Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»
|
|
- Denise Lefebvre
- il y a 8 ans
- Total affichages :
Transcription
1 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 / 40
2 Plan Définitions 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
3 Définitions Notion d échantillon Un phénomène n est généralement étudié que sur un échantillon de la population : Sondages, toxicité, séquences ARN, etc. Si on change d échantillon (i.e., si on répète l expérience), les résultats seront différents. La taille et la nature de l échantillon sont des éléments déterminants dans la démarche statistique. Motivation des statistiques : Prise en compte de ces contraintes afin de définir dans quelle mesure les résultats sont généralisables à la population. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
4 Définitions Notion d expérience aléatoire Une expérience aléatoire est une action ou un procédé dont le résultat est indéterminé ou incertain (e.g., lancer de pièce). Un évènement est un des résultats possible d une expérience (e.g., résultat Pile ou Face au lancer). En première approximation, la probabilité d un évènement est définie comme : Proportion de fois où l on observerait ledit évènement si l on répétait l expérience aléatoire une infinité de fois. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
5 Définitions Variables aléatoires Une variable aléatoire (v.a.) X est une fonction de l expérience aléatoire. Une réalisation x d une v.a. X est la valeur de la variable après avoir effectué l expérience. En statistiques, on considère que les données sont des réalisations des v.a. : Dans un échantillon de taille n, on a n réalisations (x 1, x 2,..., x n ) des v.a. (X 1, X 2,..., X n ). Plus n augmente et plus on collecte de l information sur le phénomène étudié. Une grande taille d échantillon permet d obtenir : Une meilleure précision sur l explication du phénomène Un meilleur pouvoir prédictif du modèle. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
6 Plan Les difféntes distributions 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
7 Les difféntes distributions Variables aléatoires discrètes Les valeurs prises par les variables sont discrètes. Leur loi est complètement déterminée par P(X = k) pour tout k X (Ω), avec : P(X = k) = 1 k X (Ω) La fonction de répartition F de X est définie par : F (k) = P(X k) L espérance mathématique et la variance sont définies par : E(X ) = k P(X = k) et V(X ) = [k E(X )] 2 P(X = k) k X (Ω) k X (Ω) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
8 Les difféntes distributions Distribution de Poisson Écriture sous la forme P(λ), avec λ R + le paramètre de la loi. Loi de probabilité : P(X = k) = λk e λ k! avec X (Ω) = N. Espérance mathématique et variance : E(X ) = V(X ) = λ Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
9 Exemples numériques Les difféntes distributions P(X = k) λ = 1 λ = 2 λ = 5 λ = k P(X k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
10 Les difféntes distributions Distribution Binomiale Écriture sous la forme B(n, p), avec n N et p [0, 1] les deux paramètres de la loi. Loi de probabilité : avec X (Ω) = [0, n]. P(X = k) = Espérance mathématique et variance : = ( ) n p k (1 p) n k k n! k!(n k)! pk (1 p) n k E(X ) = np et V(X ) = np(1 p) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
11 Exemples numériques Les difféntes distributions P(X = k) n = 20, p = 0.5 n = 20, p = 0.7 n = 40, p = 0.5 n = 40, p = k P(X = k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
12 Les difféntes distributions Distribution Binomiale Négative Écriture sous la forme J (n, p), avec n N et p [0, 1] les deux paramètres de la loi. Loi de probabilité : ( ) k + n 1 P(X = k) = p n (1 p) k k ( ) n = ( 1) k p n (1 p) k k avec X (Ω) = N. Espérance mathématique et variance : E(X ) = n(1 p) p et V(X ) = n(1 p) p 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
13 Exemples numériques Les difféntes distributions P(X = k) n = 2, p = 0.5 n = 5, p = 0.5 n = 10, p = 0.5 n = 20, p = k P(X k) k Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
14 Les difféntes distributions Variables aléatoires continues Les valeurs prises par les variables appartiennent à des ensembles continus : La probabilité d un point est nulle. Raisonnement en termes d intervalles : P(a X b). La loi d une variable continue est définie par sa densité de probabilité f ou par sa fonction de répartition F : f (x)dx = 1 et F (t) = P(X t) X (Ω) L espérance mathématique et la variance sont définies par : E(X ) = x f (x)dx et V(X ) = [x E(X )] 2 f (x)dx X (Ω) X (Ω) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
15 Les difféntes distributions Distribution Normale Écriture sous la forme N (µ, σ 2 ), avec µ R et σ 2 R + les deux paramètres de la loi. Loi de probabilité : avec X (Ω) = R. f (x) = 1 σ 2π exp { Espérance mathématique et variance : } (x µ)2 2σ 2 E(X ) = µ et V(X ) = σ 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
16 Les difféntes distributions Exemples numériques f(x) x µ = 0, σ 2 = 0.2 µ = 0, σ 2 = 1.0 µ = 0, σ 2 = 5.0 µ = -2, σ 2 = 0.5 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
17 Les difféntes distributions Distribution Gamma Écriture sous la forme G(α, β), avec α R + et β R + les paramètres de la loi. Loi de probabilité : avec X (Ω) = R +. f (x) = x α 1 e x/β Γ(α)β α et Γ(α) = Espérance mathématique et variance : E(X ) = αβ et V(X ) = αβ 2 0 e t t α 1 dt Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
18 Les difféntes distributions Exemples numériques f(x) x α = 0.25 α = 1 α = 2 α = 10 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
19 Les difféntes distributions Distribution de Student Écriture sous la forme T (k), avec k N le nombre de degrés de liberté (d.d.l.) de la distribution. Loi de probabilité : ( ) k + 1 f (x) = 1 Γ 2 ( ) (1 + x 2 kπ k k Γ 2 avec X (Ω) = R. Espérance mathématique et variance : E(X ) = 0 (k > 1) et V(X ) = k k + 2 ) (k+1)/2 (k > 2) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
20 Les difféntes distributions Exemples numériques f(x) x k = 1 k = 2 k = 5 k = 10 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
21 Plan Principe des tests 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
22 Principe des tests Tests et démarche scientifique Les démarches d estimation et de test sont différentes mais complémentaires : Dualité entre les deux approches. Pour l estimation, on cherche à collecter des informations sur un paramètre et à l estimer au mieux. Pour les tests, la démarche suivie consiste à comparer ou, plus généralement, à quantifier la compatibilité (ou l absence d incompatibilité) des données. Processus courant : Hypothèse Expérience Résultats Discussion de l hypothèse. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
23 Principe des tests Cadre des tests paramétriques La distribution des données est modélisée au moyen d un modèle statistique. Un modèle statistique est constitué d une famille de lois de probabilité sur un même espace : Ces lois de probabilités dépendent d un paramètre θ qui appartient à un ensemble Θ : M θ = {P θ, θ Θ} Test paramétrique : Test qui concerne les paramètres du modèle. Les x i sont considérés comme des réalisations de la v.a. X i, de loi M θ. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
24 Principe des tests Définition de plusieurs hypothèses On s intéresse à deux sous-ensembles de Θ, notés Θ 0 et Θ 1 et on pose : H 0 : {θ Θ 0 } H 1 : {θ Θ 1 } Exemple d un modèle Binomial de paramètre p : Θ 0 = {0.5} Θ 1 = [0, 1] \ {0.5} Exemple d un modèle Normal de paramètre µ : Θ 0 = {10 C} Θ 1 =]10 C, [ La finalité d un test est de prendre une décision Oui/Non : Acceptation/Rejet au vu des données Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
25 Principe des tests Définition d un test On appelle test une fonction φ des observations (X i = x i ) qui permet de choisir entre deux hypothèses : Deux valeurs possibles, 0 ou 1 : {φ(x ) = 0} alors on choisit H 0 : {θ Θ 0 } {φ(x ) = 1} alors on choisit H 1 : {θ Θ 1 } L ensemble des X pour lesquels on rejette H 0 {X, φ(x ) = 1} s appelle région de rejet. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
26 Principe des tests Les différentes qualités d un test L erreur de première espèce α est définie comme étant l espérance de φ(x ) sous H 0 : α = P{Décider H 1 alors que H 0 est vraie} = P{φ(X ) = 1 H 0 } = P 0 {φ(x ) = 1} L erreur de deuxième espèce β est définie comme étant l espérance de φ(x ) sous H 1 : β = P{Décider H 0 alors que H 1 est vraie} = P{φ(X ) = 0 H 1 } = P 1 {φ(x ) = 0} La puissance d un test est égale à π = 1 β. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
27 Principe des tests Différence entre H 0 et H 1 Les deux risques sont liés et varient généralement en sens inverse. Les hypothèses H 0 et H 1 ne jouent pas des rôles symétriques (Neyman et Pearson, 1933) : H 0 suppose l absence d effet et devient l hypothèse à réfuter. Affranchissement de ce qui se passe sous H 1. Stratégie standard : Accumuler des données pour savoir si on doit garder H 0 ou non. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
28 Principe des tests Du rôle central de l hypothèse nulle Le choix de l hypothèse nulle est l étape la plus délicate d une procédure de test. Choisir une «bonne» hypothèse est d autant plus crucial qu elle sera privilégiée : Les risques prennent des rôles dissymétriques lorsqu on privilégie H 0. L idée est de fixer α a priori ; c est le principe de précaution : Cet a priori signifie que α est le risque maximum que l on est prêt à prendre en rejetant H 0 à tort. Plus α diminue et plus le test devient conservatif ; on aura tendance à conserver H 0. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
29 Principe des tests Statistique de test Construction d une statistique de test S(X ) après le choix de l hypothèse nulle : Dépend des données et sa distribution, du modèle choisi. Souvent fondée sur la moyenne X. La définition d un score approprié est un élément central de la procédure de test. Plusieurs statistiques sont en général possibles pour la même hypothèse nulle. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
30 Principe des tests Notion de risque La démarche fondamentale consiste à se placer sous H 0 : Si H 0 était vraie, quelle serait la distribution de S(X )? Le raisonnement consiste à s interroger sur le caractère plausible ou non de l observation d un tel score. La procédure consiste à rejeter H 0 quand S(X ) dépasse un seuil : {Rejet de H 0 } {φ(x ) = 1} {S(X ) u} Dans ce cas P 0 {S(X ) u} s interprète comme un risque : C est la masse qu il resterait dans la distribution sous H 0 si on rejetait à u. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
31 Principe des tests Contrôle du risque Si le principe est de rejeter H 0 quand la statistique dépasse un seuil, comment le choisir? Plus la statistique de test S(X ) est grande, plus on le rejette avec certitude. On peut contrôler le risque de première espèce α en choisissant u tel que : P 0 {S(X ) u} α La valeur de u nous est fournie par les données de l échantillon : Réalisation de S(X ) notée s obs. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
32 Principe des tests Résumé de la procédure 1 Recueil des données (x 1, x 2,..., x n ). 2 Modélisation des observations (X 1, X 2,..., X n ) au moyen de M θ. 3 Définition d une hypothèse nulle H 0 à tester. 4 Définition d une statistique de test S(X ) et évaluation sur l échantillon s obs. 5 Calcul de la probabilité de dépassement P 0 {S(X ) s obs } sous H 0, c est la p-valeur ou p-value. 6 Fixation du risque α. 7 Si P 0 {S(X ) s obs } α, rejet de H 0. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
33 Plan Exemple du modèle gaussien 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
34 Exemple du modèle gaussien Comparaison de moyennes I 1 Soit deux échantillons provenant de populations indépendantes : Tailles respectives n 1 et n 2 et notation comme (x 1 1, x 1 2,..., x 1 n 1 ) et (x 2 1, x 2 2,..., x 2 n 2 ). 2 On suppose que la variable d interêt peut être modélisée par une loi normale, telle que : X 1 i iid N (µ 1, σ 2 ) et X 2 i iid N (µ 2, σ 2 ) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
35 Exemple du modèle gaussien Comparaison de moyennes II 3 Hypothèse nulle de l égalité du paramètre d espérance dans les populations : H 0 : {µ 1 = µ 2 } Hypothèse alternative : Estimation de µ 1 et µ 2 : H 1 : {µ 1 µ 2 } µ 1 = X 1 et µ 2 = X 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
36 Exemple du modèle gaussien Comparaison de moyennes III 4 Construction d une statistique S(X ) pour tester H 0 : ( ) X 1 X 2 H0 N 0, σ 2 1 n n 2 Si σ 2 connue, utilisation de la statistique centrée réduite : S(X ) = X 1 X 2 1 σ + 1 n 1 n 2 5 Calcul de s obs à partir des données. 6 Choix de α. 7 Si P 0 {S(X ) s obs } α, rejet de H 0. N (0, 1) H 0 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
37 Variantes du test I Exemple du modèle gaussien Si σ 2 est inconnue, il faut l estimer, ce qui change S(X ) : avec : S(X ) = X 1 X 2 1 s + 1 n 1 n 2 T (n 1 + n 2 2) H 0 s 2 = (n 1 1)s (n 2 1)s 2 2 n 1 + n 2 2 Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
38 Variantes du test II Exemple du modèle gaussien Si les deux groupes ont des variances différentes, le modèle change : X 1 i iid N (µ 1, σ 2 1) et X 2 i iid N (µ 2, σ 2 2) Par conséquent, S(X ) change également : S(X ) = X 1 X 2 s 2 1 n 1 + s2 2 n 2 T (k) H 0 avec k, le nombre de d.d.l., donné par la formule de Satterthwaite (trop complexe pour être donnée ici!) Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
39 Plan Tests non paramétriques 1 Définitions 2 Les difféntes distributions 3 Principe des tests 4 Exemple du modèle gaussien 5 Tests non paramétriques Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
40 Tests non paramétriques Utilisation Lorsqu il n est pas raisonnable d utiliser des lois limites. Lorsque trop peu d observations sont disponibles pour faire des hypothèses quant à leur distribution. Théorie générale fondée sur les statistiques de rang : Le plus connu est le test de Wilcoxon (Mann-Whitney) : Se rapproche du test gaussien à variances égales. Guy Perrière (PRABI) Tests statistiques 14 novembre / 40
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 détailEstimation: 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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en 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 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en 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 détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
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 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 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
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 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 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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en 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 sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en 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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailProcessus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus.
JF WALHIN* J PARIS* * Université Catholique de Louvain, Belgique Le Mans Assurances, Belgique RÉSUMÉ Nous proposons une méthodologie générale pour construire un système bonus-malus équilibré basé sur une
Plus en détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
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 détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détail5.2 Théorème/Transformée de Fourier a) Théorème
. Théorème de Fourier et Transformée de Fourier Fourier, Joseph (788). Théorème/Transformée de Fourier a) Théorème Théorème «de Fourier»: N importe quelle courbe peut être décomposée en une superposition
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
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 détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
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 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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détail1 Comment faire un document Open Office /writer de façon intelligente?
1 Comment faire un document Open Office /writer de façon intelligente? 1.1 Comment fonctionne un traitement de texte?: les balises. Un fichier de traitement de texte (WRITER ou WORD) comporte en plus du
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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailExprimer ce coefficient de proportionnalité sous forme de pourcentage : 3,5 %
23 CALCUL DE L INTÉRÊT Tau d intérêt Paul et Rémi ont reçu pour Noël, respectivement, 20 et 80. Ils placent cet argent dans une banque, au même tau. Au bout d une année, ce placement leur rapportera une
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
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 détail