Introduction à la théorie des sondages - Cours 2
|
|
- Georgette Gaulin
- il y a 6 ans
- Total affichages :
Transcription
1 Introduction à la théorie des sondages - Cours 2 Antoine Rebecq antoine.rebecq@insee.fr INSEE, direction de la méthodologie 17 mars / 95
2 Sommaire I 1 Correction du QCM 2 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal 3 sur un domaine d un ratio 2 / 95
3 Sommaire II Échantillonnage dans le temps Conclusion sur le SAS 3 / 95
4 Chapitre 1 Correction du QCM 4 / 95
5 Rappel sur les π k π k = P(k S) = P(δ k = 1) = p(s) s k π kl = P(k, l S) = P(δ k δ l = 1) = p(s) s k,l (où δ k est l indicatrice d appartenance de k à S, appelée aussi variable de Cornfield) 5 / 95
6 Rappel sur les estimateurs pondérés Estimateur pondéré : ˆΦ = k s w k y k Estimateur pondéré de la moyenne : ˆΦ = 1 w k y k N k s 6 / 95
7 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Chapitre 2 7 / 95
8 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Plan de sondage sans remise - définition On note S l ensemble des parties de U. Le plan de sondage p est une loi de probabilité sur S tel que : s S, p(s) 0 p(s) = 1 s S 8 / 95
9 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple Soit U = {1, 2, 3}. On a alors : S = {{1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}} On peut définir un plan de sondage p par : p({1}) = 0 p({1, 2}) = 1 2 p({1, 2, 3}) = 0 p({2}) = 0 p({1, 3}) = 1 3 p({3}) = 0 p({2, 3}) = / 95
10 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple d estimation Avec ce plan de sondage, on tente d estimer le revenu moyen à l aide de la moyenne dans l échantillon (estimation plugin). Le revenu dans la population est : Y 1 = 1000 Y 2 = 2000 Y 3 = 3000 On a donc : Ȳ = / 95
11 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple d estimation Loi de l estimateur ˆΦ : ˆΦ 1 = ˆΦ 2 = ˆΦ 3 = = 1500, probabilité 1 2 = 2000, probabilité 1 3 = 2500, probabilité / 95
12 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple d estimation L espérance de l estimateur est donc : E[ˆΦ] = Ȳ = 2000 ˆΦ est donc biaisé (ce n est pas une surprise!) 12 / 95
13 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Espérance E(ˆΦ) = s p(s) ˆΦ(s) C est la valeur moyenne de ˆΦ obtenue avec le plan de sondage considéré sur tous les échantillons possibles. 13 / 95
14 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Partie 1 L estimateur de Horvitz-Thompson pour un total ou une moyenne 14 / 95
15 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Définition Définition L estimateur d Horvitz-Thompson (ou π-estimateur) est défini : y k π k pour un total : ˆT yπ = k s pour une moyenne : ˆȳ π = 1 N k s y k π k C est donc un estimateur pondéré utilisant les poids w k = 1 π k 15 / 95
16 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal sans biais Théorème Si k U, π k > 0, alors l estimateur d Horvitz-Thompson est sans biais pour le total et la moyenne. 16 / 95
17 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal sans biais Démonstration. E[ ˆT yπ ] = E = E = k U [ k s [ k U y k π k ] y k δ k π k y k E[δ k ] π k ] = k U y k = T (y) 17 / 95
18 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple On reprend le plan de la slide 9. Le plan est de taille fixe 2 et : π 1 = 5 6 π 2 = 2 3 π 3 = / 95
19 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple La loi de l estimateur d Horvitz-Thompson Φ HT est donc : ˆ Φ HT 1 = = 4200, probabilité 1 2 ˆ Φ HT 2 = = 7200, probabilité 1 3 ˆ Φ HT 3 = = 9000, probabilité / 95
20 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Exemple d estimation L espérance de l estimateur est donc : Et : E[ ˆ Φ HT ] = = 6000 = Y E[ ˆȲ HT ] = 1 3 ˆ Φ HT = 2000 = Ȳ... ce qui permet de vérifier que ˆ Φ HT est sans biais. 20 / 95
21 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Variance de l estimateur de Horvitz-Thompson Propriété La variance de l estimateur de Horvitz-Thompson s écrit : Var[ˆT yπ ] = y k y l kl π k π l k U l U (où : kl = π kl π k π l ) 21 / 95
22 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Variance de l estimateur de Horvitz-Thompson Démonstration. Var(ˆt yπ ) = Var( k U = k U = k U = k,l U yk 2 πk 2 yk 2 πk 2 y k π k δ k ) Var(δ k ) + k U l U,l k π k (1 π k ) + k U y k π k y l π l kl y k π k y l π l Cov(δ k, δ l ) l U,l k y k π k y l π l (π kl π k π l ) 22 / 95
23 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Variance pour un plan de taille fixe Propriété Si le plan de sondage est de taille fixe (formule de Yates-Grundy) : Var(ˆt yπ ) = 1 2 k U l U,l k ( y k y l ) 2 kl π k π l 23 / 95
24 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Variance de l estimateur de Horvitz-Thompson Démonstration. Découle de la formule de Horwitz-Thompson quand le plan de sondage est de taille fixe. Pour démontrer la formule, il vaut mieux procéder à rebours : 1 2 = 1 2 = 1 2 = k U = k U k U l U,l k k U l U,l k ( y k y l ) 2 kl π k π l ( y k y l ) 2 (π k π l π kl ) π k π l ( y 2 k π 2 k U l U,l k k l U,l k y 2 k π 2 k + y l 2 πl 2 (π k π l π kl ) k U 2 y ky l π k π l )(π k π l π kl ) l U,l k yk 2 ( π l 1 yk 2 π kl ) π k π k π k l U,l k k U y k y l (1 π kl π k π l ) l U,l k y k y l (1 π kl π k π l ) 24 / 95
25 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Variance de l estimateur de Horvitz-Thompson Démonstration. Or, d après le cours 1, on a dans le cas taille fixe : k U π k = n et l U,l k π kl = π k (n 1), cela donne : 1 2 k U l U,l k ( y k y l ) 2 kl π k π l = yk 2 (n π k π k(n 1) ) π k π k k U k U = yk 2 π π 2 k (1 π k ) k U k k U l U,l k = y k y l kl π k π l k,l U l U,l k y k y l π k π l (π k π l π kl ) y k y l (1 π kl π k π l ) Et on retombe bien sur la formule d Horvitz-Thompson. 25 / 95
26 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal : calculer la variance de l estimateur d Horvitz-Thompson dans le cas de la slide 9, et vérifier les formules de Yates-Grundy et de Horvitz-Thompson dans ce cas. 26 / 95
27 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal de variance Les quantités précédentes sont les vraies variances. On peut utiliser les estimateurs suivants, qui sont sans biais dès lors que k, l, π kl > 0 : ˆ Var(ˆt yπ ) = k s yk 2 πk 2 Pour un plan de taille fixe : (1 π k ) k s Var(ˆt ˆ yπ ) = 1 2 k s l s,l k l s,l k y k y l π k π l π kl (π k π l π kl ) ( y k π k y l π l ) 2 π kπ l π kl π kl 27 / 95
28 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Construction d un intervalle de confiance On fait l hypothèse : ˆΦ(s) N (Φ, Var(Φ)) L intervalle de confiance à 95% est défini par : IC 95% = [ˆΦ 2σ(ˆΦ); ˆΦ + 2σ(ˆΦ)] L intervalle de confiance estimé est défini par : IC ˆ 95% = [ˆΦ 2ˆσ(ˆΦ); ˆΦ + 2ˆσ(ˆΦ)] 28 / 95
29 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Remarque Remarque : si le plan de sondage ne vérifie pas : k l U, π kl π k π l 0 (condition de Sen-Yates-Grundy), ces estimateurs de variance peuvent prendre des valeurs négatives. 29 / 95
30 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Partie 2 L estimateur de Hájek 30 / 95
31 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Définition L estimateur de Horvitz-Thompson de la moyenne nécessite la connaissance de N, la taille de la population. On peut utiliser dans ce cas l estimateur : ˆȳ H = k s k s y k π k 1 π k 31 / 95
32 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Propriété L estimateur de Hájek est biaisé, mais en général, le biais est négligeable. 32 / 95
33 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Estimateur de Hájek du total L estimateur de Hájek peut être utilisé pour estimer un total : y k ˆ T (Y ) H = N k s k s π k 1 π k... mais cela impose de connaître N. 33 / 95
34 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Partie 3 Recherche d un estimateur optimal 34 / 95
35 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Estimateur de Horvitz-Thompson L estimateur de Horvitz-Thompson constitue le fondement de l estimation par sondage (même si d autres estimateurs peuvent être utilisés, la logique de construction découle souvent de celle de Horvitz-Thompson, voir cours suivants) 35 / 95
36 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Estimateur de Horvitz-Thompson L estimateur de Horvitz-Thompson n est pas le seul estimateur sans biais. 36 / 95
37 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Recherche d optimalité Existe-t-il un estimateur optimal en sondages? Question centrale pour les théoriciens des sondages dans les années 1950 à 1970 : Godambe, Hanurav, Basu, etc. 37 / 95
38 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Recherche d optimalité Théorème (Godambe, 1955) Dans la classe des estimateurs sans biais, pour un plan sans remise avec n < N tel que k U, π k > 0, il n existe pas d estimateur optimal de ȳ 38 / 95
39 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Recherche d optimalité Démonstration. Si les k U, π k > 0, alors il existe toujours au moins un estimateur sans biais : l estimateur d Horvitz-Thompson. Mais on peut également définir : ˆȳ 2 = ˆȳ π + x ˆ x π, où x est un total supposé connu sur la population. ˆȳ 2 est la somme d estimateurs sans biais, il est donc également sans biais. De plus, si k, x k = y k, alors : EQM(ˆȳ 2) = EQM( x) = 0 Ainsi, un estimateur optimal doit avoir une variance inférieure ou égale à 0, ce qui n est possible que par recensement. 39 / 95
40 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Admissibilité Définition (Admissibilité) Pour un plan donné p, un estimateur ˆΦ est dit admissible si et seulement s il n existe pas d estimateur meilleur que ˆΦ pour toute valeur de y 40 / 95
41 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Admissibilité Découle sur des résultats assez pauvres : beaucoup d estimateurs sont admissibles (Horvitz-Thomspon, différence, etc.) 41 / 95
42 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Admissibilité Définition (Hyperadmissibilité) Un estimateur est dit hyperadmissible s il est admissible pour tout domaine non-vide de U 42 / 95
43 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal Admissibilité L estimateur d Horvitz-Thompson est le seul estimateur sans biais hyperadmissible. Mais ce résultat n est pas si intéressant en soi! (voir éléphants de Basu) 43 / 95
44 L estimateur de Horvitz-Thompson pour un total ou une moyenne L estimateur de Hájek Recherche d un estimateur optimal sans biais L estimation par un estimateur sans biais est un choix, qui peut parfois ne pas être judicieux. Lien intéressant à ce sujet : 44 / 95
45 Chapitre 3 45 / 95
46 Partie 1 46 / 95
47 Définition sans remise (SAS) de taille n : plan de sondage sans remise de taille fixe n tel que tous les échantillons de taille n ont la même probabilité d être tirés. Cette probabilité vaut : p(s) = 1 ( n N) si s = n = 0 sinon. On note le taux de sondage : f = n N 47 / 95
48 Probabilités d inclusion k U, π k = P(k s) = n N = f k l U, π k,l = P(k l s) = n(n 1) N(N 1) 48 / 95
49 Notations On note, dans la population : Total : T (Y ) = k U Y k Moyenne : Ȳ = 1 Y k N k U Variance : S 2 = 1 N 1 k U ( Yk Ȳ ) 2 49 / 95
50 Notations On note, dans l échantillon s : Total : nȳ = k s y k Moyenne : ȳ = 1 y k n k s Variance : s 2 = 1 (y k ȳ) 2 n 1 k s 50 / 95
51 Partie 2 51 / 95
52 Estimateur d Horvitz-Thompson L estimateur d Horvitz-Thompson pour le total et la moyenne s écrit : ˆ T (Y ) = k s ˆȲ = 1 N 1 y k = N π k n k s 1 π k y k = ȳ k s y k = Nȳ 52 / 95
53 Poids de sondage Les poids pour l estimation par Horvitz-Thompson sont : w k = 1 π k = N n On peut dire que l individu k représente w k = N n population U. individus de la Attention, w k n est pas un effectif (en particulier, w k n est pas forcément entier!) 53 / 95
54 Précision Théorème En utilisant la formule de Yates-Grundy, la vraie variance des estimateurs d Horvitz-Thompson s écrit : Var(ȳ) = (1 f ) S 2 n Var( T(Y)) ˆ = N 2 (1 f ) S 2 n 54 / 95
55 Précision Démonstration. Var[ˆȲ] = 1 N 2 Var[ T(Y)] ˆ = 1 2N 2 = 1 2N 2 = N n nn = N n nn S2 = (1 f ) S2 n k U l U,l k ( yk N n k U l U,l k 1 2N(N 1) ( yk y ) 2 l kl π k π l y ) l N 2 n(n n) n N 2 (N 1) k U l U,l k (y k y l ) 2 55 / 95
56 de la précision Théorème La variance empirique (ou dispersion) dans l échantillon s 2 = 1 (y k ȳ) 2 est un estimateur sans biais de n 1 k s S 2 = 1 ( Yk Ȳ ) 2 N 1 k U 56 / 95
57 = S 2 57 / 95 Correction du QCM de la précision Démonstration. E[s 2 ] = E 1 (y k ȳ) 2 n 1 k s = E 1 (y k y l ) 2 2n(n 1) k s l s,l k 1 = (y k y l ) 2 E(δ k δ l ) 2n(n 1) k U l U,l k 1 2 n(n 1) = (y k y l ) 2n(n 1) N(N 1) k U l U,l k 1 = (y k y l ) 2 2N(N 1) k U l U,l k
58 de la précision On peut estimer sans biais la variance de l estimateur d Horvitz-Thompson par : Var(ȳ) ˆ = (1 f ) s2 n Var( ˆ T (Y ˆ )) = N 2 (1 f ) s2 n 58 / 95
59 Partie 3 59 / 95
60 On cherche à estimer P la proportion d individus portant une caractéristique dans la population U. p, la proportion dans s d individus portant la caractéristique, est un estimateur sans biais de P. 60 / 95
61 Variance N P(1 P) Var(p) = (1 f ) N 1 n Var(p) ˆ p(1 p) = (1 f ) n 1 61 / 95
62 Précision Demi-longueur de l intervalle de confiance : L = 2 Coefficient de variation estimé : ˆ CV (p) = p(1 p) n 1 Var(p) ˆ p 1 = (1 f ) n 1 1 p p 62 / 95
63 Taille pour une précision absolue donnée On fixe L ( précision absolue ). Si f 0, on a : n 4p(1 p) L 2 Cas général (f pas forcément petit, et niveau de confiance z, quantile d ordre 1 α 2 de la loi N (0, 1)) : n = 1 + n n 0 N avec : n 0 = z2 p(1 p) L 2 63 / 95
64 Taille pour une précision relative donnée On se fixe une précision relative δ, définie par le rapport de la demi-longueur de l intervalle de confiance à l estimation : δ = 2ˆσ p 64 / 95
65 Taille pour une précision relative donnée De manière équivalente, on peut fixer le coefficient de variation : Si f 0 : CV ˆ (p) = δ 2 = (1 f ) 1 p p(n 1) n 1 p p( CV ˆ (p)) 2 65 / 95
66 Taille pour une précision relative donnée Taille de l échantillon pour une précision relative de ±δ% selon la valeur de la proportion recherchée : 0,05 0,10 0,20 0,30 0,40 0,50 1 % % % % % % / 95
67 : surface cultivée Exemple d application : la législation sur la méthode des quotas, en France. instituts.htm elections-departementales-ump-udi / 95
68 Partie 4 68 / 95
69 : surface cultivée On veut estimer la surface moyenne cultivée dans les fermes d un canton rural. Sur N = 2010 fermes que comprend ce canton, on en tire 100 par sondage aléatoire simple. On mesure y k la surface cultivée dans la ferme k (en hectares), et on trouve : y k = 2907 ha k s k s y 2 k = ha2 1 Donner un estimateur sans biais pour la moyenne 2 Donner un intervalle de confiance à 95% pour cet estimateur 69 / 95
70 Partie 5 70 / 95
71 Paragraphe 1 sur un domaine 71 / 95
72 Notations U d U = sous-population d intérêt N d = taille de U d (connue ou inconnue) P d = N d N = taille relative de U d Q d = 1 P d s d = s U d n d = taille de s d p d = n d n = taille relative de s d q d = 1 p d 72 / 95
73 de la taille d un domaine On définit sur U la variable Z indicatrice d appartenance au domaine : Z k = 1 si k U d Z k = 0 sinon 73 / 95
74 de la taille d un domaine Alors : T (Z) = k U Z k = N d Z = N d N = P d z = 1 z k = p d n k s S 2 = N N 1 P dq d s 2 = n n 1 p dq d 74 / 95
75 de la taille d un domaine Théorème Nˆ d = N p d = N nd n est un estimateur sans biais de N d Pˆ d = p d est un estimateur sans biais de P d 75 / 95
76 de la taille d un domaine Démonstration. Toutes ces quantités s écrivent sous la forme d un total (via Z) et correspondent à l estimateur d Horvitz-Thompson, qui est sans biais. 76 / 95
77 de la taille d un domaine On a aussi : Var( ˆN d ) = N 2 N P d Q d (1 f ) N 1 n Var( ˆP N d ) = Var(p d ) = (1 f) N 1 P d Q d n Var( ˆ Nˆ d ) = N 2 (1 f ) p dq d n 1 Var( ˆ Pˆ d ) = Var(p ˆ d ) = (1 f ) p dq d n 1 77 / 95
78 d un total sur un domaine On veut estimer le total T Ud (Y ) d une variable Y sur le domaine U d. On définit sur U la variable Y d par : Y d k Y d k = Y k si k U d = 0 sinon Alors le total à estimer s écrit : T (Y d ) = k U Y d k = k U d Y k = T Ud (Y ) 78 / 95
79 d un total sur un domaine Un estimateur sans biais de T Ud (Y ) est : ˆT Ud (Y ) = n d n Nȳ d où : ȳ d = 1 n d k s d y k 79 / 95
80 d un total sur un domaine Et pour ce qui est de la précision : Var(ˆT Ud (Y)) = N 2 (1 f ) S 2 Y d n avec S 2 Y = 1 d N 1 Var( ˆ ˆT Ud (Y )) = N 2 (1 f ) s2 Y d n avec s2 Y = 1 d n 1 avec : Y d = moyenne de Y d sur U y d = moyenne de Y d sur s k U k s (Y d k Y d ) 2 (y d k y d ) 2 80 / 95
81 d un total sur un domaine Remarque sur la précision : Si on pose : alors on a : Ȳ d = 1 Y k = moyenne de Y sur U d N d k U d S d 2 = 1 (Y k N d 1 Ȳd) 2 = dispersion de Y sur U d k U d Var(ˆT Ud (Y)) N 2 d ( 1 E(n d ) 1 N d ) [ 1 1 ] N d 1 1 S 2 d + N N d N 1 Ȳd 2 N C est donc la taille (attendue) de l échantillon dans le domaine qui est déterminante et non n. 81 / 95
82 Estimateur alternatif pour le total Si on connaît la taille du domaine N d, un autre estimateur naturel de T Ud (Y ) est : ˆT alt U d (Y ) = N d ȳ d C est-à-dire que l on remplace un estimateur sans biais de N d : Nˆ d = n d n N par N d. En général, ˆT alt U d (Y ) est préférable à ˆT Ud (Y ). 82 / 95
83 de la moyenne sur un domaine On veut estimer : Y d = T U d (Y ) N d. On peut utiliser : Y ˆ d = ˆT Ud (Y ) Y ˆ d alt = N d si on connaît N d ˆT U alt d (Y ) = y d que l on connaisse N d ou non! N d Ce dernier estimateur est assez intuitif (plugin!), et est en général meilleur que le premier. 83 / 95
84 Paragraphe 2 d un ratio 84 / 95
85 d un ratio On cherche à estimer le rapport des totaux (ou des moyennes) de deux variables X et Y : R = T (X ) T (Y ) = X Ȳ Attention! L estimateur d Horvitz-Thompson est sans biais quand on estime un total ou une moyenne. 85 / 95
86 d un ratio On peut utiliser l estimateur : Son biais s écrit : ˆR = T (X ˆ ) ˆ X T (Y ˆ ) = ˆȲ = x ȳ B( ˆR) 1 X 2 (1 f )S XY RSX 2 n où : S XY = 1 (y k ȳ)(x k x) N 1 k U 86 / 95
87 Précision de l estimateur du ratio Son écart quadratique moyen et l EQM estimé s écrivent : EQM( ˆR) = 1 f n X 2 (S 2 Y + R2 S 2 X 2RS XY ) EQM( ˆ ˆR) = 1 f n x 2 (s2 Y + ˆR 2 sx 2 2 ˆRs XY ) 87 / 95
88 Paragraphe 3 Échantillonnage dans le temps 88 / 95
89 Problème On veut estimer l évolution de la moyenne d une variable Y entre deux dates 1 et 2 : Y = Ȳ 1 Ȳ 2 89 / 95
90 Méthode 1 Méthode 1 : On tire deux échantillons indépendants aux dates 1 et 2, selon un sondage aléatoire simple. On a alors : Y ˆ = ȳ 2 ȳ 1 un estimateur sans biais de Y, de variance : Var( ˆ Y) = Var(ȳ 1 ) + Var(ȳ 2 ) 90 / 95
91 Méthode 2 : panel Méthode 2 : On utilise un panel, c est-à-dire que l on tire un échantillon en date 1, et on le réinterroge à la date 2. On a alors : Y ˆ = ȳ 2 ȳ 1 un estimateur sans biais de Y, de variance : Var( ˆ Y) = Var(ȳ 1 ) + Var(ȳ 2 ) 2Cov(ȳ 1, ȳ 2 ) où : Cov(ȳ 1, ȳ 2 ) = (1 f ) S 12 n et : S 12 = 1 (Y 1k N 1 Ȳ1)(Y 2k Ȳ2) k U 91 / 95
92 Méthode 2 : panel Dans les bons cas, on a : S 12 > 0, d où : Var( ˆ Y) < Var(ȳ 1 ) + Var(ȳ 2 ) 92 / 95
93 Exemple : enquête emploi à l INSEE Année Trimestre Sous-échantillons T n T T T T n+1 T T T / 95
94 Paragraphe 4 Conclusion sur le SAS 94 / 95
95 Conclusion sur le SAS Les estimateurs ont une forme simple Ne nécesssite aucune information sur les individus de la base de sondage Est essentiel pour comprendre les plans de sondage plus complexes Peut permettre d approximer les plans de sondage plus complexes 95 / 95
Théorie 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 détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
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 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 détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailChapitre 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 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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
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 détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en 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 détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détailFOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS
FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 Réflexions méthodologiques Depuis des années,
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 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 détailMODÈLE CROP DE CALIBRATION DES PANELS WEB
MODÈLE CROP DE CALIBRATION DES PANELS WEB 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 WWW.CROP.CA Le Protocole CROP de calibration des panels en ligne
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 détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en 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 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 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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 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 détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détail3. Agrégats, ratios et équilibres macroéconomiques
3. Agrégats, ratios et équilibres macroéconomiques Le calcul du PIB (1) PIB : Résultat final de l activité de production des unités productrices résidentes 3 façons de le mesurer : Par la production Par
Plus en détailLe niveau de revenus des ménages est associé à la couverture vaccinale par le vaccin pneumocoque conjugué chez les enfants d'ile-de-france
Le niveau de revenus des ménages est associé à la couverture vaccinale par le vaccin pneumocoque conjugué chez les enfants d'ile-de-france Jean-Paul Guthmann, Pierre Chauvin, Yann Le Strat, Marion Soler,
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
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 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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détail1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
Plus en détailMarkov processes and applications to queueing/risk/storage theory and mathematical biology
Markov processes and applications to queueing/risk/storage theory and mathematical biology Florin Avram Contents 1 Introduction aux processus stochastiques/aléatoires 3 2 Marches aléatoires et récurrences
Plus en détailTD d économétrie appliquée : Introduction à STATA
Ecole normale supérieure (ENS) Département d économie TD d économétrie appliquée : Introduction à STATA Marianne Tenand marianne.tenand@ens.fr OBJECTIFS DU TD Découvrir le logiciel d économétrie STATA,
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 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 l'actuariat
Introduction à l'actuariat 3A MMEFI M2 AMSE M2 IMSA Renaud Bourlès Introduction (1) Spécicité de l'assurance : cycle de production inversé Contrat d'assurance = promesse Importance de la prévision Importance
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 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 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 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 détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
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 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 détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en 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 détailI La théorie de l arbitrage fiscal de la dette (8 points)
E : «Théories de la finance d entreprise» Master M1 Université Paris-Dauphine Thierry Granger Année Universitaire 2013/2014 Session 1 Aucun document, calculette autorisée Durée 1h30 Respecter la numérotation
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailBaromètre des professions 2015. Février 2015
Baromètre des professions 2015 Février 2015 Approche méthodologique 3 Résultats détaillés 5 1. Confiance 6 2. Encouragement à devenir 9 2 Méthodologie Collecte des données La présente étude a été réalisée
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailDérivés Financiers Contrats à terme
Dérivés Financiers Contrats à terme Mécanique des marchés à terme 1) Supposons que vous prenez une position courte sur un contrat à terme, pour vendre de l argent en juillet à 10,20 par once, sur le New
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
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 détailPOINTS DE VUE DES CANADIENS SUR LA COUVERTURE DES MÉDICAMENTS D ORDONNANCE
www.ekos.com POINTS DE VUE DES CANADIENS SUR LA COUVERTURE DES MÉDICAMENTS D ORDONNANCE [Ottawa 22 mai 2013] Selon un nouveau sondage commandé par la Coalition canadienne de la santé (CCS) et la Fédération
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 détailLes groupes de médecine familiale (GMF) Sondage Omniweb. Dossier 70902-019 21 septembre 2012
Les groupes de médecine familiale (GMF) Sondage Omniweb Dossier 70902-019 21 septembre 2012 La méthodologie 6 Le profil des répondants 9 L analyse détaillée des résultats 10 Conclusions stratégiques
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
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 détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
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 détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailDans une année, il y a 12 mois. Dans une année, il y a 52 semaines. Dans une année, il y a 4 trimestres. Dans une année, il y a 365 jours.
Dans un siècle, il y a 100 ans. Dans une année, il y a 12 mois. Dans une année, il y a 52 semaines. Dans une année, il y a 4 trimestres. Dans une année, il y a 365 jours. Dans un trimestre, il y a 3 mois.
Plus en détailDU RAPATRIEMENT DE LA CONSTITUTION PRÉSENTÉE PAR CROP. de la vie aux idées
ÉTUDE À e ANNIVERSAIRE DU RAPATRIEMENT DE LA CONSTITUTION PRÉSENTÉE PAR CROP de la vie aux idées TABLE DES MATIÈRES CONTEXTE ET OBJECTIFS 3 NOTORIÉTÉ DU RAPATRIEMENT DE LA CONSTITUTION CANADIENNE 4 DE
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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailLes Français et le libéralisme
Les Français et le libéralisme Vague 2 Sondage Ifop pour L Opinion/Génération Libre/i>TELE Mai 2015 Contacts Ifop : Frédéric Dabi / Guillaume Marchal Département Opinion et Stratégies d Entreprise 01 45
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 détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailLE MARCHÉ DE L IMMOBILIER D ENTREPRISE
CONSEIL EN IMMOBILIER D ENTREPRISE LE MARCHÉ DE L IMMOBILIER D ENTREPRISE Introduction Les surfaces disponibles Les prix La tendance Les axes de développement INTRO CONSEIL EN IMMOBILIER D ENTREPRISE Surface
Plus en détailSanté environnement. Description du budget espace-temps et estimation de l exposition de la population française dans son logement
Santé environnement Description du budget espace-temps et estimation de l exposition de la population française dans son logement Sommaire Abréviations 2 1. Introduction 3 2. Données recueillies 4 2.1
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 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 détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détail