MTH 2301 Méthodes statistiques en ingénierie

Dimension: px
Commencer à balayer dès la page:

Download "MTH 2301 Méthodes statistiques en ingénierie"

Transcription

1 Chapitre 7 - ests d hypothèses Lexique anglais - français Constats - terminologie - onepts de base tests ests onernant une moyenne - variane onnue - variane inonnue - ourbe aratéristique - n =? est de Shapiro-Wilk : distribution gaussienne? ests onernant moyennes : - varianes inonnues égales - ourbes aratéristiques - n =? - varianes inonnues inégales - éhantillons appariés (dépendants) ests onernant les varianes: une variane / varianes Lexique anglais français null hypothesis. hypothèse nulle ( prinipale) alternative hypothesis.. ontre-hypothèse signifiane level seuil de signifiation ritial region région ritique type I error faute (erreur) de type I type II error.. faute (erreur) de type II one-tailed test. test unilatéral two-tailed test test bilatéral OC (Operating Charateristi) urve.... ourbe d effiaité (aratéristique) paired samples. éhantillons apprariés (pairés) hors programme 7.4 ( 1 binomiale) 7.5 ( binomiales) 7.7 (non paramétrique) onstats - terminologie onepts de base prendre des déisions à l aide de données éhantillonnales provenant d observations passives ou de données expérimentales: - appareils de mesure ont-ils la même justesse /préision? - traitement anti orrosion réduit il la rouille de 5% après 4 ans? - un type de boulon peut-il être soumis à 1 yles de tension-ompression sans se rompre par fatique? prendre une déision onjeture issue probabiliste formulation d une hypothèse statistique hypothèse statistique : affirmation onernant une population - vraie ou fausse - on dispose que de un seul éhantillon de taille n - risques (probabilités ) de mauvaises déisions: -- aepter une hypothèse fausse ( erreur de type II) -- rejeter une hypothèse vraie (erreur de type I) adopter une hypothèse : les données de l éhantillon n indiquent pas lairement que on ne doit pas l adopter réfuter une hypothèse : l éhantillon témoigne fortement ontre onstats - terminologie onepts de base Hypothèse nulle H : hypothèse à tester (mettre à l épreuve) Contre hypothèse H 1 : seule affirmation sensée lorsque que H est fausse H est toujours formulée en termes d une valeur exate du paramètre statistique à tester - exemple : H : µ = 1 H 1 prévoit toujours un ensemble de valeurs : ex. H 1 : µ < 1 test statistique : est définie par une région ritique d une statistique (fontion des données) qui onduit au rejet de H Région d aeptation Région ritique : > erreur de type I : réfuter l hypothèse nulle H alors qu elle est vraie erreur de type II : adopter (ne pas rejeter) H alors qu elle fausse seuil (niveau) de signifiation : la probabilité de ommettre erreur type I

2 onstats - terminologie onepts de base SA H DÉCISION VRAIE FASSE REJE DE H erreur type I pas d erreur LES DÉCISIONS SAISIQES La statistique n est pas une disipline qui permet de déider de la vérité ou de la fausseté des questions qu elle examine : est plutôt une siene du omportement rationnel qui fournit des règles de onduite pratiques dans des situations d inertitude. NON REJE H pas d erreur erreur type II ne hypothèse partiulière est délarée vraie : sur la base de données disponibles vous pouvez la tenir vraie jusqu à preuve du ontraire. Risque de type I = P ( erreur type I ) = α Risque de type II = P ( erreur type II ) = β LA DÉCISION ES BASÉE SR DES OBSERVAIONS i LE SA RÉEL DE H N ES JAMAIS CONN β ES NE FONCION CORBE D EFFICACIÉ ne hypothèse partiulière est délarée fausse : sur la base de données disponibles vous ne pouvez pas la tenir pour vraie. Mais dans les deux as, vous aurez raison en moyenne, dix neuf fois sur, (95%), ou n importe quel niveau de onfiane ou niveau de risque (=1- niveau de onfiane) que l on se fixe d avane. En moyenne vos onlusions seront don bonnes, mais on ne pourra jamais savoir si une déision partiulière est bonne Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) GASS N ( µ, ) / n H : µ = µ vs H 1 : µ > µ 1,,, n : éhantillon de = i / n : moyenne éhantillonnale si H est vraie µ = µ = ( µ ) / ( / n ) ~ N (, 1) Exemple 1 : un aier d un alliage spéial a une tension de rupture (psi) dont la moyenne est de 58 ave un éart type de 3. n hangement dans la omposition de l alliage devrait augmenter la tension moyenne sans hanger l éart type. Si le nouvel alliage ne produit auun hangement on voudrait pouvoir le dire ave une probabilité de.99. Par ontre, si la tension moyenne est augmentée de 5, on veut que le risque de ne pas le déteter soit.1 Questions (a) définir l hypothèse nulle, la ontre hypothèse, le seuil du test, le risque de type II. (b) Poser les équations définissant les risques de type I et de type II; résoudre afin de trouver la taille de l éhantillon à prélever et déterminer la région ritique du test. () n éhantillon de 19 observations a donné une moyenne de 597. Le nouvel alliage est-il supérieur? α µ z 1 - α z =1 Région ritique : rejeter H si > =? P ( rejeter H quand elle est vraie ) = α P ( > ) = P ( - µ > - µ ) = P ( µ ) ( - µ ) > / n / n = P ( > z ) = α z =( -µ )/ / n = z 1-α = µ + z 1-α ( / n ) 7-7 Solution (a)-(b) Région ritique > / n β = 3 α µ = 58 H µ 1 = = 65 H 1 : µ > µ ( unilatérale ) P( erreur type I ) = P ( > ) = α =.1 P( erreur type II ) = P ( < ) = β =.1 7-8

3 Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Solution (a)-(b) P ( > si µ = 58) = α =.1 (1) P ( < si µ = 65) = β =.1 () équations ave inonnus : n et n = ( z.99 + z.9 ) / ( 65 58) = ( ) ( 3 / 5 ) = = * 3 / (19).5 = ( ) puisque x = 597 > = on rejette H Solution (a)-(b) Région ritique > / n = 3 µ = 58 H µ 1 = = 65 H 1 P( erreur type I ) = P ( > ) = α =.1 P( erreur type II ) = P ( < ) = β =.1 β α Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Définition: Courbe d effiaité (aratéristique) du test probabilité d aepter H en fontion de la moyenne µ de la population β ( µ ) = P ( < =µ + z 1-α ( / n) µ) = P [( -µ)/ / n < z 1-α +(µ - µ) / / n] = Φ (z 1-α + δ n) ( * ) dépend de α, n, δ où δ = (µ - µ) / : paramètre de non entralité graphiques : page 7-11 ave α =.5,.1 / n = 1,,3, / -1 δ 3 Calul de n : on veut que β ( µ 1 )= β pour une valeur partiulière µ 1 de µ n = ( z 1-α + z 1- β ) / (µ 1 µ ) - Exemple : voir page 7-9 ave α =.1 β =.1 = 3 µ = 58 µ 1 = 65 Exemple : alul de la fontion d effiaité µ = µ β ave la formule ( * ) i haut Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : unilatéral Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) type de la CONRE HYPOHÈSE : unilatérale ou bilatérale Exemple 1 ( page 7-8) : ontre hypothèse H 1 : µ > µ unilatéral droite ( as 1 ) autres as H 1 : µ < µ unitatéral gauhe ( as ) Formules H 1 : µ µ bilatéral ( as 3 ) Cas rejeter H si x < = µ - z 1-α ( / n ) note : - z 1-α = z α n= ( z 1-α + z 1- β ) / (µ 1 µ ) - β( µ ) = Φ (z 1-α - δ n) δ = (µ -µ) / Cas 3 rejeter H si x < 1 = µ - z 1-α/ ( / n ) ou si x > = µ + z 1-α/ ( / n ) région ritique bilatérale équivalent à : rejeter H si x - µ / / n > z 1-α/ n = ( z 1-α/ + z 1- β ) / (µ 1 µ ) β( µ ) = Φ (z 1-α/ - δ n) +Φ (z 1-α/ - δ n)

4 Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : bilatéral Cas B : test moyenne µ - population N ( µ, ) variane inonnue Si est inonnue : on en fait l estimation ave la variane éhantillonnale s S = ( i ) / ( n - 1 ) et utilise la statistique de Student en plae de Les as sont résumés dans le tableau. Hypothèse nulle Statistique pour le test Contre hypothèse (alternative) Critère de rejet H N : µ = µ onnue x = µ n H A : µ µ H A : µ > µ H A : µ < µ > z 1 α > z 1 α < z1 α H N : µ = µ inonnue = x µ s n H A : µ µ H A : µ > µ H A : µ < µ > t n 1, 1 α > tn 1, 1 α < tn 1, 1 α 7-13 Remarque : le test est employé pour le as de différenes appariées ( éhantillons dépendants) ave xi = x1i xi 7-14 Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : unilatéral Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : bilatéral

5 Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) Exemple : étiquette sur un ontenant 4 litres de peinture ouvre 35 pi. a en moyenne dans des onditions normales d utilisation. Vous testez 6 ontenants ave les résultats suivants : 35, 85, 31, 3, 8, 9. ( a ) estez H : µ = 35 vs H 1 : µ < 35 au seuil α =.5 ( b ) aluler le nombre d observations néessaire pour déteter un éart de moyenne de 1 pi. ar. ave un risque de type de.1 Solution : ( a ) n = 6 x = 95 s = 11.83, 5 = ( ) / = < - t 5,.95 = -.15 H est rejetée ( b ) δ = 1 / =.84 noté d dans l annexe L-3 (page 55) on obtient une valeur de n = 15 Cas C : test d ajustement à une loi gaussienne - proédure de Shapiro-Wilk B : vérifier si une série de données x 1, x, x 3,,,,,, x n provient d une population distribué selon une loi gaussienne. H : ~ N ( µ, ) vs H 1 : ~ loi non gaussienne Plusieurs tests : Khi, Kolmogorov-Smirnov ( D ), Lilifors, Shapiro-Wilk. ( W ) Statistique W du test de Shapiro-Wilk : W = [ a n, i x ( i ) ] / [ ( x i -x ) ] a n, i oeffiients spéiaux ( table non disponible dans le manuel du ours ). La statistique W mesure la orrélation entre la série ordonnée des observations et les quantiles théoriques d une loi N(,1 )..7 W 1 Déision : rejeter H si W est petite Mise en oeuvre ave le logiiel Statistia : p-value = P( W < W alulée ) Si le p-value est petite (disons inférieure à.5 ) on rejette loi gaussienne omme modèle aeptable pour les observations. Exemple 3 : OHM p. 37, 43 n = 1 : W alulée =.85 et P ( W.85) =.6 = p-value 7-17 on ne rejette pas la loi gaussienne pour es données Exemple 3 : graphique quantile quantile W =.85 et P ( W.85) =.6 = p-value Cas D : test d égalité de moyennes Quantile-Quantile Plot of E3_Y (h7.sta 1v*5) Distribution: Normal E3_Y = *x GASS ~ N ( µ, ) Y ~ N ( µ Y, Y ) GASS Y Observed Value µ 1 µ Y ,,, n1 éhantillons indépendants Y 1, Y,, Y n = i / n moyennes Y = Y 1 i / n H : µ = µ Y heoretial Quantile as 1 : varianes onnues Cas : varianes inonnues Cas 3 : éhantillons appariés ableau page

6 Cas D : tests d égalité de moyennes Hypothèse nulle H N Statistique pour le test Contre hypothèse ( x x H N : µ 1 µ = 1 = 1, onnues 1 + n1 n H N : µ 1 µ = 1 = = inonnue ( x x ) ) H A : µ 1 µ H A : µ 1 µ > 1 = H A : µ 1 µ 1 1 S P + n1 n H A : µ 1 µ > ( n1 S1 + ( n S S p = n H A : µ 1 µ < 1 + n ( x H : µ 1 µ = 1 x ) N = S 1 S 1 + n1 n inonnues inégales a = s1 n1, b = s n ( a + b) ν = a ( n1 + b ( n H A : µ 1 µ H A : µ 1 µ < H A : µ 1 µ > H A : µ 1 µ < > z 1 α > z 1 α Critère de rejet z < 1 α > t ν, 1 α > t n 1 + n, 1 α < t n 1 + n, 1 α > t n 1+ n,1 α t > ν, 1 α < tν, 1 α 7-1 Exemple 4 : aluler un intervalle de onfiane ave oeffiient de onfiane.95 pour la différene de vie ( heures ) moyenne de deux types ( et Y) d ampoules életriques à l aide des informations suivantes : : n 1 = 16 = 18 = 15 Y : n = 9 Y = 81 Y = 97 Intervalle de onfiane ave oeffiient de onfiane.95 µ -µ Y : ± 1.96 ( 18 / / 9 ).5 = 8 ± 8.1 = ( -.1, 16.9 ) Question : les ampoules de type durent - elles ( en moyenne ) plus longtemps que les ampoules de type Y? Solution ave un test d hypothèse : bilatéral - varianes onnues - alpha =.5 = ( ) / ( 18 / / 9 ).5 = 8 / =1.91 < 1.96 = z.975 la durée moyenne ampoules type n est pas différente de la durée moyenne des ampoules de type Y 7 - différene entre moyennes ave varianes inonnues égales Exemple 5 : OHM p. 45, 47 ex.7.19 omparaison de l épaisseur à heure x et heure y GASS ~ N ( µ, ) Y ~ N ( µ Y, ) GASS Heure x : Heure y : Solution : ave Statistia / module Basi Statistis and ables / - test independent ,,, n1 = i / n1 Résultat ( - Y ) - ( µ -µ Y ) µ µ Y S p 1/ n1 + 1 / n.4.. éhantillons indépendants moyennes Y 1, Y,, Y n Y = Y i / n S = ( i ) / ( n1-1 ) varianes S Y = ( Y i Y) / ( n - 1 ) S p = [ ( n1-1 ) S + ( n 1) S Y ] / ( n1 + n -) pooled = ~ Student ave n1 + n - ddl 7-3 No of obs HERE: x HERE: y épaisseur n moy éart type Y est ave varianes inonnues et égales s p = 1. = ddl=58 p- value =.4 égalité moyennes rejetée 7-4

7 est d égalité de moyennes : éhantillons appariés dépendants Contexte : lorsque les séries de mesures proviennent des mêmes unités expérimentales. Par exemple, lorsque que l on fait une omparaison AVAN-APRÈS : : x 1, x,, x n mesures avant sur n unités expérimentales Y : y 1, y,, y n mesures après sur les mêmes unités expérimentales l indépendane des éhantillons n est vérifiée ar les mêmes unités expérimentales sont utilisées pour faire la omparaison. Le test est basé sur les différenes : D i = x i - y i i = 1,,, n Le problème est ramené à un test de la nullité d une moyenne ave variane inonnue. Remarque: il est important de reonnaître le as d éhantillons appariés dépendants afin d exéuter le bon test tel que dérit à la page 7-1 ( observations ouplées) Exemple 6 : OHM ex. 7.6 p omposants életroniques sont testés à niveau de température : N et E N : normale ( degrés C) E: élevée ( 1 degrés C) ne mesure de qualité importante Y fut mesurée à es niveaux de température Composant : N (normale) : E (élevée) : D = Y N Y E : test : D =.61 s D =.39 = D / (s D / 15) = 6. > t 14,.995 =.977 On rejette l égalité des moyennes ave risque de type 1 de Cas E - test sur une variane H : = Exemple 7 : OHM ex p. 6 réf. table.1 p. 8 n = 75 données de poids donne s = (.11 ) =.1 test de H : =.15 vs H 1 : <.15 W = 74 (.1) /.15 = 5.3 p-value = P ( W 5.3 ) =.16 on rejette H si on utilise un risque de type I de Cas F - test d égalité de varianes H : = Y Courbes d effiaité du test Khi-deux Annexes L-5 /L Appliation : Calul de n Exemple 8 : OHM ex p. 64 n 1 = 16 s = 1.93 et n = 1 s Y = 1. test unilatéral F = 1.93 / 1. = 3.7 loi de Fisher ave ( 15, 9 ) ddl : F 15,9,.95 = 3.1 voir aussi : ourbes d effiaité du test F Annexe L-7 p

MACROS MINITAB POUR LE CALCUL DES COURBES D'EFFICACITÉ DES CARTES DE CONTRÔLE DE SHEWHART R. PALM * 1. Introduction

MACROS MINITAB POUR LE CALCUL DES COURBES D'EFFICACITÉ DES CARTES DE CONTRÔLE DE SHEWHART R. PALM * 1. Introduction Statistique Informatique Mathématique appliquées Novembre 3 MACROS MINITAB POUR LE CALCUL DES COURBES D'EFFICACITÉ DES CARTES DE CONTRÔLE DE SHEWHART R. PALM * 1. Introdution Les artes de ontrôle sont

Plus en détail

Comment évaluer la qualité d un résultat? Plan

Comment évaluer la qualité d un résultat? Plan Comment évaluer la qualité d un résultat? En sienes expérimentales, il n existe pas de mesures parfaites. Celles-i ne peuvent être qu entahées d erreurs plus ou moins importantes selon le protoole hoisi,

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

Production statistique: passage d une démarche axée sur les domaines à une démarche axée sur les processus

Production statistique: passage d une démarche axée sur les domaines à une démarche axée sur les processus Nations Unies Conseil éonomique et soial Distr. générale 31 mars 2015 Français Original: anglais ECE/CES/2015/26 Commission éonomique pour l Europe Conférene des statistiiens européens Soixante-troisième

Plus en détail

Les statistiques en biologie expérimentale

Les statistiques en biologie expérimentale Les statistiques en biologie expérimentale Qualités attendues d une méthode de quantification : Le résultat numérique de la mesure permet d estimer avec précision la grandeur mesurée (ex. : il lui est

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Problème 4 : étude de solutions tampon de ph

Problème 4 : étude de solutions tampon de ph ème OI Épreuve de séletion 5 PRÉ : étude de solutions tampon de ph I. Préparation. L aide éthanoï que est noté OH. À la température onsidérée, le pk du ouple OH/O est égal à,7. On prépare une solution

Plus en détail

Géométrie dans l Espace Courbes de niveau

Géométrie dans l Espace Courbes de niveau Géométrie dans l Espae Courbes de niveau Christophe ROSSIGNOL Année solaire 008/009 Table des matières 1 Quelques rappels 1.1 Coordonnées d un point, d un veteur................................. 1. Colinéarité

Plus en détail

a) Il n y a pas de contre indication à utiliser la loi normale. On peut donc utiliser des tests basés sur la loi normale comme ceux vus au cours.

a) Il n y a pas de contre indication à utiliser la loi normale. On peut donc utiliser des tests basés sur la loi normale comme ceux vus au cours. Probabilités et statistique Été 2006 ELEC, MICRO, MX Dr. Diego Kuonen Corrigé du TP 2 Exercice 1. Test de Student Normal Q Q Plot Sample Quantiles 985 990 995 1000 1005 1.5 1.0 0.5 0.0 0.5 1.0 1.5 a) Il

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS 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 détail

ESDEP GROUPE DE TRAVAIL 4B PROTECTION INCENDIE

ESDEP GROUPE DE TRAVAIL 4B PROTECTION INCENDIE ESDEP GROUPE DE TRAVAIL 4B PROTECTION INCENDIE Exemples 4B Caluls de résistane au feu Fihier : L4B-5.do OBJECTIF Familiariser le onepteur à des méthodes simples de alul de résistane au feu et d'épaisseur

Plus en détail

Exercice 1: Câble coaxial et Théorème d'ampère

Exercice 1: Câble coaxial et Théorème d'ampère UTBM PS1 / Examen Final P8 Pour tenir ompte de la longueur de l'énoné, le total des points possibles est 33, mais la note finale sera ramenée à une note sur points Exerie 1: Câble oaxial et Théorème d'ampère

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

VII- Applications, bijections, bijection réciproque

VII- Applications, bijections, bijection réciproque ) Définitions VII- Appliations, bijetions, bijetion réiproque des un Une appliation d un ensemble (de départ) E dans un ensemble (d arrivée) F fait orrespondre à haque élément de E un élément unique (appelé

Plus en détail

Sous la direction de : Michel PONCY Yves GUICHARD Marie-Christine RUSSIER

Sous la direction de : Michel PONCY Yves GUICHARD Marie-Christine RUSSIER PROGRAMME 0 Sous la diretion de : Mihel PONCY Yves GUICHARD Marie-Christine RUSSIER Jean-Louis BONNAFET René GAUTHIER Yvette MASSIERA Denis VIEUDRIN Jean-François ZUCCHETTA Sommaire CHAPITRE CHAPITRE CHAPITRE

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Quelles différences y a-t-il entre coqs d origine et coqs introduits par la suite?

Quelles différences y a-t-il entre coqs d origine et coqs introduits par la suite? Quelles différenes y a-t-il entre oqs d origine et oqs introduits par la suite? Le prolème Pour l élevage-souhe, les reproduteurs de poulet à hair ont fait l ojet d une séletion intensive onernant la vitesse

Plus en détail

La 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 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 détail

Tests 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» 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 détail

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie

Correction de l épreuve de Statistiques et Informatique appliquées à la Psychologie Université de Bretagne Occidentale Année Universitaire 2013-2014 U.F.R. de Lettres et Sciences Humaines CS 93837-29238 BREST CEDEX 3 Section : Psychologie - Licence 3è année Enseignant responsable : F.-G.

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

Équilibres de phases de mélanges

Équilibres de phases de mélanges Équilibres de phases de mélanges Paternité - Pas d'utilisation Commeriale - Partage des Conditions Initiales à l'identique : http://reativeommons.org/lienses/by-n-sa/2.0/fr/ Table des matières Table des

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Chapitre VII Molécules conjuguées Méthode de Hückel

Chapitre VII Molécules conjuguées Méthode de Hückel 43 Chapitre VII Moléules onjuguées Méthode de Hükel. Liaisons, liaisons et onjugaison.. Liaisons et orbitales et ous avons défini au hapitre IV les liaisons omme résultant de la formation d une orbitale

Plus en détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

TS 7 De la rotation de Saturne à la structure de ses anneaux

TS 7 De la rotation de Saturne à la structure de ses anneaux FICHE Fihe à destination des enseignants Type d'atiité TS 7 De la rotation de Saturne à la struture de ses anneaux Atiité expérimentale Notions et ontenus du programme de Terminale S Effet Doppler. Compétenes

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

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 détail

Tourisme Pro by Hiscox Questionnaire préalable d assurance

Tourisme Pro by Hiscox Questionnaire préalable d assurance Tourisme Pro by Hisox Questionnaire préalable d assurane Tourisme Pro by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN

Plus en détail

Mesures du coefficient adiabatique γ de l air

Mesures du coefficient adiabatique γ de l air Mesures du oeffiient adiabatique γ de l air Introdution : γ est le rapport des apaités alorifiques massiques d un gaz : γ = p v Le gaz étudié est l air. La mesure de la haleur massique à pression onstante

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Bureau d études techniques by Hiscox Questionnaire préalable d assurance

Bureau d études techniques by Hiscox Questionnaire préalable d assurance Bureau d études tehniques by Hisox Questionnaire préalable d assurane Bureau d études tehniques by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété

Plus en détail

Chacune des valeurs d une variable en est une modalité particulière.

Chacune des valeurs d une variable en est une modalité particulière. Psychologie générale Jean Paschoud STATISTIQUE Sommaire Rôle de la statistique Variables Échelles de mesure Résumer, décrire Comparer Rôle de la statistique La statistique est avant tout un outil permettant

Plus en détail

Lycée Cassini BTS CGO 2014-2015. Test de début d année

Lycée Cassini BTS CGO 2014-2015. Test de début d année Lycée assini BTS GO 4-5 Exercice Test de début d année Pour chaque question, plusieurs réponses sont proposées. Déterminer celles qui sont correctes. On a mesuré, en continu pendant quatre heures, la concentration

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Tourisme Pro by Hiscox Questionnaire préalable d assurance

Tourisme Pro by Hiscox Questionnaire préalable d assurance Tourisme Pro by Hisox Questionnaire préalable d assurane Tourisme Pro by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN

Plus en détail

Principe d un test statistique

Principe 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 détail

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31 1/31 Mémoire de n d'étude: Etudes statistiques Nicolas Sutton-Charani Université Montpellier 1 Plan Rappels de cours La base La Statistique Types des variables Outils mathématiques Statistiques descriptives

Plus en détail

Université d Orléans - Licence Economie et Gestion Statistique Mathématique

Université d Orléans - Licence Economie et Gestion Statistique Mathématique Université d Orléans - Licence Economie et Gestion Statistique Mathématique C. Hurlin. Correction du Contrôle de Décembre 00 Exercice Barème : 7 points Partie I : Test d hypothèses simples (0 points) Question

Plus en détail

Principe des tests statistiques : Application à la comparaison d une moyenne à une valeur de référence

Principe des tests statistiques : Application à la comparaison d une moyenne à une valeur de référence 1 / 57 Principe des tests statistiques : Application à la comparaison d une moyenne à une valeur de référence M-A Dronne 2016-2017 2 / 57 Introduction Remarques préliminaires Etablir un plan d expérience

Plus en détail

La volatilité accrue du prix de l électricité pour les ménages belges

La volatilité accrue du prix de l électricité pour les ménages belges La volatilité arue du prix de L'éLetriité pour Les ménages belges La volatilité arue du prix de l életriité pour les ménages belges Une analyse basée sur les aratéristiques spéifiques de la fixation des

Plus en détail

Machines à flux continu

Machines à flux continu Mahines à flux ontinu I- Turbines à gaz I- Prinipe de fontionnement I-- Turbines à gaz terrestre a) Shéma de prinipe Une turbine à gaz élémentaire est onstituée d un ompresseur entrifuge ou axial, d une

Plus en détail

Chapitre IX : Flambement des poutres comprimées.

Chapitre IX : Flambement des poutres comprimées. Flambement des poutres omprimées. Cours DM / A.U : 01-013 Chapitre IX : Flambement des poutres omprimées. Objetifs Pré-requis Eléments de ontenu Définir le flambage, la harge d Euler et la ontrainte ritique

Plus en détail

Introduction à Rcommander

Introduction à Rcommander Introduction à Rcommander Pauline Scherdel Septembre 2014 Table des matières 1 Introduction à Rcmdr sous R 2 2 Interagir avec R 3 3 Installer et charger le package Rcmdr sous R 3 4 Importation des données

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 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 détail

Value at Risk - étude de cas

Value at Risk - étude de cas Value at Risk - étude de cas Daniel Herlemont 17 juin 2011 Table des matières 1 Introduction 1 2 La Value at Risk 1 2.1 La VaR historique................................. 2 2.2 La VaR normale..................................

Plus en détail

Partie 6 : Les fluctuations économiques à court-terme

Partie 6 : Les fluctuations économiques à court-terme Enseignant A. Direr Liene 2, 1er semestre 2008-9 Cours de maroéonomie suite Partie 6 : Les flutuations éonomiques à ourt-terme Observons le graphique montrant la prodution industrielle des EU entre 1960

Plus en détail

Chapitre 2 Convertisseurs continu/continu : Les hacheurs

Chapitre 2 Convertisseurs continu/continu : Les hacheurs Lyée La Fayette Page 1 Chapitre 2 Convertisseurs ontinu/ontinu : Les haeurs 1. GENEALITES Un onvertisseur ontinu/ontinu ou haeur est un onvertisseur statique (utilisant des omposants à semi-onduteurs)

Plus en détail

Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE

Tests 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 détail

3. Veuillez indiquer votre effectif total :

3. Veuillez indiquer votre effectif total : 1 Métiers du marketing et de la ommuniation Questionnaire préalable d assurane Préambule Le présent questionnaire préalable d assurane Marketing et Communiation a pour objet de réunir des informations

Plus en détail

12. Régression linéaire simple

12. Régression linéaire simple 12. Régression linéaire simple MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: régression 1/45 Plan 1. Introduction 2. Régression linéaire simple 3. Estimation des paramètres

Plus en détail

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité 1 Tourisme Pro by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Noms et adresses des filiales à assurer

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse 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 détail

Normalité des rendements?

Normalité des rendements? Normalité des rendements? Daniel Herlemont 31 mars 2011 Table des matières 1 Introduction 1 2 Test de Normalité des rendements 2 3 Graphiques quantile-quantile 2 4 Estimation par maximum de vraisemblance

Plus en détail

3 : FONCTIONS TRINOMES DU SECOND DEGRE

3 : FONCTIONS TRINOMES DU SECOND DEGRE 3 : FONCTIONS TRINOMES DU SECOND DEGRE. DEFINITIONS Un trinôme du seond degré est une fontion de la forme trois réels donnés ave a a + + a où a, et sont Résoudre l'équation a + + = ( ave a ), 'est trouver

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

STA240 : Tests statistiques

STA240 : Tests statistiques STA240 : Tests statistiques 1 Règle de décision, seuil et p-valeur Dans un test, l hypothèse nulle H 0 est celle dont on choisit de maîtriser la probabilité de rejet à tort. C est celle à laquelle on tient

Plus en détail

Pour faire le point voici les corrections des activités sur la relativité faites en cours :

Pour faire le point voici les corrections des activités sur la relativité faites en cours : Pour faire le point oii les orretions des atiités sur la relatiité faites en ours : Atiité 1 : (a) On onsidère un TGV qui aane à une itesse = 300 km h 1 = 83,3 m s 1 par rapport au sol. Le passager est

Plus en détail

Autour des nombres pseudo-aléatoires

Autour des nombres pseudo-aléatoires Lycée Chaptal PCSI-PC* Informatique générale pour l ingénieur Autour des nombres pseudo-aléatoires Introduction Produire des suites de nombres aléatoires est une nécessité dans de nombreux domaines de

Plus en détail

Résistance à l effort tranchant des poutres sans armatures transversales

Résistance à l effort tranchant des poutres sans armatures transversales N : 2P-4 Hamrat M. Université e Chlef, Algérie Résistane à l effort tranhant es poutres sans armatures transversales Hamrat M*, Boulekbahe B Université e Chlef, Faulté e Génie Civil, Algérie Chemrouk M

Plus en détail

Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold

Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold Le site web «The Fast Food Explorer» (www.fatcalories.com) propose des données relatives à la composition des

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Baccalauréat S Nouvelle-Calédonie 17 novembre 2014

Baccalauréat S Nouvelle-Calédonie 17 novembre 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédonie 17 novembre 2014 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats Les trois parties A, B et C sont indépendantes Une fabrique de desserts glacés

Plus en détail

L analyse de variance à un critère de classification (ANOVA)

L analyse de variance à un critère de classification (ANOVA) Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section 14.1.1.1 et 14.1. 1 - Introduction Objectif:

Plus en détail

Analyse des données 1: erreurs expérimentales et courbe normale

Analyse des données 1: erreurs expérimentales et courbe normale Analyse des données 1: erreurs expérimentales et courbe normale 1 Incertitude vs. erreur Une mesure expérimentale comporte toujours deux parties: la valeur vraie de la grandeur mesurée et l'erreur sur

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Analyse de la variance à un facteur

Analyse de la variance à un facteur Analyse de la variance à un facteur Frédéric Bertrand et Myriam Maumy-Bertrand IRMA, UMR 7501, Université de Strasbourg 08 juin 2015 F. Bertrand et M. Maumy-Bertrand (UdS) Analyse de la variance à un facteur

Plus en détail

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr

Savoir Faire Excel Niveau 2. 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Savoir Faire Excel Niveau 2 5 novembre 2007 Naomi Yamaguchi naomi.yamaguchi@univ-paris3.fr Ce qu on sait faire Entrer et recopier des données numériques Les fonctions de base (somme, moyenne, nb, si) Faire

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR 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 détail

f( x ) = ( x + ( 3) ) 2 + (+4) = (+1) x 2 + ( 6) x + (+13),

f( x ) = ( x + ( 3) ) 2 + (+4) = (+1) x 2 + ( 6) x + (+13), TRANFORMATION ÉLÉMENTAIRE de la FONCTION QUADRATIQUE Q( ) = Dans l ensemble des figures i-dessous, la fontion quadratique Q() = est traée en rouge et gras. uite à une observation ritique et attentive de

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*)

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*) Traitement statistique Application avec JMP - 3 jours (*) Référence : STA-N1-SPECHAJMP Durée : 3 jours soit 21 heures (*) : La durée proposée est une durée standard. Elle peut être adaptée selon les besoins,

Plus en détail

LE PENETROMETRE STATIQUE Essais CPT & CPTU

LE PENETROMETRE STATIQUE Essais CPT & CPTU LE PENETROMETRE STATIQUE Essais CPT & CPTU Mesures Interprétations - Appliations Doument rédigé par des ingénieurs géotehniiens de GINGER CEBTP sous la diretion de : Mihel KHATIB Comité de releture : Claude-Jaques

Plus en détail

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités 1 RC Professionnelle by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Noms et adresses des filiales

Plus en détail

CONSTRUCTION ET UTILISATION DES DIAGRAMMES POTENTIEL-pH

CONSTRUCTION ET UTILISATION DES DIAGRAMMES POTENTIEL-pH JL 05-06 PC CHAPITR I6 CONSTRUCTION T UTILISATION DS DIAGRAMMS POTNTIL- Le but de e hapitre est de proposer la mise en plae de l outil thermodynamique permettant de prévoir le sens des réations életrohimiques,

Plus en détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction 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 détail

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 I1 Connaissances préalables : Buts spécifiques : Outils nécessaires: Consignes générales : Test t de comparaison de moyennes pour

Plus en détail

Centrales Villageoises Photovoltaïques

Centrales Villageoises Photovoltaïques Centrales Villageoises Photovoltaïques Projet Centrales Villageoises Photovoltaïques Optimisation du raordement életrique et gestion du réseau sur le village de : - Les Haies Rédateur Nom Fontion Damien

Plus en détail

3. COMPARAISON DE PLUS DE DEUX GROUPES

3. COMPARAISON DE PLUS DE DEUX GROUPES 3. COMPARAISON DE PLUS DE DEUX GROUPES La comparaison de moyennes de plus de deux échantillons se fait généralement par une analyse de variance (ANOVA) L analyse de variance suppose l homogénéité des variances

Plus en détail

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités

Forme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités 1 Servies à la personne by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Noms et adresses des filiales

Plus en détail

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015

Baccalauréat ES Nouvelle-Calédonie 2 mars 2015 Baccalauréat ES Nouvelle-Calédonie mars 015 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats On considère la fonction f définie pour tout réel x de l intervalle [1,5 ; 6] par : f (x)=(5x 3)e x. On

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. 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 détail

DOSSIER DE CANDIDATURE

DOSSIER DE CANDIDATURE www.suplog.fr Tél. 01 43 13 53 34 ontat@supdelog.fr DOSSIER DE CANDIDATURE ENSEIGNEMENT SUPÉRIEUR Collez votre photo NE PAS REMPLIR CE CADRE RÉSERVÉ AU SERVICE DES ADMISSIONS Date de réeption dossier :

Plus en détail

Principe des Tests Statistiques

Principe des Tests Statistiques Principe des Tests Statistiques Vocabulaire & Notions Générales Marc AUBRY Plateforme Transcriptome Biogenouest Rennes Askatu Les Étapes d un Test Statistique Question scientifique Choix d un test statistique

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Transport des matières dangereuses par route en quantités réduites

Transport des matières dangereuses par route en quantités réduites Fihe Prévention - C4 F 01 10 Transport des matières euses par route en quantités réduites Cette fihe s adresse aux entrepreneurs du BTP qui sont amenés, dans le adre de leur ativité professionnelle, à

Plus en détail

Points méthodologiques Adapter les méthodes statistiques aux Big Data

Points méthodologiques Adapter les méthodes statistiques aux Big Data Points méthodologiques Adapter les méthodes statistiques aux Big Data I. Répétition de tests et inflation du risque alpha II. Significativité ou taille de l effet? 2012-12-03 Biomédecine quantitative 36

Plus en détail

4087 fr - 01. 2007 / a CHARGE ACTIVE. Banc d essais de machines tournantes Acquisition de données

4087 fr - 01. 2007 / a CHARGE ACTIVE. Banc d essais de machines tournantes Acquisition de données 4087 fr - 01. 2007 / a CHARGE ACTIVE Ban d essais de mahines tournantes Aquisition de données pour ban d'essais de mahines tournantes Rapproher l'enseignement tehnique des réalités industrielles a toujours

Plus en détail

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.

Réseau 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 détail