Exercices de probabilités avec éléments de correction Memento
Exercice 1. Lois binomiale et géométrique. Soit X1X2
Initiation à lanalyse hydrologique (dix exercices suivis des corrigés)
- EXERCICE D'APPLICATION DES LOIS DE GUMBEL ET DE PEARSON "'. À UN Les paramètres d'ajustement de la loi de GUMBEL sont. 1 s = - = 0780 x 143
FIABILITE MAINTENABILITE DISPONIBILITE
Pour cet exemple nous appliquons la loi de Weibull avec un ajustement. aussi loi de Gumbel. ❑ La fonction de répartition est notée M(t). Elle ...
Analyse statistique des pluies journalières dans la région steppique
Examen des ajustements graphiques par l'inadéquation de l'ajustement de la loi Gumbel à notre échantillon (figure IV-1).
Untitled
V-3 En utilisant l'échantillon de pluies annuelles de l'exercice V-2 ci-dessus: a) ajuster une loi Gumbel à cet échantillon. 22. 23. Page 14. ÉNONCÉS DES
HYDROLOGIE STATISTIQUE R. Ababou
ANNEXE : « Crues temps de retour
Cours de Statistiques inférentielles
On souhaite tester l'ajustement de cette loi à une loi connue L0 (Poisson Ref : Statistique exercices corrigés
Analyse fréquentielle des événements hydrologiques extrêmes
4 août 2009 Ce quantile est calculé ici par ajustement de loi de Gumbel à l'échantillon constitué des maxima annuels de débits ... cours d'eau. En zone de ...
Initiation à lanalyse hydrologique : dix exercices suivis des corrigés
GUMBEL). 77 à. 89. - CHAPITRE VII. Analyse des crues par modèle global ... loi de. JENKINSON. -. -. b) s .positif d négatif
Méthodes de prédétermination de crues décennales
- la loi de GUMBEL ou loi doublement exponentielle. 2.1. La loi de GIBRA ajustement d'une loi de même type que celle lissant les pluies journalières ...
FIABILITE MAINTENABILITE DISPONIBILITE
de leurs produits au cours de leur cycle de développement de la conception à la II.2 Les lois de probabilité utilisées en fiabilité.
HYDROLOGIE STATISTIQUE R. Ababou
Exemples d'ajustements de lois de proba (pluies débits) R.Ababou 2004: Hydrologie Statistique - Cours et exercices (éléments) :.
Initiation à lanalyse hydrologique (dix exercices suivis des corrigés)
Exercice d'application des lois de Gumbel et de Pearson de débits de crue soit le débit Q (terme «écoulement à l'exutoire ) du bilan) du cours d'eau.
Analyse fréquentielle des pluies journalières maximales Cas du
28 avr. 2011 L'analyse visuelle de l'ajustement des lois de Gumbel et de Pearson type III confirme la tendance de ces lois à surestimer les valeurs fortes et ...
Séries chronologiques (avec R) (Cours et exercices)
6 janv. 2020 On appelle bruit blanc gaussien une suite de variables aléatoires indépendantes et identiquement distribuées (?t)t?N de loi normale centrée ré-.
Initiation à lanalyse hydrologique : dix exercices suivis des corrigés
Service'météorologique procède à cet. examen critiClu~ corrige Pobjet dVun ajustement à une loi normale mais il ne
Hydrologie de surface
a fini par ajuster une loi compliquée à la courbe des débits classés sur 60 ans. l'étude statistique doivent ici être modifiées après l'examen des ...
STT-4400 / STT-6210 ANALYSE DE TABLEAUX DE FRÉQUENCES
1.5.1 Généralisation du test sur les paramètres d'une loi mul- tinomiale . été utilisées pour donner le cours « Analyse de tableaux de fréquences ». En.
ACT3251 Théorie du risque
Attention : Le rapport du projet doit être remis au format pdf en y joignant le Les lois dans le MDA de la loi de Gumbel ont des des queues modérées ...
Modèles linéaires généralisés
avec ? une variable aléatoire de loi de Gauss centrée et de variable ?2. ses notes de cours http://data.princeton.edu/wws509/notes/c3.pdf section 3.6.
Modèles linéaires généralisés
Valérie Monbet
IRMAR, Université de Rennes 1
Monbet, 12/2016 (- M2)GLM, M2 Pharma.1 / 203
Références, supports
Ce cours est essentiellement une compilation des cours de G. Rodriguez (PrincetonUniversity) et A. Lavenu (Université de Rennes 1).Hardin, J. and Hilbe, J. (2012). Generalized Linear Models and Extensions, 3rd
Edition. College Station, Texas : Stata Press. Un livre avec des exemples et desapplications incluant des analyses avec Stata.Notes de cours de G. Rodriguez et exemples de codes R :
http://data.princeton.edu/wws509/Notes de cours de L. Rouvièrehttp://perso.univ-rennes2.fr/system/files/users/rouviere_l/poly_logistique_web.pdfNotes de cours de F. Bertrand
Ecole_Doctorale_SVS_Automne_2008/ED_RegLog.pdfHosmer, D.W. and Lemeshow, S. (2013). Applied Logistic Regression, 3rd Edition.
New York : John Wiley and Sons. Une discussion détaillée sur le modèle logistique avec des applications.McCullagh, P. and Nelder, J.A. (1989). Generalized Linear Models, 2nd Edition. London : Chapman and Hall. La "bible" des modèles linéaires généralisés. Très intéressant, mais plutôt destinée à des étudiants avancés.Monbet, 12/2016 (- M2)GLM, M2 Pharma.2 / 203
Introduction
Outline
1Introduction
Modèles linéaires pour les données continues Modèles linéaires pour les données discrètes2Regression logistique
3Inférence pour le modèle logistique
4Diagnostiques de régression pour les données binaires
5Variantes des modèles logistiques
6Régression de Poisson
7Validation, sélection de modèles
Monbet, 12/2016 (- M2)GLM, M2 Pharma.3 / 203
IntroductionModèles linéaires pour les données continuesOutline1Introduction
Modèles linéaires pour les données continues Modèles linéaires pour les données discrètes2Regression logistique
3Inférence pour le modèle logistique
4Diagnostiques de régression pour les données binaires
5Variantes des modèles logistiques
6Régression de Poisson
7Validation, sélection de modèles
Monbet, 12/2016 (- M2)GLM, M2 Pharma.3 / 203
IntroductionModèles linéaires pour les données continuesModèles linéaires pour les données continuesLes modèles linéaires sont utilisés pour étudier comment une variable continue
dépend d"un ou plusieurs prédicteurs ou variables explicatives. Les prédicteurspeuvent être quantitatifs ou qualitatifs.Exemple : données des efforts des plannings familiaux en Amérique du Sud (Mauldin
and Berelson, 1978) Le niveau social et les efforts des plannings familiaux sont mesurés par une combinaison d"indices. Plus l"indice est élevé plus le niveau social (resp. l"effort) est élevé.Niv. social Effort Déclin du tx nat.Bolivia 46 0 1
Brazil 74 0 10
Chile 89 16 29
Colombia 77 16 25
CostaRica 84 21 29
Cuba 89 15 40
Dominican Rep 68 14 21
Ecuador 70 6 0
El Salvador 60 13 13
............Dans cet exemple on cherche à comprendre comment le niveau social et les effortsde planification influent sur le taux de natalité.NotonsYle taux de natalité etX1etX2respectivement le niveau social et l"effort de
planification.On dispose den=20 observationsf(xi1;xi2;yi)g,i=1;;n.Monbet, 12/2016 (- M2)GLM, M2 Pharma.3 / 203
IntroductionModèles linéaires pour les données continuesExemple (suite)On observe que le déclin du taux de natalité augmente avec le niveau social et avec
l"effort de planification.Monbet, 12/2016 (- M2)GLM, M2 Pharma.4 / 203
IntroductionModèles linéaires pour les données continuesExemple (suite) et vocabulaireSi on suppose queYiest une variable gaussienne de moyenneiet de variance2,
on pourra écrire le modèle i=0+1xi1+2xi2=0+xTiCalcul matriciel La densité de probabilité deYiest donnée par '(y) =1p22exp 12 (yi)22!Une manière plus standard d"écrire ce modèle linéaire est
Y=0+1X1+2X2+=0+XT+
avecune variable aléatoire de loi de Gauss centrée et de variable2.Xest lamatr icede design et XTest leprédicteur linéaire .Monbet, 12/2016 (- M2)GLM, M2 Pharma.5 / 203
IntroductionModèles linéaires pour les données continues InférenceL"estimation des paramètres du modèle0,,se fait par minimisation d"un critère des moindres carrées (OLS) (0;) =argmin(0;)n X i=1(yi0xTi)2 =Var(yi0xTi)ou par maximum de vraisemblance (ML).Dans le cas du modèle linéaire, ces deux estimateurs sont identiques et
b = (XTX)1XTyOn dispose ensuite de tests (test de Fisher, test de Wald, etc) pour valider et interpréter le modèle.Monbet, 12/2016 (- M2)GLM, M2 Pharma.6 / 203
IntroductionModèles linéaires pour les données continuesRégression linéaire simple
> m1<- lm(DecTxNat ~ NivSocial,data=fpe) > summary(m1) Call: lm(formula = DecTxNat ~ NivSocial, data = fpe)Residuals:
Min 1Q Median 3Q Max
-13.239 -6.260 0.787 6.678 17.162Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -22.1254 9.6416 -2.295 0.03398NivSocial 0.5052 0.1308 3.863 0.00114**
Signif. codes: 0 '
***" 0.001 '**" 0.01 '*" 0.05 '." 0.1 ' " 1 Residual standard error: 8.973 on 18 degrees of freedom Multiple R-squared: 0.4532,Adjusted R-squared: 0.4228 F-statistic: 14.92 on 1 and 18 DF, p-value: 0.001141Monbet, 12/2016 (- M2)GLM, M2 Pharma.7 / 203
IntroductionModèles linéaires pour les données continuesRégression linéaire simpleLe testtpermet de tester l"hypothèseH0:j=0pour chaque v ariablej.Le test de Fisher permet de tester plusieurs paramètres simultanément. C"est
notamment important quand on travaille avec des variables catégorielles recodées envariables binaires.Ici les deux tests conduisent à la même conclusion : la variable explicative a un effet
significatif. > anova(m1)Analysis of Variance Table
Response: DecTxNat
Df Sum Sq Mean Sq F value Pr(>F)
NivSocial 1 1201.1 1201.08 14.919 0.001141
Residuals 18 1449.1 80.51
Monbet, 12/2016 (- M2)GLM, M2 Pharma.8 / 203
IntroductionModèles linéaires pour les données continuesRégression linéaire simple
Monbet, 12/2016 (- M2)GLM, M2 Pharma.9 / 203
IntroductionModèles linéaires pour les données continuesRégression linéaire multiple
> m2 <- lm(DecTxNat ~ NivSocial+Effort,data=fpe) > summary(m2) Call: lm(formula = DecTxNat ~ NivSocial + Effort, data = fpe)Residuals:
Min 1Q Median 3Q Max
-10.3475 -3.6426 0.6384 3.2250 15.8530Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -14.4511 7.0938 -2.037 0.057516 .NivSocial 0.2706 0.1079 2.507 0.022629
Effort 0.9677 0.2250 4.301 0.000484***
Signif. codes: 0 '
***" 0.001 '**" 0.01 '*" 0.05 '." 0.1 ' " 1 Residual standard error: 6.389 on 17 degrees of freedom Multiple R-squared: 0.7381,Adjusted R-squared: 0.7073 F-statistic: 23.96 on 2 and 17 DF, p-value: 1.132e-05Monbet, 12/2016 (- M2)GLM, M2 Pharma.10 / 203
IntroductionModèles linéaires pour les données continuesRégression linéaire simple
> anova(m2)Analysis of Variance Table
Response: DecTxNat
Df Sum Sq Mean Sq F value Pr(>F)
NivSocial 1 1201.08 1201.08 29.421 4.557e-05
Effort 1 755.12 755.12 18.497 0.0004841***
Residuals 17 694.01 40.82
Signif. codes: 0 '
***" 0.001 '**" 0.01 '*" 0.05 '." 0.1 ' " 1Monbet, 12/2016 (- M2)GLM, M2 Pharma.11 / 203 IntroductionModèles linéaires pour les données continuesCas des prédicteurs qualitatifs : analyse de la varianceDans certains cas, les prédicteurs sont tous qualitatifs. Par exemple, si le niveau
social est donné par une variable discrète à 3 modalités (inf à 70, entre 70 et 80, sup
à 80).Les notations sont un peu différentes de celles du modèle de régression. On noteKle nombre de niveaux dans le facteur etnkle nombre d"observations dansle niveauk.ykiest la réponse de l"individuiau niveauk.Dans l"exemple,ykisera donc le déclin du taux de natalité du paysipour le niveau
socialk.k=1;;3,K=3, ...On écrit alors le modèle de l"analyse de la variance à un facteur :Yki N(ki;2)
avec ki=+k oùest un effet moyen (commun à taux les niveaux du facteur) etkreprésente l"effet spécifique du niveauk.Monbet, 12/2016 (- M2)GLM, M2 Pharma.12 / 203 IntroductionModèles linéaires pour les données continuesANOVA, un facteur
> m1g <- lm(DecTxNat ~ NivSocial.g) > summary(m1g) Call: lm(formula = DecTxNat ~ NivSocial.g)Residuals:
Min 1Q Median 3Q Max
-14.750 -6.579 -1.161 5.250 16.400Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 7.571 3.498 2.164 0.04497NivSocial.gMedium 1.029 5.420 0.190 0.85173
NivSocial.gHigh 16.179 4.790 3.377 0.00358
Signif. codes: 0 '
***" 0.001 '**" 0.01 '*" 0.05 '." 0.1 ' " 1 Residual standard error: 9.256 on 17 degrees of freedom Multiple R-squared: 0.4505,Adjusted R-squared: 0.3858 F-statistic: 6.967 on 2 and 17 DF, p-value: 0.006167Monbet, 12/2016 (- M2)GLM, M2 Pharma.13 / 203
IntroductionModèles linéaires pour les données continuesANOVA, un facteurDans ce cas, on voit bien la différence entre le testtet le test de Fisher.Le test de Fisher a plus de sens car il considère la variable explicative dans son
ensemble et non modalité par modalité. > anova(m1g)Analysis of Variance Table
Response: DecTxNat
Df Sum Sq Mean Sq F value Pr(>F)
NivSocial.g 2 1193.8 596.89 6.9672 0.006167
Residuals 17 1456.4 85.67
Signif. codes: 0 '
***" 0.001 '**" 0.01 '*" 0.05 '." 0.1 ' " 1Monbet, 12/2016 (- M2)GLM, M2 Pharma.14 / 203 IntroductionModèles linéaires pour les données continues Ce petit exemple permet de rappeler les différentes étapes de la modélisation linéaire1. Analyse descriptive, visualisation des données
2. Choix du modèle : transformation de variables, variable à introduire dans le modèle
3. Inférence : estimation des paramètres du modèle, tests, intervalles de confiance
4. Sélection des variables explicatives, choix de leur paramétrisation
quotesdbs_dbs45.pdfusesText_45[PDF] ajuster équation de reaction 4ème Physique
[PDF] Ajuster la stoechiometrie d'une équation 2nde Physique
[PDF] ajuster les coefficients stoechiométriques des réactions suivantes 2nde Physique
[PDF] Ajuster une équation de réaction 4ème Physique
[PDF] Ajuter les nombres stoechiometriques 2nde Physique
[PDF] AKUKA peuple TOLAI 2nde Musique
[PDF] Al + Infinitif + Imparfait - Espagnol 3ème Espagnol
[PDF] Al Andalus devoir 2nde Espagnol
[PDF] al khwarizmi algorithme PDF Cours,Exercices ,Examens
[PDF] al khwarizmi biographie PDF Cours,Exercices ,Examens
[PDF] al khwarizmi decouvertes PDF Cours,Exercices ,Examens
[PDF] al khwarizmi equation PDF Cours,Exercices ,Examens
[PDF] al khwarizmi methode PDF Cours,Exercices ,Examens
[PDF] al massalik devoir PDF Cours,Exercices ,Examens