Modélisation coalescente pour la détection précoce d un cancer

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Modélisation coalescente pour la détection précoce d un cancer"

Transcription

1 Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1

2 Introduction - Contexte médicale et biologique Instabilité génétique et tumeurs Théorie introduite par Loeb et al. en 1974 Les tumeurs sont caractérisées par un nombre anormalement élevé de mutations Une perte de stabilité du génome intervient au début du développement d un cancer L instabilité génétique comme événement initiateur reste encore aujourd hui très controversée (Loeb et al., 2003). Les hypothèses alternatives sont : Aneuploidie (Duesberg et al., 1998) Sélection clonale (Tomlinson and Bodmer, 1999) Mathieu Emily Coalescence et cancer 2

3 Introduction - Contexte médicale et biologique Perte de MMR (Mismatch Repair) Plus de 130 gènes sont impliqués dans la réparation de l ADN (Anderson et al., 2001) Altération de gènes au niveau de : la fidélité de la replication de l ADN l efficacité de la réparation de l ADN Conséquence : hausse du taux de mutation d un facteur 10 3 (Bhattacharyya et al. 1994, Tomlinson et al., 1996). Taux de mutation pour les cellules somatiques humaines: nucléotides par cellule par division (Loeb, 1991) Instabilité génétique Mathieu Emily Coalescence et cancer 3

4 Modélisation - Hypothèses Perte de MMR Deux taux de mutation affectent l échantillon de gènes. Certaines cellules subissent un taux de mutation normal et les autres un taux de mutation élevé Le nombre de cellules affectées est inconnu La généalogie des cellules se modélise par un processus de coalescence (Moran 1962, Kingman 1982) Neutralité : le processus de mutation est indépendant de la généalogie Objectif : détecter (tester) la perte de MMR Mathieu Emily Coalescence et cancer 4

5 Modélisation - Contexte statistique Coalescent neutre (Kingman 1982, Hein et al. 2005) Soit T i (i = 2,..., n) les temps inter-coalescence tels que les T i soient des variables exponentielles indépendantes de paramètres λ i = i(i 1) 2. Exemple d arbre coalescent avec n = 5 Mathieu Emily Coalescence et cancer 5

6 Modélisation - Contexte statistique Modèle pour le processus de mutation Modèle à Infinité de sites (Watterson, 1975) Le processus de mutation est un processus de Poisson indépendant de taux θ/2 le long des branches de l arbre, où θ = 4Nµ, avec µ le taux de mutation par base par division mitotique et N le nombre total de cellules Estimateurs classiques de θ : estimateur de Watterson et estimateur de Tajima Mathieu Emily Coalescence et cancer 6

7 Modélisation - Contexte statistique Estimateur de Watterson Soit S le nombre de sites de ségrégation Sous le modèle à infinité de sites, S est égal au nombre total de mutation Séquence 1 Séquence 2 Séquence 3 acagttacat agagctacat agagttgcgt Exemple de trois séquences d ADN où S = 4 L estimateur de Watterson est défini comme : θ W = 2S E[L] = S n 1 i=1 1/i, où L = n i=2 it i représente la longueur totale de l arbre Mathieu Emily Coalescence et cancer 7

8 Modélisation - Contexte statistique Estimateur de Tajima Soit Π(i, j) le nombre de différences 2 à 2 entre la séquence i et la séquence j L estimateur de Tajima s écrit de la manière suivante : θ T = 2 n(n 1) Π(i, j) i<j Seq1 vs Seq2 Seq1 vs Seq3 Seq2 vs Seq3 acagttacat acagttacat agagctacat agagctacat agagttgcgt agagttgcgt Exemple de trois séquences où θ T = 2.67 ( θ W = 2.67) Mathieu Emily Coalescence et cancer 8

9 Modélisation - Modélisation colaescente conditionnelle Contraintes de modélisation L événement Perte de MMR,, survient une et une seule fois dans la généalogie de l échantillon. Contraintes sur les taux de mutation de l arbre de coalescence Notre échantillon est divisé en 2 sous-échantillons : N pour lequel le taux de mutation θ 0 est normal, R pour lequel le taux de mutation θ 1 is élevé (θ 1 > θ 0 ). Contraintes topologiques sur l arbre de coalescence Notre objectif : corriger les estimateurs de Watterson et de Tajima pour estimer le taux de mutation élevé conditionnellement au taux de mutation normal Mathieu Emily Coalescence et cancer 9

10 Modélisation - Modélisation colaescente conditionnelle Les mutations suivent des processus de Poisson de taux : - θ 0 /2 le long des branches bleues - θ 1 /2 le long des branches rouges Mathieu Emily Coalescence et cancer 10

11 Modélisation - Modélisation colaescente conditionnelle Le spectre de fréquences La généalogie de l échantillon suit un arbre de coalescent conditionnel (Griffiths and Tavaré 1998, Wiuf and Donnelly 1999) B, le nombre de descendants de, suit une distribution Yule : P(B = b) = 1 bh n 1 b = 1,..., n 1. où H n correspond au nème nombre harmonique Mathieu Emily Coalescence et cancer 11

12 Modélisation - Résultats Correction de l estimateur de Watterson S n, le nombre de sites de ségrégation, est une variable aléatoire égale au nombre total de mutations Deux contributions pour S n, S 0n et S 1n où : E[S 0n ] = E[L 0 ]θ 0 /2 E[S 1n ] = E[L ]θ 1 /2 Un estimateur sans biais de θ 1 est donné par : θ 1,W = S n E[L 0 ]θ 0 /2 E[L ]/2 Mathieu Emily Coalescence et cancer 12

13 Modélisation - Résultats Correction de l estimateur de Watterson E[L ] = E[L 1 ] + E[η n ] Proposition Soit L 1 la longueur totale de la sous-généalogie rouge (Griffiths and Tavaré, 2003) : E[L 1 B = b] = n b+1 j=2 p j n k=j+1 2 k(k 1) c jk, Proposition Soit η n le temps entre le MRCA de la sous-généalogie rouge et (Wiuf and Donnelly, 1999) : n b+1 E[η n B = b] = 2 k=2 p k k. Mathieu Emily Coalescence et cancer 13

14 Modélisation - Résultats Correction de l estimateur de Watterson - L 0 E[L 0 ] et E[L 0 B] sont inconnus dans la littérature. L 0 = L L où : L est la longueur totale de l arbre L est la longueur du sous-arbre rouge Mathieu Emily Coalescence et cancer 14

15 Modélisation - Résultats Correction de l estimateur de Watterson - L Proposition Fixons le nombre de descendants de la mutation à B = b. Pour un processus coalescent conditionnel, nous avons : 1 2 E[L B = b] = H n n b+1 pk H n 1 b(k 1) k=2 Preuve : L = n i=2 it i où T i sont les temps inter-coalescence Mathieu Emily Coalescence et cancer 15

16 Modélisation - Résultats Preuve Théorème - Temps inter-coalescent pour un arbre coalescent conditionnel Fixons B = b. La loi jointe des temps inter-coalescent (T 2,..., T n ) a pour densité : f (t 2,..., t n ) = n b+1 k=2 p k λ kt k n f l (t l ) l=2 où f l (t l ) est la densité d une loi exponentielle de paramètre λ l et : p k = ( n k b 1 ) ( n 1 b ) 1 k = 2,..., n b + 1 Mathieu Emily Coalescence et cancer 16

17 Modélisation - Résultats Correction de l estimateur de Tajima Nombre moyen de différences deux à deux: Π Un estimateur sans biais de θ 1 s écrit : θ 1,T = Π C nθ 0 D n Une formulation exacte de C n et D n se trouve en considérant les espérances de 3 temps de coalescence entre deux séquences: du R (sous-arbre rouge), du N (sous-arbre bleu), appartenant à un des deux sous-ensemble. Mathieu Emily Coalescence et cancer 17

18 Modélisation - Résultats Coefficients correctifs n A n B n Tables pour A n = E[L 0 ]/2 et B n = E[L ]/2 n C n D n Tables pour C n et D n Mathieu Emily Coalescence et cancer 18

19 Modélisation - Résultats Algorithme de simulation d un arbre coalescent conditionnel Algorithme Simuler B selon le spectre de frequence. Simuler J, le nombre d ancêtres lorsque survient (Cf. Stephens, 2000). Simuler le nombre total d ancêtres lorsque le sous-échantillon R a r ancestors (1 < r < b 1) (Tavaré, 2004). Simuler les T l selon leurs lois exponentielles respectives Gamma(1, λ l ), pour l J et T J selon la loi Gamma(2, λ J ). Mathieu Emily Coalescence et cancer 19

20 Modélisation - Résultats Performances de θ 1,W et θ 1,T pour θ 0 = 1 (N = et µ = ) θ 1 = 10 θ 1 = 100 θ 1 = 1000 n E SD E SD E SD Moyenne et Déviation Standard pour θ 1,W à partir de 1000 simulations θ 1 = 10 θ 1 = 100 θ 1 = 1000 n E SD E SD E SD Moyenne et Déviation Standard pour θ 1,T à partir de 1000 simulations Mathieu Emily Coalescence et cancer 20

21 Modélisation - Résultats Performances de θ 1,W et θ 1,T pour θ 0 = 1 Les estimateurs de Watterson et de Tajima corrigés sont sans biais. Comportements similaires aux estimateurs classiques (variance élevée). L estimateur de Watterson corrigé semble avoir une variance plus faible que l estimateur de Tajima corrigé. Mathieu Emily Coalescence et cancer 21

22 Modélisation - Résultats Tests de l absence Loss of Mismatch Repair H 0 : Absence de. H 1 : Occurrence de et θ 1 > θ 0. En supposant que la généalogie de l échantillon est connue et que les données sont les temps inter-coalescence (T k ). Le rapport de vraisemblance (LR) s écrit de la façon suivante : r = L(H n b+1 1) L(H 0 ) = λ k pk t k k=2 Puissance pour une erreur de type I : α = 0.05 : 1 β = 0.2 pour b n et chute à 0.1 lorsque b/n 0.5, où b correspond au nombre de cellules affectées Mathieu Emily Coalescence et cancer 22

23 Modélisation - Résultats Tests de l absence de (LMMR) - θ 0 = 1 H 0 : Absence de. H 1 : Occurrence de et θ 1 > θ 0. n θ 1 = 10 θ 1 = 100 θ 1 = Puissance pour l estimateur θ n θ 1 = 10 θ 1 = 100 θ 1 = Puissance pour l estimateur Π Mathieu Emily Coalescence et cancer 23

24 Modélisation - Résultats Tests de l occurrence de (LMMR) - θ 0 = 1 H 0 : Occurrence of and θ 1 > θ 0. H 1 : Absence of. n θ 1 = 10 θ 1 = 100 θ 1 = Puissance pour θ 1,W n θ 1 = 10 θ 1 = 100 θ 1 = Puissance pour θ 1,T Mathieu Emily Coalescence et cancer 24

25 Discussion - Conclusion La statistique de test de Watterson est plus puissante que celle de Tajima. La puissance est faible lorsque le rapport entre le taux de mutation normal et le taux élevé est inférieur à 1000 (θ 0 < θ 1 ). En accord avec des expériences biologiques : l occurence d une perte de MMR est quasi-indétectable lorsque θ 1 /θ 0 < (Boland et al., 1998). Conditionnellement à l événement perte de MMR, la puissance dećroit lorsque la taille d échantillon augmente Augmenter la puissance en considérant une analyse multilocus. Mathieu Emily Coalescence et cancer 25

26 Discussion - Publications Merci pour votre attention M. Emily and O.Francois. Conditional coalescent trees with two mutation rates and their application to genomic instability, Genetics, Vol. 172, Mars 2006, pages Mathieu Emily Coalescence et cancer 26

Chapitre 3 : INFERENCE

Chapitre 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 détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

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

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

TEST MMR POUR TUMEURS COLIQUES EN PRATIQUE COURANTE? Karen LEROY Hôpital Henri Mondor, Créteil

TEST MMR POUR TUMEURS COLIQUES EN PRATIQUE COURANTE? Karen LEROY Hôpital Henri Mondor, Créteil TEST MMR POUR TUMEURS COLIQUES EN PRATIQUE COURANTE? Karen LEROY Hôpital Henri Mondor, Créteil 47 Définition du phénotype MSI (MicroSatellite Instability) Environ 15% des cancers colo-rectaux présentent

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Coalescence : principe et bases théoriques

Coalescence : principe et bases théoriques Coalescence : principe et bases théoriques Simon Boitard INRA, Laboratoire de Génétique Cellulaire, Toulouse Master MABS, UE Génétique et génomique statistique, 2011-2012 S. Boitard (INRA, Laboratoire

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant Mathématiques et Applications 57 Modèles aléatoires Applications aux sciences de l'ingénieur et du vivant Bearbeitet von Jean-François Delmas, Benjamin Jourdain 1. Auflage 2006. Taschenbuch. xxv, 431 S.

Plus en détail

Influence du nombre de réplicats dans une analyse différentielle de données RNAseq

Influence du nombre de réplicats dans une analyse différentielle de données RNAseq Influence du nombre de réplicats dans une analyse différentielle de données RNAseq Statisticiens: Sophie Lamarre Steve Van Ginkel Sébastien Déjean - Magali San Cristobal Matthieu Vignes Biologistes: Stéphane

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

Introduction à l approche bootstrap

Introduction 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 détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

La 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 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 détail

12/06/2012 INTRODUCTION

12/06/2012 INTRODUCTION Université Abdelmalek Essàadi Ecole Supérieure Normale - Martil - Réalisée par : - Noura ZEKKARI - Laila KARIM INTRODUCTION Une file d attente est le résultat d un système lorsque la demande pour un bien

Plus en détail

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité 1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :

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

Plateforme de Recherche de Mutations

Plateforme de Recherche de Mutations Plateforme de Recherche de Mutations Jean-Marc Aury contact: pfm@genoscope.cns.fr 29 janvier 2009 Introduction Présentation des données produites par le GSFLX : type, qualité, Méthodes de détection de

Plus en détail

Vers l assignation de parenté par SNP

Vers l assignation de parenté par SNP Vers l assignation de parenté par SNP Journée Génomique Sysaaf 3 juin 2015, Rennes Marc VANDEPUTTE INRA UMR Génétique Animale et Biologie Intégrative Ifremer Laboratoire 3AS L assignation de parenté Pour

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

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

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

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

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

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011

NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 NOMBRES ALEATOIRES et PSEUDO-ALEATOIRES G.Saporta, P.Périé et S.Rousseau, octobre 2011 Utiles pour réaliser r des tirages et simuler des phénom nomènes nes aléatoires atoires Nombres aléatoires: atoires:

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

A- Exploiter des animations pour repérer une mutation et étudier son mécanisme de réparation.

A- Exploiter des animations pour repérer une mutation et étudier son mécanisme de réparation. THEME 1A : Expression, stabilité et variation du patrimoine génétique Chapitre 2 : Variabilité Génétique et Mutation de l ADN TP-3-: Réparation de l ADN, mutations et polyallélisme Les mutations de l ADN

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

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

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Jean-François Beaumont, Statistics Canada Cyril Favre Martinoz, Crest-Ensai

Plus en détail

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique»

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» M1_presentation_generale_4juil05.doc 1/11 MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» La mention s articule autour de 6 spécialités : Recherche en éthique : Pr Christian HERVE (herve@necker.fr)

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place

Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place SPC 1 Plan II-1. Généralités II-1-1. Définitions et principes II-1-2. Mise en place II-2-1. Définitions II-1-2. Capabilité machine et capabilité procédé II-2-3. Ppm 2 II-1. GénéralitG ralités Définitions

Plus en détail

Détection de balayages sélectifs à l aide de chaînes de Markov cachées.

Détection de balayages sélectifs à l aide de chaînes de Markov cachées. Détection de balayages sélectifs à l aide de chaînes de Markov cachées. Simon Boitard, Andreas Futschik, Christian Schlötterer INRA, LGC, Toulouse Université de Vienne (Autriche) Simon Boitard (LGC) Détection

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 :

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 : Terminale S - ACP Ex1 : Antilles Septembre 2006 Partie A - Restitution organisée des connaissances On suppose connu le résultat suivant : Si est une variable aléatoire qui suit une loi exponentielle de

Plus en détail

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII

Deuxième partie. Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Deuxième partie Calcul de fréquences de génotypes multilocus dans des pédigrees complexes XXVII Présentation Les programmes informatiques MDM et grafgen L analyse de schémas de construction de génotypes

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

Introduction 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 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 détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:

Plus en détail

MODELES DE DUREE DE VIE

MODELES DE DUREE DE VIE MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Les différentes stratégies de quantification :

Les différentes stratégies de quantification : Les différentes stratégies de quantification : Ce chapitre présente les 2 principales stratégies de quantification relative utilisée classiquement : la méthode des droites standards et celle des Ct. Les

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.

Feuille 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 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

Mariane ALLEAUME-BENHARIRA Sylvie ODDOU-MURATORIO François LEFEVRE. Ecologie des forêts méditerranéennes INRA AVIGNON - FRANCE

Mariane ALLEAUME-BENHARIRA Sylvie ODDOU-MURATORIO François LEFEVRE. Ecologie des forêts méditerranéennes INRA AVIGNON - FRANCE MODELISER L IMPACT DES CHANGEMENTS DEMOGRAPHIQUES ET ENVIRONNEMENTAUX SUR L EVOLUTION DES ARBRES Le module Luberon Version 2010 Mariane ALLEAUME-BENHARIRA Sylvie ODDOU-MURATORIO François LEFEVRE Ecologie

Plus en détail

Lois de probabilité. Anita Burgun

Lois 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 détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

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

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

Références. Compter les mots. Le langage comme donnée. Communication Langagière Ingénierie des langues et de la parole

Références. Compter les mots. Le langage comme donnée. Communication Langagière Ingénierie des langues et de la parole Communication Langagière Ingénierie des langues et de la parole 1. Introduction générale 2. Ingénierie des langues 2.1 Représentation et codage des textes 2.2 Théorie de l information et probabilités 2.3

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Chapitre 2 - VARIABILITÉ GÉNÉTIQUE ET MUTATION DE L ADN

Chapitre 2 - VARIABILITÉ GÉNÉTIQUE ET MUTATION DE L ADN Chapitre 2 - VARIABILITÉ GÉNÉTIQUE ET MUTATION DE L ADN Les organismes ne peuvent survivre que si leur ADN est soigneusement répliqué et protégé des altérations chimiques et physiques qui pourraient changer

Plus en détail

Méthodologie d échantillonnage et Échantillonneur ASDE

Méthodologie d échantillonnage et Échantillonneur ASDE Méthodologie d échantillonnage et Échantillonneur ASDE Par Michel Rochon L énoncé suivant définit de façon générale la méthodologie utilisée par Échantillonneur ASDE pour tirer des échantillons téléphoniques.

Plus en détail

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES Nathalie GORRETTA MONTEIRO 1 1 UMR Information et Technologies pour les Agro-Procédés, Cemagref Montpellier, France Présentée le 25 Février

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

La méthode des quotas

La méthode des quotas La méthode des quotas Oliviero Marchese, décembre 2006 1 La méthode des quotas Principe de la méthode Point de départ et but recherché Caractère «intuitif» de la méthode A quoi ressemble une feuille de

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

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux

Chapitre 2 Maîtrise des flux. - Chapitre 2 - Maîtrise des flux - - Facteurs agissant sur les flux Les modèles pour les SP Les réseaux de files d attente 1 Facteurs agissant sur les flux Au niveau physique : L implantation Le nombre de machines Automatisation (robots,

Plus en détail

Que faire lorsqu on considère plusieurs variables en même temps?

Que 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 détail

Syndrome de Lynch : les risques tumoraux

Syndrome de Lynch : les risques tumoraux Lille - 22/03/2013 Syndrome de Lynch : les risques tumoraux Valérie Bonadona, MD, PhD Centre Léon Bérard & CNRS UMR 5558 Lyon Le Syndrome de Lynch = Syndrome HNPCC (Hereditary Nonpolyposis Colorectal Cancer)

Plus en détail

Le risque Idiosyncrasique

Le risque Idiosyncrasique Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes

Plus en détail

TABLE DES MATIÈRES CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9. Avant-propos... 5 Sommaire... 7

TABLE DES MATIÈRES CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9. Avant-propos... 5 Sommaire... 7 TABLE DES MATIÈRES Avant-propos... 5 Sommaire... 7 CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9 1. Le processus de construction d un test... 9 2. La construction d un test d acquis scolaires...

Plus en détail

Mémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des

Plus en détail

Séminaire de statistique version 1.0

Séminaire de statistique version 1.0 Séminaire de statistique version 1.0 Plan 1 2 3 4 Approche décisionnelle Test classique Choisir l une des 2 décisions suivantes : Approche décisionnelle Test classique Choisir l une des 2 décisions suivantes

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

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

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

La couverture du délai de carence des arrêts maladie en France : Déterminants et impact sur l absentéisme

La couverture du délai de carence des arrêts maladie en France : Déterminants et impact sur l absentéisme La couverture du délai de carence des arrêts maladie en France : Déterminants et impact sur l absentéisme Catherine Pollak DREES, Centre d Economie de la Sorbonne Discussion : Roméo Fontaine, LEG (Université

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail