Eléments de Statistique Chapitre 5 : Tests statistiques élémentaires
|
|
- Zoé Damours
- il y a 6 ans
- Total affichages :
Transcription
1 Eléments de Statistique Chapitre 5 : statistiques élémentaires INSA de Toulouse - 3ICBE Statistique
2 problématique et exemple Généralités sur les tests Décision Objectif Question : Des différences entre un modèle a priori et des observations sont-elles significatives ou considérées comme acceptables par l effet du hasard Test : proédure permettant de confronter une hypothèse à la réalité des données prendre une décision en contrôlant le risque d erreur Exemples de question : un médicament est-il efficace? des pièces sont-elles conformes? Quel mode de culture bactienne est le plus efficace?...
3 problématique et exemple Généralités sur les tests Décision Problématique Quatre conditions sont requises : 1 Seules deux répones possibles : oui / non 2 Une expérimentation planifiée fournit les données 3 Les données sont la réalisation de variables aléatoires décrites par un modèle statistique 4 La réponse est caractérisée par l acceptation ou le rejet d une hypothèse (H 0 ) du modèle statistique Décision Accepter H 0 fait répondre Non : les différences observées sont imputables au seul hasard Rejeter H 0 fait répondre Oui : les différences observées sont significatives car trop improbables
4 problématique et exemple Généralités sur les tests Décision Exemple : les faiseurs de pluie Pluviométrie en Beauce : X N (600, ) Une insémination (iodure d argent) augmente-elle la pluviométrie de 50mm? { H0 : µ = 600mm H 1 : µ > 600mm ou µ = 650mm Que conclure à partir des observations? Année mm
5 problématique et exemple Généralités sur les tests Décision Question H 0 est-elle vraisemblable au regard des observations? Prendre le risque a priori α = 0, 05 de croire à tort les faiseurs de pluie Hypothèses Moyenne empirique X n = 1 n n i=1 X i tend vers µ (LGN) Si H 0 vraie, X n N (600, /9) (n = 9 années) Sinon H 1 : µ > 600 x n = 610.2mm
6 problématique et exemple Généralités sur les tests Décision Contrôle du risque de première espèce Rejet de H 0 P H0 (Rejet de H 0 ) < α P H0 ( Xn > x n ) < α Sous H 0, Z = Xn /3 N (0, 1) P H0 (X n > 610.2) = ( ) P Z > 100/3 = P (Z > 0.306) = 1 P (Z < 0.306) = = > α
7 problématique et exemple Généralités sur les tests Décision Choix de H 0 et H 1 H 0 et H 1 ne jouent pas des rôles symétriques H 0 est sous la forme d un consensus dont les données doivent apporter la preuve de la remise en cause Le risque α contrôle la probabilité de se tromper en remettant en cause H 0 Le couple (H 0, H 1 ) (hypothèse nulle, hypothèse alternative) 1 H 0 simple et H 1 = H0 c, le test est dit bilatéral H 0 = {θ = θ 0 } et H 1 = {θ θ 0 }; 2 H 0 composite et H 1 = H0 c, le test est dit unilatéral H 0 = {θ θ 0 } et H 1 = {θ > θ 0 }.
8 problématique et exemple Généralités sur les tests Décision Niveau et puissance de test Deux façons de se tromper : 1 Rejeter une hypothèse alors qu elle est vraie : α (niveau ou risque de première espèce) borne la probabilité de rejeter à tort ou probabilité d avoir un faux-négatif 2 Accepter une hypothèse alors qu elle est fausse : β (risque de deuxième espèce) borne la probabilité d accepter à tort ou probabilité d avoir un faux-positif La puissance (1 β(θ)) mesure la probabilité de rejeter H 0 alors qu elle est fausse (vrai négatif). En général : écrire H 0 de sorte que rejeter H 0 alors qu elle est vraie (risque de première espèce qui est maîtrisé) est beaucoup plus coûteux que de la conserver à tort (risque de deuxième espèce, non maîtrisé)
9 problématique et exemple Généralités sur les tests Décision Démarche d un test 1 Choix de H 0 et de H 1 2 Choix arbitraire de α = 10%, 5%, 1% 3 Détermination de la statistique de test 4 Allure de la région de rejet en fonction de H 1 5 Calcul de la région de rejet en fonction de α et H 0 6 Calcul de la réalisation de la statistique de test 7 Conclusion : rejet ou acceptation de H 0 au risque α 8 Si possible, calcul de la puissance du test : 1 β
10 problématique et exemple Généralités sur les tests Décision Région critique, probabilité critique ou P-valeur Usage devenu désuet des tables statistiques (α-quantiles) Les logiciels calculent les probabilités critiques (P-values) Région critique d un test bi-latéral : R = { T > l} La probabilité critique ou P-valeur est la probabilité pour que la statistique de test T soit dans la région critique la probabilité pour que la statistique de test T dépasse, sous l hypothèse H 0, la valeur seuil Plus cette probabilité est proche de 0, plus forte est la contradiction entre H 0 et le résultat observé avec l échantillon. Probabilité critique de test bilatéral : P c (t) = P H0 { T l} Décision : Si {P c (t) < α} {t R} Rejet de H 0
11 problématique et exemple Généralités sur les tests Décision Choix du test (modèle gaussien, binomial ou n assez grand ) Un échantillon : comparer la moyenne à une valeur théorique (σ connu ou non) Deux échantillons indépendants : comparer deux moyennes (variance connue ou égales ou n grand), deux variances, deux proportions ; Deux échantillons appariés ou même échantillon observé à deux instants Plusieurs échantillons indépendants : ANOVA à un facteur de comparaison Comparaison de deux distributions (χ2 d indépendance) Normalité d une distribution (distributions non-gaussiennes et petits échantillons) Deux échantillons indépendants Deux échantillons appariés
12 sur un échantillon sur deux échantillons d ajustement Moyenne µ inconnue et variance σ 2 connue On suppose que l on observe les réalisations d un n-échantillon (X 1,..., X n ) issu d une loi N (µ, σ 2 ) avec µ inconnue et σ 2 connue. On se donne donc l hypothèse nulle H 0 : µ = µ 0, µ 0 étant une valeur donnée par l énoncé ou provenant de connaissances théoriques. Ensuite, il existe trois types d hypothèse H 0 correspondant à leur alternative spécifique H 1 : H 0 composite : µ µ 0 contre H 1 : µ > µ 0, test unilatéral à droite H 0 composite : µ µ 0 contre H 1 : µ < µ 0, test unilatéral à gauche H 0 simple : µ = µ 0 contre H 1 : µ µ 0, test bilatéral
13 sur un échantillon sur deux échantillons d ajustement Test unilatéral à droite H 1 : µ > µ 0 (cas de l exemple introductif). Statistique de test : la moyenne empirique X n = 1 n n i=1 X i. Région de rejet : Rejet de H 0 P H0 (X n > x n ) < α, la région de rejet étant donnée par la forme de H 1. Calcul de x n, la valeur observée de X n. Détermination de P H0 (X n > x n ). Sous H 0, on a que X n N (µ 0, σ2 n ). On définit alors Z = Xn µ 0 σ/, qui suit N (0, 1). ( ) n Ainsi on a : P H0 (X n > x n ) = P Z > xn µ 0 σ/ n Probabilité critique P H0 (X n > x n ) à comparer avec α
14 sur un échantillon sur deux échantillons d ajustement Test unilatéral à gauche H 1 : µ < µ 0. Même méthode que précédemment, sauf que l on remplace l événement {X n > x n } par {X n < x n } Test bilatéral H 1 : µ µ 0. Même méthode que précédemment, sauf que l on remplace l événement {X n > x n } par { X n µ 0 > x n µ 0 }. Test bilatéral et intervalle de confiance H 0 : µ = µ 0 est équivalente à µ 0 est à l intérieur (acceptation) ou à l extérieur (rejet) de l intervalle de confiance
15 sur un échantillon sur deux échantillons d ajustement Moyenne µ inconnue et variance σ 2 inconnue Réalisations d un n-échantillon (X 1,..., X n ) issu d une loi N (µ, σ 2 ) avec µ inconnue et σ 2 inconnue H 0 : µ = µ 0 contre H 1 : µ µ 0 σ 2 inconnue estimée par la variance empirique S 2 n s n est l estimation ponctuelle de l écart-type empirique S n Sous H 0 : T n = Xn µ 0 S n/ n liberté Student à (n 1) degrés de Probabilité critique est calculée à partir de la loi de Student Règle de décision : ( ) Rejet de H 0 P Xn µ 0 H0 S n/ n > xn µ 0 s n/ < α n Idem pour les tests unilatéraux et l intervalle de confiance
16 sur un échantillon sur deux échantillons d ajustement Test sur l écart type d une loi gaussienne analogues à ceux sur la moyenne Statistique compare S 2 n et un paramètre σ 2 0 Le rapport (n 1) S2 n chi-deux à (n 1) ddl σ0 2 Contrôle de qualité : test unilatéral de dérive d un procédé même si la moyenne reste nominale H 0 : σ σ 0 contre l alternative H 1 : σ > σ 0 Probabilité critique : P H0 ((n 1) S2 n σ 2 0 Rejette H 0 si : (n 1)s2 n σ 2 0 ) > (n 1) s2 n σ0 2 > χ 2 n 1;1 α s2 n > σ2 0 χ2 n 1;1 α n 1 χ 2 n 1;1 α est l (1 α)-quantile d une loi du chi-deux à (n 1) degrés de liberté
17 sur un échantillon sur deux échantillons d ajustement Test bilatéral sur une proportion X suit une loi binomiale B(n, π) H 0 : π = π 0 contre l hypothèse alternative H 1 : π π 0 Problème : Loi discrète, fontion de répartition étagée, le test de niveau α n est pas connu pour toute valeur Considérer une approximaiton gaussienne de la loi binomiale (TLC) sous la condition que les nombres nπ 0 et n(1 π 0 ) soient suffisamment grands (> 10) Statistique de test : 1 α/2-quantile de cette loi Idem pour les tests unilatéraux X nπ 0 N (0, 1) comparée avec le nπ0 (1 π 0 )
18 sur un échantillon sur deux échantillons d ajustement Moyennes de deux échantillons indépendants, σ 1 et σ 2 connues X et Y gaussiennes de moyennes (µ 1, µ 2 ) et de variances (σ 2 1, σ2 2 ) Échantillons (n 1, n 2 ) X, Y), S1 2, S2 2 les estimateurs des espérances et variances S 2 = (n 1 1)S 2 1 (n 2 1)S 2 2 n 1 +n 2 2 H 0 : µ 1 = µ 2 est basée sur la loi des différences des moyennes (X Y) est gaussienne d espérance nulle et de variance (σ 2 1 /n 1 + σ 2 2 /n 2) H 0 : µ 1 = µ 2 est équivalente à µ 1 µ 2 = 0 (X Y) gaussienne de variance connue (cf. un échantillon)
19 sur un échantillon sur deux échantillons d ajustement Moyennes de deux échantillons indépendants, σ 1 = σ 2 inconnues Hypothèse d égalité des variances vérifiable par un test ci-après (X Y) est gaussienne d espérance nulle et de variance σ 2 (1/n 1 + 1/n 2 ) La variance doit être estimée par S 2 La statistique de test (X Y) S (1/n 1 +1/n 2 ) T n 1 +n 2 2 H 0 : µ 1 = µ 2 est équivalente à µ 1 µ 2 = 0 Pour une variable aléatoire (X Y) gaussienne et de variance connue Cf. test à un échantillon
20 sur un échantillon sur deux échantillons d ajustement Moyennes de deux échantillons indépendants, σ 1 σ 2 inc. Test précédent si échantillons grands (> 20) ou correction du test de Welch Deux échantillons indépendants et comparaison de σ 1 et σ 2 Tester H 0 : σ 1 = σ 2 avant de tester l égalité des moyennes Statistique de test : S1 2/S2 2 rapport de deux chi-deux Variable aléatoire suivant une loi de Fisher à (n 1 1) et (n 2 1) ddl La plus grande quantité, disons S1 2, est placée au numérateur Rejeter H 0 si la réalisation s 2 1 /s2 2 > F (n 1 1),(n 2 2);α/2
21 sur un échantillon sur deux échantillons d ajustement Deux échantillons indépendants et comparaison de proportions X ert Y binomiales de paramètres (n 1, π 1 ) et (n 2, π 2 ) Test approximatif (n 1 et n 2 grands) car approximation gaussienne de lois binomiales H 0 : π 1 = π 2 et P = X+Y n 1 +n 2 ; S 2 d = P(1 P)(1/n 1 + 1/n 2 ) (X/n 1 Y/n 2 ) suit approximativement une loi gaussienne de moyenne nulle et de variance π(1 π)(1/n 1 + 1/n 2 ) Rejeter H 0 si X/n 1 Y/n 2 P(1 P)(1/n1 +1/n 2 ) > u 1 α/2
22 sur un échantillon sur deux échantillons d ajustement Deux échantillons appariés Deux variables observées sur le même échantillon ou mesures répétées Mesures appariées v.s. échantillons indépendants D = X Y de variables gaussiennes (µ 1, µ 2, variance σ 2 ) D est gaussienne de moyenne µ 1 µ 2 et de variance σ 2 D estimateur de la moyenne de D, S D de sa variance H 0 : µ 1 µ 2 = 0 contre H 1 : µ 1 µ 2 (test à un échantillon) n D S D suit une loi de Student à (n 1) ddl H 0 est rejetée si n D S D > t n 1;1 α/2 de la loi de Student Test apparié plus puissant
23 sur un échantillon sur deux échantillons d ajustement ANOVA : Comparaison de plusieurs échantillons gaussiens m échantillons indépendants ou m classes de X Influence d un facteur X à m niveaux sur Y Modèle linéaire et ANalysis Of VAriance Plus de deux facteurs, comparaisons multiples... H 0 : µ 1 = = µ k contre H1 : deux moyennes sont différentes Comparaison des variances inter et intra-classes Hypothèses préalables : 1 X suit une loi gaussienne (on n grand) 2 Variances des sous-groupes sont identiques (Bartlett, Levenes)
24 sur un échantillon sur deux échantillons d ajustement ANOVA : Notations X gaussienne observée sur m échantillons de tailles n k x moyenne générale, x k, moyenne dans chaque classe Décomposition de la variance ou sommes des carrés : SST = SSB + SSW n (x i x) 2 = m n k (x k x) 2 + i=1 k=1 m n k (x i,k x k ) 2 k=1 i=1 SST variabilité totale ou somme des carrés totaux. SSB variabilité des moyennes des groupes ou variabilité inter-classe (between) ou expliquée. SSW variabilité résiduelle ou variabilité intra-classe (within)
25 sur un échantillon sur deux échantillons d ajustement ANOVA : Statistique de test Carrés moyens MSB=SSB/(m 1) et MSW=SSW/(n m) Statistique de test F=MSB/MSW F grand : variance inter-classe l emporte sur l intra-classe Significativité de la dispersion des moyennes Tableau de l ANOVA Source de variation d.d.l. Somme des carrés Variance F Modèle (inter) m 1 SSB MSB=SSB/(m 1) MSB/MSW Erreur (intra) n m SSW MSW=SSW/(n m) Total n 1 SST
26 sur un échantillon sur deux échantillons d ajustement ANOVA : décision Si X gaussienne, égalité des variances et sous H 0 : µ 1 = = µ m F suit une Fisher à (m 1) et (n m) ddl Comparer la P-valeur ou probabilité critique avec α Comparaison des moyennes par paires (Scheffé, Tukey) Etude des résidus : normalité
27 sur un échantillon sur deux échantillons d ajustement d ajustement de deux lois Comparer deux fonctions de répartition : F = F 0 Comparer la loi des à X i à une loi donnée Exemple N (0, 1), X i uniforme sur {1, 2, 3} Test du chi-deux si X i v.a.r. discrètes Test de Kolmogorov, Shapiro-Wilks... sinon
28 sur un échantillon sur deux échantillons d ajustement Test du chi-deux : problématique Juger si un échantillon est compatible avec une loi donnée Deux cas : F est entièrement spécifiée : paramètres connus Seule la forme est connue et les paramètres estimés (X 1,..., X n ) un n-échantillon X définie sur {x 1,..., x k } Un vecteur de R k, p = (p 1,..., p k ), tel que p p k = 1 H 0 : pour tout i de 1 à k, P(X = x i ) = p i H 1 : il existe i de 1 à k tel que P(X = x i ) p i
29 sur un échantillon sur deux échantillons d ajustement Test du χ 2 pour une loi uniforme discrète Exemple : dé biaisé ou non au risque de 1% H 0 : Pour tout i = 1,..., 6, P(X = x i ) = p i = 1 6 n observations, N i le nombre de variables parmi X 1,..., X n égales à x i N i = n j=1 1 {X j =x i } Statistique de test : D 2 = k (N i np i ) 2 i=1 np i chi-deux à ν ddl ν = k 1 si la distribution théorique est connue ν = k 1 r si r paramètres sont estimés ( k Rejet de H 0 P H0 i=1 α (N i np i ) 2 np i > ) k (N i,obs np i ) 2 i=1 np i <
30 sur un échantillon sur deux échantillons d ajustement Exemple de test du χ 2 Face N i,obs : Effectifs np i (N i,obs np i ) 2 np i Effectifs théoriques : np i = 100 1/6 = sous H 0 D 2 obs = k (N i,obs np i ) 2 i=1 np i = Probabilité critique : P H0 (D 2 > D 2 obs ) = (χ2 à 5 ddl)
31 sur un échantillon sur deux échantillons d ajustement Test du χ 2 de contingence X (x 1,..., x r ) et Y (y 1,..., y c ) qualitatives H 0 : les variables sont indépendantes Table de contingence : n lh ; n l+ = c h=1 n lh et n +h = r l=1 Profils n lh n l+, n lh n +h ou fréquences conditionnelles Sous H 0, profils proches des distributions marginales : f h l = n lh n l+ f +h = n +h n et f l h = n lh n +h f l+ = n l+ n Fréquences conjointes proches des produits des fréquences marginales f hl = n lh n f +hf l+ = n +h n l+ n n Statistique de test : D χ 2 = r l=1 c h=1 (f lh f l+ f +h ) 2 f l+ f +h = r l=1 c h=1 n 2 lh n l+ n +h 1 n grand ( n +hn l+ n > 5), nd χ 2 approchée par un χ 2 à (r 1)(c 1) ddl
32 sur un échantillon sur deux échantillons d ajustement Droite de Henri ou QQ-plot Visualiser le caractère gaussien d une distribution dans une échelle gausso-arithmétique Fonction inverse de la fonction de répartition de la loi gaussienne Répartition empirique d une gaussienne devient linéaire Droite de Henri associée à une série de notes : 3,7,7,10,11,11,15,15,16,18
33 sur un échantillon sur deux échantillons d ajustement
34 sur un échantillon sur deux échantillons d ajustement Test de Kolmogorov Tester que la loi des X i est continue (normale, exponentielle) H 0 : F = F th contre H 1 : F F th Fonction de répartition empirique pour le n-échantillon (X 1,..., X n ) F n (t) = 1 n n i=1 1 {X i t} = 0 si t < x (1) i n si x (i 1) t < x (i) 1 si t > x n Statistique de test : D n = sup t R F n (t) F th (t) Rejet de H 0 P H0 ( supt R F n (t) F th (t) > D n,obs ) < α Loi de D n tabulée ou calcul de la probabilité critique Kolmogorov préférable au χ 2 (découpage en classe)
35 sur un échantillon sur deux échantillons d ajustement
36 Test de Wilcoxon-Mann-Whitney pour deux échantillons indépendants Hypothèse (normalité, binomiale) non vérifiée et n petit Principe : deux séries de valeurs mélangées et ordonnées par valeurs croissantes doivent conduire à un mélance homogène si H0 (identité des distributions) est vérifiée Deux échantillons (x 1,..., x n ) et (y 1,..., y m ) Les suites sont fusionnées et ordonnées R 1 (R 2 ) désigne la somme des rangs de l échantillon 1 (échantillon 2) { } U = min U 1 = nm + n(n+1) 2 R 1 ; U 1 = nm + m(m+1) 2 R 2 Loi de U tabulée (n, m < 16) ou approchée par N ((nm + 1)/2, nm(n + m + 1)/12)
37 Test de Wilcoxon pour échantillons appariés (x i, y i ) n paires d observations de X et Y sur le même échantillon (d 1,...d n ) suite des différences ordonnées par ordre croissant des valeurs absolues d i R + (R ) somme des rangs correspondants aux valeurs positives (négatives) R = min(r +, R ) Si d i = 0, l effectif n est réduit d une unité et en cas d ex-æquo, le rang moyen est utilisé La loi de la statistique R est tabulée ou approchée par N (n(n + 1)/4, n(n + 1)(2n + 1)/24) Test de Wilcoxon plus puissant que celui dit des signes
38 Test de Kruskal-Wallis pour plusieurs échantillons Généralisation à m échantillons de Wilcoxon-Mann-Whitney Chaque observation x i,k appartenant à l un k des m échantillons et est remplacée par son rang r i,k dans la suite ordonnée de toutes les valeurs Moyenne globale des rangs : r = (n + 1)/2 Moyenne des rangs de l échantillon k : r k H = 12 m n(n+1) k=1 n k(r k r) 2 = 12 m Sk 2 n(n+1) k=1 n k 3(n + 1) S k somme des ranks du kème échantillon, n k l effectif Loi de H tabulée ou approchée par une loi du chi-deux à (m 1) degrés de liberté
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 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 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 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 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 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 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 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 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 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 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 détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailCours de 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 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 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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en 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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en 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 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 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 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 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 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 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 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 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 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 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
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 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 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 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 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 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 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 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 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 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 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 détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en 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 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 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 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 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 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 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 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 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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
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 détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
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 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 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 détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailProblèmes de crédit et coûts de financement
Chapitre 9 Problèmes de crédit et coûts de financement Ce chapitre aborde un ensemble de préoccupations devenues essentielles sur les marchés dedérivésdecréditdepuislacriseducréditde2007.lapremièredecespréoccupations
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en 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 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 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en 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 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 détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailINTRODUCTION. 1 k 2. k=1
Capes externe de mathématiques : session 7 Première composition INTRODUCTION L objet du problème est l étude de la suite (s n n définie par : n, s n = Dans une première partie, nous nous attacherons à
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
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 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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 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 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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
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 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 détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
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 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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détail