Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux
|
|
- Martial Gauthier
- il y a 8 ans
- Total affichages :
Transcription
1 Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux A. Lourme
2 Outline Comparaison de plusieurs échantillons Indépendance de deux variables qualitatives
3 Un exemple Le dé est-il truqué? On lance cent fois le même dé : face effectif observé
4 Un exemple Le dé est-il truqué? On lance cent fois le même dé : face effectif observé Supposons que le dé n est pas truqué : face effectif observé fréquence observée 0, 07 0, 18 0, 26 0, 15 0, 18 0, 16 fréquence théorique 1/6 1/6 1/6 1/6 1/6 1/6 L écart entre fréquences théoriques et fréquences observées est dû seulement à l échantillonnage.
5 Un exemple Le dé est-il truqué? On lance cent fois le même dé : face effectif observé Supposons que le dé n est pas truqué : face effectif observé fréquence observée 0, 07 0, 18 0, 26 0, 15 0, 18 0, 16 fréquence théorique 1/6 1/6 1/6 1/6 1/6 1/6 L écart entre fréquences théoriques et fréquences observées est dû seulement à l échantillonnage. Comment mesurer l écart entre fréquences observées et théoriques?
6 Un exemple Le dé est-il truqué? On lance cent fois le même dé : face effectif observé Supposons que le dé n est pas truqué : face effectif observé fréquence observée 0, 07 0, 18 0, 26 0, 15 0, 18 0, 16 fréquence théorique 1/6 1/6 1/6 1/6 1/6 1/6 L écart entre fréquences théoriques et fréquences observées est dû seulement à l échantillonnage. Comment mesurer l écart entre fréquences observées et théoriques? En deçà/au delà de quel écart décide-t-on que le dé est truqué?
7 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
8 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
9 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
10 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r On en déduit a : r D = (N i np i ) 2 /(np i ) L χ 2 r 1 (1) i=1 a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
11 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r On en déduit a : D = r (N i np i ) 2 /(np i ) L χ 2 r 1 (1) i=1 (1) permet de définir un test (asymptotique) du χ 2 comparant (p 1,...,p r) à une valeur de référence (p 0 1,...,p0 r ) ]0, 1[r : a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
12 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r On en déduit a : D = r (N i np i ) 2 /(np i ) L χ 2 r 1 (1) i=1 (1) permet de définir un test (asymptotique) du χ 2 comparant (p 1,...,p r) à une valeur de référence (p 0 1,...,p0 r ) ]0, 1[r : le test : H 0 : i, p i = p 0 i vs H 1 : i, p i p 0 i a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
13 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r On en déduit a : D = r (N i np i ) 2 /(np i ) L χ 2 r 1 (1) i=1 (1) permet de définir un test (asymptotique) du χ 2 comparant (p 1,...,p r) à une valeur de référence (p 0 1,...,p0 r ) ]0, 1[r : le test : H 0 : i, p i = p 0 i vs H 1 : i, p i p 0 i la statistique de test : D 0 = r i=1 (N i np 0 i )2 /(np 0 i ) ap χ2 r 1 sous H 0 a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
14 La théorie Loi multinomiale & test du χ 2 On considère r valeurs/classes/modalités v i (i = 1,...,r) ; chacune des n unités d un échantillon aléatoire est affectée à v i avec probabilité p i ( r i=1 p i = 1). Le nombre N i d unités affectées à v i ( r i=1 N i = n) est aléatoire et N = (N 1,...,N r) est distribué selon la loi multinomiale M(n;(p 1 ;...; p r)). valeur/classe/modalité v 1 v 2... v r effectif observé N 1 N 2... N r effectif théorique np 1 np 2... np r On en déduit a : D = r (N i np i ) 2 /(np i ) L χ 2 r 1 (1) i=1 (1) permet de définir un test (asymptotique) du χ 2 comparant (p 1,...,p r) à une valeur de référence (p 0 1,...,p0 r ) ]0, 1[r : le test : H 0 : i, p i = p 0 i vs H 1 : i, p i p 0 i la statistique de test : D 0 = r i=1 (N i np 0 i )2 /(np 0 i ) ap χ2 r 1 sous H 0 zone de rejet de H 0 au seuil α : D 0 > χ 2 r 1;1 α a voir Saporta G., Probabilités Analyse de Données et Statistique (1990), Ed. TECHNIP, pp
15 Exercice 1. Le dé est-il truqué? face effectif observé FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
16 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
17 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
18 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
19 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
20 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
21 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
22 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
23 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé D 0 = (7 100/6) 2 /(100/6) + + (16 100/6) 2 /(100/6) 11 FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
24 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé D 0 = (7 100/6) 2 /(100/6) + + (16 100/6) 2 /(100/6) 11 < χ 2 5;0,99 15b FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
25 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé D 0 = (7 100/6) 2 /(100/6) + + (16 100/6) 2 /(100/6) 11 < χ 2 5;0,99 15b interprétation ou le dé est équilibré (H 0 vraie) : la valeur D 0 = 11 observée est l une des 99% inférieures à χ 2 5;0,99 ou bien le dé est truqué. FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
26 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé D 0 = (7 100/6) 2 /(100/6) + + (16 100/6) 2 /(100/6) 11 < χ 2 5;0,99 15b interprétation ou le dé est équilibré (H 0 vraie) : la valeur D 0 = 11 observée est l une des 99% inférieures à χ 2 5;0,99 ou bien le dé est truqué. décision FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
27 Exercice 1. Le dé est-il truqué? face effectif observé effectif théorique 100/6 100/6 100/6 100/6 100/6 100/6 avant de lancer le dé Chacun des 100 lancers (n = 100) fera apparaître l une des six faces (r = 6). N i : nbre aléatoire d apparitions de la face i au cours des 100 lancers. Si le dé est équilibré la probabilité p i d apparition de la face i est 1/6 pour tout i. le test : H 0 : i, p i = 1/6 (dé équilibré) vs H 1 : i, p i 1/6 (dé truqué) la statistique de test : D 0 = 6 i=1 (N i 100/6) 2 /(100/6) ap χ 2 5 sous H 0 si H 0 est vraie on a (environ) 1 chance sur 100 d observer : D 0 > χ 2 5;0,99 une fois le dé lancé D 0 = (7 100/6) 2 /(100/6) + + (16 100/6) 2 /(100/6) 11 < χ 2 5;0,99 15b interprétation ou le dé est équilibré (H 0 vraie) : la valeur D 0 = 11 observée est l une des 99% inférieures à χ 2 5;0,99 ou bien le dé est truqué. décision Au seuil de 1% on ne rejette pas l hypothèse H 0 : le dé est équilibré. FALSE) b sous R, le quantile χ 2 5;0,99 est donné par qchisq(0.99, 5, ncp = 0, lower.tail = TRUE, log.p =
28 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé La durée de vie des ampoules provient-elle de E(1/1000)?
29 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i.
30 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i.
31 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i.
32 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i
33 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i ))
34 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i )) sous H 0 : D 0 ap χ 2 5
35 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i )) sous H 0 : D 0 ap χ 2 5 zone de rejet de H 0 au seuil de 10% : D 0 > χ 2 5;0,90
36 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i )) sous H 0 : D 0 ap χ 2 5 zone de rejet de H 0 au seuil de 10% : D 0 > χ 2 5;0,90 D 0 = (9 31, 6) 2 /31, (5 0, 2) 2 /0, 2 = 215, 0
37 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i )) sous H 0 : D 0 ap χ 2 5 zone de rejet de H 0 au seuil de 10% : D 0 > χ 2 5;0,90 D 0 = (9 31, 6) 2 /31, (5 0, 2) 2 /0, 2 = 215, 0> χ 2 5;0,90 9, 2.
38 Exercice 2. Adéquation à une loi exponentielle durée de vie [0; 1000] ]1000; 2000] ]2000; 3000] ]3000; 4000] ]4000; 5000] ]5000; 6000] effectif observé effectif théorique 31, 6 11, 6 4, 3 1, 6 0, 6 0, 2 La durée de vie des ampoules provient-elle de E(1/1000)? Six classes (r = 6) ; on y répartit la durée de vie d un échantillon aléatoire de 50 ampoules (n = 50). N i : le nbre aléatoire d ampoules dans la classe i. Si la durée de vie des ampoules est distribuée selon E(1/1000), la probabilité p i qu une ampoule soit dans la classe i est : e i+1 e i. le test : H 0 : i, p i = e i+1 e i vs H 1 : i, p i e i+1 e i la statistique de test : D 0 = 6 i=1 (N i 50 (e i+1 e i )) 2 /(50 (e i+1 e i )) sous H 0 : D 0 ap χ 2 5 zone de rejet de H 0 au seuil de 10% : D 0 > χ 2 5;0,90 D 0 = (9 31, 6) 2 /31, (5 0, 2) 2 /0, 2 = 215, 0> χ 2 5;0,90 9, 2. Au seuil de 10% on rejette l hypothèse H 0 selon laquelle la durée de vie des ampoules est distribuée selon la loi exponentielle E(1/1000).
39 Comparaison de plusieurs échantillons Outline Comparaison de plusieurs échantillons Indépendance de deux variables qualitatives
40 Indépendance de deux variables qualitatives Outline Comparaison de plusieurs échantillons Indépendance de deux variables qualitatives
41 Indépendance de deux variables qualitatives Un exemple Sexe & couleur des yeux : deux variables indépendantes? Un échantillon de 100 français : sexe couleur des yeux vert bleu marron garçon fille Tableau 1. effectifs conjoints
42 Indépendance de deux variables qualitatives Un exemple Sexe & couleur des yeux : deux variables indépendantes? Un échantillon de 100 français : sexe couleur des yeux vert bleu marron total garçon fille total Tableau 1. effectifs conjoints
43 Indépendance de deux variables qualitatives Un exemple Sexe & couleur des yeux : deux variables indépendantes? Un échantillon de 100 français : sexe couleur des yeux vert bleu marron total garçon fille total Tableau 1. effectifs conjoints couleur des yeux vert bleu marron total garçon 0, 10 0, 11 0, 28 0, 49 sexe fille 0, 07 0, 18 0, 26 0, 51 total 0, 17 0, 29 0, 54 1 Tableau 2. fréquences conjointes observées
44 Indépendance de deux variables qualitatives Un exemple Sexe & couleur des yeux : deux variables indépendantes? Un échantillon de 100 français : sexe couleur des yeux vert bleu marron total garçon fille total Tableau 1. effectifs conjoints couleur des yeux vert bleu marron total garçon 0, 10 0, 11 0, 28 0, 49 sexe fille 0, 07 0, 18 0, 26 0, 51 total 0, 17 0, 29 0, 54 1 Tableau 2. fréquences conjointes observées sexe couleur des yeux vert bleu marron total garçon 0, , , , 49 fille 0, , , , 51 total 0, 17 0, 29 0, 54 1 Tableau 3. fréquences conjointes théoriques
45 Indépendance de deux variables qualitatives Un exemple Sexe & couleur des yeux : deux variables indépendantes? Un échantillon de 100 français : sexe couleur des yeux vert bleu marron total garçon fille total Tableau 1. effectifs conjoints couleur des yeux vert bleu marron total garçon 0, 10 0, 11 0, 28 0, 49 sexe fille 0, 07 0, 18 0, 26 0, 51 total 0, 17 0, 29 0, 54 1 Tableau 2. fréquences conjointes observées sexe couleur des yeux vert bleu marron total garçon 0, , , , 49 fille 0, , , , 51 total 0, 17 0, 29 0, 54 1 Tableau 3. fréquences conjointes théoriques Si les variables sont indépendantes l écart entre fréquences observées et fréquences théoriques tend à disparaître lorsque la taille de l échantillon augmente.
46 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V.
47 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n
48 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n N ij : nbre aléatoire d unités prenant les valeurs u i et v j N i = s j=1 N ij : nbre aléatoire d unités prenant la valeur u i N j = r i=1 N ij : nbre aléatoire d unités prenant la valeur v j
49 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n N ij : nbre aléatoire d unités prenant les valeurs u i et v j N i = s j=1 N ij : nbre aléatoire d unités prenant la valeur u i N j = r i=1 N ij : nbre aléatoire d unités prenant la valeur v j le test : H 0 : U et V indépendantes vs H 1 : U et V non indépendantes
50 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n N ij : nbre aléatoire d unités prenant les valeurs u i et v j N i = s j=1 N ij : nbre aléatoire d unités prenant la valeur u i N j = r i=1 N ij : nbre aléatoire d unités prenant la valeur v j le test : H 0 : U et V indépendantes vs H 1 : U et V non indépendantes la statistique de test : D = r i=1 sj=1 (N ij N i N j /n) 2/(Ni N j /n)
51 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n N ij : nbre aléatoire d unités prenant les valeurs u i et v j N i = s j=1 N ij : nbre aléatoire d unités prenant la valeur u i N j = r i=1 N ij : nbre aléatoire d unités prenant la valeur v j le test : H 0 : U et V indépendantes vs H 1 : U et V non indépendantes la statistique de test : D = r i=1 sj=1 (N ij N i N j /n) 2/(Ni N j /n) sous H 0 : D ap χ 2 (r 1) (s 1)
52 Indépendance de deux variables qualitatives La théorie Table de contingence & test du χ 2 U et V sont deux variables qualitatives ; chacune des n unités d un échantillon aléatoire prend une des r valeurs u 1,...,u r de U et une des s valeurs v 1,...,v s de V. U V v 1 v 2 v s total u 1 N 11 N N 1s N 1 u 2 N 21 N N 2s N u r N r1 N r2... N rs N r total N 1 N 2 N s n N ij : nbre aléatoire d unités prenant les valeurs u i et v j N i = s j=1 N ij : nbre aléatoire d unités prenant la valeur u i N j = r i=1 N ij : nbre aléatoire d unités prenant la valeur v j le test : H 0 : U et V indépendantes vs H 1 : U et V non indépendantes la statistique de test : D = r i=1 sj=1 (N ij N i N j /n) 2/(Ni N j /n) sous H 0 : D ap χ 2 (r 1) (s 1) zone de rejet de H 0 au seuil α : D > χ 2 (r 1) (s 1);1 α
Lois 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 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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en 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 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 détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détail1. Déterminer l ensemble U ( univers des possibles) et l ensemble E ( événement) pour les situations suivantes.
Corrigé du Prétest 1. Déterminer l ensemble U ( univers des possibles) et l ensemble E ( événement) pour les situations suivantes. a) Obtenir un nombre inférieur à 3 lors du lancer d un dé. U= { 1, 2,
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 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 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 détailTableau 1 : Structure du tableau des données individuelles. INDIV B i1 1 i2 2 i3 2 i4 1 i5 2 i6 2 i7 1 i8 1
UN GROUPE D INDIVIDUS Un groupe d individus décrit par une variable qualitative binaire DÉCRIT PAR UNE VARIABLE QUALITATIVE BINAIRE ANALYSER UN SOUS-GROUPE COMPARER UN SOUS-GROUPE À UNE RÉFÉRENCE Mots-clés
Plus en 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 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 : 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 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 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 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 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 détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en 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 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 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 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 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 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
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 détailIl y a trois types principaux d analyse des résultats : l analyse descriptive, l analyse explicative et l analyse compréhensive.
L ANALYSE ET L INTERPRÉTATION DES RÉSULTATS Une fois les résultats d une investigation recueillis, on doit les mettre en perspective en les reliant au problème étudié et à l hypothèse formulée au départ:
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en 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 détailLes probabilités. Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée Les probabilités produite par TFO.
Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée produite par TFO. Le guide Édition 1988 Rédacteur (version anglaise) : Ron Carr Traduction : Translatec Conseil Ltée
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 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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 détailAccès à l éducation postsecondaire : Comparaison entre l Ontario et d autres régions
Accès à l éducation postsecondaire : Comparaison entre l Ontario et d autres régions Rapport préparé par Ross Finnie, Stephen Childs et Andrew Wismer pour le Conseil ontarien de la qualité de l enseignement
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en 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 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 détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en 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 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 détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
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 détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
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 détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
Plus en 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 détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en 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 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 détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailEVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO
EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailS initier aux probabilités simples «Question de chance!»
«Question de chance!» 29-11 Niveau 1 Entraînement 1 Objectifs - S entraîner à activer la rapidité du balayage visuel. - Réactiver le comptage par addition jusqu à 20. - Développer le raisonnement relatif
Plus en 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 détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en 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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 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 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 détailNombres premiers. Comment reconnaître un nombre premier? Mais...
Introduction Nombres premiers Nombres premiers Rutger Noot IRMA Université de Strasbourg et CNRS Le 19 janvier 2011 IREM Strasbourg Definition Un nombre premier est un entier naturel p > 1 ayant exactement
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailUSAGE DES RESEAUX SOCIAUX PAR LES APPRENANTS EN COTE D IVOIRE
USAGE DES RESEAUX SOCIAUX PAR LES APPRENANTS EN COTE D IVOIRE Dr CLAUDE N. KOUTOU Enseignant/Chercheur (Université de Cocody, Abidjan) Chercheur PANAF - ROCARE CI nkoutou1@yahoo.fr PLAN DE PRESENTATION
Plus en détailLa fumée de tabac secondaire (FTS) en Mauricie et au Centre-du- Québec, indicateurs du plan commun tirés de l ESCC de 2007-2008
La fumée de tabac secondaire (FTS) en Mauricie et au Centre-du- Québec, indicateurs du plan commun tirés de l ESCC de 2007-2008 Ce document se veut une analyse succincte des indicateurs se rapportant à
Plus en détailPackage TestsFaciles
Package TestsFaciles March 26, 2007 Type Package Title Facilite le calcul d intervalles de confiance et de tests de comparaison avec prise en compte du plan d échantillonnage. Version 1.0 Date 2007-03-26
Plus en 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 détailEnquête auprès des parents
Projet Brosse à dents débutant Institut für Hygiene und Arbeitsphysiologie ETH-Zentrum, Clausiusstr. 25 8092 Zürich Adresse électronique: www_zahnbuerstenergonomie@web.ethz.ch Enquête auprès des parents
Plus en détailEn 2014, comment mener à bien une enquête aléatoire en population générale par téléphone?
En 2014, comment mener à bien une enquête aléatoire en population générale par téléphone? Prémila Choolun 1, François Beck 2, Christophe David 1, Valérie Blineau 1, Romain Guignard 3, Arnaud Gautier 3,
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 détailTout ce que vous n avez jamais voulu savoir sur le χ 2 sans jamais avoir eu envie de le demander
Tout ce que vous n avez jamais voulu savoir sur le χ 2 sans jamais avoir eu envie de le demander Julien Barnier Centre Max Weber CNRS UMR 5283 julien.barnier@ens-lyon.fr 25 février 2013 Table des matières
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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailLES FRANÇAIS ET LA COMPLEMENTAIRE SANTE
Centre de Recherche pour l Etude et l Observation des Conditions de Vie LES FRANÇAIS ET LA COMPLEMENTAIRE SANTE Anne LOONES Marie-Odile SIMON Août 2004 Département «Evaluation des Politiques Sociales»
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailFormation appliquée aux missions d'expertises sinistres PLAN DE FORMATION
mail: d2geo@yahoo.fr Page 1/6 PLAN DE FORMATION Formation réalisée en deux partie distinctes Durée totale de la formation 2 jours Présentation Cette première partie est enseignée en trois modules: a) Notions
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 détailProgramme des Nations Unies pour l'environnement
NATIONS UNIES EP Programme des Nations Unies pour l'environnement Distr. GÉNÉRALE UNEP/OzL.Pro/ExCom/68/12 2 novembre 2012 FRANÇAIS ORIGINAL : ANGLAIS COMITÉ EXÉCUTIF DU FONDS MULTILATÉRAL AUX FINS D APPLICATION
Plus en détailGuide de l utilisateur. Synchronisation de l Active Directory
Guide de l utilisateur Synchronisation de l Active Directory Juin 2013 Guide de l utilisateur de Synchro AD de TELUS L outil Synchro AD doit être téléchargé dans le contrôleur de domaine de votre entreprise.
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 détailUne variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
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 détail