Chapitre 12: Tests et intervalles de confiance pour moyennes
|
|
- André St-Laurent
- il y a 6 ans
- Total affichages :
Transcription
1 Chapitre 12: Tests et intervalles de confiance pour moyennes 1. Test statistique pour une moyenne 2. Intervalle de confiance pour une moyenne 3. Tests statistiques pour deux moyennes 4. Intervalle de confiance pour une différence de moyennes 1
2 Dans ce chapitre, nous allons considérer des variables quantitatives continues et nous intéresser à leur moyenne. 1. Test statistique pour une moyenne Ex: Taille moyenne des individus d une population Soit µ cette moyenne. 2
3 Hypothèses H 0 : µ = µ 0 H 1 : µ µ 0 Echantillon Tirage aléatoire de n individus. On observe les n variables aléatoires X 1,..., X n. Statistique de test Différence standardisée entre la moyenne des observations et µ 0 : X = 1 n n i=1 T = X µ 0 S/ n. où X i et S = ni=1 (X i X) 2 n 1 Attention: dans ce chapitre, S et s désignent l écart-type dans sa version avec n 1 au dénominateur (et non n comme au chapitre 3). 3
4 Sous H 0 et sous les conditions d application que les X i sont indépendants et que X i N (µ, σ 2 ), i = 1,... n, on peut montrer que T a une distribution t à n 1 degrés de liberté, notée t n 1. Rappel: la distribution t est une famille de distributions dépendant d un paramètre appelé le nombre de degrés de liberté. comme le motre la figure ci-dessous, plus le nombre de degrés de liberté est élevé, plus la distribution t s approche de la distribution normale standard. Distribution t densité t 1 t 2 t 5 t 10 t 20 t 30 N(0,1) t 4
5 Remarques: Ce test est dit exact, car sous H 0 et les conditions d application la distribution de la statistique de test est connue exactement et non approximativement comme dans les chapitres précédents. La différence avec la statistique de test que nous avons utilisée dans le chapitre 10 pour les poissons du lac est que la variance est estimée en utilisant n 1 au dénominateur et non n. Comme le nombre de degrés de liberté est égal à n 1, on voit que pour des grandes tailles d échantillon la procédure de test décrite ici devient équivalente à celle du chapitre 10, où on utilisait la normale standard. Concrètement, le test est mené de la façon habituelle, mais le domaine de rejet de H 0 n est plus défini à l aide du quantile de la normale standard z 1 α/2 mais avec celui de la loi t à n 1 degrés de liberté, noté t n 1, 1 α/2. Soit t la valeur observée de T. Règle de décision (pour un test de niveau α): Rejeter H 0 si t > t n 1, 1 α/2, où t n 1, 1 α/2 est le quantile 1 α/2 de la distribution t à n 1 degrés de liberté. Ce test s appelle le test de Student ou t-test pour une seule moyenne. 5
6 2. Intervalle de confiance pour une moyenne Comme précédemment, on définit une fourchette de valeurs plausibles de la vraie moyenne µ dans la population en déterminant toutes les valeurs qui ne sont pas rejetées par le test. Ce sont les valeurs pour lesquelles x µ s/ n t n 1,1 α/2, ce qui est équivalent à x t n 1, 1 α/2 s/ n < µ < x + t }{{} n 1, 1 α/2 s/ n }{{} b inf On définit donc l intervalle de confiance comme IC = [b inf, b sup ]. b sup. 6
7 Et comme précédemment, on obtient le résultat suivant pour la probabilité que l intervalle de confiance contienne la vraie moyenne µ: Comme T = X µ S/ n t n 1, on a que P ( ce qui est équivalent à P t n 1, 1 α/2 < X µ S/ n < t n 1, 1 α/2 X t n 1, 1 α/2 S/ n }{{} ) = 1 α, < µ < X + t n 1, 1 α/2 S/ n }{{} = 1 α B inf B sup Et donc P ( B inf < µ < B sup ) = 1 α : la probabilité que l intervalle de confiance contienne le vrai paramètre est de 1 α. 7
8 Au chapitre 10, nous avons vu que l intervalle de confiance basé sur la statistique de test avec la règle de rejeter H 0 si Z = X µ 0 ni=1 (X i X) 2 / n n z > z 1 α/2 avait un coefficient de couverture inférieur à α, même dans le cas où les données ont une distribution normale. En remplaçant les quantiles de N (0, 1) par ceux de la loi t à n 1 degrés de liberté, on corrige ce défaut en élargissant un peu l intervalle de confiance. En effet, comme les distributions t sont un peu plus écartées que la distribution N (0, 1), on aura toujours t n 1, 1 α/2 > z 1 α/2, n. 8
9 La différence de largeur entre les IC normal et Student a pour base le fait que σ, l écart type des données, n est pas connu et doit être estimé, ce qui représente une source de variabilité supplémentaire. L IC normal n en tient pas compte (il serait exact si σ était connu), alors que l IC Student en tient compte. Rappelons encore que le test de Student est exact si les données ont une distribution normale. En pratique il convient donc de s assurer que le modèle normal est approprié pour décrire les données, par exemple au moyen d un qq-plot. 9
10 Exemple: On se demande si la masse cérébrale moyenne µ dans une population donnée est égale à la valeur moyenne pour l humanité qui est de 1.5kg. On a mesuré la masse cérébrale de 10 individus et obtenu les valeurs suivantes x i (en kg): Le qq-plot indique que le modèle normal n est pas trop mis en défaut: Normal Q Q Plot Sample Quantiles Theoretical Quantiles 10
11 On Procède donc au test: Hypothèses: H 0 : µ = µ 0 = 1.5kg H 1 : µ µ 0 Calcul de la statistique de test: Avec on trouve x = 1.311, et s = t = x µ 0 s/ n. ni=1 (x i x) 2 t = n 1 = 0.310, Décision (pour un test au niveau 5%): Comme t < t n 1,0.975 = 2.262, on ne rejette pas H 0. 11
12 Pour avoir une idée de la précision avec laquelle on a estimé le poids moyen du cerveau dans notre population, on construit un intervalle de confiance à 95%: IC = [ x t n 1, s/ n, x + t n 1, s/ n] = [1.09kg, 1.53kg], et on constate que, conformément au résultat du test, la valeur de 1.5kg fait partie de l intervalle de confiance. 12
13 3. Tests statistiques pour deux moyennes Deux situations distinctes: Les données sont observées par paires. Il y a deux mesures par unité d observation. On parle dans ce cas de données appariées. Exemple: On mesure une caractéristique deux fois sur chaque patient d un échantillon; une fois avant un traitement et une fois après. La première et la deuxième observation ne sont pas indépendantes. Les observations proviennent de deux populations différentes et sont indépendantes. On parle alors de données non appariées. Exemple: Poids moyens dans un échantillon de femmes et un échantillon d hommes. Les échantillons n ont pas forcément la même taille. 13
14 t-test pour données appariées Soient X 1,..., X n et Y 1,..., Y n les variables qui représentent les deux séries de mesures, X 1 allant de paire avec Y 1, etc. On calcule les différences D i = Y i X i et on teste H 0 : E(D i ) = 0 contre H 1 : E(D i ) 0 en se basant sur la condition d application que D i N (µ, σ 2 ), i = 1,..., n. On utilise pour cela le t-test pour une seule moyenne du paragraphe précédent. 14
15 t-test pour données non appariées Soient X 1,..., X m et Y 1,..., Y n les variables qui représentent les deux séries de mesures. Conditions d application: X i N (µ 1, σ 2 ), Y j N (µ 2, σ 2 ), i = 1,..., m, j = 1,..., n. avec X i et Y j indépendantes i = 1,..., m, j = 1,..., n. Nous avons donc supposé que les deux séries de mesures proviennent de populations qui ont la même variance σ 2. Hypothèses H 0 : µ 1 = µ 2 H 1 : µ 1 µ 2 Echantillons Tirage aléatoire de m individus dans la première et n individus dans la deuxième population. 15
16 Statistique de test Différence standardisée entre les moyennes des échantillons: T = D S D, où D = X Ȳ et S D = X = 1 m m i=1 1 m + 1 n avec comme d habitude X i et S x = (m 1)S2 x + (n 1)S 2 y (m 1) + (n 1) et de même pour Y. mi=1 (X i X) 2 m 1, Sous H 0 et les conditions d application, on peut montrer que T t m+n 2, c est-à-dire que T a une distribution t à m + n 2 degrés de liberté. 16
17 4.Intervalle de confiance pour une différence de moyennes Soit D pop = µ 1 µ 2 la vraie différence entre les moyennes des populations. Ci-dessus, On a testé H 0 : D pop = 0. Pour construire un intervalle de confiance, on teste d autres valeurs de D pop et on garde toutes celles qui ne sont pas rejetées. On peut montrer que: On a donc que P T = D Dpop S D t m+n 2. t m+n 2, 1 α/2 < D Dpop S D ce qui est équivalent à < t m+n 2, 1 α/2 = 1 α, P ( D t m+n 2, 1 α/2 S D < D pop < D + t m+n 2, 1 α/2 S D ) = 1 α 17
18 Exemple: Déficit alimentaire et myopie. Reprenons encore une fois les données de réfraction occulaire de singes rencontrées dans le chapitre 1 et différentes séries d exercice. Rappel: on se demande si le déficit alimentaire protéique est associé à la myopie. Dans une étude publiée par Young, Leary, Zimmerman et Strobel (1973), les chercheurs ont nourri un groupe de singes avec une diète à faible contenu protéique et un autre groupe avec une diète à haut contenu protéique. Au bout de plusieurs mois, ils ont mesuré la réfraction oculaire des singes. Voici un sous-ensemble des données obtenues: Niveau protéique faible (x i ): Niveau protéique élevé (y i ):
19 Les écarts types observés sont: s x = s y = nx i=1 (x i x) 2 n x 1 n y i=1 (y i ȳ) 2 n y 1 = 2.165, = 2.069, ils ne sont donc pas trop différents. Voyons les qq-plots: Niveau protéique faible Niveau protéique élevé Sample Quantiles Sample Quantiles Theoretical Quantiles Theoretical Quantiles Le modèle normal n est pas tout à fait adéquat pour décrire ces données, même si la plupart des observations sont alignées sur une droite. En utilisant une méthode de bootstrap, on a cependant pu s assurer que le niveau réel d un t-test à 5% avec des données distribuées de la sorte était proche de 0.05, de sorte que l on décide d appliquer cette procédure à nos données. 19
20 On Procède donc au test: Hypothèses: H 0 : µ x = µ y H 1 : µ x µ y, où µ x et µ y sont les vraies réfractions occulaires moyennes dans les deux populations de singes. Calcul de la statistique de test: Avec t = d s D. on trouve d = x ȳ = 0.119, s D = 1 n x + 1 n y (n x 1)s 2 x + (n y 1)s 2 y (n x 1) + (n y 1) = 0.700, t = Décision (pour un test au niveau 5%): Comme t < t n x+ny 2, = 2.030, on ne rejette pas H 0. 20
21 Pour avoir une idée de la précision avec laquelle on a estimé la différence entre les réfractions occulaires moyennes des deux populations, on construit un intervalle de confiance à 95%: IC = [d t m+n 2, s D, d + t m+n 2, s D ] = [ 1.540, 1.301], et on constate que, conformément au résultat du test, la valeur de 0 fait partie de l inervalle de confiance. 21
Chapitre 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 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 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 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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en 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 détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailTests 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 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en 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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
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 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 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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
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 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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
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 détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailSTRICTEMENT CONFIDENTIEL
MOIS / ANNEE ETUDE DE VALORISATION Société «EDIVAL» STRICTEMENT CONFIDENTIEL BUREAUX 31, Rue de Brest 69002 LYON Tél : +33 (0)8 71 55 11 98 SIÈGE SOCIAL 94, Rue Saint Lazare 75009 PARIS Tél : +33 (0)1
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
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 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
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 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailLa 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 détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailExercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible»
Exercice du cours Gestion Financière à Court Terme : «Analyse d un reverse convertible» Quand la trésorerie d une entreprise est positive, le trésorier cherche le meilleur placement pour placer les excédents.
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 détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en 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 détailRapport d activité et retours d évaluations du service de coaching en ligne COACHLINE
Rapport d activité et retours d évaluations du service de coaching en ligne COACHLINE Client: entreprise du secteur privé et public Population: top management - 160 cadres dirigeants répartis en France
Plus en détailLa pratique du coaching en France. Baromètre 2010
SFCoach : crée du lien entre le monde du travail et les professionnels de l accompagnement La pratique du coaching en France Baromètre 2010 Fondée en 1996 22, Bd Sébastopol 75004 Paris Association 1901
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailFiche de synthèse sur la PNL (Programmation Neurolinguistique)
1 Fiche de synthèse sur la PNL (Programmation Neurolinguistique) La programmation neurolinguistique (PNL) fournit des outils de développement personnel et d amélioration de l efficacité relationnelle dans
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 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 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 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 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 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 détailLA COUR DES COMPTES a rendu l arrêt suivant :
COUR DES COMPTES QUATRIEME CHAMBRE PREMIERE SECTION ----- Arrêt n 50244 COMMUNE DE STAINS (SEINE-SAINT-DENIS) Appel d un jugement de la chambre régionale des comptes d Île-de-France Rapport n 2007-721-0
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
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 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 détailRéseaux sociaux et recrutement : Quand, Pourquoi, Comment? présentation : Patrick Debray tél 079 212 27 80 info@dmd.ch
Réseaux sociaux et recrutement : Quand, Pourquoi, Comment? présentation : Patrick Debray tél 079 212 27 80 info@dmd.ch Les réseaux sociaux 2003 leur apparition 2010 leur essor quelques chiffres Réseaux
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 détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
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 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 détailCompte rendu des délibérations, y compris les motifs de décision
Compte rendu des délibérations, y compris les motifs de décision relativement à Demandeur Ontario Power Generation Inc. Objet Lignes directrices pour l évaluation environnementale (portée du projet et
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 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 détailTableau récapitulatif de l analyse fréquentielle
Tableau récapitulatif de l analyse fréquentielle Très Plutôt Quelque Ni Quelque Plutôt Très TOTAL peu ni peu 1. L utilité du d inclure le contexte dans la note de stratégie 4% 4% 4% 8% 64% 16% 100% 2.
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 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 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 détailCAC, DAX ou DJ : lequel choisir?
CAC, DAX ou DJ : lequel choisir? 1. Pourquoi cette question Tout trader «travaillant 1» sur les indices s est, à un moment ou un autre, posé cette question : «je sais que la tendance est bien haussière
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en 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 détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailLES 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 détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCharte PNNS Groupe CASINO Résultats
Charte PNNS Groupe CASINO Résultats Calendrier En 2008, Casino a signé Les une engagements charte d engagements de la charte de progrès PNNS ont nutritionnel été appréhendés du PNNS. Elle comprenait 10
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 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 détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailReconstruction de bâtiments en 3D à partir de nuages de points LIDAR
Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains
Plus en détailTransformations nucléaires
Transformations nucléaires Stabilité et instabilité des noyaux : Le noyau d un atome associé à un élément est représenté par le symbole A : nombre de masse = nombre de nucléons (protons + neutrons) Z :
Plus en détailMaster Sales Analysis. Analyse et développement des compétences de vente
Master Sales Analysis Analyse et développement des compétences de vente L'essentiel L essentiel à propos du système MSA 360 Description résumée du système MSA 360 Le système Master Sales Analysis (MSA)
Plus en détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
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 détailDCG 6. Finance d entreprise. L essentiel en fiches
DCG 6 Finance d entreprise L essentiel en fiches DCG DSCG Collection «Express Expertise comptable» J.-F. Bocquillon, M. Mariage, Introduction au droit DCG 1 L. Siné, Droit des sociétés DCG 2 V. Roy, Droit
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
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 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 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 détail