L analyse de variance à un critère de classification (ANOVA)
|
|
- Alizée Lévesque
- il y a 8 ans
- Total affichages :
Transcription
1 Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section et Introduction Objectif: comparer plusieurs ( ici, g dans Scherrer 007) groupes indépendants d observations quant à leur moyenne. On analyse la variance totale, intragroupe et intergroupe (voir plus bas) pour comparer des moyennes et tester l hypothèse H 0 : µ 1 = µ = = µ. Plutôt que d employer l analyse de variance, on pourrait être tenté de réaliser une série de tests t pour comparer la moyenne de toutes les paires de groupes. Or, on ne peut remplacer l ANOVA par une série de tests t parce que la multiplication des tests modifie de façon importante la probabilité de commettre une erreur de type I si H 0 est vraie. Exemple Considérons 7 groupes d observations tirées indépendamment d une même population statistique. - Il faudrait réaliser 7 (7 1)/ = 1 tests t pour comparer toutes les paires de groupes. - Chaque test étant réalisé au niveau α = 0,05, on a, dans chaque cas, 5 chances sur 100 de rejeter H 0 même si H 0 est vraie (erreur de type I). - La probabilité de rejeter H 0 au moins une fois au cours de 1 tests est 0,66 et non 0,05. Calcul basé sur distribution binomiale: Scherrer p Pour être valide, le test global doit avoir une erreur de type I α.
2 L analyse de variance à un critère de classification (Anova) L analyse de variance a été développée par l agronome britannique Ronald A. Fisher à la station expérimentale de Rothamsted, UK. L appartenance des observations aux différents groupes (variable nominale) s appelle le critère de classification. Celui-ci peut représenter un facteur contrôlé ( fixed factor ) ou un facteur aléatoire ( random factor ). Ces termes ont été définis au cours no. Les hypothèses statistiques sont les suivantes pour groupes: H 0 : µ 1 = µ = = µ H 1 : au moins l une des moyennes diffère des autres. Pour savoir laquelle ou lesquelles, il faut avoir recours, par la suite, aux tests de comparaisons multiples (Scherrer section 14., pas au Bio041). Notez bien: il ne s agit pas de comparer les variances des groupes. L hypothèse nulle n est pas H 0 : σ 1 = σ = = σ ; un test de Bartlett (p. 393) ou un test de Levene (p. 396) permettraient de tester cette hypothèse (Bio 04). Cependant, nous utiliserons le rapport Variance intergroupe Variance intragroupe pour comparer les moyennes, tout comme le test t comparait deux moyennes en tenant compte des variances intragroupes correspondantes.
3 L analyse de variance à un critère de classification (Anova) 3 L ANOVA est une méthode très utilisée pour analyser les résultats d expériences contrôlées, réalisées en laboratoire ou sur le terrain. Selon la nature des facteurs, les intentions sont généralement différentes. - Facteur aléatoire: on tente souvent de montrer que les données supportent H 0. S il n y a pas d évidence que les groupes diffèrent par leur moyenne, on pourra les réunir pour les analyses subséquentes, si le test de comparaison des moyennes avait assez de puissance pour rejeter H 0 lorsque H 1 est vraie (n suffisamment élevé); si les groupes ne diffèrent pas non plus par leur variance (test de Bartlett: Scherrer p. 393; test de Levene: p. 396). - Facteur contrôlé: on cherche la plupart du temps à rejeter H 0 afin de supporter l hypothèse (H 1 ) qu une partie de la variabilité des données est explicable par le critère de classification. On peut considérer plusieurs critères de classification à la fois. L analyse de variance à plusieurs critères de classification permet d identifier les critères qui expliquent, séparément ou conjointement, une fraction significative de la variabilité des données. Références: Soal & Rohlf (1981 ou 1995); Underwood (1981, 1997), Winer et al. (1991). Underwood, A. J Techniques of analysis of variance in experimental marine biology and ecology. Annu. Rev. Oceanogr. Mar. Biol. 19: Underwood, A. J Experiments in ecology Their logical design and interpretation using analysis of variance. Cambridge University Press, Cambridge, England. Winer, B. J., D. R. Broan and K. M. Michels Statistical principles in experimental design. Third edition. McGraw-Hill, Sydney. - Notation: Scherrer, tableau 14.3; p. 7 de ce document; (voir aussi Scherrer 1984, figure 13.9).
4 L analyse de variance à un critère de classification (Anova) Sources de variation SC = Somme des carrés des écarts Dispersion totale = SCT Dispersion intragroupe ( due aux erreurs ) = SCE Dispersion intergroupe ou due au facteur A = SCA Mesure de la dispersion (variation) totale SCT SCT = somme des carrés des écarts à la moyenne générale x, sans tenir compte du groupe (j = 1 ) de provenance des données. SCT ( x ij x) n = = ( x i x) j = 1 i = 1 i = 1 où n =. Puisque ν Tot = n 1, nous retrouvons la variance SCT Var Tot = s x = Transformation algébrique de SCT: n 1 SCT = ( x ij + x j x) j = 1i = 1 [ ] SCT = ( x ij ) + ( x j x ) Forme: [a + b] SCT = ( x ij ) ( x ij ) ( x j x ) x j x + + ( ) SCT = ( x ij ) ( x j x ) ( x ij x ) j x j x j i + + ( )
5 L analyse de variance à un critère de classification (Anova) 5 Or, pour chaque groupe, la somme des écarts à la moyenne de ce groupe est nulle, par définition de la moyenne. Par conséquent, le terme central de l équation ci-dessus est nul, si bien que SCT = ( x ij ) + ( x j x) j = 1 i = 1 Mesure de la dispersion (variation) intragroupe SCE La variation [somme des (écarts par rapport à la moyenne) ] à l intérieur des groupes ne nous intéresse pas explicitement dans cette analyse. On considère qu il s agit de variation ( erreur ) expérimentale. Pour chaque groupe j, on calcule j = 1 i = 1 SCT = ( x ij ) + ( x j x) j = 1 i = 1 Faisant la somme de ces termes pour tous les groupes j, on obtient Cette équation est dérivée comme la formule raccourcie de calcul de la variance. Degrés de liberté: ν e = (n 1 1) + (n 1) + + (n 1) = n j = 1 SCE donc la var. intragroupe CME = CME: notation Scherrer, eq n SCE = ( x ij ) = j = 1 i = 1 SCE j = ( x ij ) j i = 1 i x ij T j n j j
6 L analyse de variance à un critère de classification (Anova) 6 Mesure de la dispersion (variation) intergroupe SCA Pour chaque groupe j, il s agit de calculer le carré de l écart entre la moyenne de ce groupe et la moyenne générale ( x j x), puis de sommer ces valeurs pour tous les groupes. Il faudra cependant pondérer cette somme par le nombre d éléments faisant partie de chaque groupe. Ainsi, s il y a éléments dans le groupe j, la quantité de dispersion attribuable à ce groupe sera ( x j x). Donc, pour les groupes, SCA = ( x j x) = j = 1 j = 1 T j n j T n (14.48) Le nombre de degrés de liberté associés à un calcul est le nombre de ses composantes indépendantes, i.e. le nombre des composantes de base du calcul moins le nombre de relations (paramètres) qui lient celles-ci. - Les composantes de base dans le calcul sont les écarts x j x. - Ces moyennes sont liées par une seule relation, la moyenne générale x. Donc ν A = 1 ν A : notation de Scherrer, eq SCA et CMA= CMA: notation de Scherrer, eq Relations intéressantes: SCT = SCE + SCA et ν Tot = n 1 = (n ) + ( 1) = ν e + ν A
7 L analyse de variance à un critère de classification (Anova) 7 On peut disposer toutes ces valeurs dans un tableau d analyse de variance: Scherrer, tableau Voir p. 8 de ce document. Attention: s x CME + CMA même si SCT = SCE + SCA. Dans certains problèmes, on ne possède pas les données d origine. On peut quand même calculer les estimations de SCE et SCA si les données suivantes sont disponibles: les différents, les différents T j et la somme des carrés de toutes les données (Σ x ij ). Voici la notation et les étapes. Tableau de données:
8 L analyse de variance à un critère de classification (Anova) 8 Étapes de calcul: On calcule n = somme de tous les. On calcule les différents T j. On calcule T = somme de tous les T j, de même que T. On peut maintenant calculer SCA et SCE. Tableau d analyse de variance:
9 L analyse de variance à un critère de classification (Anova) 9 Remarquez dans ce tableau les formules raccourcies pour le calcul de SCT et SCA. 4 - Deux estimations de σ, sous H 0 Le raisonnement présenté dans cette section permettra par la suite de construire un test de signification pour tester la différence entre les moyennes. Supposons que les populations, d où sont tirés les groupes d éléments, sont distribuées normalement et qu elles ont toutes la même variance σ ( σ 1 = σ = = σ = σ ). Si H 0 est vraie (H 0 : µ 1 = µ = = µ ), alors la variance commune σ peut être estimée de deux façons différentes. Première méthode d estimation de σ Une hypothèse de base de l ANOVA est que chacune des variances σ j estime la même variance commune σ x. Cela nous autorise à chercher une estimation robuste de la variance générale en calculant la moyenne pondérée des variances estimées pour les groupes. C est ici qu est introduite l hypothèse d homogénéité des variances dans la construction du test, hypothèse qu il faut d abord vérifier (tests d homogénéité des variances: Scherrer section 1.; Bio 04). Variance d un groupe j, pondérée par le nombre de degrés de liberté de ce groupe:
10 L analyse de variance à un critère de classification (Anova) 10 ( 1) ( x ij ) i = 1 = ( 1) ( x x ) ij j i = 1 Moyenne des variances pondérées des groupes: ( x i1 x 1 ) + + ( x i x ) ( n 1 1) + + ( n 1) ( x ij ) j = 1 i = 1 ( n ) = SCE n = Var E = CME Deuxième méthode d estimation de σ Si H 0 est vraie, les moyennes x j des groupes sont toutes des estimations de la moyenne commune µ. La variance de ces différentes estimations de la moyenne µ peut s écrire: s x = ( x j x) j ( 1) La racine carrée de cette variance estime l erreur type de la moyenne.
11 L analyse de variance à un critère de classification (Anova) 11 On peut aussi estimer l erreur type de la moyenne à partir de l écart type des données d un seul groupe: s x = s x n Eq. 10. j j qui peut s écrire: s x = s x j Si H 0 est vraie, on peut donc estimer la variance de la population σ x par: s x j = s x = ( x j x) n j = 1 j ( 1) peut être incorporée à l intérieur de la sommation et on obtient l estimation suivante de la variance commune: s x = s x = SCA = = Var c = CMA 1 Résultat: si H 0 est vraie et si les groupes d observations sont tirés d une même population statistique, ou encore de populations ayant la même moyenne µ et la même variance σ, alors CME et CMA représentent deux estimations indépendantes de σ. Ces estimations devraient être à peu près égales. 5 - Test de comparaison ( x j x) j = 1 ( 1) Si H 0 est vraie (H 0 : µ 1 = µ = = µ ), CME et CMA représentent deux estimations de σ. On s attend donc à ce que leur rapport soit près de 1.
12 L analyse de variance à un critère de classification (Anova) 1 Dans tous les cas, CME demeure une estimation de σ puisqu on est censé avoir vérifié l égalité des variances des populations d où ont été tirés les groupes (condition d homogénéité des variances ou homoscédasticité: σ 1 = σ = = σ ). Si H 1 est vraie, la variance intergroupe CMA n est plus une estimation de σ. En effet, dans ce cas, la distribution des moyennes x 1, x,, x ne représente pas la distribution d échantillonnage d une même moyenne µ. Dans ce cas, la distribution des moyennes x 1, x,, x est plus large et aplatie que la distribution d échantillonnage de la moyenne commune µ. CMA est donc nécessairement plus grande que CME. CMA et CME sont deux composantes indépendantes de la variance totale puisque SCT = SCE + SCA. Si H 0 est vraie, leur rapport (qui est près de 1) constitue une statistique-test distribuée comme une loi de F (eqs 1. et 14.55): F c Var = c = Var E CMA CME (14.55) avec les degrés de liberté du numérateur et du dénominateur respectivement: ν 1 = 1 et ν = n. On place CMA au numérateur parce que c est la plus grande des deux valeurs si H 1 est vraie. Il s agit d un test unilatéral dans tous les cas, car si H 0 est vraie, CMA CME et donc F c 1;
13 L analyse de variance à un critère de classification (Anova) 13 si H 1 est vraie, CMA > CME et donc F c > 1. Zones d acceptation et de rejet de H 0 : figure 9.7 p.301. Règles de décision: tableau On ne rejette pas H 0 si F c < F α où F α est la valeur critique au seuil α (par exemple, 5%). Langage R: fonctions aov et summary. Le critère de classification doit se trouver dans une variable de type factor, créée par as.factor. Test de différence des moyennes, groupes: test F = test t bilatéral. Note (Soal & Rohlf 1981, p. 01) Si le critère de classification représente un facteur aléatoire et si H 0 est fausse, CMA estime une quantité ( σ + nσ ) où σ est la variance de x dans la population A statistique et σ A est la variance ajoutée par le facteur aléatoire. Si au contraire le critère de classification représente un facteur contrôlé et si H 0 est fausse, la variance CMA estime une quantité ( σ + ( n ( 1) ) α j ) où α j représente l effet quantitatif de chaque traitement particulier donnant naissance à un groupe j. La distinction entre facteur aléatoire et contrôlé (cours #) est importante en analyse de variance à deux critères de classification (Bio 04). 6 - Conditions d application de ce test - Variable dépendante quantitative (pour pouvoir calculer x et s x ). - Indépendance des observations (observations non autocorrélées). - Normalité de la population d où est tiré chaque groupe.
14 L analyse de variance à un critère de classification (Anova) 14 - Homoscédasticité. Même si le test d égalité des variances de plusieurs groupes n a pas été étudié dans ce cours (test de Bartlett; langage R: bartlett.test), il faudra supposer que cette condition est remplie pour pouvoir utiliser l ANOVA. Comme pour le test t de comparaison de deux groupes, si on n a pas d abord vérifié l égalité des variances, le test F teste en fait deux hypothèses nulles (problème de Behrens-Fisher): l égalité des moyennes et l égalité des variances. Effet de la violation des conditions d application: - Le test F c de l ANOVA est robuste face à une certaine hétéroscédasticité. Ses résultats resteront donc valides en présence d une certaine quantité (pas trop élevée) d hétérogénéité des variances. - Le test F c de l ANOVA est également robuste face à une certaine asymétrie ou aplatissement des distributions. Pour l asymétrie, on pourra utiliser le critère 5 ( α 3 ) j. - En cas de violation sévère de la condition de normalité: 1. Transformer les données avant l analyse.. Tester F c par permutations. 3. Utiliser plutôt le test non-paramétrique de Krusal-Wallis (langage R: fonction rusal.test). - Enfin, en cas de non-indépendance des observations, le test devient soit trop libéral, soit trop conservateur, selon le type de dépendance entre les observations. Voir Legendre et al. (004), Ecology 85:
15 L analyse de variance à un critère de classification (Anova) 13 Exercice 13.4 Scherrer p. 460 Évolution de l indice de condition du grand corégone au lac Nathalie. Données Mai Juin Juillet Août Sept. Octobre x j 0,9994 1,0068 1,0068 1,0305 1,031 1, n = 75 T j 1, ,7004 4,856 1, ,57 31,1584 T = 84,3109 On sait de plus que x ij = 313,197 j i On cherche à calculer F c = Var c /Var E pour tester l hypothèse H 0 d égalité des 6 moyennes. SCT = x T = 313,197 (84,3109) ij /75 = 19,557 j i n T j T SCI = = 94, ,9371 = 0,8133 n j j n Var c = 0,8133/(6 1) = 0,167 SCE = SCT SCI = 18,444 ou encore: SCE = x T j ij = 313,197 94,7503 = 18,444 n j i j j Var E = 18,444/(75 6) = 0,0686 F c = Var c /Var E = 0,167/0,0686 =,376 Pour α = 0,05, ν 1 = 5 et ν = 69, F 0,05 (5, 69) =,48. Puisque F c > F α (car,376 >,48), on rejette H 0 au profit de H 1.
16 L analyse de variance à un critère de classification (Anova) Différentes formes d analyse de variance 1. Analyse de variance à un critère de classification (one way / single classification ANOVA) Nombres égaux ou inégaux d éléments par colonne. Test non-paramétrique: Krusal-Wallis. Critère de classification Hiérarchique 3. À deux critères croisés (nested / hierarchic ANOVA) (two-way ANOVA) Crit. Critère de classification Critère de classification Plus de facteurs: analyse de variance à plusieurs critères de classification (multiway ANOVA). Plus d une variable dépendante: Analyse de variance multivariable (multivariate analysis of variance; MANOVA). Critère de classification 1
17 ANOVA à un critère de classification. Exemple 1: H 0 est vraie Critère de classification Observations{ Groupe 1 Groupe Groupe 3 4,0 6,0,0 4,5 3,5 5,3,7 4,5,3 5,7,0 3,0 4,5 5,5 6,0 Dispersion intragroupe Groupe 1 Groupe Groupe 3 Dispersion totale Dispers. intergr. 6 5 x 1 x 53 n x 31 x 1 x x 3 X x 3 x x 1 n 1 X n (x ij ) 0 n 1 = 5 n = 5 n 3 = 5 n = 15 Σ (x j X) = 0,10 T 1 = 0,0 T = 0,5 T 3 = 1,0 x 1 = 4,0 x = 4,1 x 3 = 4, Σ(x i1 x 1 ) = 8,50 Σ(x i3 x 3 ) = 11,30 Σ(x i x ) = 9,36 T = 61,5 X = 4,1 Σ(x ij X) = 9,6 SCT SCA SCE = 9,16 SCT = SCE + SCA Sources de variation Dispersions Degrés de liberté Variances Totale Intergroupe Intragroupe SCT = 9,6 SCA = 0,10 SCE = 9, = = 15 3 = 1 9,6/14 =,09 CMA = 0,10/ = 0,05 CME = 9,16/1 =,43 F c = CMA/CME = 0,006 P = 0,9797 F (0,05,,1) = 3,89
18 ANOVA à un critère de classification. Exemple : H 0 est fausse Critère de classification Observations{ Groupe 1 Groupe Groupe 3 4,0 6,0,0 4,5 3,5 5,3,7 4,5,3 5,7 6,0 7,0 8,5 9,5 10,0 10 Dispersion intragroupe Groupe 1 Groupe Groupe 3 Dispersion totale Dispers. intergr. 9 8 x 3 x 3 7 n x 1 x (x ij ) n 1 = 5 n = 5 n 3 = 5 n = 15 (x j X) = 57,43 T 1 = 0,0 T = 0,5 T 3 = 41,0 T = 61,5 x 1 = 4,0 x = 4,1 x 3 = 8, Σ(x i1 x 1 ) = 8,50 Σ(x i3 x 3 ) = 11,30 Σ(x i x ) = 9,36 X X = 5,43 Σ(x ij X) = 86,59 SCT Σ n 1 X n x x 1 SCA SCE = 9,16 SCT = SCE + SCA Sources de variation Totale Intergroupe Intragroupe Dispersions SCT = 86,59 SCA = 57,43 SCE = 9,16 Degrés de liberté 15 1 = = 15 3 = 1 F c = CMA/CME = 11,8 P = 0,0015 F (0,05,,1) = 3,89 F (0,01,,1) = 6,93 Variances 86,59/14 = 6,19 CMA = 57,43/ = 8,7 CME = 9,16/1 =,43
Analyse 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 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 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 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 détailApplication sur le Dispositif en Blocs Complètement Randomisés
Roger Vumilia. KIZUNGU Directeur de l Expérimentation Agricole à l INERA Professeur Associé Faculté des Sciences Agronomiques Université de Kinshasa Utilisation des Logiciels de base dans la Recherche
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 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 détailBIOSTATISTIQUES AVANCEES PLAN. Quelques références. Master Biologie Intégrative 1 ère année
Master Biologie Intégrative 1 ère année 1 BIOSTATISTIQUES AVANCEES Yves Desdevises! Observatoire Océanologique de Banyuls-sur-Mer (www.obs-banyuls.fr)! 04 68 88 73 13! desdevises@obs-banyuls.fr! http://desdevises.free.fr
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 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 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 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 détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en 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 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
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 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 détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
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 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 détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailFiche PanaMaths Calculs avec les fonctions sous Xcas
Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions
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 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 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 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 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 détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
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 détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
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 détailMathématiques financières
Mathématique financière à court terme I) Les Intérêts : Intérêts simples Mathématiques financières - Intérêts terme échu et terme à échoir - Taux terme échu i u équivalent à un taux terme à échoir i r
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
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 détailLe chi carré. Le sommaire. Approche quantitative
Approche quantitative Le chi carré Les objectifs pédagogiques Définir le test du chi carré Déterminer la nature des données propres au chi carré Savoir calculer le chi carré Savoir déterminer les fréquences
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 détailLES DÉTERMINANTS DE MATRICES
LES DÉTERMINANTS DE MATRICES Sommaire Utilité... 1 1 Rappel Définition et composantes d'une matrice... 1 2 Le déterminant d'une matrice... 2 3 Calcul du déterminant pour une matrice... 2 4 Exercice...
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailComparaison de populations
Ricco Rakotomalala Comparaison de populations Tests paramétriques Version 1.2 Université Lumière Lyon 2 Page: 1 job: Comp_Pop_Tests_Parametriques macro: svmono.cls date/time: 11-Jun-2013/6:32 Page: 2 job:
Plus en détailExposing a test of homogeneity of chronological series of annual rainfall in a climatic area. with using, if possible, the regional vector Hiez.
Test d homogéné$é Y. BRUNET-MORET Ingénieur hydrologue, Bureau Central Hydrologique Paris RÉSUMÉ Présentation d un test d homogénéi.té spécialement conçu pour vérijier Z homogénéité des suites chronologiques
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 détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailLES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en 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 détailPratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en 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 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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailDéfinition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3
8 Systèmes de numération INTRODUCTION SYSTÈMES DE NUMÉRATION POSITIONNELS Dans un système positionnel, le nombre de symboles est fixe On représente par un symbole chaque chiffre inférieur à la base, incluant
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailCapital économique en assurance vie : utilisation des «replicating portfolios»
Capital économique en assurance vie : utilisation des «replicating portfolios» Anne LARPIN, CFO SL France Stéphane CAMON, CRO SL France 1 Executive summary Le bouleversement de la réglementation financière
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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en 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 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en 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 détailDCG 6. Finance d entreprise. L essentiel en fiches
DCG 6 Finance d entreprise L essentiel en fiches DCG DSCG Collection «Express Expertise comptable» J.-F. Bocquillon, M. Mariage, Introduction au droit DCG 1 L. Siné, Droit des sociétés DCG 2 V. Roy, Droit
Plus en détailFormules et Approches Utilisées dans le Calcul du Coût Réel
Formules et Approches Utilisées dans le Calcul du Coût Réel Objectifs du Taux Annuel Effectif Global (TAEG) et du Taux d Intérêt Effectif (TIE) Le coût réel d un crédit inclut non seulement l intérêt,
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
Plus en détailMesure, impact des politiques et estimation. Programme de formation MIMAP. Remerciements
Pauvreté, bienêtre social et équité : Mesure, impact des politiques et estimation par JeanYves Duclos Département d économique et CRÉFACIRPÉE, Université Laval, Canada Programme de formation MIMAP Remerciements
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
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 détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
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 détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 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 détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
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 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 détailCours d introduction à l informatique. Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions
Cours d introduction à l informatique Partie 2 : Comment écrire un algorithme? Qu est-ce qu une variable? Expressions et instructions Qu est-ce qu un Une recette de cuisine algorithme? Protocole expérimental
Plus en détail