Chapitre 6 TESTS SUR LA MOYENNE ET LA VARIANCE.
|
|
- Christine Bureau
- il y a 6 ans
- Total affichages :
Transcription
1 Thierry Foucart 1 Chapitre 6 TESTS SUR LA MOYENNE ET LA VARIANCE. 1. TEST SUR LA MOYENNE. X suit la loi normale N(µ, σ). H 0 : µ = µ 0 H 1 : µ µ 0 M : estimateur empirique de la moyenne S : estimateur empirique de la variance Test de Student : M µ 0 T = S/ (n-1) Loi de T sous H 0 : loi de Student de degré de liberté n-1 Région critique : ]-, µ 0 - t α s/(n - 1) 1/ [ ] µ 0 + t α s/(n - 1) 1/, + [ t α étant défini par P( T > t α ] = α Exemple : l objectif fixé par les responsables nationaux de l enseigne Euromarket est un montant moyen des achats égal à 40F. Le directeur commercial s inquiète du montant moyen observé (316.95F) dans son hypermarché et veut donc vérifier si cette valeur montre effectivement une différence. La variance estimée est égale à s = Pour un risque de première espèce de 5% et un degré de liberté égal à 49, on a : t a =.0. La région critique est donc : ]-, [ ] , + [ La valeur appartient à la région critique. On rejette donc l hypothèse nulle. Équivalence : on calcule l intervalle de confiance de la moyenne (cf. chapitre 5) : IC = [ , ] La valeur 40 n appartient pas à l intervalle de confiance. Elle n est pas acceptable.
2 Thierry Foucart Comparaison de moyennes. X 1 = N(µ 1, ) X : N(µ, σ ) H 0 : µ 1 = µ H 1 : µ 1 µ M 1 et S 1 estimateurs empiriques de la moyenne et la variance de X 1 M et S estimateurs empiriques de la moyenne et la variance de X n 1 et n : nombres d observations de X 1 et X. Statistique U : M 1 - M U = [S 1 /(n 1-1) + S /(n -1)] 1/ Loi de U sous H 0 : la loi normale centrée réduite (n 1 et n suffisants, = σ ). Région critique : RC = ] -, -u α ] U [u α, + [ u α étant défini par P( U > u α ) =α Exemple : la moyenne des achats de l autre hypermarché (410F) a été calculée sur 100 clients. La variance des achats calculée sur ces 100 clients est égale à On en déduit : T = =.65 [ / / 99 ] 1/ Pour un risque de première espèce α = 0.05, on a u α = La valeur observée t appartient à la région critique et on rejette donc l hypothèse nulle : la différence entre les deux moyennes n est vraisemblablement pas due uniquement au hasard. 3. Test sur la variance. X suit la loi normale N(µ, σ). H 0 : σ = σ 0 H 1 : σ σ 0 M : estimateur empirique de la moyenne S : estimateur empirique de la variance Statistique : X = n S /σ 0 Loi de X sous H 0 : loi du χ de degré de liberté ν = n-1.
3 Thierry Foucart 3 Région Critique : RC = [0, χ α ] [χ 1 α, + [ χ α et χ 1 α étant définies par la relation : P(X < χ α ) = α/ P(X > χ 1 α ) = α/ Exemple : nous supposons que la loi de probabilité de la v.a. âge est la loi normale (en éliminant les trois clients retraités) et testons l hypothèse H 0 : σ =50. La valeur observée sur les 47 clients est s = On en déduit : X = 47 x / 50 = Nous choisissons comme risque de première espèce α = La table donne directement pour le degré de liberté ν = 46 : χ α = tel que P(X <χ α ) =0.05 χ 1 α = tel que P(X >χ 1 α ) =0.05 La région critique est : RC = [0, ] [66.617, + [. La valeur observée n appartient pas à la région critique et on accepte l hypothèse nulle. En déterminant l ensemble des valeurs σ telles que l on accepte l hypothèse nulle, on retrouvera l intervalle de confiance déterminé dans le chapitre 5. On pourra examiner aussi la figure 11 du chapitre Comparaison de variances. X 1 = N(µ 1, ) X : N(µ, σ ) H 0 : σ 1 = σ = σ H 1 : σ 1 σ M 1 et S 1 estimateurs empiriques de la moyenne et la variance de X 1 M et S estimateurs empiriques de la moyenne et la variance de X n 1 et n : nombres d observations de X 1 et X. Statistique : n 1 S 1 / n - 1 F = x n S / σ n 1-1 Loi de F sous H 0 : loi de Fisher de degrés de liberté n 1-1 et n -1. Région Critique : RC = ]0, f α [U] f 1-α, + [ f α et f 1-α étant définies par : P(F< f α ) = α/, P(F> f 1-α) = α/
4 Thierry Foucart 4 Exemple : Pour contrôler l égalité des moyennes des achats des deux hypermarchés, nous avons supposé que les variances étaient égales. Nous le vérifions ci-dessous, en supposant que les lois sont normales. Les variances des achats sont égale à : s 1 = (n 1 = 50) s = (n = 100) On en déduit : 50 x / 49 f = = x / 99 Nous choisissons comme risque de première espèce α = 0.0. Les degrés de liberté sont ν 1 = 49 et ν = 99.La table donne directement f 1-α = Pour calculer f a, il faut considérer la v.a. 1/F, qui suit la loi de Fisher de degrés de liberté ν 1 = 99 et ν = 49. On a : P(1/F>1/f a ) = /f α = 1.8 f α = La région critique est donc : RC = ]0, [ ] 1.73, + [. La valeur observée n appartient pas à cette région critique et on accepte l hypothèse d égalité des variances. 5. Introduction au risque de seconde espèce et à la fonction puissance. Définition : risque de seconde espèce : probabilité d accepter l hypothèse nulle quand elle est fausse. puissance : probabilité de rejeter l hypothèse nulle quand elle est fausse. Puissance du test sur la variance : π = 1 β Hypothèses: H 0 : σ = σ 0 H 1 : σ = Acceptation de l hypothèse nulle : n S /σ 0 n appartient pas à la région critique. Risque β de seconde espèce (sous H 1 ) : Calcul de β : n S β = P ( χ α < < χ 1 α ) σ 0 n S β = P (χ α < < χ 1 α ) σ 0 ns = P (χ α < < χ 1 α ) σ 0 χ α σ 0 ns χ 1 α σ 0
5 Thierry Foucart 5 = P ( < < ) Loi de n S / sous H 1 : loi du χ de degré de liberté ν = n 1. Exemple : nous donnons ci-dessous la puissance du test sur la variance de l âge. La valeur testée est fixée à σ = 50, le risque de première espèce à 0.05, et le nombre d observations est égal à 47. La lecture de ce tableau donne le renseignement suivant : la probabilité de rejeter l hypothèse σ = 50 lorsque la vraie valeur est est égale à 0.43 pour un risque de première espèce égal à Ran g variance vraie puissanc e Ran g variance vraie puissanc e C
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 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 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 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. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en 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 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 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 de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 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 détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en 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 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 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 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 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 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 détailLA COUR DES COMPTES a rendu l arrêt suivant :
COUR DES COMPTES QUATRIEME CHAMBRE PREMIERE SECTION ----- Arrêt n 50244 COMMUNE DE STAINS (SEINE-SAINT-DENIS) Appel d un jugement de la chambre régionale des comptes d Île-de-France Rapport n 2007-721-0
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 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 détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
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 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 détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en 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 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 détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
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 détailComparaison des régimes d épargne-retraite :
Comparaison des régimes : où se situe le RVER? enregistré retraite Qui peut offrir ce régime? Les organisations à ou sans but lucratif, les syndicats et les associations sont admissibles. Les sociétés
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en 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 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 détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailCoûts, avantages et inconvénients des différents moyens de paiement
Coûts, avantages et inconvénients des différents moyens de paiement Présentation de l'étude de la Banque nationale de Belgique à la conférence de l'esta (Valence, le 15 mai 2006) Historique de l'étude
Plus en détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailFICHE N 8 Photodiversité, d une banque d images à un portail d activités en ligne Anne-Marie Michaud, académie de Versailles
FICHE N 8 Photodiversité, d une banque d images à un portail d activités en ligne Anne-Marie Michaud, académie de Versailles Niveaux et thèmes de programme Sixième : 1 ère partie : caractéristiques de
Plus en détailGuide du Consommateur
Guide du Consommateur Les Forfaits et Comptes de banque étudiants Nous avons évalué des forfaits de banques pour 3 banques Canadiennes. Nous vous présenterons la qualité de leurs services, leur taux d'intérêts
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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en 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 détailEn règle générale, le taux d amortissement linéaire du bien immobilier est calculé sur la base d une durée d utilisation de :
2. Immeuble 2.1. Acquisition ou construction 2.1.1. Principe Les dépenses afférentes à l acquisition d un bien immobilier affecté à l exercice de l activité professionnelle (p.ex. une maison de commerce
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 détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
Plus en détailCompte Supplétis. Comment me servir au mieux de mon Compte Supplétis? Guide mémo Juin 2008. suppletis_v2.indd 1-2 15/05/08 11:09:10
Q U O T I D I E N Compte Supplétis 06/2008 - LO 1137 - Edité par Crédit Agricole S.A. - 91-93 bd Pasteur, 75015 - Capital social : 5 009 270 616-784 608 416 RCS Paris - Illustrations : Cyrille Berger -
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailNOTICE TELESERVICES : Payer un impôt et gérer les contrat de paiement des impôts professionnels
NOTICE TELESERVICES : Payer un impôt et gérer les contrat de paiement des impôts professionnels Sommaire Sommaire... 1 Objet de la notice... 2 A qui s adresse cette notice?... 2 Pré-requis... 2 Notion
Plus en détailinstruments de paiement échangés à travers les circuits bancaires
instruments de paiement échangés à travers les circuits bancaires Statistiques arrêtées à fin 2013 SOMMAIRE PRÉAMBULE 5 Partie I : Evolution des paiements de masse 6 I. Echanges EN INTERbancaire 7 1.
Plus en détailLe prélèvement SEPA. Optimisez la mise en recouvrement de vos créances avec le prélèvement SEPA
Le prélèvement SEPA Optimisez la mise en recouvrement de vos créances avec le prélèvement SEPA QU EST-CE QUE LE PRÉLÈVEMENT SEPA? Vous émettez des prélèvements SEPA afin que vos clients vous règlent automatiquement
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détail2008/03. La concentration des portefeuilles : perspective générale et illustration
2008/03 La concentration des portefeuilles : perspective générale et illustration Olivier Le Courtois Professeur de finance et d assurance UPR Economie, Finance et Gestion EMLYON Christian Walter Actuaire
Plus en détailExercice 6 Associer chaque expression de gauche à sa forme réduite (à droite) :
Eercice a Développer les epressions suivantes : A-(-) - + B-0(3 ²+3-0) -0 3²+-0 3+00 B -30²-30+00 C-3(-) -3 + 3-3²+6 D-(-) + ² Eerciceb Parmi les epressions suivantes, lesquelles sont sous forme réduite?
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en 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 détailCe qu il faut savoir en 20 points
Ce qu il faut savoir en 20 points 1. Comptabilité allégée : o registre des ventes : les obligations comptables des autoentrepreneurs sont réduites. Ils peuvent simplement tenir un livre chronologique mentionnant
Plus en détailComment bien régresser: La statistique peut-elle se passer d artefacts?
Comment bien régresser: La statistique peut-elle se passer d artefacts? Jean-Bernard Chatelain To cite this version: Jean-Bernard Chatelain. Comment bien régresser: La statistique peut-elle se passer d
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 06/12/2009 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
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 détailDeuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1
Deuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1 V. Fiolet Université de Mons-Hainaut 2006-2007 Nous allons aujourd hui nous intéresser à la tâche de classification
Plus en détailProjet de décision unilatérale instituant (ou régularisant) un régime collectif complémentaire obligatoire couvrant le risque
Papier Sté Date : Projet de décision unilatérale instituant (ou régularisant) un régime collectif complémentaire obligatoire couvrant le risque La direction de l entreprise : Dont le siège social est situé
Plus en détailDéductibilité des cotisations «Madelin» pour les agents généraux d assurance aux traitements et salaires
Déductibilité des cotisations «Madelin» pour les agents généraux d assurance aux traitements et salaires La cour administrative d'appel de Lyon 1 a fait une lecture pénalisante des articles du Code général
Plus en détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
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 détailLES REGLEMENTS AVEC SOCIEL.NET DERNIERE MISE A JOUR : le 14 juin 2010
LES REGLEMENTS AVEC SOCIEL.NET DERNIERE MISE A JOUR : le 14 juin 2010 Guillaume Informatique 10 rue Jean-Pierre Blachier 42150 La Ricamarie Tél. : 04 77 36 20 60 - Fax : 04 77 36 20 69 - Email : info@guillaume-informatique.com
Plus en détailSAVEZ-VOUS COMMENT FONCTIONNE LE SERVICE? VOICI QUELQUES RECOMMANDATIONS!
VOUS ETES INFIRMIER(E) ADHERENT(E) A L AGAPI VOUS AVEZ SOUSCRIT AU SERVICE POSTE-AGAPE En tant qu infirmier(e) libéral(e), vous êtes dans l obligation de tenir une comptabilité, La comptabilité n est pas
Plus en détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détailCOMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES
J. sci. pharm. biol., Vol.9, n - 00, pp. 9-0 EDUCI 00 9 VALLEE POLNEAU S.* DIAINE C. COMPARAISON DE LOGICIELS TESTANT L INDEPENDANCE DE VARIABLES BINAIRES Notre étude visait à comparer les résultats obtenus
Plus en détailCrédit renouvelable Supplétis
Un crédit vous engage et doit être remboursé. Vérifiez vos capacités de remboursement avant de vous engager. Votre conseiller est là pour vous accompagner à chaque étape de votre vie. N'hésitez pas à le
Plus en détailDérivation : Résumé de cours et méthodes
Dérivation : Résumé de cours et métodes Nombre dérivé - Fonction dérivée : DÉFINITION (a + ) (a) Etant donné est une onction déinie sur un intervalle I contenant le réel a, est dérivable en a si tend vers
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 détailValidation clinique des marqueurs prédictifs le point de vue du méthodologiste. Michel Cucherat UMR CNRS 5558 - Lyon
Validation clinique des marqueurs prédictifs le point de vue du méthodologiste Michel Cucherat UMR CNRS 5558 - Lyon Marqueur prédictif - Définition Un marqueur prédictif est un marqueur qui prédit le bénéfice
Plus en détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailDÉCISION DU TRIBUNAL DE LA SÉCURITÉ SOCIALE Division d appel Demande de permission d en appeler
[TRADUCTION] Citation : K. U. c. Ministre des Ressources humaines et du Développement des compétences, 2014 TSSDA 38 N o d appel : AD-13-169 ENTRE : K. U. Demanderesse et Ministre des Ressources humaines
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
Plus en détailCrédit renouvelable Supplétis
Un crédit vous engage et doit être remboursé. Vérifiez vos capacités de remboursement avant de vous engager. Crédit renouvelable Supplétis 08/2010 - LO 1137 C - Edité par Crédit Agricole S.A. - 91-93 bd
Plus en détailDémontrer qu'un point est le milieu d'un segment
émntrer qu'un pint est le milieu d'un segment P 1 Si un pint est sur un segment et à égale distance de ses etrémités alrs ce pint est le milieu du segment. P 2 Si un quadrilatère est un alrs ses diagnales
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 détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en 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 détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailWWW.ELCON.SE Multichronomètre SA10 Présentation générale
WWW.ELCON.SE Multichronomètre SA10 Présentation générale Le SA10 est un appareil portable destiné au test des disjoncteurs moyenne tension et haute tension. Quoiqu il soit conçu pour fonctionner couplé
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
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 détail