Statistiques inférentielles : tests d hypothèse
|
|
- Jean-Pierre Paquin
- il y a 8 ans
- Total affichages :
Transcription
1 Statistiques inférentielles : tests hypothèse Table es matières I Tests hypothèse 2 I.1 Test bilatéral relatif à une moyenne I.2 Test unilatéral relatif à une moyenne I.3 Test unilatéral relatifs à une fréquence II Test e comparaison 5 II.1 Comparaison e eux moyennes II.2 Comparaison e eux fréquences Pour remplir es paquets e farine e 10 kg, on utilise une ensacheuse réglée avec précision, mais on ne peut espérer que tous les paquets sortant e la machine pèsent exactement 10 kg. On peut seulement exiger que l espérance mathématique es masses e tous les paquets prouits soit e 10 kg. Ainsi, une palette e 50 paquets pèsera par exemple 497 kg. Doit-on en conclure que la machine est mal réglée? Si, après avoir réglé ifféremment la machine, une nouvelle palette e50 paquets pèse 502 kg, peut-on en conclure que la machine est mieux réglée? Ce sont les tests e valiité hypothèse qui permettent e prenre une écision. Ces écisions seront prises avec un certain risque a priori. Dans tout ce chapitre, les notions seront aborées grâce à es exemples. Pour chaque test, on appliquera le cheminement suivant : Construction u test e valiité hypothèse. Étape 1 : étermination e la variable aléatoire e écision et e ses paramètres, Étape 2 : choix es eux hypothèses : l hypothèse nulleh o et l hypothèse alternativeh l, Étape 3 : l hypothèse nulle étant consiérée comme vraie et compte tenu e l hypothèse alternative, étermination e la selon le niveau e risqueαonné, Étape 4 : réaction une règle e écision. Utilisation u test hypothèse. Étape 5 : calcul es caractéristiques un échantillon particulier puis application e la règle e écision. -1-
2 I Tests hypothèse I.1 Test bilatéral relatif à une moyenne Exemple 1 Une machine prouit es ronelles ont l épaisseur est une variable aléatoirex écart type 0, 3 mm. La machine a été réglée pour obtenir es épaisseurs e 5 mm. Un contrôle portant sur un échantillon e 100 ronelles a onné 5, 07 mm comme moyenne es épaisseurs e ces 100 ronelles. Peut-on affirmer que la machine est bien réglée au seuil e risque e 5%? 1. Variable aléatoire e écision. Soit m l espérance mathématique e X, c est-à-ire la moyenne es épaisseurs e toutes les ronelles prouites par la machine ainsi réglée. Consiérons la variable aléatoire M qui, à chaque échantillon e taille 100, associe sa moyenne. La taille es échantillons étant suffisamment grane, on consière quem suit la loin N m; ).M sera la variable aléatoire e écision. m; 0, ), c est-à-ire 2. Choix es hypothèses. On estime que la machine est bien réglée, si la moyenne e toutes les ronelles prouites par la machine est 5 mm. C est onc l hypothèsem = 5 que nous allons tester. On l appelle l hypothèse nulleh 0. Sinon, on choisit comme hypothèse alternative l hypothèseh 1 : «m 5». Recherchons comment la moyennem e, un échantillon e 100 ronelles peut confirmer ou non l hypothèseh 0. Dons le cas où l hypothèseh 0 est vraie, la variable aléatoirem suit la loin 5; ). On cherche alors le réeltel quep 5 M 5 +) = 0, 95. E) la variable aléatoiret = M 5 suit la loi normale centrée réuiten 0, 1), on a alors : E) P 5 T ) = 0, 95 P T ) = 0, 95 ) ) E) 2Π 1 = 0, 95 Π = 0, 975 On trouve alors = 1, 96 soit = 0, , 06. L intervalle e confiance est onc l intervalle : [5 0, 06; 5 + 0, 06] = [4, 94; 5, 06]. hypothèseh 0 acceptée 0, 95 0, 025 0, 025 4, , 06 La probabilité qu un échantillon ait une moyenne située hors e cet intervalle étant 0, 05, on peut consiérer que cet événement est rare. Ainsi, la moyenne e notre échantillonm e = 5, 07 nous amène à outer e la valiité e l hypothèseh 0. Ne perons pas e point e vue qu il se peut, malgré tout, que la machine soit bien réglée et que notre échantillon fasse partie es 5% e ceux ayant une moyenne hors e l intervalle trouvé. C est pourquoi cette région est appelée. 4. Règle e écision. Si la moyenne e l échantillon n est pas située ans la, on accepteh 0, sinon, on refuseh 0 et on accepteh 1. Puisque 5, 07 appartient à la, on écie e rejeter l hypothèseh 0 et accepter l hypothèse alternativeh l :m 5 la machine n est pas bien réglée). Dans un test e valiité hypothèse, le seuil e risqueαest la probabilité e rejeterh 0 alors qu elle est vraie. -2-
3 I.2 Test unilatéral relatif à une moyenne Exemple 2 La urée e vie en heures) es ampoules électriques prouites par une usine est une variable aléatoirex écart type 1. Le fabricant annonce qu en moyenne, les ampoules ont une urée e vie e 11 heures. On emane e réiger une règle e écision pour vérifier l affirmation u fabriquant, au seuil e risque e e 5%, en testant un échantillon e 36 ampoules. 1. Variable aléatoire e écision. Soitml espérance mathématique e X, c est-à-ire la moyenne es urée e vie e toutes les ampoules prouites par l usine. Consiérons la variable aléatoire M qui, à chaque échantillon e 36 ampoules associe la moyenne e urée e vie es 36 ampoules. La taille es échantillons étant suffisamment grane, on consière quem suit la loin m; 1 ), c est-à-ire 36 N m; ). 2. Choix es hypothèses. Soit l hypothèse nulleh 0 :m=11 l affirmation u fabricant est vraie). Dans l exemple précéent, les ronelles evaient avoir une épaisseur moyenne e 5 mm et cette mesure ne supportait ni excès, ni éficit. Ici, l acheteur ne se plainra que si la urée e vie es ampoules est inférieure à 11 heures ; ans le cas où la moyennem e, e l échantillon est supérieure à 1 1, l hypothèse u fabricant se trouve imméiatement confirmée. L hypothèse alternativeh l est oncm<11 l affirmation u fabricant est fausse). La se trouve onc un seul côté e la moyenne. On it alors que le test est unilatéral par opposition au test bilatéral effectué au paragraphe précéent. Dans le cas où hypothèseh 0 est vraie, la variable aléatoirem suit la loin 11; ) On cherche alors le réeltel quep M< 11 ) = 0, 05. E) M 11 la variable aléatoiret = suit la loi normale centrée réuiten 0, 1), on a alors : E) P T + 11<11 ) = 0, 05 P T< ) = 0, 05 E) P T> ) = 0, 05 1 P T ) ) = 0, 05 Π = 0, 95 On trouve alors = 1, 645 soit = 32, La est onc l intervalle ] ; 11 33] =] ; 1087]. au seuil e 5% hypothèseh 0 acceptée 0, , La est l intervalle ] ; 1087[ : 5% seulement es échantillons e taille 36 ont en moyenne une urée e vie inférieure à 1087 heures. 4. Règle e écision. Si la moyennem e e l échantillon observé est inférieure à 1087, on rejette l hypothèseh 0 et on accepte l hypothèse alternativeh 1 l affirmation u fabricant est fausse). Si la moyennem e e l échantillon observé est supérieure à 1087, on accepte l hypothèseh
4 I.3 Test unilatéral relatifs à une fréquence On onne ici un exemple e test unilatéral relatif à une fréquence, mais autres cas peuvent amener à envisager es tests bilatéraux relatifs à une fréquence. Exemple 3 un joueur qui oit choisir au hasar une carte ans un jeu e 32 cartes obtient certains avantages s il écouvre un roi. On constate qu il a retourné 134 fois un roi sur 800 essais. Peut-on présumer, au seuil e risque e 1%, que ce joueur est un tricheur? 1. Variable aléatoire e écision. Soitpla fréquence e rois que le joueur écouvrirait s il jouait une infinité e fois. Soit F la variable aléatoire qui, à chaque échantillon e 800 essais, associe la fréquence apparition ) u roi. La p1 p) taille es échantillons étant suffisamment grane, on consière que F suit la loi N p;.f sera la 800 variable aléatoire e écision. 2. Choix es hypothèses. Si le joueur n est pas un tricheur, la valeur epest 4 = 0, Donc, l hypothèse nulleh 0 estp = 0, 125 le joueur n est pas un tricheur). Sip<0, 125, on consiérera que le joueur n est pas un tricheur non plus, onc : l hypothèse alternativeh 1 est p>0, 125 le joueur est un tricheur). ) 0, 125 0, 875 Dans le cas où l hypothèseh 0 est vraie, la variable aléatoiref suit la loin 0, 125; soit 800 N 0, 125; ). On cherche alors le réeltel quep F> 0, 125 +) = 0, 01. E) F 0, 125 la variable aléatoiret = suit la loi normale centrée réuiten 0, 1), on a alors : ) E) P T + 0, 125>0, 125 +) = 0, 01 P T> = 0, 01 ) ) E) 1 P T = 0, 01 Π = 0, 99 On trouve alors = 2, 33 soit = 0, , 027. La est onc l intervalle [0, , 027; + [= [0, 152; + [. hypothèseh 0 acceptée au seuil e 1% Donc la est ]0, 152; + [. 0, 99 0, 01 0, 125 0, Règle e écision. Si la fréquence e l échantillon est supérieure à 0, 152, on rejette l hypothèseh 0 et on accepte l hypothèseh 1 : l hypothèseh 0 n est pas valiée. Si la fréquence e l échantillon est inférieure à 0, 152, on accepte l hypothèseh 0 : l hypothèseh 0 est valiée. L échantillon observé a une fréquence égale à 134 = 0, D après la règle e écision, puisque 0, 1675> 0, 152, on accepte l hypothèseh 1 : on écie que le joueur est un tricheur. -4-
5 II Test e comparaison II.1 Comparaison e eux moyennes Exemple 4 Une entreprise fabrique es sacs en plastique pour échets. Afin e surveiller la prouction, elle effectue es contrôles réguliers portant sur le pois maximum que les sacs peuvent supporter. Á une première atet 1, le contrôle e 100 sacs a onné une moyenne e 58 kg et un écart type e 3 kg. À la secone atet 2, le contrôle e 150 sacs a onné une moyenne e 56 kg et un écart type e 5 kg. Peut-on consiérer, au risque e 4%, que la qualité es sacs a évolué entre les eux ates? 1. Variable aléatoire e écision. AppelonsE 1 resp.e 2 ) l ensemble e tous les sacs prouits par l entreprise à la atet 1 resp.t 2 ). SoitM 1 la variable aléatoire qui, à chaque échantillon e 100 sacs issus e la populatione 1, associe sa moyenne. 100 Une estimation ponctuelle e la moyenne et e l écart-type e à la atet 1 est :m 1 = 58, etσ 1 = La taille es échantillons étant suffisamment grane,m 1 suit la loin m 1 ; σ1 100 ) =N 58; 1 11 ). SoitM 2 la variable aléatoire qui, à chaque échantillon e 150 sacs issus e la populatione 2, associe sa moyenne. 150 Une estimation ponctuelle e la moyenne et e l écart-type à la atet 2 est :m 2 = 56, etσ 2 = La taille es échantillons étant suffisamment grane,m 2 suit la loin m 2 ; σ2 150 ) =N La variable aléatoired=m 1 M 2 suit également une loi normale e paramètres : ED) =EM 1 ) EM 2 ) =m 1 m 2. V D) =V M 1 ) +VM 2 ) = = 0, D oùσ D = 0, 51. DoncDsuit la loin m 1 m 2 ; 0, 51).D est la variable aléatoire e écision. 2. Choix es hypothèses. L hypothèse nulleh 0 estm 1 =m 2 la qualité n a pas évolué). L hypothèse alternativeh 1 estm 1 m 2 la qualité a évolué). 56; ). Supposons que l hypothèseh 0 soit vraie, on a alorsm 1 m 2 = 0 ; alorsd suit la loi normalen 0; 0, 51). On cherche alors le réeltel quep D ) = 0, 95. E) la variable aléatoiret = D suit la loi normale centrée réuiten 0, 1), on a alors : 0, 51 E) P <0, 51T<) = 0, 96 P 0, 51 T ) = 0, 96 ) ) 0, 51 E) 2Π 1 = 0, 96 Π = 0, 98. On trouve alors = 2, 05 soit = 1, , 05. 0, 51 0, 51 0, 51 Pour un seuil e risque e 4%, la est : ] ; 1, 05 [ ] 1, 05 ; + [. hypothèseh 0 acceptée 0, 96 0, 02 0, 02 1, , Règle e écision. Si la ifférence es moyennes es eux échantillons est inférieure à 1, 05 ou supérieure à 1, 05, alors l hypothèse H 0, n est pas valiée. Si la ifférence es moyennes es eux échantillons est comprise entre 1, 05 et 1, 05,l hypothèseh 0 est valiée. La ifférence es moyennes es eux échantillons est = 2. D après la règle e écision, on rejetteh 0 et on écie que la qualité es sacs a évolué entre les atest 1 ett
6 II.2 Comparaison e eux fréquences Exemple 5 A l issue un examen, il y a 23 reçus et 17 ajournés ans une classe et 15 reçus et 25 ajournés ans une autre classe. La ifférence observée entre les eux pourcentages e réussite est-elle significative une ifférence e niveau entre les eux classes, au seuil e 5% 1. Variable aléatoire e écision. On suppose que la première classe est issue une populationc 1 pour laquelle la fréquence e succès estp 1, et que la euxième classe est issue une populationc 2 pour laquelle la fréquence e succès estp 2. SoitF 1 la variable qui, à chaque échantillon e élèves e la populationc 1, associe sa fréquence e succès. ) p1 1 p 1 ) La taille es échantillons étant suffisamment grane, on consière quef 1, suit la loin p 1 ;. Une estimation ponctuelle e la fréquence et e l écart-type pour la populationc 1 est : p 1 = 23 0, , 545) = 0, 545, etσ 1 = 39 = 0, 079. Donc,F 1 suit la loinp 1 ; 0, 079). SoitF 2 la variable qui, à chaque échantillon e élèves e la populationc 2, associe sa fréquence e succès. ) p2 1 p 2 ) La taille es échantillons étant suffisamment grane, on consière quef 2, suit la loin p 2 ;. Une estimation ponctuelle e la fréquence et e l écart-type pour la populationc 2 est : p 1 2 = 15 0, , 375) = 0, 375, etσ 2 = 39 = 0, 078. Donc,F 2 suit la loinp 2 ; 0, 078). La variable aléatoired=f 1 F 2 suit également une loi normale e paramètres : ED) =EF 1 ) EF 2 ) =p 1 p 2. V D) =V F 1 ) +VF 2 ) = 0, , D oùσ D =. DoncDsuit la loin p 1 p 2 ; ).D est la variable aléatoire e écision. 2. Choix es hypothèses. L hypothèse nulleh 0 estp 1 =p 2 les eux populations ont le même niveau), l hypothèse alternativeh 1 estp 1 p 2 les eux populations n ont pas le même niveau). Supposons que l hypothèseh 0 soit vraie, on a alorsp 1 p 2 = 0 ; alorsd suit la loi normalen 0; ). On cherche alors le réeltel quep D ) = 0, 95. E) la variable aléatoiret = D suit la loi normale centrée réuiten 0, 1), on a alors : E) P <T<) = 0, 95 P T ) = 0, 95 ) ) E) 2Π 1 = 0, 95 Π = 0, 975. On trouve alors = 1, 96 soit = 0, , 22. Pour un seuil e risque e 5%, la est : ] ; 0, 22[ ]0, 22; + [. hypothèseh 0 acceptée 0, 95 0, 025 0, 025 0, , Règle e écision. Si la ifférence es moyennes es eux échantillons est inférieure à 0, 22 ou supérieure à 0, 22, alors l hypothèse H 0 n est pas valiée. Sinon, l hypothèseh 0 est valiée. La ifférence es fréquences e succès es eux échantillons est = 0, 2. D après la règle e écision, on en conclut qu au seuil e risque e 5%, la ifférence observée entre les eux échantillons n est pas significative une ifférence e niveau entre les eux classes. l hypothèseh 0 est valiée). -6-
Estimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailChapitre. Chapitre 12. Fonctions de plusieurs variables. 1. Fonctions à valeurs réelles. 1.1 Définition. 1.2 Calcul de dérivées partielles
1 Chapitre Chapitre 1. Fonctions e plusieurs variables La TI-Nspire CAS permet e manipuler très simplement les onctions e plusieurs variables. Nous allons voir ans ce chapitre comment procéer, et éinir
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détail6 Equations du première ordre
6 Equations u première orre 6.1 Equations linéaires Consiérons l équation a k (x) k u = b(x), (6.1) où a 1,...,a n,b sont es fonctions continûment ifférentiables sur R. Soit D un ouvert e R et u : D R
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailLes deux points les plus proches
MPSI Option Informatique Année 2001, Deuxième TP Caml Vcent Simonet (http://cristal.ria.fr/~simonet/) Les eux pots les plus proches Lors e cette séance, nous allons nous téresser au problème suivant :
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailSimulation Matlab/Simulink d une machine à induction triphasée. Constitution d un référentiel
Simulation Matlab/Simulink une machine à inuction triphasée Constitution un référentiel Capocchi Laurent Laboratoire UMR CNRS 6134 Université e Corse 3 Octobre 7 1 Table es matières 1 Introuction 3 Moélisation
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailThéorie des graphes et optimisation dans les graphes
Théorie es graphes et optimisation ans les graphes Christine Solnon Tale es matières 1 Motivations 2 Définitions Représentation es graphes 8.1 Représentation par matrice ajacence......................
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailCNAM UE MVA 210 Ph. Durand Algèbre et analyse tensorielle Cours 4: Calcul dierentiel 2
CNAM UE MVA 210 Ph. Duran Algèbre et analyse tensorielle Cours 4: Calcul ierentiel 2 Jeui 26 octobre 2006 1 Formes iérentielles e egrés 1 Dès l'introuction es bases u calcul iérentiel, nous avons mis en
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailet les Trois Marches d'assurance
The Geneva Papers on Risk an Insurance, 20 (juillet 98), 36-40 Asymétrie 'Information et les Trois Marches 'Assurance par Jean-Jacques Laffont * La proposition stimulante e Monsieur Ic Professeur Borch
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailMATHÉMATIQUES. Mat-4104
MATHÉMATIQUES Pré-test D Mat-404 Questionnaire e pas écrire sur le questionnaire Préparé par : M. GHELLACHE Mai 009 Questionnaire Page / 0 Exercice ) En justifiant votre réponse, dites quel type d étude
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailStatistique inférentielle TD 1 : Estimation
POLYTECH LILLE Statistique inférentielle TD : Estimation Exercice : Maîtrise Statistique des Procédés Une entreprise de construction mécanique fabrique de pièces demoteurdevoiturepourungrandconstructeur
Plus en détailINF601 : Algorithme et Structure de données
Cours 2 : TDA Arbre Binaire B. Jacob IC2/LIUM 27 février 2010 Plan 1 Introuction 2 Primitives u TDA Arbin 3 Réalisations u TDA Arbin par cellules chaînées par cellules contiguës par curseurs (faux pointeurs)
Plus en détailMario Geiger octobre 08 ÉVAPORATION SOUS VIDE
ÉVAPORATION SOUS VIDE 1 I SOMMAIRE I Sommaire... 2 II Évaporation sous vide... 3 III Description de l installation... 5 IV Travail pratique... 6 But du travail... 6 Principe... 6 Matériel... 6 Méthodes...
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailIMPLEMENTATION D UN SYSTEME D INFORMATION DECISIONNEL
IMPLEMENTATION D UN SYSTEME D INFORMATION DECISIONNEL Proposé par BUMA Feinance Master en management e projets informatiques Consultant en système écisionnel I. COMPREHENSION DU CONTEXTE «L informatique
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailLa protection de votre habitation
La protection e votre habitation par la tžlžsžcuritž Vous souhaitez protéger votre habitation par un système e télésécurité. u est-ce qu un service e télésécurité? Comment choisir le prestataire? uels
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailProbabilités 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 détailmathématiques mathématiques mathématiques mathématiques
mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques
Plus en détailExercices de Statistique HEI 3-2014/2015 A. RIDARD
Exercices de Statistique HEI 3-2014/2015 A. RIDARD 2 Table des matières 1 Loi normale 5 2 Estimation 7 3 Tests statistiques 11 4 Régression linéaire 13 5 Analyse de variance 19 Annales 25 3 4 Chapitre
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailSystème d Information
Système Information Système Information Rémy Courier Urbanisation es SI Système Information Urbanisme es SI 1 Rémy Courier Urbanisme es Systèmes Information Inytrouction De l Urbanisme à L Urbanisation
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailDérivées et intégrales non entières
que "non entière". Dérivées et intégrales non entières. Notations. Outils Robert Janin La terminologie est plutôt "fractionnaire" On notera f (k) ou k x k f la érivée orre k e la fonction f et nous pourrons
Plus en détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
Plus en détailTLE 20 CONTROLEUR ELECTRONIQUE DIGITAL A MICROPROCESSEUR POUR UNITES REFRIGERANTES
CTROLEUR ELECTRIQUE DIGITAL A MICROPROCESSEUR POUR UNITES REFRIGERANTES INSTRUCTIS POUR L'UTILISATI Vr. 02 (FRA) Coe : ISTR -MTLE20-FRA2 TECNOLOGIC S.p.A. VIA INDIPENDENZA 56 27029 VIGEVANO (PV) ITALY
Plus en détailSSNV143 - Traction biaxiale avec la loi de comportement BETON_DOUBLE_DP
Titre : SSNV14 - Traction biaxiale avec la loi e comport[...] Date : 17/02/2011 Page : 1/14 Manuel e Valiation Fascicule V6.04 : Statique non linéaire es structures volumiques Document V6.04.14 SSNV14
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailCONTROLE D UN SIMULATEUR A BASE MOBILE À 3 DDL
Zie Amara 1/8 CONTROLE D UN SIMULATEUR A BASE MOBILE À 3 DDL Zie AMARA 1 Directeur(s) e thèse: Joël BORDENEUVE-GUIBIE* et Caroline BERARD Laboratoire 'accueil: * Laboratoire Avionique & Système Ecole Nationale
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailChapitre 14 Cours à terme et futures. Plan
hapitre 14 ours à terme et futures Plan Différences entre contrat à terme et contrat de future Fonction économique des marchés de futures Rôle des spéculateurs Futures de matières premières Relation entre
Plus en détailCanevas théoriques du projet sur le poker Partie A
Partie A Dans une partie de poker, particulièrement au Texas Hold em Limit, il est possible d effectuer certains calculs permettant de prendre la meilleure décision. Quelques-uns de ces calculs sont basés
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailLes Conditions aux limites
Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,
Plus en détailPRIX DE VENTE À L EXPORTATION GESTION ET STRATÉGIES
PRIX DE VENTE À L EXPORTATION GESTION ET STRATÉGIES Direction du développement des entreprises et des affaires Préparé par Jacques Villeneuve, c.a. Conseiller en gestion Publié par la Direction des communications
Plus en détail