Analyse de données et méthodes numériques
|
|
- Laurent Germain
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés?
2 Analyse de données et méthodes numériques Méthodes numériques: Calcul numérique d une intégrale Équations différentielles Ajustement de données à un modèle/loi: méthode des moindres carrées, fit
3 Chap 1: les outils statistiques pour l analyse de données
4 Pourquoi une description statistique des données? Mesures physiques -> différentes mesures pour une valeur «vraie»!!! Quel résultat donné? Valeur de référence + précision (plutôt précision qu erreur) X 0 ± X 0
5 Approche statistique des erreurs : M = ± 0.03 g m = 3.82 ± 0.05 g r = (3.08 ± 0.02) 10-5 m F =? ±? F = g Mm r 2 Pile ou Face 100 tirages 55 P, 45 F Probabilité, biais de tirages? Désintégration radioactive 72 cps/s, 85 cps/s, durée de vie?
6 Types de données: Données mesures information significative représentation des données graphes, histogrammes statistique descriptive 2 types de données : - non numériques : qualitatives - numériques : quantitatives nombres - données discrètes : entiers - données continues : réels arrondis! Ex : voitures sur une route : Couleur : qualitative, nombre de sièges : discrète, longueur : continue
7 Présentation des données: Histogrammes bi multidimensionnels graphes barres d'erreur statistique descriptive Choix du bining:
8 1/ Décrire les données: Soit une distribution de N éléments { x,x,..x } 1 2 N 1. Paramètres caractéristiques des valeurs centrales 2. Paramètres caractéristiques de dispersion 3. Paramètres de forme 4. Paramètres de concentration
9 Paramètres caractéristiques des valeurs centrales (1) Moyenne arithmétique: x = x = 1 N N x i i =1 Si la distribution est une fonction: f x ( ) : f = 1 N N i =1 f (x i ) Si on a un histogramme: x j -> canal j ->n j (Perte de précision) x = 1 N n j x j N j =1
10 Paramètres caractéristiques des valeurs centrales (2) Propriétés de la moyenne arithmétique: La somme pondérés des écarts à la moyenne est nulle La moyenne de N ( x i x ) = 0 i =1 vaut La moyenne n est pas toujours significative, elle est sensible aux valeurs extrêmes (notamment élevées) de la distribution, et aux valeurs aberrantes y = kx y = kx
11 Paramètres caractéristiques des valeurs centrales (3) Médiane: Point milieu des probabilités : autant en dessous qu'au dessus xmed p( x)dx = p( x)dx = xmed Si N impair : xmed = x N+1 / 2 Si N pair : xmed = [x N/2 + x N/2 +1 ] / 2 La médiane est moins sensible aux valeurs extrêmes et aberrantes
12 Paramètres caractéristiques des valeurs centrales (4) Le mode: Le mode est la valeur du paramètre dont la fréquence est la plus élevé. Si on a plusieurs pics de fréquences on parle de distribution multimodale. Il y a une relation entre moyenne-médiane-mode : Pour les distributions unimodales modérément asymétriques alors: (moyenne-mode) ~3 (moyenne-médiane) Pour une courbe symétrique : moyenne = médiane = mode
13
14 Paramètres caractéristiques des valeurs centrales (5) Les Fractiles: Les fractiles sont des caractères de position d une distribution. ex: les quartiles (Q 1, Q 2, Q 3 ) partagent la distribution des observations en 4 intervalles d effectifs égaux (le premier= 25% des effectifs), la médiane est donc Q 2. On a aussi les déciles (par tranche de 10%) et les centiles (tous les 1%)
15 Paramètres caractéristiques des valeurs centrales (6) Autres moyennes moyenne géométrique N x 1 x 2...x N moyenne harmonique 1 N x RMS (Root 1 x 2 x N mean Square):. x x x N 2 N
16 Paramètres caractéristiques de dispersion (1) La variance: C est la moyenne des carrées des écarts à la moyenne: V (x) = σ x 2 = 1 N V (x) = 1 N N 2 x i i=1 N ( x i x ) 2 = 1 N i=1 N i=1 x 2 = x 2 x 2 x i N N i=1 x N N x i=1 x i En pratique, la variance n est pas comparable à la moyenne car pas la même unité (carré), on lui préfère donc l écart type
17 Paramètres caractéristiques de dispersion (2) L écart type: σ x = V(x) = autre définition possible (non biaisé): σ x = L écart type possède la propriété: et σ y = k σ x 1 1 N N 1 N ( x i x ) 2 = x 2 x 2 N i =1 i =1 y = kx σ y 2 = k 2 σ x 2 ( x i x ) 2
18 Coefficient de variation Le Coefficient de variation (CV) est obtenu en divisant l écart type par la moyenne arithmétique. On peut l exprimer en pourcentage en le multipliant par 100. Il est indépendant de l unité de mesure de la caractéristique observée. Si la moyenne est négative, on prendra la valeur absolue de CV. Plus CV est faible, plus les données sont homogènes (concentrées autour de la moyenne), on peut donc considérer que la moyenne est bien représentative de l ensemble des données.
19 Paramètres caractéristiques de dispersion (3) Exemple: soit µ la valeur moyenne d un échantillon, et σ son écart type. Alors m est il une estimation correcte de µ. Pâquet de sucre de 1kg, σ=10g, tolérance de fabrication de ±2σ Échantillon de 985g -> ok Échantillon de 978g ->problème de production
20 Paramètres caractéristiques de dispersion (4) Etendue: C est l écart entre la plus élevée (le maximum) et la plus faible (le minimum) des valeurs observées. Ecart interquartile: C est l écart entre les 3eme et 1er quartiles, cela mesure la dispersion de la valeur centrale. La comparaison entre l écart interquartile et l étendue donne une idée de la dispersion des extrêmes. On l utilise souvent sous forme réduite c est à dire divisé par la valeur de la médiane afin d obtenir un indice sans dimension.
21 Paramètres caractéristiques de dispersion (5) Largeur à mi-hauteur (FWHM):
22 Paramètres caractéristiques de dispersion (6) Ecart moyen arithmétique: Moyenne arithmétique des écarts (en valeur absolue) entre les valeurs observées et la moyenne arithmétique. On l appelle aussi la déviation absolue moyenne e m = 1 N N i =1 x i x
23 Paramètres de forme (1) Caractérise la forme d une distribution Moment statistique d ordre p d une série statistique Le moment d ordre 2 est la variance! L asymétrie (skew) : c est le premier coefficient de Fisher (δ): µ p = 1 N Si les données sont symétriques δ=0 Si étalement à gauche (faible valeur) δ<0, étalement à droite δ>0 Rem : δ (moyenne - mode ) / σ (Pearson) N i =1 ( x i x ) p δ = µ 3 σ = µ 3 3 (µ 2 ) 3 2 x
24 Paramètres de forme (2) aplatissement: c est le second coefficient de Fisher (a): a = µ 4 σ 4 = µ 4 (µ 2 ) 2 La valeur a=3 correspond à une morphologie de distribution gaussienne. Si c est plus aplatie que la distribution gaussienne alors a est significativement inférieur à 3 Si c est plus pointue qu une distribution gaussienne alors a est significativement supérieur à 3 Si étalement à gauche (faible valeur) δ<0, étalement à droite δ>0 On utilise plutot l aplatissement ou curtosis c: c = a 3 = µ 4 σ 4 3
25 Paramètres de forme (3) x
26 Décrire les données: Soit une distribution de N éléments à deux variables (x 1,y 1 ),(x 2,y 2 ),..(x N,y N ) { } 1. La covariance 2. Le coefficient de corrélation
27 La covariance La covariance est le paramètre le plus utilisé pour déterminer la dépendance entre plusieurs variables: Cov( x,y) = 1 N N ( x i x )( y i y ) = xy x.y i =1 Si x et y évoluent dans le même sens, la covariance est positive Si x et y évoluent dans des sens différents, la covariance est négative S il n y a pas de corrélation, la covariance sera nulle
28 Le coefficient de corrélation(1) Le coefficient de corrélation est non dimensionné, il se définit comme: Il est compris entre -1 et 1 ρ 0 pas de corrélation ρ 1 si ρ -1 si x > x y > y x > x y < y Si on a plus de deux variables, même principe:matrice de covarience et matrice de corrélation ρ = Cov x,y ( ) σ x.σ y = xy x.y σ x.σ y
29 Ex : - poids - taille Cov > 0 - poids - endurance : Cov < 0 - poids - QI : Cov 0 Rem : Covariance dimensionnée coef de corrélation non dimensionné poids. taille kg. Cm Extension à + de 2 variables : matrice de covariance, matrice de corrélation
30 Chap 2: les distributions théoriques
31 Pourquoi modéliser les distributions? La modélisation de la distribution permet: Représenter des données même si on a «peu» de mesures (faible statistique) représenter la distribution à l aide d un nombre réduit de paramètres Fournir une explication physique aux fluctuations constatées Ici, phénomènes statiques indépendants du temps (sinon traitement du signal)
32 les distributions théoriques 1. Variable aléatoire a) Définition b) Fonction de répartition c) Densité de probabilité d) Espérance mathématique e) Variance écart-type 2. Distributions classiques: a) Loi uniforme b) Loi exponentielle c) Loi normale d) Loi binomiale e) Loi de poisson f) Variable statistique et variable aléatoire
33 Variable aléatoire (1) Définition: Une variable aléatoire est une variable qui peut prendre différentes valeurs à la suite d un processus lié au hasard. Elle est entièrement caractérisée si on connaît les probabilités affectées à chacune des valeurs possibles. Ex: desintégration d un échantillon radioactif: variable aléatoire= nombre entier entre 0 et l infini de probabilité connues (loi de poisson) correspondant au temps de désintégration
34 Variable aléatoire (2) Fonction de répartition: F(x) C est la probabilité de l événement aléatoire X x, X étant une variable aléatoire continue F( x) = P ("X x" ) La fonction de répartition est une fonction positive croissante jusqu à 1 (de 0 à 100%)
35 Variable aléatoire (3) Densité de propabilité: f(x) C est la dérivé de F(x): f x et ( ) = df( x) dx F x x ( ) = f t ( )dt La densité de probabilité est la probabilité que la variable aléatoire X prenne une valeur dans l intervalle x,x + dx [ [ P ("x X < x + dx" ) = f ( x)dx
36 Variable aléatoire (4) Experance mathématique: E(X) C est la moyenne des valeurs que peut prendre la variable X, chacune des valeurs étant pondérée par sa probabilité E X ( ) = xf x ( )dx La moyenne d un grand nombre d observations de X permet d estimer E(X). L espérance est un indicateur de tendance centrale de la variable. L espérance d une distribution est l équivalent du terme de «moyenne» pour des données +
37 Variable aléatoire (5) Variance et écart-type: ( ) = E X E( X) V X [( ) 2 ] + = ( x E( X) ) 2 f x ( )dx La racine carré de la variance est l écart type. La variance caractérise la dispersion de la variable autour de l espérance. L écart type est une grandeur de même nature physique que X et s exprime donc dans les mêmes unités
38 Loi de distributions classiques (1) La loi Uniforme: ex: dé: même proba de tomber sur une face (a=0, b=6) La densité de probabilité est définit comme: f ( x) = 0 1 b a ( ) 0 si x < a a x b x > b On a alors: E( X) = ( a + b) 2 V( X) = ( b a) 2 12 Densité de probabilité fonction de répartition
39 Loi de distributions classiques (2) La loi exponentielle: Dépend d un unique paramètre λ La densité de probabilité et la fonction de répartition sont définies comme (x>0): f x ( ) = P(x;λ) = λ.exp λx ( ) On a alors: F x ( ) = 1 exp λx ( ) La loi exponentielle est assez bien adaptée pour représenter la durée de vie des composants électroniques -> theorie de fiabilités,maintenance des systèmes inductriels E x ( ) = 1 λ V( x) = 1 λ 2
40 Loi de distributions classiques (3) Densité de probabilité fonction de répartition
41 Un domaine privilégié de la loi exponentielle est le domaine de la radioactivité (Rutherford et Soddy). Chaque atome radioactif possède une durée de vie qui suit une loi exponentielle. Le paramètre λ s'appelle alors la constante de désintégration. La durée de vie moyenne 1/ λ s'appelle le temps caractéristique. La médiane ln(2)/ λ correspond au temps T nécessaire pour que la population passe à 50% de sa population initiale et s'appelle la demi-vie ou période. La loi exponentielle est une loi assez bien adaptée pour représenter la durée de vie des composants électroniques. Elle est très utilisée en théorie de la fiabilité et application à la maintenance des systèmes industriels.
42 Loi de distributions classiques (4) La loi normale (gaussienne): Dépend de deux paramètres µ et σ. La densité de probabilité est définie comme f ( x) = 1 σ 2π exp x µ ( ) 2 2σ 2 Le paramètre µ est l espérance mathématique et σ est l écart-type, la variance s écrivant : V(x)= σ 2 La loi normale centrée réduite (ou loi de Laplace-Gauss) correspond à µ =0 et σ =1
43 Loi de distributions classiques (5) Densité de probabilité fonction de répartition
44 Loi de distributions classiques (6) La fonction de répartition de la loi normale n a pas de forme analytique, elle se calcule numériquement et existe sous forme de tableau x = µ ±σ 68.3% x = µ ± 2σ 95.4% x = µ ± 3σ 99.7% 90% ±1.645σ 99% ±2.576σ
45 Loi de distributions classiques (12) La loi Binomiale: Que deux résultats possibles (vrai ou faux, face ou pile ) avec une probabilité de succès p et une probabilité d échec q=1-p. Si on a n essais, la probabilité de r succès est: 2 n permutations succès/echecs Sélection de r parmi n C r n = n! r! ( n r)! R succès de probabilité p et (n-r) échecs de probabilité (1-p) D où la densité de probabilité suivante: f (r; p,n) = p r ( 1 p) n r n! r! ( n r)! = p n! r q n r r! ( n r)!
46 Loi de distributions classiques (13) La loi Binomiale: L espérance mathématique est donc: E( r)=np La variance et l écart type: V( r) = np( 1 p) = npq σ = npq Lorsque n inf et que p 0 avec np = a, la loi binomiale converge vers une loi de Poisson de paramètre a. En pratique, on remplace la loi binomiale par une loi de Poisson dès que n > 30 et np < 5 ou dès que n > 50 et p < 0.1. Lorsque n inf et que p q 0.5, la loi binomiale converge vers une loi normale d'espérance np et de variance npq. En pratique, on remplace une loi binomiale par une loi normale dès que n > 30, np > 5 et nq > 5
47 Densité de probabilité fonction de répartition
48 Loi de distributions classiques (16) La distribution de Poisson: La distribution de poisson correspond au comportement attendu pour les évènements rares et un nombre d essai non défini. Elle correspond à l évolution de la distribution binomiale si n augmente et p diminue. La densité de probabilité d avoir r événement pour une moyenne espérée de λ est définie par: Moyenne λ, variance V( r)= λ et écart-type P( r;λ) = e λ.λ r r! σ = λ
49 Loi de distributions classiques (17) La distribution de Poisson: Nombre d essais non défini, évènements rares Exemple : - pic étroit sur un continuum events rares - éclairs pendant un orage - Désintégration/Création de particules rares Pour λ<1, mode=0 La moyenne = λ différente du mode λ -1 La distribution de Poisson est plus large que la distribution binomiale La distribution de poisson présente une queue à droite
50 Loi de distributions classiques (18)
51 Variable statistique/aléatoire Une variable statistique est constituée par une série d observations d une même grandeur. Une variable aléatoire est un concept mathématique, issu de la théorie des probabilités. C est un moyen commode de représenter, de modéliser la réalité dans un certain nombre de situations, par exemple une variable statistique. Variable statistique Fréquences Moyenne Médiane Variance empirique Ecart-type empirique Histogramme de fréquences Courbe de fréquences cumulées Variable aléatoire Probabilités Espérance mathématique Médiane Variance Ecart-type Densité de probabilité Fonction de répartition
3. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
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 détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
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 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 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 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 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 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 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 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 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 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 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 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 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 détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
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 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 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 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 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 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 détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
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 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 détailSTATISTIQUES DESCRIPTIVES
1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif
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 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 détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
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 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
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 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 détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
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 détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
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 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 détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailStatistique descriptive. Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne. Notes de cours
Statistique descriptive Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne Notes de cours Dernière mise à jour le mercredi 25 février 2009 1 ère année de Licence Aix & Marseille
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 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 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 - Cours. 1. Gén éralités. 2. Statistique descriptive univari ée. 3. Statistique descriptive bivariée. 4. Régression orthogonale dans R².
Statistiques - Cours Page 1 L I C E N C E S c i e n t i f i q u e Cours Henri IMMEDIATO S t a t i s t i q u e s 1 Gén éralités Statistique descriptive univari ée 1 Repr é s e n t a t i o n g r a p h i
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
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 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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
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 détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 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 détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
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 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 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 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 détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
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 détail