1 Tests d ajustement. 2 Tests d indépendance. 3 Application aux réseaux bayésiens. 4 Maximum de vraisemblance. d 2 valeur prise par D(n)
|
|
- Rachel Larrivée
- il y a 6 ans
- Total affichages :
Transcription
1 Plan du cours n 4 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres Christophe Gonzales LIP6 Université Paris 6, France 1 Tests d ajustement 2 Tests d indépendance 3 Application aux réseaux bayésiens 4 Maximum de vraisemblance Tests d ajustement RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 2/45 Tests d ajustement II : le retour du χ 2 Définition test d ajustement = test = 2 issues possibles : 1 acceptation de l hypothèse que l échantillon observé population répartie en k classes échantillon de taille n = répartition = (n 1,, n k ) supposons l échantillon tiré selon la loi multinomiale (p 1,, p k ) = (n 1,, n k ) (np 1,, np k ) est tiré selon une certaine loi 2 rejet de l hypothèse 1 k Rappel : D(n) 2 = (N r np r ) 2 np r r=1 χ 2 k 1 contre-hypothèse : ne précise pas de quelle autre loi l échantillon aurait pu être tiré RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 3/45 d 2 valeur prise par D(n) 2 = si échantillon tiré selon (p 1,, p k ) alors d 2 petit table de la loi du χ 2 = dα 2 tel que P(χ 2 k 1 > d α) 2 = α = règle de décision : si d 2 < dα 2 alors OK RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 4/45
2 Tests d ajustement en pratique Exemple de test d ajustement (1/3) Mise en place d un test d ajustement 1 population répartie en k classes 2 échantillon de taille n = répartition = (n 1,, n k ) 3 on vérifie si l échantillon tiré selon la loi (p 1,, p k ) : A choix du risque de première espèce α k B calcul de d 2 (n r np r ) 2 = np r C r=1 lecture dans une table de d 2 α tel que P(χ 2 k 1 > d 2 α) = α D si d 2 < dα 2 alors règle de décision : (p 1,, p k ) est la loi selon laquelle est tiré l échantillon sinon l échantillon est tiré selon une autre loi RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 5/45 Exemple de test d ajustement (2/3) observations = = {(x i, y i )} Problème : les proviennent-ils de points situés sur la courbe y = sin(x) mais observés avec un bruit gaussien? = problème : T i = Y i sin(x i ) N (0, 1)? observations des t i, réparties en 8 classes : t i ] ; 3[ [ 3; 2[ [ 2; 1[ [ 1; 0[ [0; 1[ [1; 2[ [2; 3[ [3; + [ N r RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 6/45 Exemple de test d ajustement (3/3) Rappel : T i N (0, 1) t i ] ; 3[ [ 3; 2[ [ 2; 1[ [ 1; 0[ [0; 1[ [1; 2[ [2; 3[ [3; + [ N r np r = d 2 = 8 (n r np r ) np r r=1 pour α = 005, P(χ 2 7 > d 2 α) = α = d 2 α = 141 = d 2 < d 2 α = règle de décision : l échantillon est bien tiré selon sin(x)+ un bruit gaussien Nouvel échantillon : t i ] ; 3[ [ 3; 2[ [ 2; 1[ [ 1; 0[ [0; 1[ [1; 2[ [2; 3[ [3; + [ N r np r = d 2 = 8 (n r np r ) np r r=1 pour α = 005, P(χ 2 7 > d 2 α) = α = d 2 α = 141 = d 2 > d 2 α = règle de décision : l échantillon n est pas tiré selon sin(x)+ un bruit gaussien RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 7/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 8/45
3 Exemple de test d ajustement (1/2) péage d autoroute : 10 cabines nombre de clients / cabine sur une heure : N cabine Nb clients Clients distribués uniformément sur l ensemble des cabines? = test d ajustement, niveau de confiance : 1 α = 95% H 0 = la répartition des clients est uniforme H 1 = la répartition n est pas uniforme H 0 = 20 clients / cabine (uniforme) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 9/45 Tests d indépendance (1/3) 2 caractères X et Y classes de X : A 1, A 2,, A I classes de Y : B 1, B 2,, B J échantillon de taille n tableau de contingence : X\Y B 1 B 2 B j B J A 1 n 11 n 12 n 1j n 1J A 2 n 21 n 22 n 2j n 2J A i n i1 n i2 n ij n ij A I n I1 n I2 n Ij n IJ RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 11/45 Exemple de test d ajustement (2/2) X i : variable effectif recensé pour la ième cabine Statistique d ajustement : D 2 = 10 (X i 20) 2 20 D 2 χ 2 9 α = 0, 05 = P(rejeter H 0 H 0 est vraie) = P ( D 2 > d α D 2 χ 2 ) 9 = d α = 16, 9 calcul de la valeur de d observée sur l échantillon : d 2 = 1 20 [(14 20)2 + (24 20) 2 + (18 20) 2 + (20 20) 2 + (23 20) 2 + (13 20) 2 + (23 20) 2 + (18 20) 2 + (24 20) 2 + (23 20) 2 ] = 7, 6 = estimation : répartition uniforme RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 10/45 Tests d indépendance (2/3) n ij n = P(X A i, Y B j ) P(X A i ) = n J i n = j=1 n ij n X\Y B 1 B 2 B j B J total A 1 n 11 n 12 n 1j n 1J n 1 A 2 n 21 n 22 n 2j n 2J n 2 A i n i1 n i2 n ij n ij n i A I n I1 n I2 n Ij n IJ n I total n 1 n 2 n j n J n et I P(Y B j ) = n j n = n ij n X et Y indépendants = P(X A i, Y B j ) = P(X A i ) P(Y B j ) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 12/45
4 Tests d indépendance (3/3) X\Y B 1 B 2 B j B J total A 1 n 11 n 12 n 1j n 1J n 1 A 2 n 21 n 22 n 2j n 2J n 2 A i n i1 n i2 n ij n ij n i A I n I1 n I2 n Ij n IJ n I total n 1 n 2 n j n J n X et Y indépendants = n ij n = n i n n j n = n ij = n i n j n χ 2 (I 1) (J 1) = I J j=1 (n ij n in j n )2 n i n j n Exemple de test d indépendance (1/2) notes d examen de RFIDEC = 3 classes : c 1 c 2 c 3 note < 8 note [8, 12[ note 12 X : variable aléatoire note 1ère session Y : variable aléatoire note 2ème session X et Y sont-elles des variables aléatoires indépendantes? sélection d un échantillon de 100 notes : X\Y c 1 c 2 c 3 c c c RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 13/45 Exemple de test d indépendance (2/2) Test d indépendance de niveau de confiance 90% 1 calcul des marginales : X\Y c 1 c 2 c 3 total c c c total tableau obtenu si X et Y sont indépendants : X\Y c 1 c 2 c 3 c c c calcul de la statistique d 2 : d 2 = 2, 42 4 D 2 χ 2 4 = d 2 α = 7, 78 = d 2 < d 2 α = indépendance RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 15/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 14/45 Rappel sur l indépendance conditionnelle Indépendance conditionnelle de deux variables discrètes X et Y sont indépendantes conditionnellement à Z si : P(X Y Z ) = P(X Z ) P(Y Z ) si P(Y Z ) > 0 alors P(X Y, Z ) = P(X Z ) si P(X Z ) > 0 alors P(Y X, Z ) = P(Y Z ) Interprétation Conditionnement = apport de connaissances Si l on connaît la valeur de la variable Z, alors connaître celle de Y n apporte rien sur la connaissance de X Ces formules s étendent si X, Y et/ou Z sont remplacés par des ensembles de variables aléatoires disjoints 2 à 2 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 16/45
5 Application en informatique n variables aléatoires X 1,, X n P(X n,, X 1 ) = P(X n X n 1,, X 1 )P(X n 1,, X 1 ) Par récurrence : P(X n,, X 1 ) = P(X 1 ) P(X i X 1,, X i 1 ) i, {X 1,, X i 1 } = L i K i, où L i K i = et X i indépendant de L i conditionnellement à K i Alors : i=2 P(X n,, X 1 ) = P(X 1 ) P(X i K i ) Tables de proba P(X i K i ) plus petites que P(X i X 1,, X i 1 ) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 17/45 Exemple d application (2/5) i=2 Exemple de la dyspnée (Lauritzen & Spiegelhalter (88)) La dyspnée peut être engendrée par une tuberculose, un cancer des poumons, une bronchite, par plusieurs de ces maladies, ou bien par aucune Un séjour récent en Asie augmente les chances de tuberculose, tandis que fumer augmente les risques de cancer des poumons Des rayons X permettent de détecter une tuberculose ou un cancer Un patient éprouve des difficultés à respirer Dans quelle mesure peut-on dire qu il est atteint de dyspnée? P(D, R, T, C, B, A, F) = P(D R, T, C, B, A, F) P(R, T, C, B, A, F) Or P(D R, T, C, B, A, F) = P(D T, C, B) = P(D, R, T, C, B, A, F) = P(D T, C, B) P(R, T, C, B, A, F ) Exemple d application (1/5) Exemple de la dyspnée (Lauritzen & Spiegelhalter (88)) La dyspnée peut être engendrée par une tuberculose, un cancer des poumons, une bronchite, par plusieurs de ces maladies, ou bien par aucune Un séjour récent en Asie augmente les chances de tuberculose, tandis que fumer augmente les risques de cancer des poumons Des rayons X permettent de détecter une tuberculose ou un cancer Un patient éprouve des difficultés à respirer Dans quelle mesure peut-on dire qu il est atteint de dyspnée? Variables aléatoires : D : dyspnée : oui/non C : cancer : oui/non A : Asie : oui/non R : rayons X : positif/négatif T : tuberculose : oui/non B : bronchite : oui/non F : fumer : oui/non RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 18/45 Exemple d application (3/5) Exemple de la dyspnée (Lauritzen & Spiegelhalter (88)) La dyspnée peut être engendrée par une tuberculose, un cancer des poumons, une bronchite, par plusieurs de ces maladies, ou bien par aucune Un séjour récent en Asie augmente les chances de tuberculose, tandis que fumer augmente les risques de cancer des poumons Des rayons X permettent de détecter une tuberculose ou un cancer Un patient éprouve des difficultés à respirer Dans quelle mesure peut-on dire qu il est atteint de dyspnée? P(D, R, T, C, B, A, F ) = P(D T, C, B) P(R, T, C, B, A, F) or P(R, T, C, B, A, F ) = P(R T, C, B, A, F) P(T, C, B, A, F) et P(R T, C, B, A, F) = P(R T, C) = P(D, R, T, C, B, A, F) = P(D T, C, B) P(R T, C) P(T, C, B, A, F) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 19/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 20/45
6 Exemple d application (4/5) Exemple de la dyspnée (Lauritzen & Spiegelhalter (88)) La dyspnée peut être engendrée par une tuberculose, un cancer des poumons, une bronchite, par plusieurs de ces maladies, ou bien par aucune Un séjour récent en Asie augmente les chances de tuberculose, tandis que fumer augmente les risques de cancer des poumons Des rayons X permettent de détecter une tuberculose ou un cancer Un patient éprouve des difficultés à respirer Dans quelle mesure peut-on dire qu il est atteint de dyspnée? P(D, R, T, C, B, A, F) = P(D T, C, B) P(R T, C) P(T, C, B, A, F) P(T C, B, A, F ) = P(T A) P(D, R, T, C, B, A, F) = P(D T, C, B) P(R T, C) P(T A) P(C, B, A, F) = P(D T, C, B) P(R T, C) P(T A) P(C F) P(B F) P(A) P(F ) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 21/45 Qu est-ce qu un réseau bayésien? Exemple d application (5/5) P(D, R, T, C, B, A, F) = P(D T, C, B) P(R T, C) P(T A) P(C F) P(B F) P(A) P(F) Si toutes les variables ont 10 valeurs possibles : P(D, R, T, C, B, A, F) nécessite une table de 10 7 éléments formule décomposée nécessite : = éléments RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 22/45 Quelques applications des réseaux bayésiens Définition d un réseau bayésien 1 un graphe sans circuit : P(C) C P(D C) D E A P(A) B P(B A) P(E B, D) diagnostic diagnostic de panne sûreté de fonctionnement filtrage de spams P(C) C P(D C) D A B P(A) P(B A) F P(F E) prédiction E P(E B, D) qui représente une décomposition de la loi jointe : P(A, B, C, D, E, F ) = P(F E)P(E B, D)P(D C)P(C)P(B A)P(A) 2 À chaque noeud X du graphe est associé sa probabilité conditionnellement à ses parents modélisation de joueurs prévisions boursières F P(F E) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 23/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 24/45
7 Diagnostic : une voiture bayésienne (1/3) Diagnostic : une voiture bayésienne (2/3) RB conduit une voiture but : rester au milieu de la route TgR AngV TgR AngV AngVTg DistC AngRoues décomposition : P(AngRoues AngVTg,DistC) P(AngVTg TgR,AngV) P(TgR)P(AngV)P(DistC) AngVTg DistC AngRoues Problème : effectuer rapidement les calculs Principe de fonctionnement de la voiture calculer P(AngRoues) puis tirer selon cette loi une action calculer Argmax P(AngRoues) calculs = éliminer les variables une par une RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 25/45 Diagnostic : une voiture bayésienne (3/3) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 26/45 Vraisemblance d un échantillon : le cas discret TgR AngV AngVTg DistC AngRoues décomposition : P(AngRoues AngVTg,DistC) P(AngVTg TgR,AngV) P(TgR)P(AngV)P(DistC) Paramètre à estimer : θ Échantillon x = (x 1,, x n ) de taille n Échantillon = les x i = réalisations de variables aléatoires X i Échantillon iid = les X i sont mutuellement indépendants = P(X 1 = x 1,, X n = x n θ = θ) = P(X i = x i θ = θ) Vraisemblance d un échantillon dans le cas discret L(x, θ) = Vraisemblance de l échantillon L(x, θ) = proba d obtenir cet échantillon sachant que θ = θ P(x i θ = θ) L(x, θ) = P(x 1,, x n θ = θ) = RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 27/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 28/45
8 Vraisemblance d un échantillon : le cas continu Paramètre à estimer : θ Échantillon x = (x 1,, x n ) de taille n Échantillon iid = les X i sont mutuellement indépendants p : fonction de densité = p(x 1 = x 1,, X n = x n θ = θ) = p(x i = x i θ = θ) Vraisemblance d un échantillon dans le cas continu L(x, θ) = Vraisemblance de l échantillon L(x, θ) = p(x 1,, x n θ = θ) = p(x i θ = θ) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 29/45 Exemple de vraisemblance (2/2) Exemple de vraisemblance (1/2) pièce de monnaie : P(Pile) = 0, 75 et P(Face) = 0, 25 jet de la pièce = expérience de Bernoulli paramètre θ = proba de Pile = 0, 75 = θ échantillon 1 : P P F F P P F P P P 7 3 = L(x, θ) = P(Pile θ) P(Face θ) = 0, , , échantillon 2 : F F P P F F P F F F 3 7 = L(x, θ) = P(Pile θ) P(Face θ) = 0, , , RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 30/45 Estimateur du maximum de vraisemblance pièce de monnaie : P(Pile) =??? et P(Face) =??? paramètre θ = proba de Pile =??? échantillon : P P F F P P F P P P 7 3 = L(x, θ) = P(Pile θ) P(Face θ) θ 1 = 0, 75 = L(x, θ 1 ) = 0, , , θ 2 = 0, 5 = L(x, θ 2 ) = 0, 5 7 0, 5 3 0, θ 3 = 0, 25 = L(x, θ 3 ) = 0, , , = θ 1 plus vraisemblable que θ 2 ou θ 3 Estimateur du maximum de vraisemblance X : variable aléatoire sur la population X suit une loi de proba de paramètre θ inconnu Θ : ensemble des valeurs possibles pour θ x : échantillon iid T = f (X) = estimateur du maximum de vraisemblance défini par x t = f (x) = Argmax L(x, θ) = t = valeur θ de θ pour laquelle la proba d observer x était la plus grande RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 31/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 32/45
9 Calcul du maximum de vraisemblance Problème : comment calculer le maximum de vraisemblance? Argmax L(x, θ) = Argmax P(x 1,, x n θ) = Argmax Certaines conditions de concavité et de dérivabilité L(x, θ) = Argmax L(x, θ) obtenu lorsque = 0 θ Argmax L(x, θ) = Argmax ln L(x, θ) = Argmax P(x i θ) ln P(x i θ) Argmax ln L(x, θ) = log vraisemblance = Argmax L(x, θ) obtenu lorsque ln P(x i θ) θ RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 33/45 Max de vraisemblance et loi normale (2/2) X N (µ, σ 2 ) paramètre θ = (µ, σ 2 ) Log vraisemblance : ln L(x, θ) = n 2 ln 2π n 2 ln σ2 1 2σ 2 Maximum de vraisemblance = L(x, θ) µ L(x, θ) µ = 0 (x i µ) 2 = 0 et = 1 σ 2 (x i µ) = 0 = µ = 1 n (x i µ) 2 = 0 = σ 2 = 1 n L(x, θ) σ 2 = n 1 2 σ σ 4 L(x, θ) σ 2 = 0 x i = x Estimateurs du maximum de vraisemblance : X et S 2 n (x i x) 2 = sn 2 estimateur de la variance biaisé : variance non corrigée RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 35/45 Max de vraisemblance et loi normale (1/2) X N (µ, σ 2 ) ; on suppose σ = 1 paramètre θ = espérance µ loi normale = vraisemblance : [ 1 L(x, θ) = p(x i θ) = exp { 12 }] (x i θ) 2 2π L(x, θ) ln L(x, θ) = 0 = 0 θ θ ln L(x, θ) = n 2 ln 2π 1 (x i θ) 2 2 L(x, θ) θ = 0 (x i θ) = 0 θ = 1 n x i = x Estimateur du maximum de vraisemblance : X RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 34/45 Retour sur le problème d ajustement du cours 1 (1/6) Observations (x 1, t 1 ) (x 10, t 10 ) t = sin(2πx) données estimation x 11 = courbe sin(2πx) = estimation de t 11 = reconnaissance de la courbe verte RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 36/45
10 Retour sur le problème d ajustement du cours 1 (2/6) Idée : estimer la courbe verte par un polynôme : M y(x, w) = w 0 + w 1 x + w 2 x w M x M = w j x j j=0 Retour sur le problème d ajustement du cours 1 (3/6) Idée : les ordonnées des points bleus sont distribuées selon une loi normale autour de y(x, w) : = P(t x, w, σ 2 ) = N (t y(x, w), σ 2 ) Problème : comment trouver w et σ 2? = par maximum de vraisemblance RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 37/45 Retour sur le problème d ajustement du cours 1 (4/6) P(t x, w, σ 2 ) = N (t y(x, w), σ 2 ) observations {(x i, t i ), i = 1,, n} t = {t 1,, t n } ; x = {x 1,, x n } observations = échantillon iid = P(t x, w, σ 2 ) = = P(t i x i, w, σ 2 ) N (t i y(x i, w), σ 2 ) Max de vraisemblance = calculer la log-vraisemblance : ln p(t x, w, σ 2 ) = 1 2σ 2 [y(x i, w) t i ] 2 + n 2 ln 1 σ 2 n 2 ln(2π) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 39/45 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 38/45 Retour sur le problème d ajustement du cours 1 (5/6) ln p(t x, w, σ 2 ) = 1 2σ 2 [y(x i, w) t i ] 2 + n 2 ln 1 σ 2 n 2 ln(2π) Maximum de log-vraisemblance = trouver w ML et σ 2 ML qui maximisent ln p(t x, w, σ 2 ) maximiser par rapport à w ML minimiser [y(x i, w) t i ] 2 = critère du cours 11 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 40/45
11 Retour sur le problème d ajustement du cours 1 (6/6) ln p(t x, w, σ 2 ) = 1 2σ 2 [y(x i, w) t i ] 2 + n 2 ln 1 σ 2 n 2 ln(2π) Prévention des risques d inondation (1/4) Plan de prévention des risques d inondations (PPR-I) : photos satellite SPOT5 = zones susceptibles d être inondées maximiser ln p(t x, w, σ 2 ) par rapport à σ 2 = ln p(t x, w, σ2 ) σ 2 = 0 ln p(t x, w, σ 2 ) σ 2 = 1 2σ 4 = σ 2 = 1 n [y(x i, w) t i ] 2 n 2σ 4 σ2 = 0 [y(x i, w) t i ] 2 σ 2 ML = 1 n [y(x i, w ML ) t i ] 2 RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 41/45 Prévention des risques d inondation (2/4) images en teintes de gris proba d obtenir un niveau de gris n dépend du type de zone : P(n PI) = N (µ 1, σ 2 1 ) µ 1 = 100 σ 1 = 20 nouvelle image envoyée par SPOT5 : P(n PPI) = N (µ 2, σ 2 2 ) µ 2 = 85 σ 2 = 5 3 catégories de parcelles : 1 inondables (PI) 2 partiellement inondables (PPI) 3 non inondables (NI) RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 42/45 Prévention des risques d inondation (3/4) Problème : zone Z = PI ou PPI? 2 hypothèses : 1 θ 1 = Z est de type PI 2 θ 2 = Z est de type PPI Idée : calcul du max de vraisemblance d obtenir la zone Z sous θ 1 ou sous θ 2 L(x, θ 1 ) = p(80 PI), avec p fct de densité de P(n PI) = N (µ 1, σ 2 1 ) zone Z : niveau de gris = n = 80 Problème : zone Z = PI ou PPI? RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 43/45 Rappel : la fonction de densité de N (µ, σ 2 ) est : { p(x) = 1 exp 1 ( ) } x µ 2 2πσ 2 σ RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 44/45
12 Prévention des risques d inondation (4/4) Problème : zone Z = PI ou PPI? P(n PI) = N (µ 1, σ 2 1 ) = N (100, 202 ) L(x, θ 1 ) = p(80 PI) { 1 = exp 1 2π 20 2 = 1 20 exp { 1 } 2π 2 0, 0121 ( ) 2 } 20 P(n PPI) = N (µ 2, σ 2 2 ) = N (85, 52 ) L(x, θ 2 ) = p(80 PPI) = 1 2π 5 exp { 1 2 ( ) 2 } 5 0, 0484 Max de vraisemblance = PPI plus probable RFIDEC cours 4 : Tests d ajustement, apprentissage de paramètres 45/45
Probabilités 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 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 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 détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 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 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 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 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 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 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 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 détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
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 détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
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 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
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 détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en 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 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
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 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 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 détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en 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 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 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 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 détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
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 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 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 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 détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
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 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 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 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 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 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
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 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 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 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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
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 détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
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 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 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 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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailTUBES ET ACCESSOIRES Serrurier A ailettes Construction Canalisation Spéciaux
TUBES ET ACCESSOIRES 47 Serrurier A ailettes Construction Canalisation Spéciaux Possibilité d autres sections sur demande. Les caractéristiques indiquées sont théoriques et non garanties. TUBES 48 TUBES
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en 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 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 détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
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 détailSystème de sécurité de périmètre INTREPID
TM Système de sécurité de périmètre INTREPID La nouvelle génération de systèmes de sécurité de périmètre MicroPoint Cable combine la technologie brevetée de Southwest Microwave, la puissance d un micro
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en 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 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 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 détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
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 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 détail