MTH 2301 Méthodes statistiques en ingénierie
|
|
- Anne-Sophie Laurent
- il y a 8 ans
- Total affichages :
Transcription
1 Chapitre 7 - ests d hypothèses Lexique anglais - français Constats - terminologie - onepts de base tests ests onernant une moyenne - variane onnue - variane inonnue - ourbe aratéristique - n =? est de Shapiro-Wilk : distribution gaussienne? ests onernant moyennes : - varianes inonnues égales - ourbes aratéristiques - n =? - varianes inonnues inégales - éhantillons appariés (dépendants) ests onernant les varianes: une variane / varianes Lexique anglais français null hypothesis. hypothèse nulle ( prinipale) alternative hypothesis.. ontre-hypothèse signifiane level seuil de signifiation ritial region région ritique type I error faute (erreur) de type I type II error.. faute (erreur) de type II one-tailed test. test unilatéral two-tailed test test bilatéral OC (Operating Charateristi) urve.... ourbe d effiaité (aratéristique) paired samples. éhantillons apprariés (pairés) hors programme 7.4 ( 1 binomiale) 7.5 ( binomiales) 7.7 (non paramétrique) onstats - terminologie onepts de base prendre des déisions à l aide de données éhantillonnales provenant d observations passives ou de données expérimentales: - appareils de mesure ont-ils la même justesse /préision? - traitement anti orrosion réduit il la rouille de 5% après 4 ans? - un type de boulon peut-il être soumis à 1 yles de tension-ompression sans se rompre par fatique? prendre une déision onjeture issue probabiliste formulation d une hypothèse statistique hypothèse statistique : affirmation onernant une population - vraie ou fausse - on dispose que de un seul éhantillon de taille n - risques (probabilités ) de mauvaises déisions: -- aepter une hypothèse fausse ( erreur de type II) -- rejeter une hypothèse vraie (erreur de type I) adopter une hypothèse : les données de l éhantillon n indiquent pas lairement que on ne doit pas l adopter réfuter une hypothèse : l éhantillon témoigne fortement ontre onstats - terminologie onepts de base Hypothèse nulle H : hypothèse à tester (mettre à l épreuve) Contre hypothèse H 1 : seule affirmation sensée lorsque que H est fausse H est toujours formulée en termes d une valeur exate du paramètre statistique à tester - exemple : H : µ = 1 H 1 prévoit toujours un ensemble de valeurs : ex. H 1 : µ < 1 test statistique : est définie par une région ritique d une statistique (fontion des données) qui onduit au rejet de H Région d aeptation Région ritique : > erreur de type I : réfuter l hypothèse nulle H alors qu elle est vraie erreur de type II : adopter (ne pas rejeter) H alors qu elle fausse seuil (niveau) de signifiation : la probabilité de ommettre erreur type I
2 onstats - terminologie onepts de base SA H DÉCISION VRAIE FASSE REJE DE H erreur type I pas d erreur LES DÉCISIONS SAISIQES La statistique n est pas une disipline qui permet de déider de la vérité ou de la fausseté des questions qu elle examine : est plutôt une siene du omportement rationnel qui fournit des règles de onduite pratiques dans des situations d inertitude. NON REJE H pas d erreur erreur type II ne hypothèse partiulière est délarée vraie : sur la base de données disponibles vous pouvez la tenir vraie jusqu à preuve du ontraire. Risque de type I = P ( erreur type I ) = α Risque de type II = P ( erreur type II ) = β LA DÉCISION ES BASÉE SR DES OBSERVAIONS i LE SA RÉEL DE H N ES JAMAIS CONN β ES NE FONCION CORBE D EFFICACIÉ ne hypothèse partiulière est délarée fausse : sur la base de données disponibles vous ne pouvez pas la tenir pour vraie. Mais dans les deux as, vous aurez raison en moyenne, dix neuf fois sur, (95%), ou n importe quel niveau de onfiane ou niveau de risque (=1- niveau de onfiane) que l on se fixe d avane. En moyenne vos onlusions seront don bonnes, mais on ne pourra jamais savoir si une déision partiulière est bonne Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) GASS N ( µ, ) / n H : µ = µ vs H 1 : µ > µ 1,,, n : éhantillon de = i / n : moyenne éhantillonnale si H est vraie µ = µ = ( µ ) / ( / n ) ~ N (, 1) Exemple 1 : un aier d un alliage spéial a une tension de rupture (psi) dont la moyenne est de 58 ave un éart type de 3. n hangement dans la omposition de l alliage devrait augmenter la tension moyenne sans hanger l éart type. Si le nouvel alliage ne produit auun hangement on voudrait pouvoir le dire ave une probabilité de.99. Par ontre, si la tension moyenne est augmentée de 5, on veut que le risque de ne pas le déteter soit.1 Questions (a) définir l hypothèse nulle, la ontre hypothèse, le seuil du test, le risque de type II. (b) Poser les équations définissant les risques de type I et de type II; résoudre afin de trouver la taille de l éhantillon à prélever et déterminer la région ritique du test. () n éhantillon de 19 observations a donné une moyenne de 597. Le nouvel alliage est-il supérieur? α µ z 1 - α z =1 Région ritique : rejeter H si > =? P ( rejeter H quand elle est vraie ) = α P ( > ) = P ( - µ > - µ ) = P ( µ ) ( - µ ) > / n / n = P ( > z ) = α z =( -µ )/ / n = z 1-α = µ + z 1-α ( / n ) 7-7 Solution (a)-(b) Région ritique > / n β = 3 α µ = 58 H µ 1 = = 65 H 1 : µ > µ ( unilatérale ) P( erreur type I ) = P ( > ) = α =.1 P( erreur type II ) = P ( < ) = β =.1 7-8
3 Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Solution (a)-(b) P ( > si µ = 58) = α =.1 (1) P ( < si µ = 65) = β =.1 () équations ave inonnus : n et n = ( z.99 + z.9 ) / ( 65 58) = ( ) ( 3 / 5 ) = = * 3 / (19).5 = ( ) puisque x = 597 > = on rejette H Solution (a)-(b) Région ritique > / n = 3 µ = 58 H µ 1 = = 65 H 1 P( erreur type I ) = P ( > ) = α =.1 P( erreur type II ) = P ( < ) = β =.1 β α Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) Définition: Courbe d effiaité (aratéristique) du test probabilité d aepter H en fontion de la moyenne µ de la population β ( µ ) = P ( < =µ + z 1-α ( / n) µ) = P [( -µ)/ / n < z 1-α +(µ - µ) / / n] = Φ (z 1-α + δ n) ( * ) dépend de α, n, δ où δ = (µ - µ) / : paramètre de non entralité graphiques : page 7-11 ave α =.5,.1 / n = 1,,3, / -1 δ 3 Calul de n : on veut que β ( µ 1 )= β pour une valeur partiulière µ 1 de µ n = ( z 1-α + z 1- β ) / (µ 1 µ ) - Exemple : voir page 7-9 ave α =.1 β =.1 = 3 µ = 58 µ 1 = 65 Exemple : alul de la fontion d effiaité µ = µ β ave la formule ( * ) i haut Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : unilatéral Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) type de la CONRE HYPOHÈSE : unilatérale ou bilatérale Exemple 1 ( page 7-8) : ontre hypothèse H 1 : µ > µ unilatéral droite ( as 1 ) autres as H 1 : µ < µ unitatéral gauhe ( as ) Formules H 1 : µ µ bilatéral ( as 3 ) Cas rejeter H si x < = µ - z 1-α ( / n ) note : - z 1-α = z α n= ( z 1-α + z 1- β ) / (µ 1 µ ) - β( µ ) = Φ (z 1-α - δ n) δ = (µ -µ) / Cas 3 rejeter H si x < 1 = µ - z 1-α/ ( / n ) ou si x > = µ + z 1-α/ ( / n ) région ritique bilatérale équivalent à : rejeter H si x - µ / / n > z 1-α/ n = ( z 1-α/ + z 1- β ) / (µ 1 µ ) β( µ ) = Φ (z 1-α/ - δ n) +Φ (z 1-α/ - δ n)
4 Cas A : test moyenne µ - population gaussienne - variane onnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : bilatéral Cas B : test moyenne µ - population N ( µ, ) variane inonnue Si est inonnue : on en fait l estimation ave la variane éhantillonnale s S = ( i ) / ( n - 1 ) et utilise la statistique de Student en plae de Les as sont résumés dans le tableau. Hypothèse nulle Statistique pour le test Contre hypothèse (alternative) Critère de rejet H N : µ = µ onnue x = µ n H A : µ µ H A : µ > µ H A : µ < µ > z 1 α > z 1 α < z1 α H N : µ = µ inonnue = x µ s n H A : µ µ H A : µ > µ H A : µ < µ > t n 1, 1 α > tn 1, 1 α < tn 1, 1 α 7-13 Remarque : le test est employé pour le as de différenes appariées ( éhantillons dépendants) ave xi = x1i xi 7-14 Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : unilatéral Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) ourbe d effiaité (aratéristique) du test : bilatéral
5 Cas B : test moyenne µ - population gaussienne - variane inonnue ~ N ( µ, ) Exemple : étiquette sur un ontenant 4 litres de peinture ouvre 35 pi. a en moyenne dans des onditions normales d utilisation. Vous testez 6 ontenants ave les résultats suivants : 35, 85, 31, 3, 8, 9. ( a ) estez H : µ = 35 vs H 1 : µ < 35 au seuil α =.5 ( b ) aluler le nombre d observations néessaire pour déteter un éart de moyenne de 1 pi. ar. ave un risque de type de.1 Solution : ( a ) n = 6 x = 95 s = 11.83, 5 = ( ) / = < - t 5,.95 = -.15 H est rejetée ( b ) δ = 1 / =.84 noté d dans l annexe L-3 (page 55) on obtient une valeur de n = 15 Cas C : test d ajustement à une loi gaussienne - proédure de Shapiro-Wilk B : vérifier si une série de données x 1, x, x 3,,,,,, x n provient d une population distribué selon une loi gaussienne. H : ~ N ( µ, ) vs H 1 : ~ loi non gaussienne Plusieurs tests : Khi, Kolmogorov-Smirnov ( D ), Lilifors, Shapiro-Wilk. ( W ) Statistique W du test de Shapiro-Wilk : W = [ a n, i x ( i ) ] / [ ( x i -x ) ] a n, i oeffiients spéiaux ( table non disponible dans le manuel du ours ). La statistique W mesure la orrélation entre la série ordonnée des observations et les quantiles théoriques d une loi N(,1 )..7 W 1 Déision : rejeter H si W est petite Mise en oeuvre ave le logiiel Statistia : p-value = P( W < W alulée ) Si le p-value est petite (disons inférieure à.5 ) on rejette loi gaussienne omme modèle aeptable pour les observations. Exemple 3 : OHM p. 37, 43 n = 1 : W alulée =.85 et P ( W.85) =.6 = p-value 7-17 on ne rejette pas la loi gaussienne pour es données Exemple 3 : graphique quantile quantile W =.85 et P ( W.85) =.6 = p-value Cas D : test d égalité de moyennes Quantile-Quantile Plot of E3_Y (h7.sta 1v*5) Distribution: Normal E3_Y = *x GASS ~ N ( µ, ) Y ~ N ( µ Y, Y ) GASS Y Observed Value µ 1 µ Y ,,, n1 éhantillons indépendants Y 1, Y,, Y n = i / n moyennes Y = Y 1 i / n H : µ = µ Y heoretial Quantile as 1 : varianes onnues Cas : varianes inonnues Cas 3 : éhantillons appariés ableau page
6 Cas D : tests d égalité de moyennes Hypothèse nulle H N Statistique pour le test Contre hypothèse ( x x H N : µ 1 µ = 1 = 1, onnues 1 + n1 n H N : µ 1 µ = 1 = = inonnue ( x x ) ) H A : µ 1 µ H A : µ 1 µ > 1 = H A : µ 1 µ 1 1 S P + n1 n H A : µ 1 µ > ( n1 S1 + ( n S S p = n H A : µ 1 µ < 1 + n ( x H : µ 1 µ = 1 x ) N = S 1 S 1 + n1 n inonnues inégales a = s1 n1, b = s n ( a + b) ν = a ( n1 + b ( n H A : µ 1 µ H A : µ 1 µ < H A : µ 1 µ > H A : µ 1 µ < > z 1 α > z 1 α Critère de rejet z < 1 α > t ν, 1 α > t n 1 + n, 1 α < t n 1 + n, 1 α > t n 1+ n,1 α t > ν, 1 α < tν, 1 α 7-1 Exemple 4 : aluler un intervalle de onfiane ave oeffiient de onfiane.95 pour la différene de vie ( heures ) moyenne de deux types ( et Y) d ampoules életriques à l aide des informations suivantes : : n 1 = 16 = 18 = 15 Y : n = 9 Y = 81 Y = 97 Intervalle de onfiane ave oeffiient de onfiane.95 µ -µ Y : ± 1.96 ( 18 / / 9 ).5 = 8 ± 8.1 = ( -.1, 16.9 ) Question : les ampoules de type durent - elles ( en moyenne ) plus longtemps que les ampoules de type Y? Solution ave un test d hypothèse : bilatéral - varianes onnues - alpha =.5 = ( ) / ( 18 / / 9 ).5 = 8 / =1.91 < 1.96 = z.975 la durée moyenne ampoules type n est pas différente de la durée moyenne des ampoules de type Y 7 - différene entre moyennes ave varianes inonnues égales Exemple 5 : OHM p. 45, 47 ex.7.19 omparaison de l épaisseur à heure x et heure y GASS ~ N ( µ, ) Y ~ N ( µ Y, ) GASS Heure x : Heure y : Solution : ave Statistia / module Basi Statistis and ables / - test independent ,,, n1 = i / n1 Résultat ( - Y ) - ( µ -µ Y ) µ µ Y S p 1/ n1 + 1 / n.4.. éhantillons indépendants moyennes Y 1, Y,, Y n Y = Y i / n S = ( i ) / ( n1-1 ) varianes S Y = ( Y i Y) / ( n - 1 ) S p = [ ( n1-1 ) S + ( n 1) S Y ] / ( n1 + n -) pooled = ~ Student ave n1 + n - ddl 7-3 No of obs HERE: x HERE: y épaisseur n moy éart type Y est ave varianes inonnues et égales s p = 1. = ddl=58 p- value =.4 égalité moyennes rejetée 7-4
7 est d égalité de moyennes : éhantillons appariés dépendants Contexte : lorsque les séries de mesures proviennent des mêmes unités expérimentales. Par exemple, lorsque que l on fait une omparaison AVAN-APRÈS : : x 1, x,, x n mesures avant sur n unités expérimentales Y : y 1, y,, y n mesures après sur les mêmes unités expérimentales l indépendane des éhantillons n est vérifiée ar les mêmes unités expérimentales sont utilisées pour faire la omparaison. Le test est basé sur les différenes : D i = x i - y i i = 1,,, n Le problème est ramené à un test de la nullité d une moyenne ave variane inonnue. Remarque: il est important de reonnaître le as d éhantillons appariés dépendants afin d exéuter le bon test tel que dérit à la page 7-1 ( observations ouplées) Exemple 6 : OHM ex. 7.6 p omposants életroniques sont testés à niveau de température : N et E N : normale ( degrés C) E: élevée ( 1 degrés C) ne mesure de qualité importante Y fut mesurée à es niveaux de température Composant : N (normale) : E (élevée) : D = Y N Y E : test : D =.61 s D =.39 = D / (s D / 15) = 6. > t 14,.995 =.977 On rejette l égalité des moyennes ave risque de type 1 de Cas E - test sur une variane H : = Exemple 7 : OHM ex p. 6 réf. table.1 p. 8 n = 75 données de poids donne s = (.11 ) =.1 test de H : =.15 vs H 1 : <.15 W = 74 (.1) /.15 = 5.3 p-value = P ( W 5.3 ) =.16 on rejette H si on utilise un risque de type I de Cas F - test d égalité de varianes H : = Y Courbes d effiaité du test Khi-deux Annexes L-5 /L Appliation : Calul de n Exemple 8 : OHM ex p. 64 n 1 = 16 s = 1.93 et n = 1 s Y = 1. test unilatéral F = 1.93 / 1. = 3.7 loi de Fisher ave ( 15, 9 ) ddl : F 15,9,.95 = 3.1 voir aussi : ourbes d effiaité du test F Annexe L-7 p
Comment évaluer la qualité d un résultat? Plan
Comment évaluer la qualité d un résultat? En sienes expérimentales, il n existe pas de mesures parfaites. Celles-i ne peuvent être qu entahées d erreurs plus ou moins importantes selon le protoole hoisi,
Plus en détailProduction statistique: passage d une démarche axée sur les domaines à une démarche axée sur les processus
Nations Unies Conseil éonomique et soial Distr. générale 31 mars 2015 Français Original: anglais ECE/CES/2015/26 Commission éonomique pour l Europe Conférene des statistiiens européens Soixante-troisième
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 détailNCCI : Calcul d'assemblages de pieds de poteaux encastrés
NCCI : Calul d'assemblages de pieds de poteaux enastrés Ce NCCI fournit les règles relatives au alul d'assemblages de pieds de poteaux enastrés. Ces règles se ontentent de ouvrir la oneption et le alul
Plus en détailLa protection différentielle dans les installations électriques basse tension
Juin 2001 La protetion différentielle dans les installations életriques basse tension Ce guide tehnique a pour objetif de mettre en évidene les prinipes de fontionnement des protetions différentielles
Plus en détailDocumentHumain. Confidentiel. Disposition de fin de vie
Confidentiel Disposition de fin de vie DoumentHumain Mes volontés juridiquement valables onernant ma vie, mes périodes de souffrane, les derniers moments de mon existene et ma mort Institut interdisiplinaire
Plus en détailMesures du coefficient adiabatique γ de l air
Mesures du oeffiient adiabatique γ de l air Introdution : γ est le rapport des apaités alorifiques massiques d un gaz : γ = p v Le gaz étudié est l air. La mesure de la haleur massique à pression onstante
Plus en détail3. Veuillez indiquer votre effectif total :
1 Métiers du marketing et de la ommuniation Questionnaire préalable d assurane Préambule Le présent questionnaire préalable d assurane Marketing et Communiation a pour objet de réunir des informations
Plus en détailChapitre IV- Induction électromagnétique
37 Chapitre IV- Indution életromagnétique IV.- Les lois de l indution IV..- L approhe de Faraday Jusqu à maintenant, nous nous sommes intéressés essentiellement à la réation d un hamp magnétique à partir
Plus en détailProfessionnels de l art by Hiscox Questionnaire préalable d assurance
Professionnels de l art by Hisox Questionnaire préalable d assurane Votre interlouteur: Buzz Assurane Servie lients - BP 105 83061 Toulon Cedex prodution@buzzassurane.om La ommunauté des olletionneurs
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 détailForme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités
1 RC Professionnelle by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Noms et adresses des filiales
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 détail1 Introduction à l effet Doppler.
Introdution à l effet Doppler Ph. Ribière ribierep@orange.fr Merredi 9 Novembre 2011 1 Introdution à l effet Doppler. Vous avez tous fait l expériene de l effet Doppler dans la rue, lorsqu une ambulane,
Plus en détailLE PENETROMETRE STATIQUE Essais CPT & CPTU
LE PENETROMETRE STATIQUE Essais CPT & CPTU Mesures Interprétations - Appliations Doument rédigé par des ingénieurs géotehniiens de GINGER CEBTP sous la diretion de : Mihel KHATIB Comité de releture : Claude-Jaques
Plus en détailChapitre. Calculs financiers
Chapitre Caluls finaniers 19 19-1 Avant d'effetuer des aluls finaniers 19-2 Caluls d'intérêts simples 19-3 Caluls d'intérêts omposés 19-4 Evaluation d'un investissement 19-5 Amortissement d'un emprunt
Plus en détailNCCI : Modèle de calcul pour les pieds de poteaux articulés Poteaux en I en compression axiale
NCCI : Modèle de alul pour les pieds de poteaux artiulés Poteaux en I en Ce NCCI présente les règles permettant de déterminer soit la résistane de alul, soit les dimensions requises des plaques d'assise
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 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 détailForme juridique Noms et adresses des filiales à assurer. Date de création ou début de l activité Description PRÉCISE de vos activités
1 Portage Salarial pour les métiers du Conseil by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Noms
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 détailMétiers de la sécurité Questionnaire préalable d assurance
Métiers de la séurité Questionnaire préalable d assurane Métiers de la séurité Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN
Plus en détailPersonnel Pour chaque diagnostiqueur, veuillez fournir les informations suivantes : Date de la formation. Formation (durée)
1 Diagnosti Immobilier by Hisox Questionnaire préalable d assurane Identifiation du proposant Raison soiale Adresse de la soiété Site web Code APE Code SIREN Forme juridique Date de réation : Possédez-vous
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 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 détailMesurage en continu des flux polluants en MES et DCO en réseau d assainissement
MESURAGE EN CONTINU DES FLU POLLUANTS EN MES ET DCO EN RESEAU D ASSAINISSEMENT (M. LEPOT, 0) N d ordre 0ISAL0086 Année 0 Mesurage en ontinu des flux polluants en MES et DCO en réseau d assainissement Présenté
Plus en détailBAILLY-GRANDVAUX Mathieu ZANIOLO Guillaume Professeur : Mrs Portehault
BAILLY-GRANDVAUX Mathieu ZANIOLO Guillaume Professeur : Mrs Portehault 1 I. Introdution...3 II. Généralités...3 Caratéristiques ommunes aux deux phénomènes...3 La différene entre la phosphoresene et la
Plus en détailphysique - chimie Livret de corrigés ministère de l éducation nationale Rédaction
ministère de l éduation nationale physique - himie 3e Livret de orrigés Rédation Wilfrid Férial Jean Jandaly Ce ours est la propriété du Cned. Les images et textes intégrés à e ours sont la propriété de
Plus en détailDiagnostic Immobilier by Hiscox Questionnaire préalable d assurance
Diagnosti Immobilier by Hisox Questionnaire préalable d assurane Diagnosti Immobilier by Hisox Questionnaire préalable d assurane Identifiation du proposant Nom ou raison soiale Adresse Code postal Ville
Plus en détailÉtape II. Compétences à développer de 8 à 12 ans. Grilles des compétences
Grilles des ompétenes Compétenes à développer de 8 à ans COMPÉTENCES DE 8 À ANS Les ompétenes en «aratères droits» sont à ertifier. (symbole en fin de ligne) Les ompétenes en «aratères italiques» sont
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 détailVotre dossier d adhésion
MSH INTERNATIONAL pour le ompte Votre dossier d adhésion Vous avez besoin d aide pour ompléter votre dossier d adhésion? Contatez-nous au +33 (0)1 44 20 48 77. Adhérent Bulletin d adhésion Titre : Mademoiselle
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailChapitre 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 détailExemples de solutions acoustiques
Exemples de solutions aoustiques RÉGLEMENTATON ACOUSTQUE 2000 Janvier 2014 solement aux bruits aériens intérieurs et niveau de bruit de ho Traitement aoustique des parties ommunes Bruits d équipements
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 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 détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en 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 détailÉquations différentielles et systèmes dynamiques. M. Jean-Christophe Yoccoz, membre de l'institut (Académie des Sciences), professeur
Équations différentielles et systèmes dynamiques M. Jean-Christophe Yooz, membre de l'institut (Aadémie des Sienes), professeur La leçon inaugurale de la haire a eu lieu le 28 avril 1997. Le ours a ensuite
Plus en détailNécessité de prendre en compte des termes d ordre G 3 pour mesurer γ à 10 8 près
Néessité de prendre en ompte des termes d ordre G 3 pour mesurer γ à 10 8 P. Teyssandier Observatoire de Paris Dépt SYRTE/CNRS-UMR 8630UPMC P. Teyssandier ( Observatoire de Paris Dépt SYRTE/CNRS-UMR Néessité
Plus en détailRevue des Sciences et de la Technologie - RST- Volume 5 N 1 / janvier 2014
Revue des Sienes et de la Tehnologie - RST- Volume 5 N 1 / janvier 214 L impat d une Charge Fortement Capaitive Sur la Qualité du Filtrage d un FAP Contrôlé Par un Filtre Multi-Variable Hautement Séletif
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailCette année, notre traditionnel
abinets de onseil ont aepté de répondre à notre questionnaire. Notre panel s'enrihit don d'année en année. Nous espérons ainsi vous aider au mieux dans vos reherhes de abinets de onseil en SCM (Supply
Plus en détailLe compte satellite des institutions sans but lucratif
Institut des omptes nationaux Le ompte satellite des institutions sans ut luratif 2000-2001 Contenu de la puliation Le ompte satellite des institutions sans ut luratif (ISBL) est élaoré d après les définitions
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 détailProjet INF242. Stéphane Devismes & Benjamin Wack. Pour ce projet les étudiants doivent former des groupes de 3 ou 4 étudiants.
Projet INF242 Stéphane Devismes & Benjamin Wak Pour e projet les étudiants doivent former des groupes de 3 ou 4 étudiants. 1 Planning Distribution du projet au premier ours. À la fin de la deuxième semaine
Plus en détailg conditions actuelles de la répression du blanchiment de fraude fiscale et sur ses conséquences.
Le délit de blanhiment, un horizon pénal qui ne esse de s'élargir... 4- t ru Q) ' Le blanhiment de fraude fisale ru :::::: Le ontexte de la réflexion sur la lutte ontre la fraude fisale invite à s'interger
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 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 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 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 détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailGuide pratique. L emploi des personnes handicapées
Guide pratique L emploi des personnes handiapées Sommaire Guide pour les salariés p. 3 L'aès et le maintien dans l'emploi... 4 Les établissements et servies d aide par le travail (ÉSAT)... 10 Les entreprises
Plus en détailApllication au calcul financier
Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts
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 détailMario Geiger octobre 08 ÉVAPORATION SOUS VIDE
ÉVAPORATION SOUS VIDE 1 I SOMMAIRE I Sommaire... 2 II Évaporation sous vide... 3 III Description de l installation... 5 IV Travail pratique... 6 But du travail... 6 Principe... 6 Matériel... 6 Méthodes...
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 détailprix par consommateur identiques différents prix par identiques classique 3 unité différents 2 1
3- LE MONOOLE DISCRIMINANT Le monoole eut vendre ertaines unités de roduit à des rix différents. On arle de disrimination ar les rix. Selon une terminologie due à igou (The Eonomis of Welfare, 1920), on
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailFonction inverse Fonctions homographiques
Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................
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 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 détail#DSAA. Marseille. u Lycée Denis Diderot {Lycée Marie Curie é Lycée Jean Perrin. Lycée Saint Exupéry
# Marseille u Lyée Denis Diderot {Lyée Marie Curie é Lyée Jean Perrin Lyée Saint Exupéry #sommaire_ Introdution Diplôme Supérieur d Arts Appliqués spéialité Design / Marseille 4 Projet pédagogique global
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
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 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 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 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 détailETUDE COMPARATIVE RELATIVE AU SERTISSAGE DES CANALISATIONS EN CUIVRE DANS LE SECTEUR DE LA RENOVATION
- Février 2003 - ETUDE COMPARATIVE RELATIVE AU SERTISSAGE DES CANALISATIONS EN CUIVRE DANS LE SECTEUR DE LA RENOVATION Centre d Information du Cuivre 30, avenue Messine 75008 Paris HOLISUD Ingénierie 21,
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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en 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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailC2 - DOSAGE ACIDE FAIBLE - BASE FORTE
Fiche professeur himie 2 - DOSAGE AIDE FAIBLE - BASE FORTE Mots-clés : dosage, ph-métrie, acide faible, base forte, neutralisation, concentration. 1. Type d activité ette expérience permet aux élèves de
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 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 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. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
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 détailEvaluation des modèles non-linéaires à effets mixtes
Evaluation des effets mixtes INSERM UMR738 GDR Statistiques et Santé, 20 octobre 2009 Pharmacométrie Définition modélisation des données obtenues lors d essais cliniques sur des médicaments développement
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 détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailQUELQUES RELATIONS ENTRE LES PRINCIPAUX MOMENTS REPRÉSENTATIFS DU RISQUE EN ASSURANCE AUTOMOBILE, SUR LA BASE D'UN ÉCHANTILLON SEGMENTÉ
QUELQUES RELATIONS ENTRE LES RINIAUX MOMENTS RERÉSENTATIFS DU RISQUE EN ASSURANE AUTOMOBILE, SUR LA BASE D'UN ÉHANTILLON SEGMENTÉ I. INTRODUTION harles HELBRONNER Institut des Actuaires 1 La connaissance
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 détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailPlan. 5 Actualisation. 7 Investissement. 2 Calcul du taux d intérêt 3 Taux équivalent 4 Placement à versements fixes.
Plan Intérêts 1 Intérêts 2 3 4 5 6 7 Retour au menu général Intérêts On place un capital C 0 à intérêts simples de t% par an : chaque année une somme fixe s ajoute au capital ; cette somme est calculée
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 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 détail