UFR de Sciences Economiques Année TESTS PARAMÉTRIQUES
|
|
- Eugène Corriveau
- il y a 8 ans
- Total affichages :
Transcription
1 Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2, 11 et 12, ainsi que les exercices 17, 18, 22, 23 et 24 seront a priori corrigés en cours. 1. Tests simples et unilatères Exercice 1. Soit x = 20 obtenu à l aide d un échantillon de taille 50 de loi gaussienne d écart type σ = 5. (1) Tester H 0 : µ = 30 contre H 1 : µ = 29 pour un risque de première espèce α = Calculer la puissance 1 β de ce test. (2) Tester H 0 : µ = 30 contre H 1 : µ < 30 pour un risque de première espèce α = Exercice 2. On considre un n-échantillon de loi exponentielles E λ. (1) Trouver la forme optimale de la zone de rejet pour tester H 0 : λ = λ 0 contre H 1 : λ = λ 1 au niveau α en supposant que λ 1 < λ 0. (2) Déterminer cette zone de rejet lorsque n = 100, λ 0 = 5, λ 1 = 4 et α = 0.05, et calculer la puissance de ce test. Donner le résultat obtenu lorsque x n = Exercice 3. On veut tester si une pièce d or est bien en or ou si elle a été fraudée (par un mélange avec un autre métal). On sait qu une pièce en or pèse exactement m 0 = 19, 3 grammes. La balance sur laquelle on pèse donne le poids de la pièce avec une erreur gaussienne d espérance nulle (pas de biais) et d écart type 0, 2 (il dépend de la précision de la balance). On effectue avec la même pièce dix mesures que l on peut supposer indépendantes. Les résultats sont les suivants : (1) Tester, au niveau α = 0.1, m = m 0 contre m < m 0 (2) Calculer l erreur de seconde espèce du test si m = 19.1 (3) Chercher le nombre de pesées nécessaires pour que l erreur de seconde espèce définie au 2) soit inférieure ou égale à 0.1. Exercice 4. Dans une grande ville américaine, 57% des électeurs sont inscrits comme étant démocrates. Récemment un institut de sondage a sélectionné au hasard 1600 électeurs dans cette ville, et leur a demandé comment ils s inscriraient s ils avaient à le faire ce jour là. Seulement 54, 5% ont répondu Démocrates. Cela indique-t-il une tendance? Pourquoi? Exercice 5. Un commerçant veut acheter à un fabricant de conserves un grand nombre de boîtes dont le fabricant affirme que le poids moyen est de 1000 g. Le commerant prétend, lui, que le poids moyen est de 995 g. Pour savoir qui a raison, ils pèsent ensemble 20 boîtes au hasard et trouvent un poids moyen de 998 g. Il s agit d un test paramétrique, de signification, de l hypothèse H0 : m = 1000 g contre H1 : m = 995 g Date: Novembre
2 2 (1) Est-ce qu on a toutes les informations pour répondre à la question? (2) Le fabricant et le commerçant sont d accord pour dire que généralement 98 % des boîtes ne s écartent du poids moyen que de 20 g (en plus ou en moins) au maximum. En supposant que le poids des boîtes est gaussien, déterminez la valeur de σ. (3) Construisons le test d hypothse. Il s agit d un test unilatral. La variable de dcision est X. Le risque de 1ère espèce α représente : le risque de dire que m = 1000 alors qu en fait m = 995 g? ou le risque de dire que m = 995 alors qu en fait m = 1000 g? α est donc le risque du vendeur (le fabricant en l occurence). L autre risque ci-dessus est-il l erreur de seconde espèce β? β est donc le risque de l acheteur (le commerant en l occurence) Si le vendeur fixe α = 0.05 et n = 20, la valeur critique pour X est : En conclusion, accepte-t-on H0? Dans ce cas le risque β de l acheteur vaut : β =. (4) Afin de rendre le test plus équilibré, le fabricant et le commerant décident de changer la procédure : ils veulent que les risques α et β soient tous deux au plus égaux à 0.05, afin de ne lser aucun des deux portagonistes. Pour cela faut-il augmenter ou réduire la taille n de l échantillon? Calculer la valeur minimale de n, puis la valeur critique de X correspondante. (5) Si, sur un chantillon de 32 boîtes, le poids moyen est de 998 g, quelle hypothèse conservera-t-on? H0 : m = 1000 g ou H1 : m = 995 g Exercice 6. On considère un échantillon de taille 40 de gaussiennes centrées de variance σ 2 inconnue. On a calculé 40 i=1 x2 i = 50. Tester au risque α = 0, 05 H 0 : σ 2 = 1 contre H 1 : σ 2 > Tests bilatères ou composés Exercice 7. On veut vérifier qu une pièce est bien équilibrée. Pour cela on effectue 100 lancers et l on modélise le résultat du i-ème lancer comme la réalisation d une variable de Bernouilli X i de paramètre θ ]0, 1[. (1) Construire le test de θ = 1/2 contre θ 1/2 de niveau α = (2) Quelle doit être l écart maximal entre la proportion de piles et celle de faces pour que l hypotèse H 0 soit retenue? (3) Déterminer l expression de la puissance de ce test en fonction de θ pour θ 1/2. (4) Calculer sa valeur pour θ = 1/3. Exercice 8. Un professeur est chargé de corriger un très grand nombre de copies d examen. Sur un échantillon aléatoire de 30 copies, il trouve une note moyenne i (xi x)2 de 10.3 avec un écart-type n = 1.2. On supposera de plus que les notes suivent une répartition normale N (m, σ 2 ). (1) On affirme que le test de H0 : m = 10 contre H1 : m > 10 est un test paramétrique, de signification, portant sur un échantillon de taille 30, et qu une variable de décision possible est X. Ces affirmations sont-elles toutà-fait exactes? (2) Donner une estimation non biaisée de σ 2. (3) Le test est-il unilatère ou bilatère? (4) On note α le risque de première espèce de ce test. Donner la zone de rejet si α = 0.05, puis si α = 0.1.
3 3 (5) Quelle est votre décision si α = 0.05? Si α = 0.1? (6) On a calculé la P-Value et on a trouvé p = Cette valeur est-elle en contradiction avec les résultats de la question précédente? (7) Conserve-t-on l hypothèse H0 avec α = 0.08? Exercice 9. On veut vérifier la solidité de câbles métalliques fabriqués selon un certain procédé, dont la charge de rupture (en kg) suit en principe une loi N (m, σ 2 ), où m = 8000 et σ = 150 ). (1) Jusqu à quelle valeur de l écart-type s, sur un échantillon de taille 40, peuton dire que l écart-type ne dépasse pas 150 kg? (0n prendra α = 0.05 ; on ne supposera pas m connue). (2) On mesure la charge de rupture de 40 câbles pris au hasard. La moyenne de ces valeurs est : kg, avec un cart-type : s = 174 kg (a) Est-ce que s dépasse de façon significative 150 kg? (b) En tenant pour acquis que σ = 150, peut-on considrer que m = 8000? ( toujours avec α = 0.05 ) (c) La conclusion est-elle la même si on tient compte du fait que σ est inconnu? Exercice 10. Le tableau suivant représente les mesures de 10 pièces éffectuées par deux contrôleurs différents. Contrôleur 1 Contrôleur (1) Quelle est, en moyenne, la différence entre leurs mesures? (2) Quel est l écart-type de cette différence : Pouvait-on le dduire des variances des mesures de chaque contrôleur? (3) Les mesures du 2ème contrôleur semblent être systématiquement plus grandes que celles du 1er. Quelle est la valeur critique à considrer, pour pouvoir dire si cela est significatif : (au risque α = 0.05) (4) Les mesure du 2ème contrôleur sont-elles significativement plus grandes que celles du premier? (au risque α = 0.05) (5) Pensez-vous que pour comparer les 2 contrôleurs il aurait été plus avantageux de comparer leurs mesures sur deux échantillons différents? En fait, lorsqu on utilise comme ici des données appariées, on a V (X 1 X 2 ) = V (X 1 ) + V (X 2 ) 2cov(X 1, X 2 ), et si la covariance est 0 (cas le plus frquent), on obtient une zone d acceptation du test plus étroite pour X 1 Y, et donc un test plus puissant qu en prenant deux échantillons indépendants.
4 4 Exercice 11. Soient n 1 = 10 n 2 = 12 x 1 = 20 x 2 = 18 pour deux gaussiennes X 1 et X 2 indépendantes supposées s 1 = 6 s 2 = 5 de même variance. Tester l hypothèse H 0 : µ 1 = µ 2. Donner un intervalle de confiance pour µ 1 µ 2 à 95%. Exercice 12. On se donne deux échantillons, de tailles respectives n 1 et n 2, de deux gaussiennes indépendantes X et Y de moyennes nulles et de variances σ1 2 et σ2 2 inconnues. On veut tester H 0 : σ1 2 = σ2 2 contre H 1 : σ1 2 σ2. 2 Donner une région critique réunion de deux sous régions F < F 1 et F > F 2, où F est égale à χ 2 1/ν 1 χ 2 2 /ν, 2 et où χ 2 1 et χ 2 2 sont deux variables aléatoires indépendantes, qui suivent des lois du χ 2 à ν 1 et ν 2 degrés de liberté. Application numérique : Tester H 0 : σ1 2 = σ2 2 pour deux gaussiennes de moyenne nulle, si n 1 = 10, n 2 = 20, x 2 i = 1440, et yi 2 = Exercice 13. Même question que dans l exercice précédent, mais sans supposer que les moyennes µ 1 et µ 2 de X et Y sont connues. Application numérique, en notant s 2 1 et s 2 2 les estimations non biaisées de σ 2 1 et σ 2 2: n 1 = 10 n 2 = 20 s 1 = 12 s 2 = Tests d ajustement et d indépendance Exercice 14. Selon la loi de Mendel, les fruits d un certain croisement devraient être de couleur rouge, noire, ou blanche, dans les proportions 9, 3 et 4. Si une expérience produit 150, 70 et 100 fruits rouges, noirs, blancs, la théorie est-elle justifiée? Exercice 15. Selon la formule de Hardy-Weinberg, le nombre de moustiques produits par certains croisements doivent respecter les proportions q 2, 2pq, p 2, où p + q = 1. Une expérience qui donne les fréquences 80, 90, 40, est-elle compatible avec cette formule? Indication: On estimera le paramètre q par le maximum de vraisemblance ˆq = n n2 n 1+n 2+n 3, où n 1, n 2, et n 3 sont les fréquences observées des 3 espèces, et l on appliquera le test du χ 2 en remplaçant q par ˆq. Exercice 16. Un exemple historique On a compté le nombre de morts annuelles occasionnées par une morsure de cheval au sein de 10 corps d armée de la cavalerie Prussienne sur une durée de 20 ans. L échantillon est ici de taille 200. On cherche à savoir si ce nombre de morts suit une loi de Poisson. Les données sont les suivantes: Nombre de morts Fréquence observée Appliquer le test du χ 2 pour savoir si l hypothèse de Poisson est raisonnable.
5 5 Exercice 17. Un exemple anthropométrique On a reporté dans le tableau suivant les largeurs en mm de 106 crânes humains découverts à Londres en (Ces crânes appartenaient sans doute à des habitants de Londres morts durant la grande peste de ). largeur effectif largeur effectif Tester au niveau 0,05 l hypothèse selon laquelle cette pression suit une loi normale. (1) Tracer l histogramme des données. (2) Sous l hypothèse que ces données sont gaussiennes, estimer la moyenne et la variance. (3) Calculer les effectifs espérés des différentes classes. (4) Tracer l histogramme espéré obtenu. (5) Mettre en place en test du χ 2, en regroupant les classes si besoin est. Exercice 18. On donne dans le tableau suivant les résultats d un sondage IPSOS effectué début Mai 1997 et publiés dans le Monde sur les intentions de vote au premier tour des législatives en France, ainsi que les résultats réels obtenus au premier tout du scrutin. Dans ce sondage, 1000 personnes étaient interrogées, et 780 parmi se sont prononcées. Les pourcentages ont donc été calculés à partir des 780 qui ont donné une intention de vote. Partis Résultats du sondage en % Résultats du scrutin en % Extrême Gauche P.C P.S Ecologistes UDF-RPR Divers Droite F.N. + Extrême Droite (1) Calculer les effectifs théoriques et les effectifs observés sur cette population de 780 personnes en laissant deux chiffres après la virgule. (2) Effectuer un test d ajustement du χ 2 et analyser le(s) facteur(s) expliquant ce résultat. (3) Regrouper les cases UDF-RPR et Divers Droite en une seule case, et effectuer un nouveau test d ajustement. Quelles sont vos réflexions sur le résultat obtenu? Exercice 19. Un échantillon aléatoire de 1250 diplômes d université, délivrés en 1976, a donné la répartition suivante: Diplôme Sexe Licence Maîtrise Doctorat Masculin Féminin (1) Exprimer H 0. (2) Calculer le χ 2, donner son nombre de degrés de liberté.
6 6 (3) Conclure. Exercice 20. Voici la répartition de 6800 individus selon la couleur des yeux et celle des cheveux. Dans ce tableau les lignes sont des couleurs d yeux et les colonnes de cheveux. blond brun noir roux total bleu gris ou vert brun total Tester au niveau 0,01 l hypothèse selon laquelle la couleur des yeux et la couleur des cheveux sont indépendantes. 4. Extraits de partiels Exercice 21. On suppose que l on joue avec un seul dé, et que l on perd chaque fois que le dé sort l as. Après 100 jets, on remarque que l on a subi un peu trop de pertes: 20 as. On soupçonne l adversaire d utiliser un dé pipé. Plus précisément, on commence à se demander si ce n est pas un de ces dés pipés, dont une publicité a récemment vanté qu ils sortaient l as une fois sur quatre. Nous noterons p la probabilité qu a le dé utilisé de sortir l as. (1) Construire un intervalle de confiance à 95% pour p. (2) On veut tester H 0 : p = 1/6, contre H 1 : p = 1/4. Trouver la proportion critique d as au delà de laquelle on rejetterait H 0 au seuil de 5 %. (3) Donner, pour ce test, une évaluation de l erreur de seconde espèce β. (4) Avec l observation de 20 as, quelle est la décision? (5) Si on double le risque de première espèce α, évaluez grossièrement ce qui arrive à β? Exercice 22. Vingt lignes, de longueur 60 cm chacune, ont été dessinées. Un étudiant a estimé visuellement le centre de chaque ligne. La distance en cm de chaque point désigné à l extrémité gauche de la ligne a été mesurée. Les 20 mesures sont reportées dans le tableau suivant: 29,7 32,3 30,0 29,8 31,1 29,8 30,6 30,7 29,7 30,2 29,8 30,7 31,8 29,2 30,0 30,3 31,3 31,3 29,4 32,0 On supposera que les données sont des réalisations de Gaussiennes indépendantes de moyenne m et de variance σ 2. (1) Estimer la moyenne m et la variance σ 2 en en donnant des estimations non biaisées. (2) Construire un intervalle de confiance au niveau 0.95 pour m. (3) On cherche à tester H 0 : m = 30 contre H 1 : m > 30. Construire un test unilatère pour décider si l étudiant fait au non une erreur systématique. On prendra le risque égal à Exercice 23. (1) Les 608 premières décimales de π sont réparties comme suit: En supposant que les décimales de π sont indépendantes les unes des autres, peut-on affirmer que les 10 chiffres ont la même fréquence d apparition?
7 7 (2) On a reporté dans le tableau suivant les répartitions par âge des hommes et des femmes affectés d une certaine maladie et traités dans un même hôpital. Age et + Hommes Femmes Peut-on affirmer, au risque de 0,05, qu il y a une différence entre la façon dont la maladie affecte les hommes et les femmes? (Indication: vous effectuerez un test d indépendance). Exercice 24. Test du caractère poissonnien des arrivées à une file d attente Pendant 100 intervalles de 10 minutes, on a compté le nombre X d ouvriers se présentant à un magasin pour emprunter des outils, ce qui donne le tableau suivant. x i Total 100 (1) Calculer la moyenne empirique de cet échantillon et eprésenter graphiquement les données à l aide d un diagramme en batons. (2) On cherche à savoir si X suit une loi de Poisson. Estimer le paramètre λ de cette loi. On note λ cette estimation. Calculer les probabilités q i =P λ(x = x i ) pour x i {5,, 24} et q 21 = P λ(x 25). (3) Représenter graphiquement les 100 q i sur la même figure que celle de la première question. (4) Tester H 0 : la distribution de X est une loi de Poisson, contre H 1 : ce n est pas une loi de Poisson au risque α = 5%. On prendra garde à regrouper les cases de façon à ce que les effectifs espérés sous H 0 soient toujours supérieurs ou égaux à 5. n i
Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailCours 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 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 détailMATHÉMATIQUES. Mat-4104
MATHÉMATIQUES Pré-test D Mat-404 Questionnaire e pas écrire sur le questionnaire Préparé par : M. GHELLACHE Mai 009 Questionnaire Page / 0 Exercice ) En justifiant votre réponse, dites quel type d étude
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en 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 détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
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 détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en 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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
Plus en détailS initier aux probabilités simples «Question de chance!»
«Question de chance!» 29-11 Niveau 1 Entraînement 1 Objectifs - S entraîner à activer la rapidité du balayage visuel. - Réactiver le comptage par addition jusqu à 20. - Développer le raisonnement relatif
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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en 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 détailSERIE 1 Statistique descriptive - Graphiques
Exercices de math ECG J.P. 2 ème A & B SERIE Statistique descriptive - Graphiques Collecte de l'information, dépouillement de l'information et vocabulaire La collecte de l information peut être : directe:
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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
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 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 détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en 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 détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en 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 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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en 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 détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en 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 détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en 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 détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
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 détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en 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 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 détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en 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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en 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 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 détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en 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 détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
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 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 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 détailSommaire. Rentabilité du retour d une franchise de baseball de la Ligue majeure de baseball à Montréal (les «Expos»)
Sommaire Rentabilité du retour d une franchise de baseball de la Ligue majeure de baseball à Montréal (les «Expos») Novembre 2013 Table des matières 1. CONTEXTE ET OBJECTIFS... 3 2. MÉTHODES DE RECHERCHE...
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en 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 détailS initier aux probabilités simples «Question de chance!»
«Question de chance!» 29-11 Niveau 1 Entraînement 1 Objectifs - S entraîner à activer la rapidité du balayage visuel. - Réactiver le comptage par addition jusqu à 20. - Développer le raisonnement relatif
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 détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailÉtude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France
Étude des résultats des investisseurs particuliers sur le trading de CFD et de Forex en France Le 13 octobre 2014 Autorité des marchés financiers 17, place de la Bourse 75082 Paris cedex 02 Tél. : 01 53
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailProbabilités (méthodes et objectifs)
Probabilités (méthodes et objectifs) G. Petitjean Lycée de Toucy 10 juin 2007 G. Petitjean (Lycée de Toucy) Probabilités (méthodes et objectifs) 10 juin 2007 1 / 19 1 Déterminer la loi de probabilité d
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailSTATISTIQUES DESCRIPTIVES
STATISTIQUES DESCRIPTIVES ORGANISATION DES DONNÉES Etude de population 53 784 56 28 4 13 674 8375 9974 60 Consommation annuelle du lait Dossier n 1 Juin 2005 Tous droits réservés au réseau AGRIMÉDIA Conçu
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailJe découvre le diagramme de Venn
Activité 8 Je découvre le diagramme de Venn Au cours de cette activité, l élève découvre le diagramme de Venn et se familiarise avec lui. Pistes d observation L élève : reconnaît les éléments du diagramme
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailUE Ma401. 1.1 probabilité conditionnelle, indépendance, dénombrement
UE Ma401 1 EXERCICES 1.1 probabilité conditionnelle, indépendance, dénombrement Exercice 1 La probabilité pour une population d être atteinte d une maladie A est p donné; dans cette même population, un
Plus en détailNobody s Unpredictable
Connaissance qu a le public de la Banque du Canada (Comparaison des résultats de l enquête téléphonique et de l enquête en ligne) Enquête de décembre 2010 commandée par la Banque du Canada Nobody s Unpredictable
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 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 détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailIUT de Laval Année Universitaire 2008/2009. Fiche 1. - Logique -
IUT de Laval Année Universitaire 2008/2009 Département Informatique, 1ère année Mathématiques Discrètes Fiche 1 - Logique - 1 Logique Propositionnelle 1.1 Introduction Exercice 1 : Le professeur Leblond
Plus en détailExercices de Statistique HEI 3-2014/2015 A. RIDARD
Exercices de Statistique HEI 3-2014/2015 A. RIDARD 2 Table des matières 1 Loi normale 5 2 Estimation 7 3 Tests statistiques 11 4 Régression linéaire 13 5 Analyse de variance 19 Annales 25 3 4 Chapitre
Plus en détail6 ème. Rallye mathématique de la Sarthe 2013/2014. 1 ère épreuve de qualification : Problèmes Jeudi 21 novembre 2013
Retrouver tous les sujets, les corrigés, les annales, les finales sur le site du rallye : http://sarthe.cijm.org I Stéphane, Eric et Christophe sont 3 garçons avec des chevelures différentes. Stéphane
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 détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailCollecter des informations statistiques
Collecter des informations statistiques FICHE MÉTHODE A I Les caractéristiques essentielles d un tableau statistique La statistique a un vocabulaire spécifique. L objet du tableau (la variable) s appelle
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détail