Estimation, Échantillonnage et Tests 7/60
19 Exemple : test d un paramètre En vue d aménager les heures de travail du personnel d une entreprise, une étude s est intéressée au temps de sommeil d un échantillon des employés de l entreprise. Hervé Hocquard Estimation, Échantillonnage et Tests 8/60
20 Exemple : test d un paramètre En vue d aménager les heures de travail du personnel d une entreprise, une étude s est intéressée au temps de sommeil d un échantillon des employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35 h. Hervé Hocquard Estimation, Échantillonnage et Tests 8/60
21 Exemple : test d un paramètre En vue d aménager les heures de travail du personnel d une entreprise, une étude s est intéressée au temps de sommeil d un échantillon des employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35 h. Peut-on considérer que le temps de sommeil des employés de cette entreprise est significativement inférieur au temps de sommeil moyen des individus qui est de 7h30? Hervé Hocquard Estimation, Échantillonnage et Tests 8/60
22 Principe général commun Dans chacun des cas, par les théorèmes probabilistes, on sait que : une quantité θ n converge en loi vers une loi connue (loi normale, loi du χ 2, loi de Student, loi de Fisher, etc...en fonction des situations) Hervé Hocquard Estimation, Échantillonnage et Tests 9/60
23 Principe général commun Dans chacun des cas, par les théorèmes probabilistes, on sait que : une quantité θ n converge en loi vers une loi connue (loi normale, loi du χ 2, loi de Student, loi de Fisher, etc...en fonction des situations) Par l allure des densités de chacune de ces lois, on sait donc où la variable θ n doit de trouver avec grosse probabilité... Hervé Hocquard Estimation, Échantillonnage et Tests 9/60
24 Prérequis : lois classiques et convergence en loi Lois limites classiques (que l on obtiendra). Connaître et savoir lire dans les tables les lois suivante : Loi normale N (0; 1) et passage à N (µ; σ), Loi du χ 2, Loi de Student, Loi de Fischer. Hervé Hocquard Estimation, Échantillonnage et Tests 10/60
25 Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + Hervé Hocquard Estimation, Échantillonnage et Tests 11/60
26 Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + Notation : On écrit θ n L θ Hervé Hocquard Estimation, Échantillonnage et Tests 11/60
27 Prérequis : lois classiques et convergence en loi Rappel : convergence en loi. On dit que la suite de v.a (θ n ) n converge en loi vers la loi d une v.a θ si, pour tout intervalle [a; b], on a : lim P(θ n [a; b]) = P(θ [a; b]). n + Notation : On écrit θ n L θ Exemple Dans le Théorème central limite, on a vu que si les (X i ) i étaient iid et d espérance finie µ et d écart-type σ, alors la variable n σ ( X n µ) convergeait en loi vers une loi N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 11/60
28 Décor, notations valables pour toute la suite du cours Soit un échantillon de taille n. Pour 1 i n, notons X i les valeurs d un paramètre que prennent les n individus de l échantillon. Les X i sont donc des v.a supposées i.i.d. (indépendantes et identiquement distribuées), de moyenne µ et d écart-type σ (connus ou pas). Hervé Hocquard Estimation, Échantillonnage et Tests 12/60
29 La moyenne empirique X n On pose, i=1...n X n = X i n Moyenne empirique des X i. Hervé Hocquard Estimation, Échantillonnage et Tests 13/60
30 Propriétés de X n 1 E( X n ) = µ et Var( X n ) = σ2 n. Hervé Hocquard Estimation, Échantillonnage et Tests 14/60
31 Propriétés de X n 1 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) Hervé Hocquard Estimation, Échantillonnage et Tests 14/60
32 Propriétés de X n 1 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) 2 lim n X n = µ (Loi des grands nombres) Hervé Hocquard Estimation, Échantillonnage et Tests 14/60
33 Propriétés de X n 1 E( X n ) = µ et Var( X n ) = σ2 n. (conséquences des propriétés de linéarité de l espérance et de pseudo linéarité de la variance) 2 lim n X n = µ (Loi des grands nombres) 3 n σ ( X n µ) L N (0; 1). (Théorème central limite) Hervé Hocquard Estimation, Échantillonnage et Tests 14/60
34 Justification de l intérêt de la quantité X n Ainsi, la statistique X n converge (en un certain sens) quand n tend vers l infini vers µ = E(X i ). On dit que c est un estimateur de µ. Hervé Hocquard Estimation, Échantillonnage et Tests 15/60
35 Justification de l intérêt de la quantité X n Ainsi, la statistique X n converge (en un certain sens) quand n tend vers l infini vers µ = E(X i ). On dit que c est un estimateur de µ. On dit qu il est sans biais car, E( X n ) = µ (l espérance de l estimateur est égale à la valeur que l on cherche à estimer). Hervé Hocquard Estimation, Échantillonnage et Tests 15/60
36 Exemple d application Exemple Parmi le personnel d une entreprise, il y a 300 femmes et 600 hommes. On réalise une enquête sur un échantillon de 55 personnes. Donnez une fourchette du nombres d hommes et de femmes de l échantillon, avec proba 0,95. Hervé Hocquard Estimation, Échantillonnage et Tests 16/60
37 Variance empirique Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : S 2 n = 1 n i=1...n la variance empirique des X i. (X i X n ) 2 = 1 n [ i=1...n X 2 i ] X n 2 Hervé Hocquard Estimation, Échantillonnage et Tests 17/60
38 Variance empirique Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : S 2 n = 1 n i=1...n la variance empirique des X i. (X i X n ) 2 = 1 n [ i=1...n X 2 i ] X n 2 Avantage de cet estimateur, on n a pas besoin de connaître l espérance µ. Hervé Hocquard Estimation, Échantillonnage et Tests 17/60
39 Propriétés 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 Hervé Hocquard Estimation, Échantillonnage et Tests 18/60
40 Propriétés 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 (loi des grands nombres aux X 2 i et X i ) Hervé Hocquard Estimation, Échantillonnage et Tests 18/60
41 Propriétés 1 2 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 Hervé Hocquard Estimation, Échantillonnage et Tests 18/60
42 Propriétés 1 lim n S 2 n = E(X 2 i ) E(X i ) 2 = σ 2 2 (loi des grands nombres aux X 2 i et X i ) E(Sn) 2 = n 1 n σ2 (petit calcul) On dit que S 2 n a un biais, E(S 2 n) σ 2. 3 On admet que, Sn 2 n 1 n σ2 Var(Sn) 2 L N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 18/60
43 Variance empirique corrigée Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : Ŝ 2 n 1 = 1 n 1 i=1...n l estimateur sans biais de la variance. (X i X n ) 2 Hervé Hocquard Estimation, Échantillonnage et Tests 19/60
44 Variance empirique corrigée Au regard de la définition de la variance et de la loi des grands nombres, il est naturel d introduire : Ŝ 2 n 1 = 1 n 1 i=1...n l estimateur sans biais de la variance. (X i X n ) 2 Avantage de cet estimateur : Ŝn 1 2 est sans biais, puisque E(Ŝn 1 2 ) = σ2. Hervé Hocquard Estimation, Échantillonnage et Tests 19/60
45 Outil : estimateur Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites (type Loi des grands nombres). On préfèrera une statistique sans biais. Hervé Hocquard Estimation, Échantillonnage et Tests 20/60
46 Outil : estimateur Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites (type Loi des grands nombres). On préfèrera une statistique sans biais. On essaie de connaître la loi limite de cette statistique. Hervé Hocquard Estimation, Échantillonnage et Tests 20/60
47 Outil : estimateur Pour estimer une quantité, on fabrique une fonction des observations, (une statistique/une v.a) qui tend vers la quantité souhaitée, à l aide des théorémes limites (type Loi des grands nombres). On préfèrera une statistique sans biais. On essaie de connaître la loi limite de cette statistique. On est alors capable, de donner les fluctuations les plus probables de la statistique, et de donner par exemple un intervalle de confiance. Hervé Hocquard Estimation, Échantillonnage et Tests 20/60
48 Estimation d une moyenne, lorsque σ connu Hervé Hocquard Estimation, Échantillonnage et Tests 21/60
49 Estimation d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Hervé Hocquard Estimation, Échantillonnage et Tests 22/60
50 Estimation d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 22/60
51 Estimation d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Étant donnée une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 22/60
52 Estimation d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Étant donnée une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). On pourra remarquer que u α = z 1 α = Π 1 (1 α 2 2 ). Ainsi avec proba 1 α, on a : n σ ( X n µ) z 1 α, 2 Hervé Hocquard Estimation, Échantillonnage et Tests 22/60
53 Estimation d une moyenne, dans le cas où la variance σ 2 est connue On estime la moyenne µ par X n. Par le TCL, on sait que n σ ( X n µ) L N (0; 1). Étant donnée une marge d erreur α, (par ex 5%), on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). On pourra remarquer que u α = z 1 α = Π 1 (1 α 2 2 ). Ainsi avec proba 1 α, on a : n σ ( X n µ) z 1 α, i.e. : 2 X n z 1 α 2 σ n µ X n + z 1 α 2 σ n Hervé Hocquard Estimation, Échantillonnage et Tests 22/60
54 Exemple Exemple Une machine produit en grande série des objets de masse théorique 180g. On admet que la variable aléatoire qui associe à un objet sa masse a pour écart-type 0,92g. On prélève un échantillon de 100 objets et on mesure la masse de chacun, on obtient une moyenne de 179,93g. Déterminer un intervalle de confiance au seuil de risque de 1%, de la masse µ d un objet. Hervé Hocquard Estimation, Échantillonnage et Tests 23/60
55 Exemple Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ). Hervé Hocquard Estimation, Échantillonnage et Tests 24/60
56 Exemple Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ). On sait qu avec proba 1 α, X n z 1 α 2 α = 0, 01 donne un z 1 α 2 centrée réduite). σ n µ X n + z 1 α 2 σ n = 2, 58 (table de la loi normale Hervé Hocquard Estimation, Échantillonnage et Tests 24/60
57 Exemple Soit X i, la v.a qui renvoit la masse de l objet i de l échantillon. On cherche un intervalle de confiance de µ = E(X i ). On sait qu avec proba 1 α, X n z 1 α 2 α = 0, 01 donne un z 1 α 2 centrée réduite). D où, i.e. : 179, 93 2, 58 σ n µ X n + z 1 α 2 σ n = 2, 58 (table de la loi normale 0, 92 0, 92 µ 179, , Avec proba 0, 99 on a, µ [179, 69; 180, 17]. Hervé Hocquard Estimation, Échantillonnage et Tests 24/60
58 Estimation d une moyenne, lorsque σ inconnu Hervé Hocquard Estimation, Échantillonnage et Tests 25/60
59 Estimation de la moyenne, dans le cas où la variance σ 2 est inconnue. On suppose dans ce cas que les X i suivent des lois normales N (µ, σ). Hervé Hocquard Estimation, Échantillonnage et Tests 26/60
60 Estimation de la moyenne, dans le cas où la variance σ 2 est inconnue. On utilise le fait que T = Student(n 1). n Ŝ n 1 ( X n µ) suit une loi de Hervé Hocquard Estimation, Échantillonnage et Tests 27/60
61 Estimation de la moyenne, dans le cas où la variance σ 2 est inconnue. On utilise le fait que T = n ( X Ŝ n µ) suit une loi de n 1 Student(n 1). Étant donnée une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). Hervé Hocquard Estimation, Échantillonnage et Tests 27/60
62 Estimation de la moyenne, dans le cas où la variance σ 2 est inconnue. On utilise le fait que T = n ( X Ŝ n µ) suit une loi de n 1 Student(n 1). Étant donnée une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : n ( X n µ) Ŝ n 1 t α. Ainsi, Hervé Hocquard Estimation, Échantillonnage et Tests 27/60
63 Estimation de la moyenne, dans le cas où la variance σ 2 est inconnue. On utilise le fait que T = n ( X Ŝ n µ) suit une loi de n 1 Student(n 1). Étant donnée une marge d erreur α, on détermine alors un certain t α à l aide de la table de la loi de student, tel que P( T t α ) 1 α, où T Student(n 1). On conclut, qu avec proba au moins 1 α, on a : n ( X n µ) Ŝ n 1 t α. Ainsi, X n t α Ŝ n 1 n µ X n + t α Ŝ n 1 n Hervé Hocquard Estimation, Échantillonnage et Tests 27/60
64 Exemple Exemple Le chiffre d affaire mensuel d une entreprise suit une loi normale de moyenne µ et d écart-type σ inconnus. Sur les 12 derniers mois, on a observé une moyenne des chiffres d affaires égale à euros avec un écart-type de 2000 euros. Donner une estimation de µ par intervalle de confiance au niveau 0, 98. Hervé Hocquard Estimation, Échantillonnage et Tests 28/60
65 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
66 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11). Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
67 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11). À l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98. Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
68 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11). À l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98. Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
69 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11). À l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98. Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. i.e. : µ [ X 12 2, 718 S ; X , 718 S ]. Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
70 Exemple Soit X i le chiffre d affaire de l entreprise le mois i. On sait que T = 11 S 12 ( X 12 µ) suit une loi de Student(11). À l aide de la table de la loi de Student, on trouve t α = t 0,02 2, 718 tel que P( T 2, 718) 0, 98. Donc, 11 S 12 ( X 12 µ) 2, 718 avec proba 0, 98. i.e. : µ [ X 12 2, 718 S ; X , 718 S ]. Avec X 12 = et S 12 = 2000, on obtient µ [8360, 9; 11639, 02], avec proba 0, 98. Hervé Hocquard Estimation, Échantillonnage et Tests 29/60
71 Intervalle de confiance d une proportion Hervé Hocquard Estimation, Échantillonnage et Tests 30/60
72 Intervalle de confiance d une proportion Soit A un évènement aléatoire de proba p. On appelle ˆp = 1 n nombre de fois où X i réalise A. ˆp est un estimateur sans biais de p. On peut alors en déduire : ˆp z 1 α 2 ˆp(1 ˆp) ˆp(1 ˆp) p ˆp + z n 1 α 2 n Hervé Hocquard Estimation, Échantillonnage et Tests 31/60
73 Exemple Exemple Dans un échantillon de 197 pommes, on constate que 19 d entre elles sont abimées. Déterminer un intervalle de confiance au risque 5% de la proportion de pommes abimées dans la production. Hervé Hocquard Estimation, Échantillonnage et Tests 32/60
74 Exemple On sait qu avec proba 1 α, ˆp z 1 α 2 ˆp(1 ˆp) p ˆp + z n 1 α 2 ˆp(1 ˆp) n α = 0, 05 donne un z 1 α 2 centrée réduite). = 1, 96 (table de la loi normale Hervé Hocquard Estimation, Échantillonnage et Tests 33/60
75 Exemple On sait qu avec proba 1 α, ˆp z 1 α 2 ˆp(1 ˆp) p ˆp + z n 1 α 2 ˆp(1 ˆp) n α = 0, 05 donne un z 1 α 2 centrée réduite). D où, i.e. : = 1, 96 (table de la loi normale , 96 0, 021 p + 1, 96 0, Avec proba 0, 95 on a, p [0, 055; 0, 137]. Hervé Hocquard Estimation, Échantillonnage et Tests 33/60
76 Tests paramétriques Hervé Hocquard Estimation, Échantillonnage et Tests 34/60
77 Point de vue global C est une stratégie analogue à celles des estimations. On utilise la même technologie. Hervé Hocquard Estimation, Échantillonnage et Tests 35/60
78 Point de vue global C est une stratégie analogue à celles des estimations. On utilise la même technologie. On fait une hypothèse sur un paramètre. On sait alors que, sous cette hypothèse, une certaine v.a (une statistique) doit être distribuée suivant une certaine loi (Théorème limites, distribution d échantillonage). Hervé Hocquard Estimation, Échantillonnage et Tests 35/60
79 Point de vue global C est une stratégie analogue à celles des estimations. On utilise la même technologie. On fait une hypothèse sur un paramètre. On sait alors que, sous cette hypothèse, une certaine v.a (une statistique) doit être distribuée suivant une certaine loi (Théorème limites, distribution d échantillonage). On vérifie alors, avec un taux α, l adéquation des 2 lois. Il existe des tests unilatéraux et bilatéraux. Hervé Hocquard Estimation, Échantillonnage et Tests 35/60
80 Test bilatéral d une moyenne, σ connu Hervé Hocquard Estimation, Échantillonnage et Tests 36/60
81 Test bilatéral d une moyenne, cas où σ connu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Hervé Hocquard Estimation, Échantillonnage et Tests 37/60
82 Test bilatéral d une moyenne, cas où σ connu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que pour n grand, la v.a n σ ( X n µ 0 ) doit suivre une N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 37/60
83 Test bilatéral d une moyenne, cas où σ connu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que pour n grand, la v.a n σ ( X n µ 0 ) doit suivre une N (0; 1). Étant donnée une marge d erreur α, on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). Hervé Hocquard Estimation, Échantillonnage et Tests 37/60
84 Test bilatéral d une moyenne, cas où σ connu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que pour n grand, la v.a n σ ( X n µ 0 ) doit suivre une N (0; 1). Étant donnée une marge d erreur α, on détermine alors un certain u α à l aide de la table de la N (0; 1), tel que P( Z u α ) 1 α, où Z N (0; 1). En fait, u α = z 1 α 2. n La position du nombre σ ( X n µ 0 ) par rapport à [ z 1 α ; z 1 α ], permet de rejeter ou de ne pas rejeter H Hervé Hocquard Estimation, Échantillonnage et Tests 37/60
85 Test bilatéral d une moyenne, cas où σ connu Ainsi, Si n σ ( X n µ 0 ) [ z 1 α 2 ; z 1 α 2 ], on ne rejette pas H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 38/60
86 Test bilatéral d une moyenne, cas où σ connu Ainsi, Si n σ ( X n µ 0 ) [ z 1 α ; z 1 α ], on ne rejette pas H Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 38/60
87 Test bilatéral d une moyenne, cas où σ connu Figure: Zones de rejet et de non rejet de H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 39/60
88 Test bilatéral d une moyenne, σ inconnu mais échantillon Gaussien Hervé Hocquard Estimation, Échantillonnage et Tests 40/60
89 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu Dans le cas où σ est inconnu, c est le même principe mais on raisonne cette fois avec la variable de décision T n 1 et on suppose que les X i suivent une loi Normale N (µ; σ). Hervé Hocquard Estimation, Échantillonnage et Tests 41/60
90 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Hervé Hocquard Estimation, Échantillonnage et Tests 42/60
91 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que la v.a, n T n 1 = ( X n µ 0 ) doit suit une loi de Student(n 1) Ŝ n 1 Hervé Hocquard Estimation, Échantillonnage et Tests 42/60
92 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que la v.a, n T n 1 = ( X n µ 0 ) doit suit une loi de Student(n 1) Ŝ n 1 Étant donnée une marge d erreur α, on détermine alors un certain t α à l aide de la table de Student(n 1), tel que P( T n 1 t α ) 1 α. Hervé Hocquard Estimation, Échantillonnage et Tests 42/60
93 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ = µ 0 contre H 1 : µ µ 0. Sous H 0, on sait que la v.a, n T n 1 = ( X n µ 0 ) doit suit une loi de Student(n 1) Ŝ n 1 Étant donnée une marge d erreur α, on détermine alors un certain t α à l aide de la table de Student(n 1), tel que P( T n 1 t α ) 1 α. Étude de la position de n Ŝ n 1 ( X n µ 0 ) par rapport à [ t α ; t α ]. Hervé Hocquard Estimation, Échantillonnage et Tests 42/60
94 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu Ainsi, on a la même discussion, Si T n 1 [ t α ; t α ], on ne rejette pas H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 43/60
95 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu Ainsi, on a la même discussion, Si T n 1 [ t α ; t α ], on ne rejette pas H 0. Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 43/60
96 Test bilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu Figure: Zones de rejet et de non rejet de H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 44/60
97 Exemple : Effet sur le temps de sommeil des aménagements d horaires dans une entreprise En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon de 30 employés de l entreprise. Hervé Hocquard Estimation, Échantillonnage et Tests 45/60
98 Exemple : Effet sur le temps de sommeil des aménagements d horaires dans une entreprise En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon de 30 employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35 h. Hervé Hocquard Estimation, Échantillonnage et Tests 45/60
99 Exemple : Effet sur le temps de sommeil des aménagements d horaires dans une entreprise En vue d aménager les heures de travail du personnel d une entreprise, une étude s est interessée au temps de sommeil d un échantillon de 30 employés de l entreprise. L étude donne une moyenne du temps de sommeil de 6, 56 h et un écart-type de 1, 35 h. En supposant que le temps de sommeil d un employé suit une loi normale, peut on considérer que le temps de sommeil des employés de cette entreprise est inférieur au temps de sommeil moyen des individus qui est de 7h30 au seuil 5%? Hervé Hocquard Estimation, Échantillonnage et Tests 45/60
100 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
101 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Soit H 0 : µ = 7, 5. Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
102 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Soit H 0 : µ = 7, 5. Sous H 0, on a T 29 = 29 S 30 ( X 30 7, 5) Student(29). Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
103 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Soit H 0 : µ = 7, Sous H 0, on a T 29 = S 30 ( X 30 7, 5) Student(29). La table de Student donne P( T 2, 045) 0, 95. Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
104 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Soit H 0 : µ = 7, Sous H 0, on a T 29 = S 30 ( X 30 7, 5) Student(29). La table de Student donne P( T 2, 045) 0, 95. Ici T 29 = 29 1,35 (6, 56 7, 5) = 3, 74. Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
105 Exemple : Effet sur le temps de sommeil des aménagements d horaire dans une entreprise Soit X i le temps de sommeil de la personne i de l échantillon, on suppose que X i N (µ, σ). Soit H 0 : µ = 7, Sous H 0, on a T 29 = S 30 ( X 30 7, 5) Student(29). La table de Student donne P( T 2, 045) 0, 95. Ici T 29 = 29 1,35 (6, 56 7, 5) = 3, 74. Donc T 29 / [ 2, 045 : 2, 045], et on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 46/60
106 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ connu Hervé Hocquard Estimation, Échantillonnage et Tests 47/60
107 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ connu Ainsi, on a la même discussion, On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Hervé Hocquard Estimation, Échantillonnage et Tests 48/60
108 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ connu Ainsi, on a la même discussion, On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Si n σ ( X n µ 0 ) [ z 1 α ; z 1 α ], on ne rejette pas H Hervé Hocquard Estimation, Échantillonnage et Tests 48/60
109 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ connu Ainsi, on a la même discussion, On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Si n σ ( X n µ 0 ) [ z 1 α ; z 1 α ], on ne rejette pas H Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 48/60
110 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu Hervé Hocquard Estimation, Échantillonnage et Tests 49/60
111 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Hervé Hocquard Estimation, Échantillonnage et Tests 50/60
112 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Si T n 1 = n ( X Ŝ n µ 0 ) [ t 2α ; t 2α ], on ne rejette pas H 0. n 1 Hervé Hocquard Estimation, Échantillonnage et Tests 50/60
113 Test unilatéral d une moyenne, cas d un échantillon Gaussien et σ inconnu On veut tester l hypothèse H 0 : µ < µ 0 contre H 1 : µ µ 0. Si T n 1 = n ( X Ŝ n µ 0 ) [ t 2α ; t 2α ], on ne rejette pas H 0. n 1 Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 50/60
114 Test d une proportion Hervé Hocquard Estimation, Échantillonnage et Tests 51/60
115 Test d une proportion On suppose dans ce cas que les X i suivent des lois de Bernouilli B(p). On souhaite comparer la valeur inconnue de p à une valeur de référence p 0. Hervé Hocquard Estimation, Échantillonnage et Tests 52/60
116 Test bilatéral d une proportion On veut tester l hypothèse H 0 : p = p 0 contre H 1 : p p 0. Hervé Hocquard Estimation, Échantillonnage et Tests 53/60
117 Test bilatéral d une proportion On veut tester l hypothèse H 0 : p = p 0 contre H 1 : p p 0. Si Z = ˆp p 0 p0 (1 p 0 ) n [ z 1 α 2 ; z 1 α 2 ], on ne rejette pas H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 53/60
118 Test bilatéral d une proportion On veut tester l hypothèse H 0 : p = p 0 contre H 1 : p p 0. Si Z = ˆp p 0 p0 (1 p 0 ) n [ z 1 α 1 α ], on ne rejette pas H Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 53/60
119 Test unilatéral d une proportion On veut tester l hypothèse H 0 : p < p 0 contre H 1 : p p 0. Hervé Hocquard Estimation, Échantillonnage et Tests 54/60
120 Test unilatéral d une proportion On veut tester l hypothèse H 0 : p < p 0 contre H 1 : p p 0. Si Z = ˆp p 0 p0 (1 p 0 ) n z 1 α, on ne rejette pas H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 54/60
121 Test unilatéral d une proportion On veut tester l hypothèse H 0 : p < p 0 contre H 1 : p p 0. Si Z = ˆp p 0 p0 (1 p 0 ) n z 1 α, on ne rejette pas H 0. Sinon on rejette H 0. Hervé Hocquard Estimation, Échantillonnage et Tests 54/60
122 Statistique bidimensionnelle Hervé Hocquard Estimation, Échantillonnage et Tests 55/60
123 Covariance et coefficient de corrélation Covariance empirique : σ XY = ni=1 (x i µ X )(y i µ Y ) n = ni=1 x i y i n µ X µ Y. Hervé Hocquard Estimation, Échantillonnage et Tests 56/60
124 Covariance et coefficient de corrélation Covariance empirique : σ XY = ni=1 (x i µ X )(y i µ Y ) n = ni=1 x i y i n µ X µ Y. Coefficient de corrélation empirique : ρ XY = σ XY σ X σ Y. Hervé Hocquard Estimation, Échantillonnage et Tests 56/60
125 Test de linéarité 1 ρ XY 1. Hervé Hocquard Estimation, Échantillonnage et Tests 57/60
126 Test de linéarité 1 ρ XY 1. ρ XY = 1 si et seulement si tous les points (x i, y i ) sont parfaitement alignés. Hervé Hocquard Estimation, Échantillonnage et Tests 57/60
127 Test de linéarité 1 ρ XY 1. ρ XY = 1 si et seulement si tous les points (x i, y i ) sont parfaitement alignés. si le coefficient de corrélation est proche de 1 en valeur absolue on pourra espérer une relation linéaire entre X et Y ; on pourra rejeter cette hypothèse dans le cas contraire. Hervé Hocquard Estimation, Échantillonnage et Tests 57/60
128 Droite d ajustement On cherche donc la droite Y = ax + b la plus proche possible de notre nuage de points par la méthode des moindres carrés, c est-à-dire celle qui minimise la quantité suivante : n D(a, b) = (y i ax i b) 2 i=1 Théorème Il existe une et une seule droite qui minimise l expression D(a, b), cette droite d équation y = ax + b passe par le point moyen ( X, Ȳ ) et a pour pente a = σ XY σ 2 X = ρ XY σ Y σ X Il s agit de la droite de régression de Y par rapport à X. Hervé Hocquard Estimation, Échantillonnage et Tests 58/60
129 Exemple Exemple On cherche à savoir s il y a une corrélation linéaire entre le nombre de machines à laver et le nombre de déficients visuels dans une population. Pour cela, on a relevé les échantillons suivants dans un pays d Europe : Année machines (en centaine de milliers) déficients visuels / 1000 habitants Année machines (en c. de m.) déficients visuels Calculer le coefficient de corrélation de ces échantillons. 2 Que ce coefficient semble-t-il indiquer? Cela vous semble-t-il cohérent? Hervé Hocquard Estimation, Échantillonnage et Tests 59/60
130 Références Walter Apple Probabilités pour les non-probabilistes H&K, édition, 2013 Clément Rau http :// rau/ Communication privée, 2015 Hervé Hocquard Estimation, Échantillonnage et Tests 60/60
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 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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en 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 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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailTests 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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en 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 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailEstimation 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 détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en 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 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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLicence 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 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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en 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 détailBaccalauréat 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détail1 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 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 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 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 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 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 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 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 détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détail