CHAPITRE 1 - GÉNÉRALITÉS SUR LES TESTS - EXEMPLE DU TEST BINOMIAL -
|
|
- Raoul Cardinal
- il y a 7 ans
- Total affichages :
Transcription
1 CHAPITRE 1 - GÉNÉRALITÉS SUR LES TESTS - EXEMPLE DU TEST BINOMIAL - 1 Qu est ce qu un test statistique? Supposons que l on souhaite mettre en évidence une propriété concernant une population P. On procède alors de façon suivante : - on met en confrontation deux hypothèses contradictoires, l une confirmant cette propriété l autre l infirmant. - on étudie alors les probabilités que l une ou l autre soit vérifiée sur l ensemble des échantillons possibles de la population P. On modélise cela en parlant d un échantillon aléatoire de P : c est l échantillonnage. - à partir de données statistiques sur un échantillon expérimental de la population P, on est amené à prendre une décision concernant cette population : cette décision est assujettie à un risque d erreur, car on doit prendre en compte les fluctuations due à l échantillonnage. Remarques. 1. Dans beaucoup de cas, on peut quantifier ces hypothèses au moyen d un ou plusieurs paramètres (proportion, moyenne, écart-type...) ; dans ce cas, on dit que le test est paramétrique. (Il n y a pas qu une seule façon de faire en général!) 2. Les hypothèses ne sont pas toujours symétriques : en général, on connaît bien H 0 et on peut la décrire par un (ou plusieurs) paramètre(s), alors qu on ne maîtrise pas bien H 1 pour laquelle le (ou les) paramètre(s) peuvent prendre plusieurs valeurs. 2 Test binomial. Exemple : On se demande si la lune a une influence sur le nombre d accouchements : le nombre d accouchements est-il plus important pendant la période de pleine lune? Pour confirmer ou infirmer cette hypothétique influence, on a prélevé 28 dates de naissance des étudiants dans une classe de L2 de sociologie (pourquoi pas?). On prendra l habitude de décomposer un test en 5 étapes : Étape 1 : Formulation des hypothèses. On formule deux hypothèses contradictoires : - la première dite hypothèse nulle H 0 (ou hypothèse de non différence), qui suppose généralement que le phénomène est dû au hasard. Cette hypothèse sert de référence. 1
2 - la seconde dite hypothèse alternative H 1 qui met en évidence le phénomène dont on veut tester le bien fondé. C est cette hypothèse qu on veut soit réfuter, soit démontrer. La formulation de ces hypothèses est décisive sur le test à effectuer. Il est important de les écrire avec précision. Dans notre exemple : H 0 : la lune n a pas d influence sur les naissances H 1 : le nombre de naissances est plus important en période de pleine lune Remarques. 1. Pour H 1, si on dit la lune a une influence : dans ce cas, laquelle? Plus ou moins de naissances en période de pleine lune? Si on ne précise pas on doit alors faire un test bilatéral. Dans notre exemple, le test est orienté : il sera unilatéral. 2. On contrôle mal l hypothèse H 1 : si la lune a une influence, qu elle est la force de cette influence? On introduit un paramètre et on reformule ces hypothèses en termes statistiques. Dans notre exemple : pour simplifier, on considère qu une période lunaire est d environ quatre semaines une semaine de nouvelle lune, une semaine de premier quartier, une semaine de pleine lune et une semaine de dernier quartier. Pour la semaine de pleine lune, il faut compter le jour de pleine lune et ±3 jours autour de la pleine lune. On introduit un paramètre p : p = la proportion de naissances qui ont eu lieu en semaine de pleine lune sur des naissances. Sous H 0, la proportion p prend la valeur p 0 = 7 28 = 1 4. Sous H 1, p > p 0 = 1 4. On peut alors reformuler nos hypothèses : H 0 : p = p 0 = 1 4 et H 1 : p > p 0 = 1 4. On dit que le test est unilatéral (supérieur). Étape 2 : Choix du modèle statistique. On choisit une statistique adaptée à nos hypothèses (et aux paramètres choisis pour exprimer ces hypothèses), qui s applique à un échantillon aléatoire de taille n (où n est la taille de l échantillon expérimental sur lequel s appuie le test). Le choix de la statistique n est pas toujours unique. Dans notre exemple : le paramètre p est une proportion. On introduit la statistique : X n = le nombre de naissances durant une semaine de pleine lune sur un échantillon aléatoire de n = 28 naissances. La variable X n suit une B(n, p). On dit que le test est binomial. (Remarque : on aurait pu utiliser une proportion aléatoire mais pour de petits échantillons, on n en connaît pas la loi). Sous H 0 : X n suit une B(28, 1 4 ) et sous H 1 : X n suit une B(28, p) avec p >
3 Étape 3 : Niveau de signification du test et région critique. Lors du test, on peut commettre deux erreurs dans la prise de décision : - ou bien accepter l hypothèse H 1 alors que c est H 0 qui est vraie : c est l erreur de première espèce α = P[Accepter H 1 / H 0 vraie] - ou bien accepter l hypothèse H 0 alors que c est H 1 qui est vraie : c est l erreur de seconde espèce β = P[Accepter H 0 / H 1 vraie] Décision État \ Accepter H 0 Accepter H 1 Somme H 0 vraie 1 α α (1 α) + α = 1 H 1 vraie β η = 1 β η + β = 1 Remarque : α et β sont contradictoires : lorsque α augmente, β diminue et vice-versa. Apparte : Un jugement doit décider de la culpabilité d un individu : H 0 : l accusé est innocent H 1 : l accusé est coupable Décision État \ Accepter H 0 : innocent Accepter H 1 : coupable Somme H 0 vraie : innocent 1 α α (1 α) + α = 1 H 1 vraie : coupable β η = 1 β η + β = 1 Il est plus facile de juger une personne présumée innocente (on amène des éléments à charge, qu il suffit d étudier) que de tenter d innocenter une personne présumée coupable (tout dépend de sa défense : il faut tenter de trouver une parade à chaque élément à charge, ce qui n est généralement pas facile). De même, il est plus facile de tester la véracité de H 1 en partant de l hypothèse H 0 (que l on connait bien) que de tester la véracité de H 0 en partant de l hypothèse H 1 (que l on connait mal : tout dépend du degré d implication du coupable). Dans la pratique, on travaille sous l hypothèse H 0. On se fixe donc un risque d erreur α de première espèce. L erreur α mesure le niveau de signification du test. On dit que le test est significatif si on accepte H 1 : plus α est petit plus le test est significatif si on accepte H 1, mais plus on a du mal à accepter H 1 (on choisit α en fonction de ce que l on souhaite prouver : en sciences humaine, on prend souvent 5% ou 10%, en médecine, ou pour évaluer des risques thermonucléaires par exemple, on prend souvent moins de risque pour des raisons évidentes). On se pose la question suivante : si on se place sous l hypothèse H 0, à partir de quelle valeur de X n considère-t-on qu on commet une erreur en gardant cette hypothèse et qu il vaut mieux opter pour H 1? Dans notre exemple : on se fixe un niveau α = 5%. Sur un échantillon de 28 dates de naissance, à partir de combien de dates en période de pleine lune peut-on estimer que la lune a une influence sur les naissances? 3
4 Pour répondre à cette question, on introduit la notion de région critique (ou zone critique ou encore zone/région de rejet) souvent notée K α (X n ) : c est la région d acceptation de l hypothèse H 1 au niveau α, c est à dire l ensemble des valeurs de X n pour lesquelles on accepte H 1. Dans notre exemple : on accepte H 1 si le nombre de naissances en semaine de pleine lune est assez grand, donc K α (X n ) est l ensemble valeurs de k telles que : P[X n k] 0, 05. Si la plus petite de ces valeurs est k α, la région critique est : K α (X n ) = {X n k α } = {k α, k α + 1,..., n}. On calcule les probabilités : (de 19 à 28, les probabilité sont quasiment nulles) k P(X n = k) 0, 001% 0, 005% 0, 022% 0, 08% 0, 27% 0, 75% 1, 8% 3, 8% 7, 1% 11, 1% P(X n k) 0, 001% 0, 007% 0, 029% 0, 11% 0, 38% 1, 12% 2, 9% 6, 8% 13, 8% 25, 0% P[X n 12] = 2, 94%, P[X n 11] = 6, 79%, donc k α = 12 et la région critique est : K α (X n ) = {X n 12} = {12, 13,..., 27, 28}. Étape 4 : Décision. Si la valeur expérimentale de notre variable est dans la région critique, on l hypothèse H 0 n est plus tenable et on accepte H 1 avec un risque d erreur α. Sinon, on conserve H 0 et on rejette H 1. Remarque. Le rejet ou non de H 1 dépend du niveau de signification du test (du choix de α) et de la taille de l échantillon. Dans notre exemple : supposons que sur un échantillon expérimental de 28 dates de naissance on ait obtenu Xn exp = 9 dates en période de pleine lune, alors au niveau 5%, on rejette H 1 car Xn exp = 9 n est pas dans la région critique. Autrement dit, la proportion expérimentale p exp = 9 28 n est pas suffisamment grande devant p 0 = 1 4 pour mettre en évidence H 1 au niveau de 5%. (Par contre, si Xn exp = 13, on accepte H 1 au niveau de 5%). Remarque. Au lieu de calculer la région critique, on peut aussi calculer la p-value appelée aussi la signification : c est le risque minimum qu il aurait fallu prendre pour accepter H 1 à partir de la valeur expérimentale (c est à dire la valeur du risque lorsque la valeur expérimentale est au bord de la région critique). Cette p -value est ensuite comparée à α. p -value = P(X n X exp n ) = P(X n 9) = 25, 0% > 5% donc on rejette donc H 1. Étape 5 : Puissance du test. 4
5 On se demande si le test est bien adapté à notre prise de décision. On a vu que : α = P[Accepter H 1 H 0 vraie] = P[K α (X n ) H 0 vraie] et β = P[Accepter H 0 H 1 vraie]. La probabilité η = 1 β = P[Accepter H 1 H 1 vraie] = P[K α (X n ) H 1 vraie] est appelée puissance du test et mesure en quelque sorte la qualité du test (la taille d échantillon est-elle appropriée?). La puissance est en fait une fonction du paramètre p caractérisant H 1. Dans notre exemple : 1. Si on veut mettre en évidence que la proportion de naissances en période de pleine lune est de 32% (qui est approximativement la proportion expérimentale) au lieu de 25% sous H 0, on calcule la puissance pour p = 32% : sous H 1, X n suit une B(28; 0, 32) et donc η(32%) = P[K α (X n ) / p = 32%] = P[X n 12/p = 0, 32] = 15, 2%. Cette puissance est faible donc le test n est pas adapté pour mettre en évidence une proportion de 32% de naissances en période de pleine lune. Si l influence de la lune donnait une telle proportion, la taille d échantillon de n = 28 est insuffisante pour pouvoir s en convaincre. 2. Si on veut mettre en évidence une proportion de 50% d accouchements en période de pleine lune : on calcule la puissance pour p = 50% ; sous H 1, X n suit une B(28; 0, 5) et donc η(50%) = P[K α (X n ) / p = 50%] = p[x n 12/p = 0, 6] = 82%. Cette puissance est forte donc le test est adapté pour mettre en évidence cette proportion de 50% de naissances en période de pleine lune. Le rejet de H 1 prouve donc que si malgré tout la lune avait une influence, celle-ci serait faible. Quelques remarques : - On aurait pu imaginer par exemple que l hypothèse H 1 est : le nombre de naissances en semaine de nouvelle lune est plus faible. Dans ce cas p est la proportion de naissances en période de nouvelle lune, H 0 s écrit p = 1 4 et H 1 s écrit p < 1 4 : le test est unilatéral inférieur. Si X n est le nombre de naissances pendant la nouvelle lune, la région critique aurait été de la forme K 0,05 = {X n k α } où k 0,05 est la plus grande valeur de k telle que P[X n k] 0, De même, on aurait pu imaginer que l hypothèse H 1 est : la lune montante a une influence sur naissances (sans sans préciser si elle est positive ou négative). Dans ce cas p est la proportion de naissances en lune montante, H 0 s écrit p = 1 2 et H 1 s écrit p 1 2 : le test est bilatéral. Sous H 0, le nombre de naissances X n en lune montante suit une B(28, 1 2 ). La région critique serait de la forme K 0,05 = {X n k 1 } {X n k 2 } où k 1 est la plus grande valeur de k telle que p[x n k] 0,05 2 et k 2 est la plus petite valeur de k telle que p[x n k] 0,
Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en 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 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 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 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 détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en 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 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 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 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 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 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 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 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 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 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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en 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 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
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 détailIntroduction à la méthodologie de la recherche
MASTER DE RECHERCHE Relations Économiques Internationales 2006-2007 Introduction à la méthodologie de la recherche geraldine.kutas@sciences-po.org Les Etapes de la Recherche Les étapes de la démarche Etape
Plus en détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
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 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 détailSynthèse «Le Plus Grand Produit»
Introduction et Objectifs Synthèse «Le Plus Grand Produit» Le document suivant est extrait d un ensemble de ressources plus vastes construites par un groupe de recherche INRP-IREM-IUFM-LEPS. La problématique
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
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 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 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 détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
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 détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 détailAgence pour la Protection des Programmes Service dépôt / référencement. Agence pour la Protection des Programmes Service juridique
Agence pour la Protection des Programmes Service dépôt / référencement 54, rue de Paradis 75010 Paris Tél. +33 (0)1.40.35.03.03 Fax +33 (0)1.40.38.96.43 app@app.asso.fr Agence pour la Protection des Programmes
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailTests 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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailSCP Célice, Blancpain et Soltner, SCP Nicolaý, de Lanouvelle et Hannotin, avocat(s) REPUBLIQUE FRANCAISE AU NOM DU PEUPLE FRANCAIS
Cour de cassation chambre civile 1 Audience publique du 26 novembre 2014 N de pourvoi: 13-16378 ECLI:FR:CCASS:2014:C101416 Non publié au bulletin Rejet Mme Batut (président), président SCP Célice, Blancpain
Plus en détailGuide du/de la candidat/e pour l élaboration du dossier ciblé
Guide du/de la candidat/e pour l élaboration du dossier ciblé en vue de l obtention du titre de "Conseiller ère diplômé e en orientation professionnelle, universitaire et de carrière" par la validation
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailIl y a trois types principaux d analyse des résultats : l analyse descriptive, l analyse explicative et l analyse compréhensive.
L ANALYSE ET L INTERPRÉTATION DES RÉSULTATS Une fois les résultats d une investigation recueillis, on doit les mettre en perspective en les reliant au problème étudié et à l hypothèse formulée au départ:
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 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 détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailLa 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 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 détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en 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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailProcédure pénale. Thèmes abordés : Procédure par contumace/ Nouvelle procédure par défaut
Procédure pénale Thèmes abordés : Procédure par contumace/ Nouvelle procédure par défaut Corrigé : Dissertation Le jugement de la personne poursuivie en son absence Indications de méthodologie : Sur la
Plus en détailEXERCICE 2 : SUIVI CINETIQUE D UNE TRANSFORMATION PAR SPECTROPHOTOMETRIE (6 points)
BAC S 2011 LIBAN http://labolycee.org EXERCICE 2 : SUIVI CINETIQUE D UNE TRANSFORMATION PAR SPECTROPHOTOMETRIE (6 points) Les parties A et B sont indépendantes. A : Étude du fonctionnement d un spectrophotomètre
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en 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 détail1. Les types d enquêtes
La conduite d une enquête par questionnaire La conception d un questionnaire ne doit pas être réalisée de façon hasardeuse. Elle suit une méthodologie stricte qui permet d atteindre des résultats utilisables
Plus en détailASR1 TD7 : Un microprocesseur RISC 16 bits
{Â Ö Ñ º ØÖ Ý,È ØÖ ºÄÓ Ù,Æ ÓÐ ºÎ ÝÖ Ø¹ ÖÚ ÐÐÓÒ} Ò ¹ÐÝÓÒº Ö ØØÔ»»Ô Ö Óº Ò ¹ÐÝÓÒº Ö» Ö Ñ º ØÖ Ý»¼ Ö½» ASR1 TD7 : Un microprocesseur RISC 16 bits 13, 20 et 27 novembre 2006 Présentation générale On choisit
Plus en détailCréer/gérer le site Internet de son association. 17 octobre 2012 Sati.tv Michael Coulon
Créer/gérer le site Internet de son association 17 octobre 2012 Sati.tv Michael Coulon C'est décidé : votre association aura son site Internet! Mais comment s'y prendre? Introduction Objectifs de l'atelier
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 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 détailinfo DROIT SOCIAL Egalité de traitement et avantages catégoriels
n 4 > 4 mars 2015 info ACTUALITÉ JURIDIQUE Sommaire Droit social Egalité de traitement et avantages catégoriels Clauses de non concurrence Droit d accès aux SMS non personnels par l employeur Droit fiscal
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 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 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 détailTS 35 Numériser. Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S
FICHE Fiche à destination des enseignants TS 35 Numériser Type d'activité Activité introductive - Exercice et démarche expérimentale en fin d activité Notions et contenus du programme de Terminale S Compétences
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailCoûts de transfert de compte bancaire
LA MOBILITE BANCAIRE La concurrence ne peut fonctionner que si la mobilité du client est assurée. Avec 2 %, le marché français semble présenter un des taux les plus faibles d attrition au niveau des marchés
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
Plus en détailIntroduction au droit La responsabilité professionnelle
Introduction au droit La responsabilité professionnelle I. Introduction au droit 2 ordres de juridiction : Judiciaire : o Juridiction civiles : conflit entre particulier Tribunal de gde instance : litige
Plus en détailManuel de recherche en sciences sociales
Résumé de QUIVY R; VAN CAMPENHOUDT L. 95, "Manuel de recherches en sciences sociales", Dunod Cours de TC5 du DEA GSI de l intergroupe des écoles Centrales 11/2002 Manuel de recherche en sciences sociales
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 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 détailL ANALYSE COUT-EFFICACITE
L ANALYSE COUT-EFFICACITE 1 Pourquoi utiliser cet outil en évaluation? L analyse coût-efficacité est un outil d aide à la décision. Il a pour but d identifier la voie la plus efficace, du point de vue
Plus en détailFICHE 1 Fiche à destination des enseignants
FICHE 1 Fiche à destination des enseignants 1S 8 (b) Un entretien d embauche autour de l eau de Dakin Type d'activité Activité expérimentale avec démarche d investigation Dans cette version, l élève est
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 détailB = A = B = A = B = A = B = A = Recopier sur la copie chaque expression numérique et la réponse exacte. Réponse A Réponse B Réponse C Solution
Q.C.M. Recopier sur la copie chaque expression numérique et la réponse exacte. Réponse A Réponse B Réponse C Solution Exercice 1 On considère les trois nombres A, B et C : 2 x (60 5 x 4 ²) (8 15) Calculer
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 détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détail