Tests non-paramétriques
|
|
- Marin Drapeau
- il y a 6 ans
- Total affichages :
Transcription
1 Tests non-paramétriques Michaël Genin Université de Lille EA Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lillefr
2 Plan 1 Introduction Comparaison de K = échantillons indépendants 3 Comparaison de K = échantillons appariés 4 Corrélation de rangs 5 Comparaison de K > échantillons indépendants Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
3 Introduction Motivations Motivations - I Tests paramétriques nécessitent des conditions de validité : Hypothèses sur la distribution des observations (ex : X N (µ, σ)) Distributions caractérisées par des paramètres (moyenne, variance, ) Ces paramètres sont estimés Question : Que faire lorsque les conditions de validité ne sont pas respectées? Tests non-paramétriques Distribution free : pas d hypothèse sur la distribution des observations Tests adaptés aux variables quantitatives et qualitatives (nominales et ordinales) La plupart du temps : tests basés sur la notion de rangs Valeur Rang Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
4 Motivations - II Introduction Motivations AVANTAGES Pas d hypothèse sur la distribution champ d application a priori plus large Tests adaptés aux variables ordinales (ex : degré de satisfaction) Robustesse par rapport aux données atypiques Exemple : x 1 = x = 55 Différence due à une seule observation!! La transformation en rangs permet de gommer cette différence Tests adaptés aux petits échantillons (n < 30) Si pas d hypothèse sur la loi, les tests paramétriques deviennent inopérants! INCONVENIENTS Lorsque les conditions d applications sont vérifiées : Tests NP moins puissants que les tests paramétriques Diffcultés d interprétation : on ne compare plus des paramètres (moyenne, proportion, variance, ) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
5 Définition Introduction Notion de rangs Considérons groupes G 1 et G de taille n 1 et n sur lesquels est mesuré un caractère X { G 1 : {x 11, x 1,, x 1n1 } G : {x 1, x,, x n } Principe du rang : substituer aux valeurs leur numéro d ordre (rang r) dans l ensemble des données (G 1 G ) Exemple : { G 1 : {10, 14,, 8, 5} G : {6, 9, 4, 3, 7} Groupe 1 Groupe Valeur r i Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
6 Introduction Notion de rangs Conséquences de la transformation en rangs La distribution des rangs est symétrique Rôle des valeurs atypiques amoindri Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
7 Introduction Notion de rangs Traitement des ex-aequo Méthode des rangs moyens Idée : les observations présentant des valeurs identiques se voient attribuer la moyenne de leur rangs Fréquent avec des variables ordinales (Peu de modalités) Exemple { G 1 : {11, 1, 1, 9, 13, 4, 17, 19} G : {1, 4, 5, 15,, 18, 5} Valeurs Rangs bruts Rangs moyens Calculs (1 + )/ - ( )/3 - Remarque : Impact sur la variance des statistiques de test Correction (Logiciels) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
8 Comparaison de K = échantillons indépendants Objectif du test Test de Mann-Whitney-Wilcoxon - Objectif Objectif : comparaison de K = échantillons indépendants par rapport à une variable X de nature : Quantitative Qualitative ordinale Ce test regroupe tests équivalents : Test U de Mann-Whitney Test W de Wilcoxon se déduisent l un de l autre Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
9 Comparaison de K = échantillons indépendants Hypothèses Test de Mann-Whitney-Wilcoxon - Hypothèses Soient F 1 (X ) la fonction de répartition de X dans la population 1 F (X ) la fonction de répartition de X dans la population Les hypothèses de test sont : { H 0 : F 1 (X ) = F (X + θ) ; θ = 0 Distributions identiques H 1 : F 1 (X ) = F (X + θ) ; θ 0 Distributions différentes θ paramètre de translation : décalage entre les fonctions de répartition Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
10 Comparaison de K = échantillons indépendants Hypothèses Test de Mann-Whitney-Wilcoxon - Hypothèses Exemple de décalage θ Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
11 Comparaison de K = échantillons indépendants Hypothèses Test de Mann-Whitney-Wilcoxon - Hypothèses Idée : G 1 : {x 11, x 1,, x 1n1 } G : {x 1, x,, x n } } = Transformation en rangs (G 1 G ) Soient R(X 1 ) = x les rangs des valeurs du groupe 1 R(X ) = o les rangs des valeurs du groupe configurations extrêmes : x o x o x o x o x o x o x o rangs (1) H 0 vraie (mélange total) x x x x x x x o o o o o o o rangs () H 0 totalement fausse Ecart par rapport à la configuration (1) Rejet de H 0 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
12 Comparaison de K = échantillons indépendants Statistique de test Test de Mann-Whitney-Wilcoxon - Statistique de test Rappel : Somme de n premiers entiers n = n(n + 1) Posons S 1 la somme des rangs des observations du groupe 1 Posons U 1 le nombre de couples {(x 1i, x j ) / x 1i > x j } U 1 = S 1 n 1(n 1 + 1) Posons S la somme des rangs des observations du groupe Posons U le nombre de couples {(x 1i, x j ) / x 1i < x j } Statistique de test : U = S n (n + 1) U = min (U 1, U ) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
13 Comparaison de K = échantillons indépendants Statistique de test Test de Mann-Whitney-Wilcoxon - Statistique de test Interprétation de la statistique de test H 0 totalement fausse : x x x x x x x o o o o o o o rangs o o o o o o o x x x x x x x rangs U 1 = n1(n1+1) n1(n1+1) = 0 U = n 1 +n i=n 1 +1 r i n (n +1) = n 1 n U 1 = n 1 +n i=n +1 r i n 1(n 1 +1) = n 1 n U = n (n +1) n (n +1) = 0 U = U 1 = 0 U = U = 0 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
14 Comparaison de K = échantillons indépendants Statistique de test Test de Mann-Whitney-Wilcoxon - Statistique de test Interprétation de la statistique de test H 0 Vraie (mélange total) : S p (n) = Somme des n premiers entiers pairs S i (n) = Somme des n premiers entiers impairs (1) () { x o x o x o x o x o x o x o rangs { o x o x o x o x o x o x o x rangs U 1 = S i (n 1 ) n 1(n 1 +1) U = S p (n ) n (n +1) U 1 = S p (n 1 ) n 1(n 1 +1) U = S p (n ) n (n +1) Sous H 0, on montre que On peut en déduire que Propriété : U n 1n E[U] = n 1n n V[U] = n 1 n 1 +n +1 1 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars 015 / 66
15 Comparaison de K = échantillons indépendants Statistique de test Test de Mann-Whitney-Wilcoxon - Statistique de test Distribution sous H 0 de la statistique de test Distribution non connue mais tabulée (probabilités exactes et quantiles) Table des valeurs critiques de U Cas particulier si n 1 et n > 10 : Z = U E[U] V[U] N (0, 1) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
16 Comparaison de K = échantillons indépendants Région critique Test de Mann-Whitney-Wilcoxon - Région critique n 1 ou n < 10 Valeurs de U 0 U lim n1n Rejet de H 0 Non - rejet de H 0 Valeur de U lim lue dans la table Cas particulier si n 1 et n > 10 Z = U n 1n n 1 n (n 1 +n +1) 1 N (0, 1) N (0, 1) RC : Z z 1 α/ 5% 95% 5% z z0975 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
17 Exemple Comparaison de K = échantillons indépendants Exemple 1 Passage aux rangs G 1 : n 1 = 7 : {11, 1, 1, 5, 5, 71, 79} G : n = 5 : {, 43, 7, 91, 100} Valeurs Rangs Groupe Calcul de U 1 et U U 1 = S 1 n 1(n 1 +1) U 1 = (7+1) = 8 U = S n (n +1) U = (5+1) = 7 3 U = min(u 1, U ) = U 1 = 8 4 U lim = 5 (Table) et U > U lim donc non rejet de H 0 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
18 Comparaison de K = échantillons indépendants Remarques Remarques - I 1 Equivalence entre les tests de Mann-Whitney et Wilcoxon Test de Wilcoxon basé sur la somme des rangs S S = S 1 si n 1 < n sinon S = S si n 1 = n alors S = S 1 si S 1 < S sinon S = S Les deux tests sont équivalents : n(n + 1) U = n 1n + S }{{ } Non aléatoire Test Mann-Whitney-Wilcoxon plus puissant que test de Student si les distributions ne sont pas gaussiennes Si les distributions sont gaussiennes Test de MWW présente une puissance proche de celle du test de Student (efficacité relative = 3/π 095) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
19 Comparaison de K = échantillons indépendants Remarques Remarques - II 3 Problème de Behrens - Fisher H 1 stipule un décalage de tendance centrale entre les distributions (θ 0) Cela sous-tend l hypothèse que les dispersions des distributions sont relativement homogènes Analogie au test paramétrique de Student (σ 1 = σ ) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
20 Comparaison de K = échantillons indépendants Remarques Remarques - III Problème de Behrens - Fisher Si cette hypothèse n est plus assumée rejet de H 0 n est plus uniquement imputable à un écart de tendance centrale Dans ce cas de figure le test de MWW n est plus applicable Solution : test de rang robuste de Fligner-Policello Equivalent non-paramétrique du test d Aspin-Welsh Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
21 Comparaison de K = échantillons appariés Objectif du test Test des rangs signés de Wilcoxon Objectif : Comparaison de échantillons appariés par rapport à une variable Quantitative Qualitative ordinale Exemple : X 1 X Temps Avant Après Remarque : Equivalent non-paramétrique du test de Student pour échantillons appariés Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
22 Comparaison de K = échantillons appariés Hypothèses Test des rangs signés de Wilcoxon Soient F (X 1 ) la fonction de répartition de X 1 (mesure avant) F (X ) la fonction de répartition de X (mesure après) Les hypothèses de test sont : { H 0 : F (X 1 ) = F (X + θ) ; θ = 0 Distributions identiques (AVANT/APRES) H 1 : F (X 1 ) = F (X + θ) ; θ 0 Distributions différentes (AVANT/APRES) θ paramètre de translation : décalage entre les fonctions de répartition Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
23 Comparaison de K = échantillons appariés Hypothèses Test des rangs signés de Wilcoxon Idée Posons G 1 : {x 11, x 1,, x 1n } G : {x 1, x,, x n } } = Transformation en rangs (G 1 G ) D = X 1 X 1 Calcul des d i = x 1i x i, i {1,, n} Elimination des observations telles que d i = 0 3 Prise en compte du signe de chaque d i 4 Transformation en rang des d i (r(min i d i ) = 1, r(max i d i ) = n) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
24 Comparaison de K = échantillons appariés Hypothèses Test des rangs signés de Wilcoxon Exemple : n = 10 Avant Après D signe ? ? Calcul des rangs de D et du signe : Valeurs Rangs bruts Rangs finaux Signes Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
25 Comparaison de K = échantillons appariés Hypothèses Test des rangs signés de Wilcoxon Exemple : n = 10 configurations extrêmes : rangs D (1) H 0 vraie (mélange total) rangs D () H 0 totalement fausse Ecart par rapport à la configuration (1) Rejet de H 0 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
26 Comparaison de K = échantillons appariés Statistique de test Test des rangs signés de Wilcoxon Statistique de test Soit T + la somme des rangs des observations pour lesquelles d i > 0 : T + = i:d i >0 Soit T la somme des rangs des observations pour lesquelles d i < 0 : T = i:d i <0 Remarque : On peut déduire T grâce à T + : T = n(n + 1) r i r i T + Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
27 Comparaison de K = échantillons appariés Statistique de test Test des rangs signés de Wilcoxon Statistique de test T + grand par rapport à T Les valeurs de X 1 sont stochastiquement plus élevées que celles de X T grand par rapport à T + Les valeurs de X 1 sont stochastiquement plus faibles que celles de X Si H 0 est vraie alors T + = T = 1 ( n(n+1) ) Aussi, la statistique de test a pour expression T = min ( T ; T +) V[T ] = E[T ] = n(n + 1) 4 n(n + 1)(n + 1) 4 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
28 Comparaison de K = échantillons appariés Statistique de test Test des rangs signés de Wilcoxon Distribution de la statistique de test sous H 0 Distribution non connue mais tabulée (probabilités exactes et quantiles) Table des valeurs critiques de T Cas particulier si n > 0 : Z = T E[T ] V[T ] N (0, 1) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
29 Comparaison de K = échantillons appariés Région critique Test des rangs signés de Wilcoxon - Région critique n 0 Valeurs de T 0 T lim n1n 4 Rejet de H 0 Non - rejet de H 0 Valeur de T lim lue dans la table Cas particulier si n > 0 Z = U n1n 4 n(n+1)(n+1) 4 N (0, 1) N (0, 1) RC : Z z 1 α/ 5% 95% 5% z z0975 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
30 Comparaison de K = échantillons appariés Région critique Test des rangs signés de Wilcoxon - Région critique Retour à l exemple Valeurs Rangs bruts Rangs finaux Signes T + = = 15 T = = 145 T = min ( T ; T +) = 145 Lecture dans la table : T lim = 4 NS Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
31 Corrélation de rangs Rappel sur le coefficient de corrélation linéaire de Pearson Rappel - I Soient X et Y deux variables quantitatives Coefficient de corrélation théorique ρ(x, Y ) = σ XY E[XY ] E[X ]E[Y ] = [ 1, 1] σ X σ Y σ X σ Y Si ρ(x, Y ) = 1 alors lien linéaire parfait entre X et Y Si X et Y indépendantes alors ρ(x, Y ) = 0 Estimé par le coefficient de Bravais-Pearson : r = s n xy i=1 = (x i x)(y i ȳ) s x s n y i=1 (x i x) n i=1 (y i ȳ) Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
32 Corrélation de rangs Rappel sur le coefficient de corrélation linéaire de Pearson Rappel - II Test de nullité de ρ { H 0 : ρ = 0 Pas de corrélation linéaire entre X et Y H 1 : ρ 0 Corrélation linéaire entre X et Y Sous H 0 T = R n 1 R T n Conditions d application : ou X et Y distribuées selon une loi normale n > 30 et VA continues L absence de lien linéaire n implique pas l absence de lien fonctionnel!! Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
33 Corrélation de rangs Coefficient de Spearman Coefficient de corrélation de Spearman Pas d hypothèse de loi Indications Petits échantillons (si on ne peut pas supposer X et Y distribuées normalement) Variables avec peu de valeurs différentes Présence de valeurs extrêmes Variables ordinales La relation n est pas forcément linéaire (exponentiel, puissance, ) Utile lorsque la distribution des variables est asymétrique Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
34 Corrélation de rangs Coefficient de Spearman Coefficient de corrélation de Spearman - Principe 1 Transformation des données de X et Y en rangs, séparément Soient R = (r 1,, r n ), S = (s 1,, s n ) respectivement les rangs de X et Y Remarque importante : Le coefficient de corrélation de Spearman calculé entre X et Y est égal au coefficient de corrélation de Pearson calculé entre R et S Calcul du coefficient de Spearman en utilisant le coefficient de corrélation de Bravais-Pearson entre R et S r s = s rs s r s s = Expression simplifiée : n i=1 (r i r)(s i s) n i=1 (r i r) n i=1 (s i s) r s = 1 n i=1 R is i n(n 1) 3n + 1 n 1 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
35 Corrélation de rangs Coefficient de Spearman Coefficient de corrélation de Spearman - Principe 3 Test de la nullité de ρ Sous H 0 T = R s n T n 1 R s 4 Interprétation : Si r s = 1 les classements sont identiques Si r s = 1 les classements sont opposés Si r s 0 (statistiquement significatif) les classements sont liés Si X et Y sont indépendantes alors ρ = 0 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
36 Corrélation de rangs Exemple Coefficient de corrélation de Spearman - Exemple Relation Poids - Taille (n = 15) Taille(cm) Poids(cm) R S Calcul du coefficient de Bravais-Pearson entre R et S : r s = Statistique de test : t = 8330, p = Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
37 Comparaison de K > échantillons indépendants Objectif et hypothèses du test Test de Kruskal-Wallis Objectif : comparer la distribution d une variable quantitative X entre K groupes indépendants (Extension à plus de groupes du test de Mann-Whitney-Wilcoxon) Equivalent non paramétrique de l ANOVA à un facteur Hypothèses du test Soit F i (X ) la fonction de répartition de X dans la population i, 1 i K Les hypothèses de test sont : { H 0 : F 1 (X ) = F (X + θ) = = F K (X + θ) ; θ = 0 Distributions identiques H 1 : i j/f i (X ) = F j (X + θ); θ 0 Distributions différentes θ paramètre de translation : décalage entre les fonctions de répartition Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
38 Comparaison de K > échantillons indépendants Statistique de test et région critique Test de Kruskal-Wallis - Statistique de test et région critique 1 Transformation en rangs (r ij rang de l observation x ij parmi les n observations) G 1 : {x 11, x 1,, x 1n1 } G : {x 1, x,, x n } G K : {x K1, x K,, x KnK } Calcul de la moyenne des rangs pour chaque groupe : = Transformation en rangs (G 1 G G K ) w i = 1 n i n i r ij j=1 3 Calcul de la moyenne globale des rangs : w = 1 K K w i i=1 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
39 Comparaison de K > échantillons indépendants Statistique de test et région critique Test de Kruskal-Wallis - Statistique de test Statistique de test sous H 0 : KW = 1 n(n + 1) K n i ( w i w) χ k 1 Remarque : approximation du χ valable si n i 5, i {1,, K} Si H 0 vraie alors les w i sont proches de w KW tend vers 0 Plus KW s écarte de 0, plus on aura tendance à rejeter H 0 i=1 Région critique : kw > χ k 1 au seuil 1 α Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
40 Comparaison de K > échantillons indépendants Exemple Test de Kruskal-Wallis - Exemple Mesure de la teneur en calcium de l eau de 3 zones géographiques n 1 = 6, n = 5, n 3 = 6 ; n = n 1 + n + n 3 Zone 1 Zone Zone Transformation en rangs sur n Valeurs Rgs bruts Rgs finaux Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
41 Comparaison de K > échantillons indépendants Exemple Test de Kruskal-Wallis - Exemple 1 Transformation en rangs sur n Zone 1 (Rang) Zone (Rang) Zone 3 (Rang) 18 (6) 15 (15) 15 (15) 0 (10) 16 (35) 0 (10) (14) 17 (5) 1 (15) 5 (165) 1 (15) 5 (165) 3 (15) 0 (10) 16 (35) 19 (75) 19 (75) Calcul des moyennes des rangs par zones et moyenne globale des rangs w 1 = 115 w = 65 w 3 = 858 w = 9 3 Calcul de la statistique de test KW = 1 n(n + 1) K n i ( w i w) KW = 1 [ 6 (115 9) + 5 (65 9) + 6 (858 9) ] = 74 17(18) i=1 Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
42 Comparaison de K > échantillons indépendants Exemple Test de Kruskal-Wallis - Exemple 4 Région critique et conclusion Les n i 5, 1 i 3, donc Le quantile de la loi du χ ddl = 599 KW χ K 1 74 < 599 donc on ne rejette pas H 0 Les teneurs en calcium sont distribuées de la même manière parmi les 3 zones géographiques Michaël Genin (Université de Lille ) Tests non-paramétriques Version - 5 mars / 66
TABLE 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en 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 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 : 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 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 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 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 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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en 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 détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en 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 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 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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en 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 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 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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en 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 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 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 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 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 détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en 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 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 détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
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 détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
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 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 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 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 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 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 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 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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
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 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 détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
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 détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailOptimisation des ressources des produits automobile première
EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients
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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailCorrélation entre deux classements. ρ Le coefficient de rang de Spearman
Corrélation entre deux classements Cas: échelle ordinale On peut utilisé le Rhô ρ Le coefficient de rang de Spearman Cours réalisé par Benjamin Putois Novembre 2008 bputois@gmail.com Indice statistique
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 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 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 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 détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
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 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 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 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 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 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 détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailInitiation à l algorithmique
Informatique S1 Initiation à l algorithmique procédures et fonctions 2. Appel d une fonction Jacques TISSEAU Ecole Nationale d Ingénieurs de Brest Technopôle Brest-Iroise CS 73862-29238 Brest cedex 3 -
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 détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailLa définition La méthode. Les échelles de mesure L ENQUETE PAR SONDAGE : LA METHODE
L ENQUETE PAR SONDAGE : LA METHODE La définition La méthode Le questionnaire Les biais La passation du questionnaire La validité des réponses Les échelles de mesure Les échelles d évaluation Les échelles
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 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 détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailDCG 6. Finance d entreprise. L essentiel en fiches
DCG 6 Finance d entreprise L essentiel en fiches DCG DSCG Collection «Express Expertise comptable» J.-F. Bocquillon, M. Mariage, Introduction au droit DCG 1 L. Siné, Droit des sociétés DCG 2 V. Roy, Droit
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 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 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 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 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 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 détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détail