Introduction au cours STA 102 Analyse des données : Méthodes explicatives
|
|
- Aubin Briand
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr
2 Infos et support du cours Slide Giorgio Russolillo STA102
3 Slide 3 Variables Aléatoires
4 Définition de variable aléatoire Slide 4 Une variable aléatoire est une application définie sur l'ensemble des résultats possibles d'une expérience aléatoire Les variables aléatoires discrètes a un nombre fini de possible valeurs distinctes Le variables aléatoires continues ont un nombre infini de possibles valeurs distinctes
5 Loi et fonction de repartition (cas discret) Slide 5 f ( x ) = f ( x ) = f ( x ) = f ( x ) = F ( x 0) = F ( x 2) = F ( x 3) = ( ) f(x) Exemple: trois lancers de piéce F ( x) = P ( X = x) v.a. X Nombre de Faces ( ) = P ( X x) F x F(x) F x = X X
6 Variables aléatoires continues Slide 6 La probabilité qu'une variable aléatoire continue prends une valeur quelconque est zéro à Fonction de densité Ex. Fonctions de densité et de repartition d une loi Normale: b ( ) ( ) P a X b = f x dx a ( ) ( ) ( ) x F x P X x f x dx = =
7 Modèles statistiques Slide 7 Lors de l'étude des phénomènes réels, l'un des problèmes est de comprendre si la variable aléatoire nécessaire pour les décrire doit être construite ad hoc ou nous pouvons nous référer à une v.a. dont les caractéristiques et les propriétés sont déjà connues. à Il y a beaucoup de variables aléatoires discrètes et continues qui représentent effectivement des modèles probabilistes qui permettent de décrire la réalité avec une bonne approximation.
8 Slide 8 Variables aléatoires continues: - Normale - Chi-deux - F de Fisher-Snedecor - T de Student
9 La Loi Normale (ou de Laplace-Gauss) Slide 9
10 La Loi Normale Slide 10 Une variable aléatoire continue X suit une distribution normale, avec une moyenne μ et de variance σ 2, si sa fonction de densité de probabilité est donnée par: 1 f ( x) = e 2 2πσ 1 2 ( x µ ) 2 σ 2 Où e = π = µ = espérance mathématique σ = écart-type X = une valeur quelconque de la variable aléatoire
11 La Loi Normale Slide 11 1 f ( x) = e 2 2πσ 1 2 ( x µ ) 2 σ 2 Characteristiques de la loi Normale 1. Curbe en cloche et forme symmetrique f(x) 2. Point d inflection à une distance d un écarttype de la moyenne µ-σ µ µ+σ X
12 Loi Normale Standardisée Slide 12 F(z) La loi normale peut être transformée en une distribution de moyenne = 0 et de variance = 1 par: Z = X µ σ ~ N(0,1) 0 Z E( Z) Var ( Z ) x µ = E σ x µ = Var σ 1 E x µ σ 1 E x E µ σ = ( ) = ( ) ( ) ( ) 1 Var x µ 2 σ = ( ) = ( ) ( ) 1 Var x Var µ 2 σ 1 = µ µ = 0 σ = 1 σ = σ
13 Table de la Normale Standardisée Slide 13 Les entrées dans le tableau donnent l'aire sous la courbe entre la moyenne (0) et Z. Par exemple, pour z = 1,15 l'aire sous la courbe comprise entre 0 et 1,15 (la probabilité d'avoir une valeur de z comprise entre 0 et 1,15) est 0,3749
14 Une Propriété de la Loi Normale Slide 14 La combinaison linéaire de variables aléatoires normales indépendantes est encore une variable aléatoire normale 2 ( ) X ~ N µ, σ i=1,2,,n a 1, a 2,, a n n i = 1 i i i 2 ( ) ax ~ N µσ, i i with: n µ = aiµ i i = 1 σ n = aiσ i i = 1
15 La variable aléatoire du Chi-deux Slide 15 La somme Y de g v.a. normales standardisées indépendantes au carré est une variable aléatoire continue appelé Chi-deux avec g degrés de liberté : si Z i ~ N(0,1) alors Y = Z i 2 ~ g i=1 2 χ g ( )
16 Loi du Chi-deux Slide 16
17 La variable aléatoire de Fisher-Snedecor Slide 17 Le rapport entre deux variables aléatoires Chi-deux indépendantes divisées par les degrés de liberté correspondants, est défini comme Loi de Fisher-Snedecor : 2 Y 1 ~ χ g ( ) 2 Y 2 ~ χ g 1 ( ) 2 F g g F = Y g 1 1~ ( 1, 2) Y 2 g 2
18 La loi de Fisher-Snedecor Slide 18 Giorgio Russolillo STA102
19 La loi de Student Slide 19 Le rapport entre une v.a. normale standardisée et une v.a. du Chideux (avec g degrés de liberté) indépendantes, suit une loi T de Student : Z ~ N(0,1) T = Z Y ~ T ( g) Y ~ χ g 2 ( ) g
20 The Student s t distribution Slide
21 Slide 21 Inférence
22 Inférence Statistique Paramètres inconnus Pop On utilise l information donnée par l échantillon pour induire information sur la population estimation Tirage aléatoire E Statistiques observées Estimation Ponctuelle et par intervalles Test d hypothèses
23 Estimation ponctuelle et pas intervalles Slide 23 Estimation Ponctuelle Une valeur unique est utilisée pour estimer un paramètre inconnu de la population Par Intervalles de confiance Un intervalle de valeurs est utilisée pour estimer un paramètre inconnu de la population
24 Estimateur et Estimation Slide 24 Estimateur: T n est une v.a. car il est fonction des éléments d une échantillon aléatoire (X 1, X 2,, X n ), de taille n, i.e. n v.a. i.i.d. Estimation: est une valeur, i.e. la réalisation de T n pour un échantillon spécifique (x 1, x 2,, x n ).
25 Loi d échantillonage Slide 25 La loi d'échantillonnage d'une statistique est la distribution de cette statistique, considérée comme une variable aléatoire, issue d'un échantillon aléatoire de taille n.
26 Théorème Centrale Limite Soit X 1, X 2,..., X n un ensemble de variables aléatoires, indépendantes et identiquement distribuées (cette deuxième condition n est pas toujours nécessaire) de variance finie. Soit X n = X 1 + X 2 + n + X n lorsque n, X n ~ N Donc Z n = X n E X n Var X n ( ) ( ) ~ N(0,1)
27 Slide 27 Propriétés des estimateurs ponctuels
28 Estimateur non biaisé Slide 28 Biais Etant donné estimateur T n du parametre Θ, nous disons que T n n est pas biaisé si: E ( T ) = θ n Le biais est défini comme: D = E ( T ) θ n
29 Variabilité d un estimateur Slide 29 On measure la variabilité des estimations par l Erreur Quadratique Moyen (MSE): MSE ( T ) = Var ( T ) + D 2 Si l estimateur est sans biais, MSE = var(t)
30 Efficacité d un estimateur Slide 30 Borne de Fréchet-Darmois-Cramér-Rao L'inverse de l'information de Fisher d'un paramètre θ, est une borne inférieure de la variance d'un estimateur (T) sans biais de ce paramètre. var T ' ) ( ) ( n E # * )! $ logf ( x;θ )& " θ % 2 + ), - ) 1 Dans certains cas, aucun estimateur non biaisé n'atteint la borne inférieure
31 Convergence (Consistance) d un estimateur Slide 31 L estimateur T n est un estimateur consistant pour θ s il converge en propabilité vers θ lorsque n tend vers l infini: plim n ( ) = θ T n Une condition suffisent (mais pas nécessaire), parce que T n soit a un estimateur consistant (ou convergent) de θ, est que T n soit asymptotiquement non biaisé et que sa variance tend à 0 lorsque n tend vers l infini: lim n ( ) = θ Var ( Tn ) E T n lim = 0 n Autrement dit, MSE tend à 0 lorsque n tends vers l infini : ( ) lim EQM MSE T n = 0 n
32 Slide 32 Méthodes d estimation
33 Méthode des moindres carrés Slide 33 Considérons une v.a. X, avec une moyenne µ, définie sur la population dés la quelle un échantillon aléatoire (X 1,, X n ) est tiré. Chaque unité d'échantillonnage peut être considérée comme une somme d'une composante fixe, µ, et une composante aléatoire e i : X i = µ + e i Une méthode qui permet de construire un estimateur pour µ consiste à choisir une fonction de l'échantillon qui minimise e i ou, plus exactement, la somme de leurs carrés: S n ( µ ) ( X ) 2 i µ = = i = 1 min
34 Propriétés des estimateurs des moindres carrés Slide 34 Les estimateurs construits par la méthode des moindre carrés sont: à BLUE (Best Linear Unbiased Estimators) à Convergents à Asymptotiquement Normales Ce méthode de construction des estimateurs ne demande pas d hypothèses sur la loi de la population
35 La vraisemblance Slide 35 X=(X 1, X 2,, X n ) est un vecteur de n v.a. independentes tirées d une loi décrite par la fonction de densité f(x;θ) à La loi de l échantillon aléatoire est : f ( x;θ ) = f ( x, x,, x ;θ ) = f ( x ;θ ) f ( x ;θ ) f ( x ;θ ) 1 2 n 1 2 n Fonction de X, θ fixé à La fonction de vraisemblance est : L ( θ;x) = f ( x, x,, x ;θ ) = f ( x ;θ ) f ( x ;θ ) f ( x ;θ ) 1 2 n 1 2 n Fonction de θ, l échantillon fixé
36 Méthode du maximum de vraisemblance (MV) Slide 36 Le principe de base de cette méthode est la suivante: parmi toutes les valeurs possibles de θ, on préfère celui qui correspond à la probabilité la plus élevée (maximum de vraisemblance) d'avoir tiré les données observées. x 1 x 3 x x 2 x 5 x 4 X m A m B m C m D L estimation du maximum de vraisemblance recherche les valeurs des paramètres qui sont les plus susceptibles d'avoir produit la loi observée. ˆθ ML = max θ { logl(θ;x 1,..., x n )}
37 Propriétés des estimateurs de MV Slide 37 Les estimateurs du maximum de vraisemblance ont de propriétés asymptotiques optimaux : à Ils sont estimateurs suffisants : Pr(X T,Θ) = Pr(X T) c.à.d ils contiennent toutes les informations nécessaires pour calculer une estimation du paramètre Θ à Sous des conditions de régularité (normalement verifiées), ils sont convergents et asymptotiquement sans biais à Ils sont asymptotiquement normals : d T ML " N $ θ, 1 $ # I n % ' ( θ ) ' & Information de Fischer
38 Intervalle aléatoire et intervalle de confiance Slide 38 Soit X 1, X 2, X n un échantillon aléatoire de taille n; on cherche deux bornes B 1 =f (X 1, X 2, X n ) and B 2 =f (X 1, X 2, X n ) telles que définissent un intervalle aléatoire avec une probabilité 1-α pour le paramètre Θ Pr{ B 1 <θ < B 2 } =1 α Proba que l intervalle aléatoire [B 1 and B 2 ] contient Θ Soit x 1, x 2, x n un échantillon observé, alors b 1 =f (x 1, x 2, x n ) et b 2 =f (x 1, x 2, x n ) sont le réalisations de B 1 and B 2 IC 1 α :[ b 1 < θ < b ] 2 [b 1 ; b 2 ] est un intervalle de confiance de niveau 1-α N.B.:Pr{ b 1 < θ < b 2 } { 0,1}
39 Le niveau de confiance Slide 39 Le niveau de confiance est une mesure du degré de fiabilité de l intervalle. Sample Number Nous nous attendons que, en moyenne, le 100*(1-α)% des fois, l'intervalle de confiance contient la valeur du paramètre.
40 Test statistique Slide 40 Un test statistique est une règle de décision qui permet de décider si une hypothèse concernant la population (hypothèse nulle, H0) doit être rejetée en faveur d'une hypothèse alternative H1 ou pas. Nous supposons que la population suit une lois spécifique et nous souhaitons tester une hypothèse sur ces paramètres TEST PARAMETRIQUE On a pas d hypotheses sur la loi de la popolation TEST NON PARAMETRIQUE
41 Test statistique Slide 41 La définition de la règle de décision pour le choix entre H0 et H1 (selon la preuve empirique) est basée sur : à une statistique de test T, qui est une fonction de l échantillon aléatoire à Une région critique R, définit un sous-ensemble de valeurs pour les statistiques de test qui nous conduit à un rejet de l'hypothèse nulle Si la réalisation de la statistique de test appartient à la région critique on rejet H 0 : T R θ Θ 0
42 Région critique Slide 42 Région critique pour un test unilateral : H : θ = θ H 0 1 : θ > θ 0 0 Région d acceptation A Région critique R Région critique pour un test bilateral : H H 0 1 : θ = θ : θ θ 0 0 Région critique R Valeur critique Espace des valeurs possibles pour le paramètre Région d acceptation A Région critique R Valeur critique
43 Test d hypothèse et erreurs Slide 43 La réalisation de la statistique de test (et donc la décision finale) depend de l échantillon : c est une décision aléatoire L une des deux hypothèses est vrai.. Laquelle? On a besoin d une règle de décision qui minimise le risque de se tromper.. Lequel? H 0 n est pas rejetée Realité H 0 True H 0 False Pas d erreur Erreur de Type II P[T R θ Θ 0 ] = 1 α P[T R θ Θ 1 ] = β Décision H 0 est rejetée Erreur de Type I P[T R θ Θ 0 ] = α Pas d erreur P[T R θ Θ 1 ] = 1 β
44 Niveau de signification et puissance du test Slide 44 Le niveau de signification (alpha) est la probabilité d'erreur de type I, à savoir la probabilité de rejeter H0 lorsque elle est en effet vraie P[T R θ Θ 0 ] = α La puissance d'un test est la probabilité de prendre la bonne décision en rejetant l'hypothèse nulle P[T R θ Θ 1 ] =1 β
45 Les etapes de la procedure classique Slide Nous définissons les hypothèses nulle (H0) et alternative (H1); 2. Nous fixons l'erreur de type I (α); 3. Nous choisissons la statistique de test; 4. Nous définissons la règle de décision et calculons le seuil (par exemple, v) associé à α; 5. Nous tirons l'échantillon; 6. Nous calculons la valeur de la statistique de test et comparons sa valeur au seuil (v); 7. L'hypothèse nulle est acceptée ou rejetée avec une certain probabilité de faire une erreur.
46 La procedure classique Slide 46 H 0 est rejetée Loi de la statistique sous H 0 Valeur observée de la statistique Loi de la statistique sous H 1 µ 0 v t µ 1 Région d acceptation Région de rejet
47 La procedure classique Slide 47 H 0 n est pas rejetée Loi de la statistique sous H 0 Valeur observée de la statistique Loi de la statistique sous H 1 µ 0 t v µ 1 Région d acceptation Région de rejet
48 La procedure classique Slide 48 Decision rule: if l hypothèse nulle n est pas rejetée if T < v T > v l hypothèse nulle est rejetée β = P ( X < ) α = P ( X > ) v H 1 v H 0 Distribution of test statistic under H 0 Distribution of test statistic under H 1 1 α 1 β µ 0 v µ 1 Region of acceptance of H 0 Region of rejection of H 0
49 L approche de la P-valeur Slide 49 La p-valeur (en anglais p-value) est la probabilité d'obtenir la même valeur (ou une valeur encore plus extrême) du test si l'hypothèse nulle était vraie. LaP-valeur est une mesure de la consistance entre H0 et les données observées. Règle de décision: si la p-valeur α l hypothese nulle n est pas rejetée si la p-valeur α l hypothese nulle est rejetée H 0 1 α ( ) α = P T > v H 0 ( ) P valeur = P T > t H 0 µ 0 v t µ 1 Region of acceptance of H 0 Region of rejection of H 0
Introduction 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 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 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 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 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 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 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 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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailTests 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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailIntroduction à 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 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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCours 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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 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 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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en 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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en 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 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 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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 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 détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
Plus en 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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
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 détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en 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 détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailAu-delà du coalescent : quels modèles pour expliquer la di
Au-delà du coalescent : quels modèles pour expliquer la diversité génétique? LPMA, Université Paris 6, CMAP Polytechnique 13 octobre 2009 A partir de travaux conjoints avec N. Berestycki, V. Limic, J.
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détail