Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.
|
|
- Paule Pascale Bureau
- il y a 8 ans
- Total affichages :
Transcription
1 Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52
2 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 2/52
3 Bibliographie B. Lacaze, M. Maubourguet, C. Mailhes et J.-Y. Tourneret, Probabilités et Statistique appliquées, Cépadues, Athanasios Papoulis and S. Unnikrishna Pillai, Probability, Random Variable and Stochastic Processes, McGraw Hill Higher Education, 4th edition, Cours Statistique, 2010 p. 3/52
4 Modèle Statistique Observations x 1,...,x n Échantillon X 1,...,X n n va iid associées aux observations Estimateur θ(x 1,...,X n ) ou θ n ou θ Cours Statistique, 2010 p. 4/52
5 Qualités d un estimateur θ R Biais (erreur systématique) : b n (θ) = E Variance v n (θ) = E [ ( θn E ( θn )) 2 ] = E ( θn ) [ θ 2 n ] E Erreur quadratique moyenne (précision) [ ) ] 2 e n (θ) = E ( θn θ = v n (θ) + b 2 n(θ) θ ( θn ) 2 CS de convergence : θ n est un estimateur convergent si lim b n(θ) = lim v n(θ) = 0 n + n + Cours Statistique, 2010 p. 5/52
6 Qualités d un estimateur θ R p Biais b n (θ) = E ( θn ) θ R p Matrice de covariance E [ ( θn E ( θn )) ( θn E ( θn )) T ] Cours Statistique, 2010 p. 6/52
7 Exemples Exemple 1 : X i N(m,σ 2 ), θ = m et σ 2 connue Moyenne empirique θ n = 1 n X i n Autre estimateur θ n = i=1 2 n(n + 1) n ix i i=1 Exemple 2 : X i N(m,σ 2 ), θ = σ 2, m connue ou inconnue Exemple 3 : X i N(m,σ 2 ), θ = (m,σ 2 ) T Cours Statistique, 2010 p. 7/52
8 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 8/52
9 Inégalité de Cramér Rao Vraisemblance L(x 1,...,x n ;θ) = { X i va discrète : P[X 1 = x 1,...,X n = x n ] X i va continue : p(x 1,...,x n ) Inégalité pour θ R Définition ) Var ( θn E [1 + b n(θ)] 2 [ 2 ln L(X 1,...,X n ;θ) θ 2 ] = BCR(θ) BCR(θ) est appelée Borne de Cramér Rao de θ Hypothèses Log-vraisemblance deux fois dérivable et support de la loi indépendant de θ (contre-exemple : loi U[0,θ]) Cours Statistique, 2010 p. 9/52
10 Inégalité de Cramér Rao Estimateur ) Efficace : estimateur sans biais tel que Var ( θn = BCR(θ) (Il est unique!) Exemple : X i N(m,σ 2 ), θ = m et σ 2 connue Cas où (X 1,...,X n ) est un échantillon Var ( θn ) ne [1 + b n(θ)] 2 [ 2 ln L(X 1 ;θ) θ 2 ] = BCR(θ) Cours Statistique, 2010 p. 10/52
11 Cas multivarié Inégalité pour un estimateur non biaisé de θ R p ) Cov ( θ I 1 n (θ) [ ] avec I ij = E 2 ln L(X 1,...,X n ;θ) θ i θ j pour i,j = 1,...,p et A B signifie A B matrice semi définie positive x T (A B)x 0, x R p On en déduit Var ( θi ) [ I 1 n (θ) ] ii Exemple : X i N(m,σ 2 ), θ = (m,σ 2 ) T. Cours Statistique, 2010 p. 11/52
12 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 12/52
13 Méthode du Maximum de Vraisemblance Définition θ MV = arg max θ L(X 1,...,X n ;θ) Recherche du maximum pour θ R Si L(X 1,...,X n ;θ) est deux fois dérivable et si les bornes de la loi de X i sont indépendantes de θ L(X 1,...,X n ;θ) θ = 0 ou ln L(X 1,...,X n ;θ) θ = 0 On vérifie qu on a bien un maximum en étudiant ln L(X 1,...,X n ;θ) θ 0 ou 2 ln L(X 1,...,X n ; θ MV ) θ 2 < 0 Cours Statistique, 2010 p. 13/52
14 Méthode du Maximum de Vraisemblance Recherche du maximum pour θ R p L(X 1,...,X n ;θ) = 0 ou ln L(X 1,...,X n ;θ i ) θ i θ = 0 pour i = 1,...,p Exemples Exemple 1 : X i P(λ), θ = λ Exemple 2 : X i N(m,σ 2 ), θ = (m,σ 2 ) T Cours Statistique, 2010 p. 14/52
15 Propriétés Estimateur asymptotiquement non biaisé Estimateur convergent ] lim [ θmv E n + θ = 0 Estimateur asymptotiquement efficace ) ( θi lim n + Normalité Asymptotique Var [ I 1 n (θ) ] ii = 1 Cours Statistique, 2010 p. 15/52
16 Propriétés Invariance Fonctionnelle Si µ = h(θ), où h est une fonction bijective d un ouvert O R p dans un ouvert V R p, alors ) µ MV = h ( θmv Conclusions L estimateur du maximum de vraisemblance θ MV possède beaucoup de bonnes propriétés asymptotiques mais peut être difficile à étudier car il est la solution d un problème d optimisation. Cours Statistique, 2010 p. 16/52
17 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 17/52
18 Méthode des moments Définition : supposons que X 1,...,X n ont la même loi de paramètre inconnu θ R p. En général, le vecteur paramètre à estimer θ est lié aux premiers moments de la loi commune des va X i par une relation notée θ = h(m 1,...,m q ) avec m k = E[Xi k ] et q p. Un estimateur des moments de θ est défini par n θ Mo = h( m 1,..., m q ) avec m k = 1 n Exemple : X i N(m,σ 2 ), θ = (m,σ 2 ) T i=1 X k i Cours Statistique, 2010 p. 18/52
19 Propriétés Estimateur convergent Normalité Asymptotique Conclusion : peu de propriétés mais cet estimateur est généralement facile à étudier. Cours Statistique, 2010 p. 19/52
20 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 20/52
21 Estimation Bayésienne Principe : l estimation Bayésienne consiste à estimer un vecteur paramètre inconnu θ R p à l aide de la vraisemblance de X 1,...,X n (paramétrée par θ) et d une loi a priori ( p(θ). Pour cela, on minimise une fonction de coût c θ, θ ) qui représente l erreur entre θ et θ. Estimateur MMSE : l estimateur qui minimise l erreur ( quadratique moyenne c θ, θ ) [ ( = E θ θ ) ] 2 est θ MMSE = E (θ X 1,...,X n ) Remarque : p (θ x 1,...,x n ) est la loi a posteriori de θ Preuve : voir cours Cours Statistique, 2010 p. 21/52
22 Estimation Bayésienne Estimateur MAP : l estimateur du maximum a posteriori (MAP) est défini par θ MAP = arg max θ p(θ X 1,...,X n ) Cet estimateur minimise la fonction de coût ( c θ, θ ) 1 si θ θ > = 0 si θ θ < avec arbitrairement petit. Preuve : voir livre de H. Van Trees Cours Statistique, 2010 p. 22/52
23 Exemple Vraisemblance Loi a priori Loi a posteriori X i N(θ,σ 2 ) θ N(µ,ν 2 ) θ X 1,...,X n N ( m p,σp 2 ) Estimateurs Bayésiens θ MAP = θ MMSE = m p = X ( nν 2 nν 2 + σ 2 ) + µ ( σ 2 ) σ 2 + nν 2 Cours Statistique, 2010 p. 23/52
24 Plan du cours Chapitre 1 : Estimation Modèle statistique, qualités d un estimateur, exemples Inégalité de Cramér Rao Maximum de vraisemblance Méthode des moments Estimation Bayésienne Intervalles de confiance Chapitre 2 : Tests Statistiques Cours Statistique, 2010 p. 24/52
25 Intervalles de confiance Principe : un intervalle de confiance [a,b] pour le paramètre θ R est un intervalle tel que P[a < θ < b] = α, où α est le paramètre de confiance (en général α = 0.99 ou α = 0.95). Détermination pratique de l intervalle : on cherche un estimateur de θ noté θ (par la méthode des moments, du maximum de vraisemblance,...), on en déduit une statistique T(X 1,...,X n ) qui dépend de θ de loi connue, on cherche c(θ) et d(θ) tels que P[c(θ) < T(X 1,...,X n ) < d(θ)] = α On en déduit l intervalle [a, b]. Cours Statistique, 2010 p. 25/52
26 Exemples Exemple 1 : X i N(m,σ 2 ), m inconnue, σ 2 connue. T = 1 n n i=1 X i m σ/ n N(0, 1) Exemple 3 : X i N(m,σ 2 ), IC pour m, σ 2 inconnue. donc T N(0, 1) et U = 1 n ( Xi σ 2 X ) 2 χ 2 n 1 T U n 1 i=1 t n 1 suit une loi de Student à n 1 degrés de liberté. Cours Statistique, 2010 p. 26/52
27 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 27/52
28 Généralités Principe : un test statistique est un mécanisme qui permet de décider entre plusieurs hypothèses H 0,H 1,... à partir de n observations x 1,...,x n. On se limitera dans ce cours à deux hypothèses H 0 et H 1. Effectuer un test, c est déterminer une statistique de test T(X 1,...,X n ) et un ensemble tel que H 0 rejetée si T(X 1,...,X n ) H 0 acceptée si T(X 1,...,X n ) /. (1) Vocabulaire H 0 est l hypothèse nulle H 1 est l hypothèse alternative {(x 1,...,x n ) T(x 1,...,x n ) } : région critique Cours Statistique, 2010 p. 28/52
29 Définitions Tests paramétriques et non paramétriques Hypothèses simples et hypothèses composites Risque de première espèce = probabilité de fausse alarme α = PFA = P[Rejeter H 0 H 0 vraie] Risque de seconde espèce = probabilité de non-détection β = PND = P[Rejeter H 1 H 1 vraie] Puissance du test = probabilité de détection : π = 1 β Cours Statistique, 2010 p. 29/52
30 Exemple Hypothèses X i N(m,σ 2 ), σ 2 connue Stratégie du test H 0 : m = m 0, H 1 : m = m 1 > m 0 Rejet de H 0 si X = 1 n n i=1 X i > S α Problèmes Déterminer le seuil S α, le risque β et la puissance du test π. Cours Statistique, 2010 p. 30/52
31 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 31/52
32 Courbes COR Caractéristiques opérationnelles du récepteur PD = h(pfa) Exemple : X i N(m,σ 2 ), σ 2 connue H 0 : m = m 0, H 1 : m = m 1 > m 0 Probabilité de fausse alarme S α = m 0 + σ F 1 (1 α) n Probabilité de détection PD = π = F ( ) S α m 1 σ n Cours Statistique, 2010 p. 32/52
33 Représentation graphique ROC s for iid and correlated sequences Probability of Detection iid sequence λ 1 =22 correlated sequence λ 1 =22 iid sequence λ 1 =23 correlated sequence λ 1 = Probability of False Alarm Cours Statistique, 2010 p. 33/52
34 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 34/52
35 Théorème de Neyman-Pearson Test paramétrique à hypothèses simples H 0 : θ = θ 0 et H 1 : θ = θ 1 (2) Variables aléatoires continues Théorème : à α fixé, le test qui minimise β (ou maximise π) est défini par Rejet de H 0 si L(x 1,...,x n H 1 ) L(x 1,...,x n H 0 ) > S α Remarque : L(x 1,...,x n H i ) = f(x 1,...,x n θ i ) Exemple : X i N(m,σ 2 ), σ 2 connue H 0 : m = m 0, H 1 : m = m 1 > m 0 Cours Statistique, 2010 p. 35/52
36 Résumé Effectuer un test de Neyman-Pearson, c est 1) Déterminer la statistique et la région critique du test 2) Déterminer la relation entre le seuil S α et le risque α 3) Calculer le risque β et la puissance π du test (ou la courbe COR) 4) Application numérique : on accepte ou rejette l hypothèse H 0 en précisant le risque α donné Cours Statistique, 2010 p. 36/52
37 Théorème de Neyman-Pearson Variables aléatoires discrètes Théorème : parmi tous les tests de risque de première espèce α fixé, le test de puissance maximale est défini par Remarque : Rejet de H 0 si L(x 1,...,x n H 1 ) L(x 1,...,x n H 0 ) > S α L(x 1,...,x n H i ) = P [X 1 = x 1,...,X n = x n θ i ] Exemple : X i P(λ), H 0 : λ = λ 0, H 1 : λ = λ 1 > λ 0 Loi asymptotique : quand n est suffisamment grand, utilisation du théorème de la limite centrale Cours Statistique, 2010 p. 37/52
38 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 38/52
39 Test du rapport de vraisemblance généralisé Test paramétrique à hypothèses composites H 0 : θ Θ 0 et H 1 : θ Θ 1 (3) Définition (Test GLR) Rejet de H 0 si L L ) (x 1,...,x n θ MV 1 (x 1,...,x n θ MV 0 ) > S α MV MV où θ 0 et θ 1 sont les estimateurs du maximum de vraisemblance de θ sous les hypothèses H 0 et H 1. Remarque L ) (x 1,...,x n θ MV i = sup θ Θ i L (x 1,...,x n θ) Cours Statistique, 2010 p. 39/52
40 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 40/52
41 Test du χ 2 Le test du χ 2 est un test non paramétrique d ajustement (ou d adéquation) qui permet de tester les deux hypothèses suivantes H 0 : L = L 0, H 1 : L L 0 où L 0 est une loi donnée. Le test consiste à déterminer si (x 1,...,x n ) est de loi L 0 ou non. On se limitera dans ce cours au cas simple où x i R. Définition Rejet de H 0 si φ n = K k=1 (Z k np k ) 2 np k > S α Remarque : L 0 peut être une loi discrète ou continue Cours Statistique, 2010 p. 41/52
42 Test du χ 2 Statistique de test Z k : nombre d observations x i appartenant à la classe C k, k = 1,...,K p k : probabilité qu une observation x i appartienne à la classe C k sachant X i L 0 P [X i C k X i L 0 ] n : nombre total d observations Loi de la statistique de test φ n L n χ 2 K 1 Cours Statistique, 2010 p. 42/52
43 Remarques Interprétation de φ φ n = K k=1 n p k ( ) 2 Zk n p k Distance entre probabilités théoriques et empiriques Loi asymptotique de φ n : voir notes de cours ou livres Nombre d observations fini Une heuristique dit que la loi asymptotique de φ n est une bonne approximation pour n fini si 80% des classes vérifient np k 5 et si p k > 0, k = 1,...,K Classes équiprobables Cours Statistique, 2010 p. 43/52
44 Remarques Correction Lorsque les paramètres de la loi L 0 sont inconnus φ n L n χ 2 K 1 n p où n p est le nombre de paramètres inconnus estimés par la méthode du maximum de vraisemblance Puissance du test Non calculable Cours Statistique, 2010 p. 44/52
45 Exemple Est-il raisonnable de penser que ces observations sont issues d une population de loi N (1, 4)? Solution Classes C 1 : ], 0.34],C 2 : ] 0.34, 1],C 3 : ]1, 2.34],C 4 : ]2.34, [ Nombres d observations Z 1 = 7, Z 2 = 12, Z 3 = 10, Z 4 = 11 Cours Statistique, 2010 p. 45/52
46 Exemple Statistique de test φ n = 1.4 Seuils χ 2 2 χ 2 3 S S donc on accepte l hypothèse H 0 avec les risques α = 0.01 et α = Cours Statistique, 2010 p. 46/52
47 Plan du cours Chapitre 1 : Estimation Chapitre 2 : Tests Statistiques Généralités, exemple Courbes COR Théorème de Neyman Pearson Test du rapport de vraisemblance généralisé Test du χ 2 Test de Kolmogorov Cours Statistique, 2010 p. 47/52
48 Test de Kolmogorov Le test de Kolmogorov est un test non paramétrique d ajustement (ou d adéquation) qui permet de tester les deux hypothèses suivantes H 0 : L = L 0, H 1 : L L 0 où L 0 est une loi donnée. Le test consiste à déterminer si (x 1,...,x n ) est de loi L 0 ou non. On se limitera dans ce cours au cas simple où x i R. Définition Rejet de H 0 si D n = sup F(x) F 0 (x) > S α x R Remarque : L 0 doit être une loi continue Cours Statistique, 2010 p. 48/52
49 Remarques Statistique de test F 0 (x) est la fonction de répartition théorique associée à L 0 et F(x) est la fonction de répartition empirique de (x 1,...,x n ) Loi asymptotique de D n : voir livres P[ nd n < y] n + k= ( 1) k exp( 2k 2 y) = K(y) Détermination du seuil S α : S α = 1 n K 1 (1 α) Le seuil dépend de α et de n. Cours Statistique, 2010 p. 49/52
50 Remarques Calcul de D n E + i = F ( x + i D n = max i {1,...,n} max{e+ i,e i } ) F0 (x i), E i = F ( x i ) F0 (x i) Rq : x 1,...,x n est la statistique d ordre de x 1,...,x n. Rq : F ( x + ) ( ) i = i/n et F x i = (i 1)/n. Puissance du test Non calculable Cours Statistique, 2010 p. 50/52
51 Exemple Est-il raisonnable de penser que ces observations sont issues d une population de loi uniforme sur [0, 1]? x i E i E + i Max(E + i, E i ) x i E i E + i e 3 Max(E + i, E i ) Cours Statistique, 2010 p. 51/52
52 Exemple Statistique de test D n = 0.17 Seuils pour n = 20 S S donc on accepte l hypothèse H 0 avec les risques α = 0.01 et α = Cours Statistique, 2010 p. 52/52
Méthodes 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 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 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 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 détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
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 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 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 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 détailSoutenance 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 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 détailTESTS 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 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 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 détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
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 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 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 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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 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 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 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 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 détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
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 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 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 détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
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 détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailFiltrage 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
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 détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
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 détailUNIVERSITÉ 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 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
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 détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
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 détail