Tests non paramétriques
|
|
- Geoffroy Chrétien
- il y a 6 ans
- Total affichages :
Transcription
1 Retour au plan du cours Fonction de répartition empirique Définition et premières propriétés Soit X, X 2, X n, une suite de variables aléatoires réelles iid de fonction de répartition F On rappelle que, pour tout x R, F (x = P(X i x DÉFINITION On appelle fonction de répartition empirique associée au n échantillon X, X 2, X n la fonction F n (x = n Xi x n i= F n est croissante, continue à droite, lim x F n (x = 0, lim x + F n (x = nf n (x suit une loi binomiale de paramètre (n, F (x E(F n (x = F (x, pour tout x, F n (x est un estimateur sans biais de F (x Var(nF n (x = nf (x( F (x, Var(F n (x = Par l inégalité de Tchebichev, F (x( F (x n 0 ε > 0, P ( F n (x F (x ε ε 2 Var(F n(x 0 F n (x F (x Prob 0 C est aussi une conséquence de la loi des grands nombres On déduit du TLC que pour tout x tel que F (x( F (x 0, n(fn (x F (x Loi N (0, F (x( F (x 2 Inverse généralisée DÉFINITION 2 Soit F une fonction de répartition On définit l inverse généralisée F de F par x [0, ], F (x = inf{t R, F (t x} Remarque Si F est une bijection, F est la bijection réciproque Exemple Calculer F pour la loi de Bernoulli de paramètre p LEMME 3 Soit U une variable aléatoire de loi uniforme sur [0, ] Soit F une fonction de répartition et F son inverse généralisée La variable aléatoire X = F (U a pour fonction de répartition F Ceci permet de simuler des va de loi donnée, dès lors que l on sait calculer F Exercice : comment simuler une variable de loi exponentielle de paramètre λ? De loi de Bernoulli de paramètre p? Démonstration La preuve repose sur l équivalence suivante : On déduit de ( que, pour tout x, F (x y x F (y ( P(F (U x = P(U F (x = F (x, donc X = F (U a pour fonction de répartition F LEMME 4 Soit X une variable aléatoire de fonction de répartition F, supposée continue Alors F (X suit une loi uniforme sur [0, ]
2 2 2 Tests basés sur la fonction de répartition empirique 2 Test d adéquation de Kolmogorov Soit X,, X n iid de fonction de répartition F On se donne une fonction de répartition F 0, supposée continue On veut tester l hypothèse H 0 : F = F 0 contre H : F F 0 DÉFINITION 5 Le test de Kolmogorov est défini par la statistique de test F F 0, on utilise la statistique de test respectivement D n + = sup(f n (x F 0 (x Dn = sup(f 0 (x F n (x On rejette H 0 si D n + d + n, α, respectivement D n d n, α Les quantiles sont lus dans les tables D n = sup F n (x F 0 (x Il consiste à rejeter l hypothèse H 0 si D n d n,α PROPOSITION 6 La loi de D n sous l hypothèse H 0 (F = F 0 est indépendante de F 0 Remarque Soit X ( X (n l échantillon ordonné On pose X (0 = et X (n+ = + ( D n = max max i i=0,,n n F 0(X (i ; i n F 0(X (i+, ce qui permet de calculer facilement D n La loi de D n sous H 0 est tabulée On trouve dans les tables les quantiles d n, α tels que P H0 (D n d n, α α, (en étant le plus proche possible de α Ces tables sont obtenues à partir de simulations de D n, sous l hypothèse que les X i sont iid de loi uniforme sur [0, ] (F 0 = [0,] Si la loi de D n dépendait de F 0, il faudrait construire une table pour chaque loi F 0 Pour faire un test unilatéral, H 0 : F = F 0 contre H : F F 0 (respectivement PROPOSITION 7 (admise λ > 0, P H0 ( nd + n λ exp( 2λ 2 Smirnov (942 λ > 0, P H0 ( nd n λ 2 ( k+ exp( 2k 2 λ 2 Kolmogorov (933 k= λ > 0, P H0 ( nd n λ 2 exp( 2λ 2 Massart (990 Il existe d autres tests basés sur la fonction de répartition empirique Le test de Cramer Von Mises utilise la statistique C n = n + (F n (x F 0 (x 2 f 0 (xdx, le test d Anderson Darling utilise la statistique de test D n = n + (F n (x F 0 (x 2 f 0 (x F 0 (x( F 0 (x dx Comme pour le test de Kolmogorov, on montre que les lois de C n et A n sont indépendantes de F 0 sous H 0 Ces lois sont tabulées
3 3 3 Tests de comparaison de deux échantillons On considère deux échantillons indépendants X,, X n iid de fonction de répartition F 0 et Y,, Y m iid de fonction de répartition F Dans le cas où F 0 correspond à une loi normale N (m 0, σ 2 et F à la loi N (m, σ 2, on peut utiliser un test de Student pour tester H 0 : F 0 = F contre H : F 0 F (cf cours de 3ième année Nous ne revenons pas sur ce test et nous nous plaçons ici dans un cadre non paramétrique Les lois des variables X i et Y j ne sont pas supposées connues 3 Tests de Kolmogorov-Smirnov de comparaison de deux échantillons On considère deux échantillons indépendants : X,, X n iid de fonction de répartition F 0 et Y,, Y m iid de fonction de répartition F On veut tester H 0 : F 0 = F contre H : F 0 F Soit F n la fonction de répartition empirique de l échantillon (X,, X n et G m celle de l échantillon (Y,, Y m DÉFINITION 8 Le test de Kolmogorov-Smirnov est défini par la statistique de test D n,m = sup F n (x G m (x Il consiste à rejeter l hypothèse H 0 si D n,m d n,m, α PROPOSITION 9 Si F 0 est continue, la loi de D n,m sous l hypothèse F 0 = F est indépendante de F 0 Cette loi est tabulée Remarque Pour faire un test unilatéral ( H 0 : F 0 = F contre H : F 0 F, on utilise la statistique de test D n,m + = sup(f n (x G m (x 32 Test de Wilcoxon- Mann-Whitney On considère deux échantillons indépendants : X,, X n iid de fonction de répartition F 0 et Y,, Y m iid de fonction de répartition F On veut tester H 0 : F 0 = F contre H : F 0 F on suppose que F 0 et F sont continues Le principe du test consiste à détermniner le nombre de couples (X i, Y j pour lesquels Y j X i Sous H, pour tout x, P(Y x P (X x (avec parfois l inégalité stricte, par conséquent pour tout x, P(Y > x P (X > x et le nombre de couples (X i, Y j pour lesquels Y j X i prend des valeurs plus grandes sous H que sous H 0 DÉFINITION 0 On appelle test de Mann-Whitney le test défini à partir de la statistique n m U (n,m = Yj>X i i= j= Le test consiste à rejeter H 0 si U (n,m u (n,m, α Remarque La loi de U (n,m sous H 0 peut être établie par récurrence (cf Caperaa Van Cutsem p 26 On note Alors pour tout k, p n,m (k = P H0 (U (n,m = k pour k = 0,, mn p n,0 (k = p 0,m (k = pour k = 0; = 0 pour k 0 (n + mp n,m (k = mp n,m (k + np n,m (k Cette formule de récurrence permet de calculer la loi de U (n,m sous H 0 On peut aussi utiliser un résultat asymptotique : THÉORÈME (Hajek (968 (admis Sous H 0, U (n,m E H0 (U (n,m VarH0 (U (n,m Loi N (0, quand n, n/(n+m λ ]0, [
4 4 On utilise ce résultat en pratique si n, m 8 E H0 (U (n,m = mn 2, ( n + m + Var H0 (U (n,m = mn 2 Il existe une autre forme équivalement de ce test, appelé test de la somme des rangs de Wilcoxon, qui consiste à calculer la somme des rangs des individus du deuxième échantillon : W n,m = où R j représente le rang de Y j dans l échantillon complet ordonné : on note (Z,, Z n, Z n+,, Z N = (X,, X n, Y,, Y m On pose pour tout j de à m N R j = Zi<Y j + i= On a la relation m(m + U (n,m = W n,m 2 Les deux statistiques conduisent donc au même test Traitement des ex-aequos : Nous avons supposé les lois continues, donc la probabilité d avoir des ex-aequos est nulle En pratique, soit parce que les lois ne sont pas continues, soit parce qu on a des mesures arrondies, on peut avoir des ex-aequos Dans ce cas, la solution la plus couramment employée dans les logiciels est la méthode des rangs moyens Elle consiste à affecter à tous les élements d un groupe d ex-aequos la moyenne des rangs des élements du groupe 33 Test de la médiane On considère deux échantillons indépendants : X,, X n iid de fonction de répartition F 0 et Y,, Y m iid de fonction de répartition F On veut tester H 0 : F 0 = F contre H : F 0 F on suppose que F 0 et F sont m j= R j continues Le principe du test consiste à détermniner le nombre de variables du deuxième échantillon qui sont supérieures à la médiane de l ensemble des observations On note N = n + m DÉFINITION 2 Le test de la médiane est défini à partir de la statistique M n,m = m m Rj> N+ 2 j= Pour tester H 0 : F 0 = F contre H : F 0 F, on rejette H 0 si M n,m m n,m, α Exemple d application : Test de localisation X,, X n sont iid de fonction de répartition F 0 et Y,, Y m sont iid de fonction de répartition F = F 0 ( µ Par exemple, on étudie la pression artérielle de patients soumis à un traitement contre l hypertension (Y j, et on les compare à des patients non traités (X i Supposons qu après traitement, la loi de la pression artérielle est translatée de µ Le traitement est efficace si µ < 0, il est inefficace si µ = 0 Loi de M n,m sous H 0 : Supposons N pair k {0,, m}, P(mM n,m = k = Ck mcn N/2 k C N/2 N Il s agit d une loi hypergéométrique de paramètre (N, N/2, m La connaissance de la loi de M n,m sous H 0 permet de déterminer la zone de rejet du test * E H0 (M (n,m = si N pair (2 2 = N si N impair (3 2N Var H0 (M (n,m = = n si N pair 4m(N (4 n(n + 4mN 2 si N impair (5
5 5 * Pour n, m 30, on peut approximer la loi de M (n,m sous H 0 par la loi N (E H0 (M (n,m, Var H0 (M (n,m Remarque Les tests de Wilcoxon, Mann-Withney et de la médiane ne permettent pas de tester des alternatives bilatérales 4 Tests de normalité 4 Méthode graphique : droite de Henry La méthode est aussi appelée Normal Probability Plot ou Q-Q Plot On représente le graphe des points (X (i, F F n (X (i, où X ( X (n est l échantillon ordonné, F n la fonction de répartition empirique de l échantillon (X,, X n (notons que F n (X (i = i/n et F représente la fonction de répartition de la loi N (0, Sous l hypothèse que les X i sont iid de loi normale, les points (X (i, F F n (X (i sont pratiquement alignés 42 Test de normalité de Kolmogorov Soit X,, X n iid de fonction de répartition F On souhaite tester l hypothèse H 0 : les X i suivent une loi normale, contre l hypothèse H : les X i ne suivent pas une loi normale On note X = n n i= X i, S 2 = n n (X i X 2 i= Le test de normalité de Kolmogorov utilise la statistique de test T n = sup F n (x F ( X,S (x 2 où F ( X,S 2 est la fonction de répartition de la loi normale N ( X, S 2 Le test consiste à rejeter l hypothèse de normalité pour de grandes valeurs de T n PROPOSITION 3 Sous l hypothèse H 0, (les X i suivent une loi normale N (m, σ 2, la loi de T n ne dépend pas de (m, σ 2 La loi de T n est tabulée (on peut par exemple la simuler avec m = 0 et σ = pour en estimer les quantiles 43 Test de Shapiro-Wilk Il s agit d un test basé sur les L-statistiques (combinaison linéaire des statistiques d ordre, qui se base sur une comparaison de la variance empirique avec un estimateur de la variance des X i qui a de bonnes propriétés sous l hypothèse de normalité 43 Estimation de la moyenne et de la variance à l aide des statistiques d ordre pour des lois symétriques Soit X,, X n iid On note µ = E(X i et σ 2 = Var(X i La loi de Y i = (X i µ/σ est supposée symétrique (ce qui signifie que Y i a même loi que Y i On note (X (,, X (n l échantillon des X i ordonné : X ( X (n On note (Y (,, Y (n l échantillon des Y i ordonné On a Pour i =,, n, on note On a alors Y (i = (X (i µ/σ α i = E(Y (i, B i,j = Cov(Y (i, Y (j X (i = µ + α i σ + ε i, avec E(ε i = 0 Les ε i ne sont pas indépendantes La matrice de variancecovariance du vecteur ε = (ε,, ε n est σ 2 B On note et α les vecteurs de R n definis par =, α = α α 2 α n On note A la matrice de taille (n, 2 définie par A = (, α Enfin, on note X ( = (X (,, X (n et ε = (ε,, ε n On a la relation ( µ X ( = A σ + ε
6 6 L estimateur des moindres carrés pondérés de (µ, σ est obtenu en minimisant en les paramètres (µ, σ le critère : ( ( µ X ( A σ On obtient comme solution de ce système (cf Cours sur le modèle linéaire ( ( B µ X ( A σ ( ˆµn ˆσ n = (A B A A B X ( ( A B A = B B α α B α B α On peut l écrire sous la forme avec SW n = (a,, a n = ( n i= a ix (i 2 n i= (X i X n 2, α B (α B B α /2 La zone de rejet est de la forme (SW n c n, α Les a i sont tabulés, ce qui permet de calculer facilement SW n, les quantiles (c n, α sont également tabulés LEMME 4 Lorque la loi des Y i est symétrique, B α = 0, la matrice A B A est donc diagonale Il en résulte que ˆµ n = B X ( B, ˆσ n = α B X ( α B α On peut montrer que, si la loi des Y i n est pas symétrique, ˆσ n sous-estime σ 432 Test de Shapiro-Wilk DÉFINITION 5 Soit Y, Y n iid de loi N (0, et Y ( Y (n l échantillon ordonné Soit α = (E(Y (, E(Y (n Soit B la matrice de covariance du vecteur (Y (,, Y (n Le test de Shapiro-Wilk pour tester l hypothèse de normalité des X i est basé sur la statistique de test : SW n = ˆσ 2 n(α B α 2 n i= (X i X n 2 (α B 2 α
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 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 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailTESTS 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 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 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 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 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 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 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 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 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 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en 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 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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en 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 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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en 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 détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 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 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 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 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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en 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 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 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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en 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 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 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 détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
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. 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 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 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
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 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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en 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 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 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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
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 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 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en 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 détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en 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 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 détail