Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire
|
|
- Denis St-Denis
- il y a 8 ans
- Total affichages :
Transcription
1 Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48
2 Plan 1 Tests d hypothèses 2 Régression linéaire Julien JACQUES (Polytech Lille) Statistiques de base 2 / 48
3 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 3 / 48
4 Principe d un test statistique Un exemple 1 Test H 0 : µ = µ 0 contre H 1 : µ µ 0 2 Stat. de test T = X µ 0 S n H0 t n 1 Student à n-1 degrés de liberté 3 α = 5% 4 Zone de rejet W = { x : t = x µ 0 s n > t n 1, α 2 } α 2 α t α t α calcul de t puis acceptation de H 0 si t est entre les bornes, rejet sinon Julien JACQUES (Polytech Lille) Statistiques de base 4 / 48
5 Principe d un test statistique Les étapes 1 Identifier des hypothèses H 0 (hyp. nulle, simple) et H 1 (hyp. alternative, composite) 2 Définir un statistique de test T, dont la loi est différente sous H 0 et H 1 3 Choisir un risque de première espèce α (5%, 10%...) 4 Définir la zone de rejet W de H 0, en fonction de H 1 (test uni- ou bilatéral) et de α 5 Calculer la valeur t de la statistique de test T 6 Conclure au rejet de H 0 si t W où à son acceptation dans le cas contraire Julien JACQUES (Polytech Lille) Statistiques de base 5 / 48
6 Principe d un test statistique Les risques antagonistes Vérité Décision H 0 H 1 H 0 conclusion correcte erreur de deuxième espèce H 1 erreur de première espèce conclusion correcte Table : Erreurs associés à un test Vérité Décision H 0 H 1 H 0 niveau de confiance 1 α risque β H 1 risque α 1 β Table : Risques associés à un test Julien JACQUES (Polytech Lille) Statistiques de base 6 / 48
7 Principe d un test statistique La p-value p plus petite valeur de α conduisant à rejeter H 0 probabilité sous H 0 d observer une statistique de test aussi extrême (au sens de H 1 ) que le t observé probabilité de se tromper lorsqu on rejette H 0 Exemple : test unilatéral H 0 : µ = 0 contre H 1 : µ > 0 p = P(T > t) où T stat. de test et t sa valeur sur l échantillon Julien JACQUES (Polytech Lille) Statistiques de base 7 / 48
8 Principe d un test statistique La p-value p plus petite valeur de α conduisant à rejeter H 0 probabilité sous H 0 d observer une statistique de test aussi extrême (au sens de H 1 ) que le t observé probabilité de se tromper lorsqu on rejette H 0 Exemple : test unilatéral H 0 : µ = 0 contre H 1 : µ > 0 p = P(T > t) où T stat. de test et t sa valeur sur l échantillon Utilisation de la p-value p si α > p : rejet de H 0 si α < p : acceptation de H 0 Julien JACQUES (Polytech Lille) Statistiques de base 7 / 48
9 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 8 / 48
10 Typologie des tests Tests de liaison entre variables Tester la liaison entre deux variables quantitatives : Test de corrélation Tester la liaison entre deux variables qualitatives : Test d indépendance du χ 2 Tester la liaison entre une variable quantitative et une variable qualitative : ANOVA à 1 facteur Tester la liaison entre une variable quantitative et K variables qualitatives : ANOVA à K facteur Tests de comparaison de populations indépendantes Test de comparaisons des variances de Fisher Test de comparaisons des moyennes de Student Julien JACQUES (Polytech Lille) Statistiques de base 9 / 48
11 Typologie des tests - Logiciel R Tests de liaison entre variables Tester la liaison entre deux variables quantitatives : fonction cor.test Tester la liaison entre deux variables qualitatives : fonction chisq.test Tester la liaison entre une variable quantitative et une variable qualitative : fonctionaov Tester la liaison entre une variable quantitative et K variables qualitatives : fonction aov Tests de comparaison de populations indépendantes Test de comparaisons des variances de Fisher : fonction var.test Test de comparaisons des moyennes de Student : fonction t.test Julien JACQUES (Polytech Lille) Statistiques de base 10 / 48
12 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 11 / 48
13 Test de corrélation Conditions d application : X et Y deux variables aléatoires quantitatives Hypothèses H 0 : ρ X,Y = 0 contre H 1 : ρ X,Y 0 Statistique de test R XY T = n 2 1 R 2 H0 t n 2 où R XY = XY l estimateur du coefficient de corrélation n i=1 (X i X)(Y i Ȳ) n i=1 (X i X) 2 est n i=1 (Yi Ȳ)2 Décision on rejette H 0 si t > t n 2,1 α 2 ou t < t n 2, α 2 Julien JACQUES (Polytech Lille) Statistiques de base 12 / 48
14 Test d indépendance du χ 2 Conditions d application : X et Y deux variables aléatoires qualitatives à k et r modalités n ij : nombre d observations ayant la modalité i de X et j de Y n i. = r j=1 n ij et n.j = k i=1 n ij n ij 5 Hypothèses H 0 : X et Y indépendantes contre H 1 : X et Y dépendantes Statistique de test d 2 = k i=1 r j=1 Décision on rejette H 0 si d 2 > χ 2 (k 1)(r 1)1 α (n ij n i. n.j n ) 2 n i. n.j n H0 χ 2 (k 1)(r 1) Julien JACQUES (Polytech Lille) Statistiques de base 13 / 48
15 ANOVA à 1 facteur Conditions d application : X une variable quantitative, A un facteur qualitatif à K modalités échantillons grands (n 30) ou gaussiens (pour chaque modalité) variances homogènes Hypothèses A influe-t-il X? H 0 : µ 1 =... = µ K = µ contre H 1 : 1 i, j K t.q. µ i µ j Statistique de test F = V 2 A K 1 / V 2 R n K où V 2 A = 1 n K n k ( X k X) 2 est la variance expliquée par le facteur A k=1 V 2 R est la variance résiduelle avec variance totale V 2 T = V 2 A + V 2 R Julien JACQUES (Polytech Lille) Statistiques de base 14 / 48
16 ANOVA à 1 facteur Présentation des résultats Facteur Somme degrés de carré F des carrés liberté moyen A SSA K 1 SSA/(K 1) F = SSA/(K 1) SSR/(n K) Résidu SSR n K SSR/(n K) Total SST n 1 ou SSA = nv 2 A, SSR = nv 2 R et SST = nv 2 T. Décision On conclue à un effet de A (rejet de H 0 ) si F > F K 1,n K,1 α Julien JACQUES (Polytech Lille) Statistiques de base 15 / 48
17 ANOVA à 2 facteur Conditions d application : X une variable quantitative, A et B deux facteurs qualitatifs à J et K modalités échantillons grands (n 30) ou gaussiens (pour chaque croisement de modalités) variances homogènes Hypothèses Le facteur A a-t-il une influence sur X? Le facteur B? Et l interaction entre les deux facteurs? Julien JACQUES (Polytech Lille) Statistiques de base 16 / 48
18 ANOVA à 2 facteur Décomposition de la variance totale avec SST = SSA+SSB + SSAB+SSR SST = où J X.jk = 1 n jk n K jk (X ijk X...) 2, SSA = j=1 k=1 i=1 SSAB = n jk i=1 J j=1 k=1 J n j. ( X.j. X K...) 2, SSB = n.k ( X..k X...) 2, j=1 K n jk ( X.jk X.j. X..k + X...) 2, et SSR = X ijk, X..k = 1 n.k J j=1 X.jk, X.j. = 1 n j. J k=1 n K jk (X ijk X.jk ) 2 j=1 k=1 i=1 K X.jk et X... = 1 n J K jk X ijk. n k=1 j=1 k=1 i=1 Julien JACQUES (Polytech Lille) Statistiques de base 17 / 48
19 ANOVA à 2 facteur Présentation des résultats Décision Facteur Somme degrés de carré F des carrés liberté moyen A SSA J 1 SSA/(J 1) F A = SSA/(J 1) SSR/(n JK) B SSB K 1 SSB/(K 1) F B = SSB/(K 1) SSR/(n JK) Interaction AB SSAB (J 1)(K 1) SSAB/(K 1)(J 1) F AB = SSAB/(K 1)(J 1) SSR/(n JK) Résidu SSR n JK SSR/(n JK) Total SST n 1 On conclue à un effet de A si F A > F J 1,n JK,1 α On conclue à un effet de B si F B > F K 1,n JK,1 α On conclue à un effet de l interaction entre A et B si F AB > F (K 1)(J 1),n JK,1 α Julien JACQUES (Polytech Lille) Statistiques de base 18 / 48
20 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 19 / 48
21 Test de comparaisons des variances de Fisher Conditions d application : échantillons gaussiens Hypothèses H 0 : σ 1 = σ 2 contre H 1 : σ 1 σ 2 Statistique de test F = n 1 V 2 1 n 1 1 n 2 V 2 2 n 2 1 Décision = S2 1 S 2 2 H0 F n1 1,n 2 1 avec S 2 1 > S 2 2 on rejette H 0 si S1 2 S2 2 > f n1 1,n 2 1,1 α Julien JACQUES (Polytech Lille) Statistiques de base 20 / 48
22 Test de comparaisons des moyennes de Student Conditions d application : échantillons grands (n 30) ou gaussiens variances égales : σ 2 1 = σ2 2 Hypothèses H 0 : µ 1 = µ 2 contre H 1 : µ 1 µ 2 Statistique de test T = X 1 X 2 (µ 1 µ 2 ) n 1 V 2 1 +n 2 V2 2 n 1 +n 2 2 Décision on rejette H 0 si x 1 x 2 > t n1 +n 2 2, α 2 ( 1 n n 2 ) H 0 t n1 +n 2 2 ( n 1 v1 2+n 2v2 2 1 n 1 +n n1 n2). Julien JACQUES (Polytech Lille) Statistiques de base 21 / 48
23 Test de comparaisons des moyennes de Student Conditions d application : échantillons grands (n 30) ou gaussien variances différentes : σ1 2 σ2 2 Hypothèses H 0 : µ 1 = µ 2 contre H 1 : µ 1 µ 2 Correction d Aspin Welch il faut remplacer le nombre de degrés de liberté de la loi de Student (n 1 + n 2 2 lorsque les variances sont égales) par l entier le plus proche de : n = 1 c 2 n (1 c)2 n 2 1 où c = v 2 1 n 1 1 v 2 1 n v2 2 n 2 1 Julien JACQUES (Polytech Lille) Statistiques de base 22 / 48
24 Test de comparaisons des moyennes de Student - cas apparié Conditions d application : échantillons grands (n 30) ou gaussiens échantillons dépendants (appariés) : chaque échantillon correspond à des mesures différentes des mêmes individus Test on travaille sur la différence D i = X 1i X 2i entre les 2 échantillons, et on test la nullité de la moyenne des D i : H 0 : µ = 0 contre H 1 : µ 0 Julien JACQUES (Polytech Lille) Statistiques de base 23 / 48
25 Test de comparaisons des moyennes de Student - cas unilatéral Conditions d application : échantillons grands (n 30) ou gaussiens variances égales : σ1 2 = σ2 2 (sinon correction Aspin-Welch) Hypothèses H 0 : µ 1 = µ 2 contre H 1 : µ 1 > µ 2 Statistique de test T = X 1 X 2 (µ 1 µ 2 ) Décision n 1 V 2 1 +n 2 V2 2 n 1 +n 2 2 ( 1 n n 2 ) H 0 t n1 +n 2 2 on rejette H 0 si x 1 > x 2 t n1 +n 2 2, α 2 ( n 1 v1 2+n 2v2 2 1 n 1 +n n1 n2). Julien JACQUES (Polytech Lille) Statistiques de base 24 / 48
26 Plan 1 Tests d hypothèses 2 Régression linéaire Julien JACQUES (Polytech Lille) Statistiques de base 25 / 48
27 Modélisation statistique Les différents types de modélisation Objectifs Variable à expliquer Variables explicatives Nom de l analyse 1 quanti. 1 quanti. régression simple 1 quanti. plusieurs quanti. régression multiple 1 quanti. plusieurs quali. analyse de variance 1 quanti. plusieurs quali. et quanti. analyse de covariance prédictifs descriptifs : sélection des variables pertinentes, forme du modèle Les étapes identifier le problème choix du modèle statistique estimer les paramètres évaluer la qualité de la modélisation obtenue utiliser le modèle pour répondre à la question posée Julien JACQUES (Polytech Lille) Statistiques de base 26 / 48
28 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 27 / 48
29 Le modèle de régression linéaire simple Les données Un échantillon (X i Y i ) i=1,n variable à prédire : Y variable explicative : X si la liaison entre X et Y n est pas linéaire, tester des transformations (log, puissance...) Le modèle Y i = β 0 +β 1 X i +ǫ i où ǫ i N(0,σ 2 ) i.i.d Écriture matricielle : Y 1 1 X 1.. =.... Y n 1 X n Y = Xβ +ǫ ] + β 1 [ β0 ǫ 1.. ǫ n Julien JACQUES (Polytech Lille) Statistiques de base 28 / 48
30 Le modèle de régression linéaire simple Estimation des paramètres On cherche β = (β 0,β 1 ) minimisant l écart entre les valeurs prédites Ŷ i = β 0 + X i β 1 et les valeurs observées Y i : Les solutions sont min n (Y i β 0 X i β 1 ) 2 i=1 ˆβ 0 = Ȳ ˆβ 1 X, ˆβ1 = S XY S 2 X. où S XY = 1 n n 1 i=1 (X i X)(Y i Ȳ) est l estimateur de la covariance de X et Y. Julien JACQUES (Polytech Lille) Statistiques de base 29 / 48
31 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 30 / 48
32 Le modèle de régression linéaire multiple Les données Un échantillon (X i1,...,x ip, Y i ) i=1,n variable à prédire : Y p variables explicatives : X 1,...,X p Le modèle où ǫ i N(0,σ 2 ) i.i.d Y 1. = Y n Y i = β 0 + p β j X ij +ǫ i j=1 1 X X 1p... 1 X n1... X np Y = Xβ +ǫ β 0 β 1. β p + ǫ 1.. ǫ n (1) (2) Julien JACQUES (Polytech Lille) Statistiques de base 31 / 48
33 Le modèle de régression linéaire multiple Estimation des paramètres On cherche β = (β 0,β 1,...,β p ) minimisant l écart entre les valeurs prédites Ŷi = β 0 + p j=1 β jx ij et les valeurs observées Y i : La solution est min n (Y i β 0 i=1 p β j X ij ) 2 j=1 ˆβ = (X X) 1 X Y. Julien JACQUES (Polytech Lille) Statistiques de base 32 / 48
34 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 33 / 48
35 Normalité des résidus Dans le but de faire des tests sur le modèle de régression obtenus, nous avons fait l hypothèse de normalité des résidus ǫ i = ŷ i y i. Test de normalité Il existe des tests statistiques permettant de tester l adéquation d une série de données (ici les résidus) à une loi normale : test de Shapiro-Wilk: fonctionshapiro.test Julien JACQUES (Polytech Lille) Statistiques de base 34 / 48
36 Homoscédasticité des résidus La technique d estimation utilisée suppose que résidus ǫ i = ŷ i y i ont une variance σ 2 constante (ne dépendant pas de i). Homoscédasticité des résidus Pour vérifier cette hypothèse, on représente généralement les résidus en fonction des variables explicatives (ou des valeurs prédites), et on vérifie visuellement que la variance est homogène sur l ensemble de variation de chaque variable explicative représentation graphique Julien JACQUES (Polytech Lille) Statistiques de base 35 / 48
37 Test de non corrélation des résidus La technique d estimation utilisée suppose que les résidus sont non corrélés. Test de Durbin-Watson Le test de Durbin-Watson permet de vérifier que les ǫ i ne sont pas corrélés. Statistique de test : n i=2 d = (ǫ i ǫ i 1 ) 2 n i=1 ǫ2 i qui doit être proche de 2. Julien JACQUES (Polytech Lille) Statistiques de base 36 / 48
38 Analyse de variance de la régression On teste l apport du modèle de régression Hypothèses H 0 : β 1 =... = β p = 0 contre H 1 : j : β j 0 Statistique de test On décompose la variance de Y en Y Ȳ 2 2 = } {{ } 2 } {{ } 2 } {{ } SST SSReg SSR Source Somme degrés de carré F des carrés liberté moyen Régression SSReg p MSReg = SSReg/p Erreur SSR n p 1 MSR = SSR/(n p 1) F = MSReg MSR Total SST n 1 Décision on rejette H 0 (la régression est valide) si F > f p,n p 1,1 α Julien JACQUES (Polytech Lille) Statistiques de base 37 / 48
39 Analyse de variance de la régression SST SSReg SSR variance variance variance totale expliquée résiduelle Julien JACQUES (Polytech Lille) Statistiques de base 38 / 48
40 Coefficient de détermination Coefficient de détermination Le coefficient de détermination R 2 : R 2 = SSReg SST est un indicateur de la qualité du modèle de régression. Propriétés : R 2 [0, 1] dans le cas de la régression simple : R 2 = ρ 2 XY plus le nombre de variables est grand, plus R 2 est grand Julien JACQUES (Polytech Lille) Statistiques de base 39 / 48
41 Coefficient de détermination ajusté Coefficient de détermination ajusté Le coefficient de détermination ajusté R 2 adj : R 2 adj = (n 1)R2 d n d 1 est un indicateur de la qualité du modèle de régression, prenant en compte la complexité du modèle (nombre de variables). Propriétés : R 2 adj [0, 1] plus R 2 adj est grand, meilleure est la régression Julien JACQUES (Polytech Lille) Statistiques de base 40 / 48
42 Tests de la nullité des paramètres du modèle On peut également tester l apport de chaque variable dans le modèle Hypothèses H 0 : β j = 0 contre H 1 : β j 0 Statistique de test T = ˆβ j β j σˆβ j H0 t n p 1 Décision on rejette H 0 (et donc on enlève la variable du modèle) si t > t n 1,1 α 2. Julien JACQUES (Polytech Lille) Statistiques de base 41 / 48
43 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 42 / 48
44 Prédiction Pour une valeur x = (1, x 1,...,x p ) de X, la prévision de Y sera donnée par ŷ = x ˆβ. (3) Un intervalle de confiance de niveau 1 α pour la valeur y sera construit à partir de cette prévision ponctuelle : x ˆβ ± tn p 1,1 α/2ˆσ 1+x (X X) 1 x. (4) Julien JACQUES (Polytech Lille) Statistiques de base 43 / 48
45 Plan 1 Tests d hypothèses Principe d un test statistique Typologie des tests statistiques Tests de liaison entre variables Tests de comparaison de populations indépendantes 2 Régression linéaire La régression linéaire simple La régression linéaire multiple Tests sur le modèle de régression linéaire Prédiction Détection d observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 44 / 48
46 Détection d observations atypiques Effet levier L effet levier h i mesure l impact de Y i dans l estimation Ŷi h i = 1 n + (X i X) 2 n j=1 (X j X) 2. Cet impact est directement lié à l éloignement de l observation X i à la moyenne des observations X. effet levier h i grand observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 45 / 48
47 Détection d observations atypiques Résidus ǫ i = Ŷi Y i Résidus normalisés/studentisés r i = ǫ i S ǫ(i) 1 hi où S ǫ(i) = n 2 n 3 S ǫ 1 ǫ 2 i n 3 1 h i r i > 2 observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 46 / 48
48 Détection d observations atypiques effet levier éloignement d une observation à la moyenne résidus normalisés éloignement observation / prédiction La distance de Cook synthétisant ces deux informations. Distance de Cook D i = n j=1 (Ŷj(i) Ŷj) 2 2S 2 ǫ = h i 2(1 h i ) r i 2 où Ŷj(i) : estimation de Y j obtenue sans utiliser (X i, Y i ). D i > 1 observations atypiques Julien JACQUES (Polytech Lille) Statistiques de base 47 / 48
49 Régression linéaire avec R L analyse 1 charger les données : >data=read.table( filename.dat,header=true) 2 estimer le modèle : >modele=lm(y.,data=data) 3 tester la normalité des résidus : >shapiro.test(modele$residuals) 4 vérifier graphiquement l homoscédasticité et la normalité des résidus, la présence d individus atypiques... : plot(modele) 5 tester l auto-corrélation des résidus (package lmtest) : >dwtest(modele) 6 analyser la qualité du modèle et l apport de chaque variable : >summary(modele) Julien JACQUES (Polytech Lille) Statistiques de base 48 / 48
Etude 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 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 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 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 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 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 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
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 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 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 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 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 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 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 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 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 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 détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
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 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 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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
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 détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 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 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 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 détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 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 détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
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 détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en 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 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 détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
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 détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailCompter à Babylone. L écriture des nombres
Compter à Babylone d après l article de Christine Proust «Le calcul sexagésimal en Mésopotamie : enseignement dans les écoles de scribes» disponible sur http://www.dma.ens.fr/culturemath/ Les mathématiciens
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
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 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 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 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 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 détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 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 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailTP de Statistiques: Utilisation du logiciel R
TP de Statistiques: Utilisation du logiciel R Année 2006-2007 2 Table des matières Introduction i 1 Premiers pas avec R 1 1.1 R est une calculatrice............................................. 1 1.2 R
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailLa diffusion des résultats statistiques du recensement de la population
La diffusion des résultats statistiques du recensement de la population Le cadre juridique La diffusion des résultats statistiques est encadrée par l arrêté du 19 juillet 2007 mis au point en liaison avec
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 détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en 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 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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
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 détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
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 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 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 détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
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 détailPRINCIPES DE LA CONSOLIDATION. CHAPITRE 4 : Méthodes de consolidation. Maître de conférences en Sciences de Gestion Diplômé d expertise comptable
PRINCIPES DE LA CONSOLIDATION CHAPITRE 4 : Méthodes de consolidation David Carassus Maître de conférences en Sciences de Gestion Diplômé d expertise comptable SOMMAIRE CHAPITRE I Les fondements de la consolidation
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
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 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 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 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 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 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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
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 détailAnalyse de corrélation Étude des dépendances - Variables quantitatives
Ricco Rakotomalala Analyse de corrélation Étude des dépendances - Variables quantitatives Version 1.1 Université Lumière Lyon 2 Page: 1 job: Analyse_de_Correlation macro: svmono.cls date/time: 8-Mar-2015/7:21
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détail