Chapitre 1 - Estimation
|
|
- Gérard Gaumond
- il y a 6 ans
- Total affichages :
Transcription
1 Un exemple Un industriel produit en très grand nombre des yaourts, pour lesquels l'usinage doit respecter des normes sanitaires draconiennes. À la suite de mauvais réglages de l'une des machines, l'industriel a produit 1 million de ces yaourts, dont beaucoup risquent ainsi de présenter des dangers pour le consommateur. Il souhaite connaître la proportion de yaourts susceptibles de rendre malade un client, afin de savoir s'il doit détruire sa production, ce qui représentera un fort manque à gagner, ou s'il peut malgré tout courir le risque de quelques gênes isolées dans la population, sans craindre de campagne médiatique mettant en cause ses yaourts, ce qui lui causerait un préjudice encore plus grand. Il est ainsi prêt à détruire son stock ainsi produit si la proportion de yaourts dangereux pour la santé dépasse les 0,01% de sa production. Il n'est bien entendu pas question d'analyser tous les yaourts produits : cela reviendrait encore plus cher, et de toutes façons, il faudrait ouvrir les yaourts, ce qui les rendrait invendables. Comment cet industriel peut-il procéder? Il décide d'effectuer un sondage, c'est à dire de prélever par exemple 100 yaourts, de les faire analyser, et de relever la proportion de yaourts contaminés dans cet échantillon. Il obtient le résultat suivant : dans l'échantillon prélevé (au hasard) parmi les yaourts produits, on en a trouvé qui contenaient des germes. Quelles conclusions notre industriel peut-il en tirer? Avant de répondre à cette question, il peut être utile de se poser les questions suivantes : 1. Aurait-on obtenu le même pourcentage en prélevant un autre échantillon?. L'analyse de 100 yaourts sur le million produit est-elle suffisante? 3. Quelle confiance peut-on accorder au fait que l'analyse d'un échantillon de 100 yaourts ait conduit à une proportion de % de produits contaminés? 4. Comment aurait-on pu gagner en fiabilité? - 1 -
2 Cours La théorie de l'estimation a été développée au début du XX e siècle par deux mathématiciens, Ronald Aylmer Fischer ( ) et William Sealy Gosset alias Student ( ) dont les travaux avaient pour but l'amélioration de la qualité de la production de la célèbre brasserie Guiness. L'objectif de ce chapitre est de répondre à la problématique suivante : comment, à partir d'informations (couple moyenne/écart-type ou proportion) calculées sur un échantillon, retrouver ou plutôt estimer celles d'une population entière? Nous distinguerons deux cas : celui où l'on cherche à estimer la moyenne µ d'une variable aléatoire définie sur une population et celui où l'on cherche à estimer la proportion d'individus p ayant tel caractère dans la population. I Estimation ponctuelle 1. Moyenne Propriété : La valeur moyenne µ e d'un paramètre observé sur un échantillon de population, dont la taille est fixée, fournit une estimation de la moyenne réelle µ de ce paramètre sur la population considérée. Une usine produit des vis cruciformes. On souhaite estimer la moyenne des longueurs des dans la production de la journée qui s'élève à 1000 pièces. On choisit un échantillon de 150 vis et on obtient une moyenne de µ e = 4,57 cm. On en déduit donc que la longueur moyenne des vis de la production journalière est = 4,57 cm.. Fréquence ou proportion Propriété : La proportion d'un paramètre observé p e sur un échantillon de population, dont la taille est fixée, fournit une estimation p de la fréquence réelle p d'apparition de ce paramètre dans la population considérée. Dans l'exemple précédent, on prélève un échantillon de 150 vis et on relève 3 pièces défectueuses. On peut alors donner une estimation de la proportion de vis défectueuses dans la production journalière : On a p e = 3 =0,0 donc p = 0,
3 3. Variance, écart type Par analogie avec les paragraphes précédents, nous sommes tentés de choisir e au hasard comme estimation ponctuelle de la variance inconnue. Prenons l'exemple du lancer d'un dé équilibré : en théorie d'un échantillon prélevé à l'aide de la simulation de plusieurs échantillons ( Annexe 1) simulations téléchargeables sur le blog Propriété : La variance e d'un paramètre observée sur un échantillon de taille n fournit une estimation faussée de la variance de ce paramètre dans toute la population considérée. Une meilleure estimation de la variance est obtenue en considérant = n n 1 e où n est la taille de l'échantillon. La mesure de la longueur des vis produites dans l'échantillon précédent de 150 pièces conduit à relever un écart-type de 3 mm. La meilleure estimation possible de l'écart-type de la production journalière n'est pas de 3 mm comme dans le cas précédent pour la moyenne, mais de = ,01 mm. 149 Remarque : Plus la taille de l'échantillon augmente, plus la correction devient minime car lim n n n 1 =
4 II Estimation par intervalle de confiance d'un paramètre Les estimations ponctuelles proposées ci-dessus dépendent directement de l échantillon prélevé au hasard. Dans de très nombreux cas, l importance attribuée au hasard est grande, cela conduit à s interroger avant d utiliser ces estimations pour prendre des décisions dont les conséquences peuvent être lourdes! Aussi, sans rejeter les informations fournies par l étude d un échantillon, est-on amené à chercher un nouveau type d estimation de la fréquence et de la moyenne d une population, en utilisant le calcul de probabilités qui permet de «contrôler» l influence d un échantillon particulier. 1. Moyenne Soit X une variable aléatoire suivant la loi normale centrée réduite N(0 ; 1). 1. Déterminer le réel a tel que P a X a =0,99. Déterminer le réel a tel que P a X a =0,95 Revenons à notre problème. On souhaite, à partir d'observations faites sur un échantillon, mettre en œuvre une méthode permettant d'obtenir des intervalles qui, dans un grand pourcentage de cas choisi à l'avance, par exemple 95% ou 99%, contiennent la moyenne inconnue m de la population. On note X la variable aléatoire qui à chacun des échantillons de taille n associe la moyenne de cet échantillon. Supposons que les conditions sont réunies pour pouvoir utiliser une conséquence du théorème de la limite centrée et faire l'approximation suivante : La variable aléatoire X suit la loi normale N m; n On pose T = On se fixe une grande probabilité, par exemple 0,95, et on détermine dans quel intervalle se trouve T avec une probabilité 0,95 : - 4 -
5 Remarques : Avec d'autres échantillons de même effectif, on obtiendrait de nouveaux intervalles de confiance de cette moyenne avec le même coefficient de confiance (Annexe ) mais la méthode mise en œuvre permet d'obtenir un intervalle contenant m dans 95 cas sur 100. Nous pouvons reprendre tous les calculs effectués précédemment en remplaçant 1,96 par le nombre t tel que le coefficient de confiance soit égal à t 1. Définition : L'intervalle [ x t n ; x t ] est l'intervalle de confiance de la moyenne m de la population avec le n coefficient de confiance t 1=1 (ou avec le risque ). Remarques : Les valeurs fréquentes du niveau de confiance sont 0,99 et 0,95. Pour ces deux valeurs, on obtient successivement t =,575 et t = 1,96. Pour calculer les extrémités de cet intervalle de confiance, nous avons besoin de connaître en particulier l'écart-type de la population. Dans certains cas, notamment lorsque l'effectif n de l'échantillon est grand, on peut prendre pour valeur de son estimation ponctuelle définie au paragraphe précédent. Pour estimer la porosité d'un certain matériau, on a fait 40 mesures et calculé m = 94 et s² = 4. Déterminer l intervalle de confiance au risque 5 % de l estimation de la porosité moyenne de ce matériau.. Fréquence Nous allons mettre en place une méthode d'estimation analogue à la précédente pour introduire la notion d'intervalle de confiance d'une fréquence (ou proportion). A l'aide d'un échantillon, nous allons définir, avec un coefficient de confiance choisi à l'avance, un intervalle de confiance de la fréquence p de la population possédant une certaine propriété. Soit F la variable aléatoire qui, à chacun des échantillons de taille n, associe la proportion de personnes possédant une certaine propriété. F est une variable aléatoire et, pour n suffisamment grand, on peut p 1 p considérer qu'elle suit une loi normale N(p ; ). n Avant de prélever l'échantillon, à quel intervalle appartient F avec une probabilité de 0,95? - 5 -
6 Après le tirage de l'échantillon, dans quel intervalle se trouve p avec un niveau de confiance 95%? Définition : L'intervalle [ f t f 1 f ; f t n 1 f 1 f ] est l'intervalle de confiance d'une fréquence p de la n 1 population avec le coefficient de confiance t 1=1. Un sondage dans une commune révèle que sur les 500 personnes interrogées, 4% sont mécontentes de l'organisation des transports. On veut déterminer, au seuil de risque 1%, un intervalle de confiance du pourcentage réel p de personnes mécontentes dans la commune
7 Annexe1 6 Annexes Variance observée pour plusieurs 5-échantillons Numéro de l'échantillon Variance observée pour plusieurs 10-échantillons Annexe numéro de l'échantillon Intervalles de confiance obtenu à l'aide de la simulation de plusieurs échantillons numéro de l'échantillon - 7 -
Estimation: 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 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 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 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 détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
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 : 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 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 détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
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 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 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 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 détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
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 détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
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 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 détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
Plus en détailLE COSMODETECTEUR : UN EXEMPLE DE CHAÎNE DE MESURE
LE COSMODETECTEUR : UN EXEMPLE DE CHAÎNE DE MESURE Enseignement : 1 ère STL Mesures et instrumentation Thème : Instrumentation : Instruments de mesure, chaîne de mesure numérique Notions et contenus :
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 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 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 détailL assurance de la qualité à votre service
Atelier L assurance de la qualité à votre service Présentation de Jean-Marie Richard 24 et 25 novembre Sujets Qu est-ce que l assurance de la qualité? Initiation aux concepts de l assurance de la qualité.
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
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 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 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 détail: fours-cellules : à dégourdi : 3 machines à convertir : fours-cellules à dégourdi
Département : 87 Aire d'étude Commune Adresse : Limoges centre : Limoges : Albert-Thomas (avenue) 27, 43 ; Genève (rue de) 1, 25 IM87001670 Edifice contenant : usine de porcelaine Guerry et Delinières,
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 détailAppliquer la maîtrise statistique des processus (MSP/SPC)
Maurice PILLET Professeur des Universités IUT Annecy Université de Savoie, Laboratoire LISTIC Ancien élève de l'ecole Normale Supérieure de CACHAN Appliquer la maîtrise statistique des processus (MSP/SPC)
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 détailPOUR CONFIRMER LA SOUSCRIPTION DE VOTRE CONTRAT, TRES VITE! AUTO
Contact : www.direct-assurance.fr Tél. : 09 70 80 80 02 (Appel local selon opérateurs) Proposition de contrat auto n 5 629 624 566 Référence courrier : L20/30J Identifiant client : 1 654 178 466 MADAME
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 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 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 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 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 détailREMARQUES SUR LE PETIT FRAGMENT DE TABLETTE CHYPRO MINOENNE TROUVÉ A ENKOMI EN 1952. par EMILIA MAS SON
REMARQUES SUR LE PETIT FRAGMENT DE TABLETTE CHYPRO MINOENNE TROUVÉ A ENKOMI EN 952 par EMILIA MAS SON. C'est pendant sa campagne de 952 à Enkomi que M. Porphyrios Dikaios a trouvé un petit fragment de
Plus en détailUn choc pour une vie!
www.cardiouest.fr Un choc pour une vie! Spécialiste Défibrillateurs Formations 1ers Secours 6, rue Eugène Quessot 35000 RENNES Tél : 02 30 96 19 53 Mail : info@cardiouest.fr CardiAid est conçu pour rendre
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 détailEmploi du temps prévisionnel
1 Emploi du temps prévisionnel 1. Séances de cours et d exercices Nous aurons cours ensemble : tous les mercredis matins du 28 septembre au 7 décembre inclus, à l exception du mercredi 2 novembre, libéré
Plus en détail3. Artefacts permettant la mesure indirecte du débit
P-14V1 MÉTHODE DE MESURE DU DÉBIT D UN EFFLUENT INDUSTRIEL EN CANALISATIONS OUVERTES OU NON EN CHARGE 1. Domaine d application Cette méthode réglemente la mesure du débit d un effluent industriel en canalisations
Plus en détailInvestissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie
Investissement dans la construction de nouveaux bâtiments résidentiels (travaux mis en place) Méthodologie Division de l investissement et du stock de capital Méthodologie L'investissement dans la construction
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 détailINDEX Fonctionnement... 20 Schéma de câblage... 24
FRANÇAIS Pag 18 INDEX Fonctionnement... 20 Activation du lecteur de cartes... 21 Enregistrer des cartes d'accès... 22 Annulation des cartes d'accès... 22 Réglage du temps d'activation de la gâche électrique...
Plus en détailDes ondes ultrasonores pour explorer le corps humain : l échographie
Seconde Thème santé Activité n 3(expérimentale) Des ondes ultrasonores pour explorer le corps humain : l échographie Connaissances Compétences - Pratiquer une démarche expérimentale pour comprendre le
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE
ANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE Yannick MACÉ Statisticien-Economiste Responsable du Secteur Analyses Techniques, Groupama (C.C.A.M.A.)
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
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 détailÉvaluations aléatoires : Comment tirer au sort?
Évaluations aléatoires : Comment tirer au sort? William Parienté Université Catholique de Louvain J-PAL Europe povertyactionlab.org Plan de la semaine 1. Pourquoi évaluer? 2. Comment mesurer l impact?
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
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 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 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 détailEau chaude sanitaire
4 rue du maréchal FOCH, 68 460 LUTTERBACH 03 89 50 06 20 ou eie68@alteralsace.org La lettre d information d Alter Alsace Energies dans le cadre du défi des familles éco-engagées : N 8 Janvier 2013 Eau
Plus en détailEvolution de la fréquence des sinistres 2002-2011 en assurance RC automobile
Evolution de la fréquence des sinistres 2002-2011 en assurance RC automobile Contenu 1. Nombre de sinistres en RC tourisme et affaires... 2 Fréquence des sinistres en RC tourisme et affaires... 2 Fréquence
Plus en détailCONVENTION POUR LE RACCORDEMENT DES INDUSTRIELS DE SAINT-BRIEUC AU RESEAU D'ASSAINISSEMENT. Mesdames, Messieurs,
Ville de SAINT-BRIEUC ------------------------------- Conseil Municipal ---------------------- Séance du 8 décembre 2000 ----------------- Rapporteur : M. MANGOLD ----------------- N 10 CONVENTION POUR
Plus en détailSIG ET ANALYSE EXPLORATOIRE
SIG ET ANALYSE EXPLORATOIRE VERS DE NOUVELLES PRATIQUES EN GÉOGRAPHIE Jean-Marc ORHAN Equipe P.A.R.I.S., URA 1243 du CNRS Paris Résumé L'offre actuelle dans le domaine des logiciels de type Système d'information
Plus en détail3 Les premiers résultats des plans d'actions
3 Les premiers résultats des plans d'actions Les résultats que nous avons obtenus en ce qui concerne les plans d'action, résultent de l'analyse de 48 entreprises seulement. Revenons sur notre échantillon.
Plus en détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en 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 détailChapitre 3 - L'enquête descriptive simple
Chapitre 3 - L'enquête descriptive simple Version 1.2 AUTEURS PRINCIPAUX : NELLY AGRINIER - CÉDRIC BAUMANN - ISABELLE FOURNEL CO-AUTEURS : FRANCIS GUILLEMIN - GUY HÉDELIN Septembre 2010 Table des matières
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 détailSUPPRIMER SES COOKIES
SUPPRIMER SES COOKIES 1. PREAMBULE 2 2. SOUS FIREFOX 3 3. SOUS GOOGLE CHROME 4 4. SOUS SAFARI 5 5. SOUS INTERNET EXPLORER 9 6 6. SOUS INTERNET EXPLORER 8 7 7. SOUS OPERA 8 7.1 POUR EFFACER LES COOKIES...
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 détailTABLE 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 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 détailFÉDÉRATION INTERNATIONALE DE PÉTANQUE ET JEU PROVENÇAL REGLEMENT DU CHAMPIONNAT DU MONDE DE TIR INDIVIDUEL
FÉDÉRATION INTERNATIONALE DE PÉTANQUE ET JEU PROVENÇAL REGLEMENT DU CHAMPIONNAT DU MONDE DE TIR INDIVIDUEL Article 1er : Pas de Tir : Il est composé d'un cercle d'un mètre de diamètre comportant les marques
Plus en détailGUIDE DE DÉMARRAGE SOMMAIRE INTRODUCTION 1. SUIVI DE CAISSE PRÉSENTATION DU CALENDRIER PRINCIPES DE SAISIE N GESTIONSAISIE D'UNE JOURNÉE DE CAISSE
PERT N ION RTGESTION N M E M M E E LA GESTION EN LIGNE DE VOTRE ENTREPRISE MODULE isse est un module de Mon-Expert-en Gestion. Mon-Expert-en-Gestion est un portail collaboratif 100% Web, constitué de plusieurs
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 détailPRESENTATION DU LOGICIEL
PRESENTATION DU LOGICIEL Le logiciel permet de réaliser des études précises, claires, accompagnées d un rapport détaillé à remettre à votre client dans les domaines suivants : Choix du statut social du
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
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 détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
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 détailRéalisation de travaux de marquage au sol. Pièce 3. Cahier des Clauses Techniques Particulières
V I L L E D E B E L F O R T SIGNALISATION HORIZONTALE Réalisation de travaux de marquage au sol Dossier de Consultation des Entreprises Pièce 3 Cahier des Clauses Techniques Particulières S O M M A I R
Plus en détailObjet : Critères microbiologiques applicables aux auto-contrôles sur les carcasses d'animaux de boucherie. Destinataires d'exécution
Ordre de méthode Direction générale de l'alimentation Sous-direction de la sécurité sanitaire des aliments Bureau des établissements d'abattage et de découpe 251 rue de Vaugirard 75 732 PARIS CEDEX 15
Plus en détailLa définition La méthode. Les échelles de mesure L ENQUETE PAR SONDAGE : LA METHODE
L ENQUETE PAR SONDAGE : LA METHODE La définition La méthode Le questionnaire Les biais La passation du questionnaire La validité des réponses Les échelles de mesure Les échelles d évaluation Les échelles
Plus en 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 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 détailPROSPECTUS N 1 CRÉDIT À LA CONSOMMATION
PROSPECTUS N 1 CRÉDIT À LA CONSOMMATION PRÊT À TEMPÉRAMENT ÉTABLI PAR ACTE AUTHENTIQUE PRÊT À TEMPÉRAMENT D'APPLICATION À DATER DU 01.06.2006 CREDIMO S.A. Weversstraat 6-8-10 1730 ASSE Tél. +32(0)2 454
Plus en détailFédération Nationale des Organismes de Gestion des Établissements de l Enseignement Catholique Questions Réponses Le mandat
277 rue Saint-Jacques 75240 PARIS Cedex 05 Tél. : 01.53.73.74.40 - Fax : 01.53.73.74.44 - mail : contact@fnogec.org Questions Réponses Le mandat 2 La référence unique de mandat (RUM) 3 La prénotification
Plus en détailGuide de l'utilisateur : Surveillance MédiaSource Analytique
Guide de l'utilisateur : Surveillance MédiaSource Analytique Chapitre 1 : Bienvenue à Surveillance MédiaSource Analytique 2 À propos de Surveillance MédiaSource Analytique 2 Choisir le ton d'un article
Plus en détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
Plus en détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailL AUTOMATISME LE SIGNAL
L AUTOMATISME LE SIGNAL Page 1 sur 7 Sommaire : 1- Champ de l automatisme définitions 2- Correspondance entre phénomènes physiques et signaux a. Capteur b. Exemple de capteur TOR c. Exemple de capteur
Plus en détailCOMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL
COMMUNICATEUR BLISS COMMANDE PAR UN SENSEUR DE POSITION DE L'OEIL J. TICHON(1) (2), J.-M. TOULOTTE(1), G. TREHOU (1), H. DE ROP (2) 1. INTRODUCTION Notre objectif est de réaliser des systèmes de communication
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 détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en détailCOURS GESTION FINANCIERE SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS ET PLACEMENTS A COURT TERME
COURS GESTION FINANCIERE SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS ET PLACEMENTS A COURT TERME SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailA.3 Les méthodes : L applicabilité
SOMMAIRE A. Première partie A.1 Ingénierie système : du besoin au système (produit/service) A.2 SDF, Maintenance et concepts sous-jacents A.3 Les méthodes : L applicabilité A.4 GMAO = GM + AO B. Deuxième
Plus en détailLES BANQUES. I. Les différents services proposés par les banques :
LES BANQUES I. Les différents services proposés par les banques : Les services bancaires représentent l ensemble des produits proposés par une banque. Les services bancaires les plus connus sont : Epargne
Plus en détail