Cours 5 : ESTIMATION PONCTUELLE

Dimension: px
Commencer à balayer dès la page:

Download "Cours 5 : ESTIMATION PONCTUELLE"

Transcription

1 Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio

2 A- ESTIMATION PONCTUELLE: GÉNÉRALITÉS

3 A- Défiitio O s itéresse à la caractéristique X d ue populatio (évetuellemet à u vecteur de caractéristiques), dot la loi déped d u paramètre icou p, p. f ( x ) θ ϑ R O ote θ la desité de la loi de X au poit x (resp. la loi P θ (X=x) de X au poit x) si X est cotiue (resp. si X est discrète). O dispose d u sodage de taille de la populatio (l observatio de X sur idividus), oté (,..., ). O ote (,..., ) x x X X l échatillo aléatoire associé à ce sodage (il s agit d u vecteur aléatoire dot ue réalisatio particulière est (,..., ). x x

4 A- Défiitio Estimer le paramètre θ cosiste à doer ue valeur approchée à ce paramètre à partir d u sodage de la populatio. Ex : P X, θ=e(x)? ( x,..., x ) x xi i = = x est ue approximatio ou estimatio de θ.

5 Estimateur et estimatio : P A- Défiitio X, θ=e(x)? x i = = x (,..., ) x x x i ( ',..., x' ) ( x,..., x ) ( x',..., x ' ) x ' = x' sot deux réalisatios de l échatillo aléatoire i = ' i (,..., ) X X Les deux estimatios x et x' de θ sot deux réalisatios de la statistique appelée estimateur de θ. X = X i i =

6 A- Défiitio Formalisatio : Soit p θ ϑ R, p le paramètre icou dot déped la loi de X U estimateur Θ de θ est ue statistique de l échatillo aléatoire : telle que pour chaque réalisatio ( x de l échatillo aléatoire, la valeur ˆ,..., x ) θ = h ( x,... x ) prise par Θ approche θ. p Θ = h( X,..., X ), h : R R, p θˆ s appelle ue estimatio de θ. C est ue réalisatio particulière de l estimateur Θ.

7 A-2 Exemple d estimateurs Estimateur de l espérace E(X) de X : La moyee empirique X i = = X i Pour ue réalisatio doée ( x,..., x ) de l échatillo aléatoire, x = x i i = est l estimatio de E(X) associée à ce jeu de doées. Propriét és : E( X ) = E( X ) V ( X ) = V ( X )

8 A-2 Exemple d estimateurs Estimateurs de la variace σ² et de l écart-type σ de X lorsque E(X)=m est coue : T = X m 2 T i = = ( ) T 2 i ² est u estimateur de σ² est u estimateur de σ 2 Pour ue réalisatio doée de l échatillo aléatoire, t Sot les estimatios associées. = x m i i = ( ) ² et t Propriétés (cf TD) : 2 E( T ) = σ ² 2 V ( T ) = µ 4 σ 4

9 A-2 Exemple d estimateurs Cas gééral La variace et l écart-type empirique s S X X 2 = i = i ( ) S = S 2 ² est u estimateur de σ² est u estimateur de σ Pour ue réalisatio doée de l échatillo aléatoire, 2 s = x x i i = ( ) ² et s = 2 s sot les estimatios associées (o les ote ecore σ ² et ˆ σ Propriétés: 2 E( S ) = σ ² V ( S ) = ( ) ( 3) ( µ σ )

10 A-2 Exemple d estimateurs La variace et l écart-type empiriques corrigés: S X X *2 = i i = S = ( ) S * *2 ² est u estimateur de σ² est u estimateur de de σ Propriétés : E S 2* ( ) = σ ² 2* 4 ( 3) 4 V ( S ) = µ σ ( )

11 A-2 Exemple d estimateurs Estimateur de la foctio de répartitio F(x) : La foctio de répartitio empirique: F ( x) = i X < x i = est u estimateur de F(x) e tout poit x. Pour ue réalisatio doée ( x,..., x ) de l échatillo aléatoire, F ( x) = i x < x i= est l estimatio de F(x) associée à ce jeu de doées. Propri étés : E( F ( x)) V ( F ( x)) = = F ( x) F( x)( F ( x))

12 A-2 Exemple d estimateurs Soiet ( X,..., X ) et ( Y,..., Y ) les échatillos aléatoires associés aux variables aléatoires X et Y de P. Estimateurs de la covariace cov(x,y) etre deux v.a. X et Y Lorsque m=e(x) et m2=e(y) sot coues T ( X, Y ) = X m Y m i = ( i )( 2 ) i est u estimateur de cov(x,y). Pour ue réalisatio particulière des échatillos aléatoires, ( )( ) 2 t ( x, y) = x m y m i i = i est l estimatio associée

13 A-2 Exemple d estimateurs Cas gééral La covariace empirique : S ( X, Y ) = X X Y Y i = i ( i )( ) est u estimateur de cov(x,y). Pour ue réalisatio particulière des échatillos aléatoires, (ecore otée ) s ( X, Y ) = x x y y i c o v ( X, Y ) i = i est l estimatio associée ( )( )

14 A-2 Exemple d estimateurs La covariace empirique corrigée : * S ( X, Y ) = X X Y Y i i= ( i )( ) est u estimateur de cov(x,y). Propriétés : E T X Y E S X Y 2 2* ( (, )) ( (, )) = = Cov( X, Y ) E S X Y X Y 2 ( (, )) = cov(, )

15 A-2 Exemple d estimateurs Estimateur de la corrélatio ρ(x,y) etre deux v.a. X et Y : La corrélatio empirique R ( X, Y ) = S( X, Y ) S ( X ) S ( Y ) est u estimateur de ρ(x,y) O ote r ( X, Y ) ou ˆ ρ( X, Y ) l estimatio associée.

16 B- Précisio d u estimateur

17 B- Ue mesure de précisio : l erreur quadratique moyee (EQM) Soit p Θ R u estimateur de θ. Erreur Quadratique Moyee : (EQM) Biais d estimatio : [ θ ] B( Θ ) = E( Θ ) θ E ( Θ )² = V ( Θ ) + ( E( Θ) )² Biais^2=erreur Variace=fluctua systématique tio aléatoire de due au fait que Θ autour de sa Θ e fluctue pas moyee autour de θ U bo estimateur poctuel doit être précis : il l est d autat plus que so erreur quadratique est faible : biais et variace les plus faibles possibles. θ

18 B-2 Absece de biais U estimateur du paramètre θ est dit sas biais ssi : B( Θ ) = 0 E( Θ ) = θ RQ: ue propriété mois forte est l absece de biais asymptotique 2 *2 Ex : X, T et S sot sas biais, S est biaisé mais asymptotiquemet sas biais 2

19 B-3 Variace miimale U estimateur de θ est dit de variace miimale si, parmi tous les estimateurs possibles de θ il a la plus petite variace : Θ estimateur de θ, V ( Θ ) V ( Θ ) * * Pour deux estimateurs sas biais, le plus précis est celui qui a la plus petite variace. Ex : lorsque E(X) =m est coue, *2 S est mois précis que 2 T

20 B-4 Covergece Covergece : u estimateur du paramètre θ est dit coverget ssi, Θ P θ Pté : U estimateur sas biais et de variace asymptotiquemet ulle est coverget. RQ : deux estimateurs covergets peuvet e pas coverger à la même vitesse

21 B-5 : Recherche du meilleur estimateur La propriété la plus désirable pour u estimateur est d'avoir ue faible Erreur Quadratique Moyee (ce qui 'exige pas forcémet d'être sas biais). Pbme : la théorie de l estimatio e permet pas de résoudre le problème de miimisatio de l EQM (foctio dépedat de maière complexe du paramètre) U compromis : recherche d u estimateur sas biais de variace miimale L'absece de biais facilite grademet l'étude des propriétés d'u estimateur car le biais d'u estimateur peut dépedre de faço complexe de la valeur du paramètre. Rque : Il est cepedat possible de trouver des estimateurs biaisés plus précis que le meilleur estimateur sas biais. Pbme : le calcul de la variace d u estimateur et doc l existece et la défiitio d u estimateur de variace miimale écessite gééralemet la coaissace de la loi de probabilité joite de l échatillo aléatoire,

22 B-5 : Recherche du meilleur estimateur Loi de l échatillo aléatoire das u tirage aléatoire simple: X, f θ ( x) ( X,..., X ) i.i.d., L ( x,..., x ) θ L ( x,..., x ) = f ( x ), ( x,..., x ) R θ θ i i= O coait gééralemet la forme paramétrique de f, mais elle déped du paramètre q icou. Doc, la loi de l échatillo est icoue e gééral (déped de paramètres icous que l o cherche justemet à estimer). Solutio : Trouver u estimateur sas biais de variace miimale e sera possible que si L ifo coteue das l échatillo sur θ est suffisammet riche iformatio O dispose d ue statistique exhaustive pour θ exhaustivité

23 B-5 : Recherche du meilleur estimateur Remarque s : L'absece de biais e garatit pas la plus faible valeur possible de l'eqm : celle-ci sera atteite lorsque sera trouvé le meilleur compromis etre le biais de l'estimateur et sa variace Das certais cas même, l'itroductio d'u léger biais das u estimateur iitialemet sas biais peut coduire à ue réductio sigificative de sa variace, au poit de provoquer ue dimiutio de so EQM, et doc d'améliorer ses performaces.

24 C- Exhaustivité et iformatio

25 C- Itroductio Iformatio : U sodage (= ue réalisatio de l échatillo aléatoire) ous apporte u certaie iformatio sur θ (la répartitio de ses valeurs ous doe ue iformatio sur la loi de X, qui déped de θ). Elle doit être suffisate pour pouvoir espérer estimer θ. Exhaustivité : L estimatio de θ faite à partir de ce sodage perd forcemet ue partie de cette iformatio : partat de valeurs, o e costruit qu ue seule, l estimatio. Et la coaissace de la seule estimatio e permet pas de remoter à l'échatillo tout etier. Affaiblissemet de l iformatio sur la loi Via le sodage Via la costructio d u estimateur La perte doit être miimale pour costruire u estimateur précis

26 C-2 Vraisemblace d u échatillo Rappels de otatios : p θ le vecteur de paramètre icou ( θ R ) f θ (x) la loi (cotiue ou discrète) de X ( X,..., X ) l échatillo aléatoire associé au sodage ( x,..., x ) ue réalisatio de cet échatillo ((u sodage particulier) Remarque : La loi f θ (x) de X (aisi que toute foctio dépedat de θ) sera otée das ce chapitre f(x, θ), car o s itéressera aux variatios de la loi par rapport à θ.

27 C-2 Vraisemblace d u échatillo Vraisemblace de l échatillo aléatoire : L( X,..., X, θ ) = f ( X i, θ ) i= NB : C est ue variable aléatoire. Sa réalisatio sur le jeu de doées (x, x2,..., x), est la valeur de la desité de l échatillo aléatoire au poit (x, x2,..., x). Log-vraisemblace de l échatillo aléatoire : l( X,..., X, θ ) l( L( X,..., X, θ )) l( f ( X, θ )) = = i i= NB: Pour des résolutios mathématiques, il est plus commode d étudier la log vraisemblace que la vraisemblace. L et l, cosidérées comme des foctios de θ, ot le même ses de variatio.

28 C-3 Iformatio de Fisher d u échatillo (θ réel) Score de l échatillo : Si f(x, θ) est différetiable e θ, l est ue foctio dérivable de θ, et le score est sa dérivée : S ( θ ) l( X,..., X, θ = ) = L( X,..., X, θ ) θ L( X,..., X, θ ) θ Pour tout θ, Le score est ue variable aléatoire Le score s aule à u optimum e θ de la foctio de vraisemblace. Pour ue réalisatio doée (x,,x) de l échatillo aléatoire (u sodage particulier) La valeur du score est ue foctio de θ, réalisatio de la variable aléatoire défiie ci-dessus sur ce jeu de doées s( θ ) = l( x,..., x, θ ) θ

29 C-3 Iformatio de Fisher d u échatillo (θ réel) Le score est cetré : E( S( θ )) = 0 la variace du score (si elle existe) s appelle l iformatio de Fisher apportée par l échatillo sur θ : ( θ ) I ( θ ) = E ( S ( ))² Cette quatité mesure l iformatio apportée par u échatillo sur le paramètre

30 C-3 Iformatio de Fisher d u échatillo (θ réel) L iformatio de Fisher mesure l iformatio apportée par u échatillo sur le paramètre : ue iformatio de Fisher proche de zero idique u échatillo peu iformatif sur la valeur de θ Pour u sodage particulier, la valeur du score mesure la sesibilité de la vraisemblace à la valeur de θ. Si le score est faible, la vraisemblace est peu sesible à de petites variatios du paramètre : les observatios 'arrivet pas à s'accorder etre elles sur la directio du chagemet à apporter à la valeur de θ pour augmeter la vraisemblace de l'échatillo. O doit doc s'attedre à ce que l'échatillo cotiee peu d'iformatio sur la vraie valeur de ce paramètre. E moyee pour u θ fixé, le score est ul. Si sa variace (iformatio de Fisher) est très petite pour ue valeur doée de θ, alors, presque tous les jeux de doées aurot alors u score proche de 0 (l'espérace du score), et doc presque tous les échatillos e cotiedrot qu'ue faible quatité d'iformatio sur la valeur réelle de θ.

31 C-3 Iformatio de Fisher d u échatillo (θ réel) Propriétés de l iformatio de Fisher : Autre formulatio : si le domaie de défiitio de X e déped pas de θ et que cette quatité existe, ² l( X,..., X, θ ) S ( θ ) ( θ ) = = θ ² θ I E E Additivité : si le domaie de défiitio de X e déped pas de θ, chaque observatio apporte la même iformatio I θ θ ( ) = I ( )

32 C-3 Iformatio de Fisher d u échatillo (cas multidimetioel) Extesio au cas multidimesioel : Le score est u vecteur aléatoire de dimesio p: θ = ( θ,..., θ p ) R p S ( θ ) = l ( X,..., X, θ ),..., l( X,..., X, θ ) θ θ p Il est caractérisé par so vecteur espérace (=0) et sa matrice de variace covariace appelée matrice d iformatio de Fisher, I ( ) = ( I ) défiie positive de terme gééral θ i, j i, j p I l( X,..., X, θ ) l( X,..., X, θ ) = Cov, i, j θi θ j

33 C-4 Statistique exhaustive Dégradatio de l iformatio par ue statistique de l échatillo : soit T ue statistique de l échatillo et g (t, θ) sa loi. Alors avec égalité si la statistique est exhaustive. I ( θ ) I ( θ ) T Dém : La vraisemblace de T est g(t,θ) l iformatio de Fisher I T (θ) apportée par T sur θ est (sous de boes coditios) : I T ²l g( T, θ ) ( θ ) = E θ ² L( X,..., X, θ ) = g( t, θ ) k( X,..., X, θ / T = t) doc ²l k I( θ ) = IT ( θ ) E θ ² Le derier terme est l iformatio coditioelle de l échatillo sachat T et o motre qu il est positif

34 C-4 Statistique exhaustive Ue statistique de l échatillo e peut pas coteir plus d iformatio sur θ que l échatillo.mais das quel cas peut-o espérer qu elle coserve la majeure partie de l iformatio «utile»? Θ Θ < Θ * Iformatio utile pour l estimatio de θ Iformatio iutile pour l estimatio de θ, bie que pouvat être utile pour d autres applicatios ( X,..., X )

35 C-4 Statistique exhaustive Statistique exhaustive T: sa créatio e rejettera que de l'iformatio "iutile" tout e préservat itégralemet l'iformatio "utile" à l'estimatio de θ. Costructio de T?

36 C-4 Statistique exhaustive Idées de costructio : Soit t la valeur de T sur u sodage. Pour que t soit aussi iformative que ce sodage, il faut à partir de la valeur t être capable de recostruire ou ue autre réalisatio de X X ( x,..., x ) ( x,..., x) ( x',..., x' ) (,..., ) L θ ( X,..., X ) Soit la loi de. Soit la loi de T dot ue réalisatio est t. Pour tirer ue réalisatio de o peut : simuler ue réalisatio de loi L θ g θ (,..., ) X X simuler ue réalisatio t de loi g, puis ue réalisatio de la loi k de θ l échatillo coditioellemet à la valeur de t car : L ( x,... x ) = k ( x,... x / T = t) g ( t) θ θ θ

37 C-4 Statistique exhaustive Statisticie S : dispose d u jeu de doées obteu par sodage. Peut costruire la valeur de t à partir de ce jeu de doées Peut costruire ue estimatio de θ à partir de ce jeu de doées. Statisticie S2 : e dispose pas du jeu de doées s est fait doer t par S Coait g θ Pour disposer d autat d iformatio que S, S2 doit être capable de tirer ue réalisatio de l échatillo aléatoire. Comme il dispose de t, il faut qu il puisse tirer das la loi coditioelle de cet échatillo sachat t, mais celle-ci déped gééralemet de θ. S et S2 k ( x,... x / T = t) e déped pas de θ θ Alors seulemet, S2 sera capable de tirer ue réalisatio de l échatillo aléatoire et de costruire ue estimatio de θ à partir de ce jeu de doées.

38 C-4 Statistique exhaustive

39 C-4 Statistique exhaustive Ue statistique T e peut ous reseiger sur la valeur d u paramètre que si sa loi déped de ce paramètre. Puisque L ( x,... x ) = k ( x,... x / T = t) g ( t) θ θ θ Si la loi coditioelle de l échatillo aléatoire sachat la valeur de T e déped plus du paramètre, cela veut dire qu alors, ue fois T cou, ous obteos plus aucue iformatio sur le paramètre par l échatillo et que doc T porte toute l iformatio dispoible sur le paramètre.

40 C-4 Statistique exhaustive Formalisatio Soit L θ R R R [ ] : (resp. 0, ) la desité joite (resp. la loi de probabilité joite) de l échatillo aléatoire issu de X cotiue (resp.discrète). h : R R p Soit ue foctio et T = h( X,..., X ) ue statistique de l échatillo aléatoire et t = h( x,..., ) sa valeur au poit x ( x,..., x )

41 C-4 Statistique exhaustive Défiitio : T est dite exhaustive pour le paramètre θ si la distributio de l'échatillo aléatoire coditioellemet T=t e déped pas de θ : Lθ ( x,..., x / T = t ) = k ( x,..., x / T = t ), ( x,..., x ) R, θ ϑ Propriété : Si T est exhaustive, alors I ( θ ) = I ( θ ) T Caractérisatio ( théorème de factorisatio ) Ue statistique T de loi g est dit exhaustive pour le paramètre θ ssi il θ existe ue foctio k : telle que : R R θ (,..., ) = θ ( ) (,..., ), (,..., ) R, θ ϑ L x x g t h x x x x

42 Exemple C-4 Statistique exhaustive

43 C-4 Statistique exhaustive Lois de X permettat ue statistique exhaustive (théorème de Darmois) O ote f θ la loi de X (desité si X cotiue, loi de probabilité si X discrète). O suppose que le domaie de défiitio de X e déped pas de θ. a, b, α,β état des foctios, ue CNS pour que l échatillo aléatoire admette ue statistique exhaustive pour θ est que fθ ( x) = exp [ a( x) α( θ ) + b( x) + β ( θ )] (famille expoetielle) i= x Das ce cas, si l applicatio a( xi ) est bijective et = cotiûmet différetiable pour tout xi, alors T a( X i ) est ue statistique exhaustive particulière pour θ. i=

44 C-4 Statistique exhaustive Coséqueces de l existece d ue statistique exhaustive de θ sur l existece et la défiitio d u estimateur de θ de variace miimale : U estimateur de θ devrait être d autat plus précis qu il capture, pour sa costructio, ue part importate de l ifo sur θ coteue das l échatillo. Das la meilleure des situatio, O devrait pouvoir retrouver toute l ifo de l échatillo à partir de l estimateur les estimateurs les plus précis de θ (e particulier les estimateurs sas biais de variace miimale) sot des statistiques exhaustives ou des foctios de celles-ci., si tat est qu ue statistique exhaustive de θ existe. U autre aspect du problème : l iformatio Ce qui précède est pas suffisat pour avoir u estimateur précis : u estimateur e pourra être bo que si l échatillo lui-même sur lequel il est costruit véhicule (cotiee) suffisammet d ifo sur le paramètre il faut e plus que l iformatio coteue das l échatillo sur le paramètre soit suffisate.

45 D- Estimateur de variace miimale, estimateur efficace

46 D- Estimateur sas biais de Variace Miimale Rappel : Il est fréquet qu'u paramètre admette plusieurs, voire ue ifiité d'estimateurs sas biais. Ex : Pour la distributio ormale N(µ, s), la moyee et la médiae empiriques sot toutes deux des estimateurs sas biais de µ). De tous les estimateurs sas biais de θ, le meilleur (au ses de EQM) est celui qui a la plus faible variace. O l'appelle "Estimateur sas biais de Variace Miimale" de θ. L idetificatio et la qualité d u estimateur sas biais de variace miimale est lié à l iformatio coteue das l échatillo sur θ et à l existece d ue statistique exhaustive pour θ. O dispose de quatre résultats théoriques pour idetifier cet estimateur.

47 D- Estimateur sas biais de Variace Miimale Uicité : s il existe u estimateur sas biais de variace miimale de θ, alors, il est uique p.s. Théorème de Rao-Blackwell Si u estimateur sas biais de θ 'est pas de variace miimale, il est possible de l'améliorer si l'o dispose d'ue statistique exhaustive pour θ. Le Théorème e garatit cepedat pas que le ouvel estimateur "amélioré" soit de variace miimale. Iégalité de Cramér-Rao Permet d établir, sous coditio de régularité, ue bore iférieure de la variace d'u estimateur sas biais. Coditios sous lesquelles la bore est atteite. L estimateur de variace miimale est alors celui ayat la variace de la bore de Cramer- Rao, il s appelle estimateur efficace.

48 D-2 Théorème de Rao-Blackwell Problème posé : Si o dispose d u estimateur sas biais de θ, est-il possible de l améliorer? Répose : oui si l o dispose d ue statistique exhaustive de θ, Théorème de Rao-Blackwell : Soit Θ u estimateur sas biais de θ et T ue statistique exhaustive de θ. Alors Θ *=E(Θ /T) est u estimateur sas biais de θ au mois aussi bo que Θ. Coséquece : s il existe ue statistique exhaustive T de θ alors l estimateur sas biais de variace miimale de θ est ue foctio de T: Θ *=k(t). Rq : Iversemet si o dispose d u estimateur sas biais foctio d ue statistique exhaustive, o est pas sûrs qu il soit de variace miimale.

49 D-2 Théorème de Rao-Blackwell Idée de la preuve: o utilise les résultats suivats avec Y = Θ et Z=T Θ ** et u estimateur sas biais quelcoque de θ, Y, Z v. a. E( E( Y Z)) = E( Y ) Théorème de la variace totale : V ( Y ) = V ( E( Y Z)) + E( V ( Y Z) Pour la coséquece : Soit ** *. Comme * Θ est de = E( Θ T )) Θ variace miimale, o a * E( V ( Θ T )) = 0 et doc * Θ = k( T )

50 D-3 Iégalité de FDCR Problème posé : Etat doé u paramètre θ d'ue distributio, quelle est la plus petite variace que l'o puisse espérer pour u estimateur sas biais de θ (ou d ue foctio k(θ) de θ? Répose : cela déped de l iformatio coteue das l échatillo H : Le domaie de défiitio de X e déped pas de θ et l iformatio de Fisher existe Iégalité de Fréchet-Darmois-Cramer-Rao (FDCR): Si H est satisfaite, o a pour tout estimateur sas biais Θ de θ : V ( Θ ) I ( θ ).

51 D-3 Iégalité de FDCR Iterprétatio : La valeur de la bore de FDCR est foctio de l iformatio que peut coteir l échatillo sur le paramètre : Plus grade est l'iformatio sur la valeur du paramètre, plus précises serot les prédictios d'u estimateur sas biais dot la variace est égale à la bore de Cramér-Rao. Iversemet, si la variace du score (iformatio de Fisher) est très petite, et doc si presque tous les échatillos e cotieet que peu d'iformatio sur la valeur du paramètre, o e peut pas espérer d u estimateur sas biais qu'il soit précis, c'est à dire qu'il ait ue faible variace. Remarque : L iégalité de FDCR et doc la variace miimale que peut atteidre u estimateur sas biais, est valable que das le cas où l iformatio de Fisher existe et ou H est vérifiée.

52 D-3 Iégalité de FDCR Gééralisatio à u estimateur sas biais d ue foctio de θ: soit k ue foctio et u estimateur sas biais de k(θ). Si k est ue foctio dérivable et que H est satisfaite: V ( ) ( k θ ) I '( ) ² ( θ )

53 D-4 Estimateur efficace Estimateur efficace Défiitio : u estimateur efficace de θ (resp. k(θ) ) est u estimateur sas biais dot la variace est égale à la bore iférieure de Cramer-Rao : Propriétés : V ( Θ ) = I ( θ ) ( θ ) k '( ) ² ( resp. V ( ) ) = I ( ) I ( θ ) Si u estimateur efficace de θ (ou de k(θ)) existe, il est uique p.s. Si u estimateur efficace de θ (resp. k(θ)) existe, il est égal p.s. à l estimateur sas biais de variace miimale de θ (resp. k(θ). Pertiece : La défiitio d u estimateur efficace a de ses que si l hypothèse H est vérifiée.

54 D-4 Estimateur efficace Exemple : Loi de Poisso de paramètre θ : l( X,..., X, θ ) = θ + X lθ l X i! i= X S( θ ) = + θ E( X ) I( θ ) = E S( θ ) = = θ θ ² θ O estime θ par X : o a V ( X ) =. C est u estimateur efficace. θ

55 D-4 Estimateur efficace Problème posé : Coditios écessaire à l'existece d'u estimateur efficace de k(θ) Réposes : La loi de X permet ue statistique exhaustive (Darmois) de θ. Das ce cas, l estimateur efficace de k(θ ) est ue statistique exhaustive de θ Das la suite, o suppose que H est vérifiée.

56 D-4 Estimateur efficace Théorème sur l efficacité La bore de Cramer-Rao e peut être atteite (il e peut exister d estimateur efficace) que si la loi de X appartiet à la famille expoetielle [ ] fθ ( x) = exp a( x) α( θ ) + b( x) + β ( θ ) (c est-à-dire si elle permet l existece d ue statistique exhaustive, Car l estimateur efficace est écessairemet exhaustif pour θ.) Si la loi de X est bie de la forme précédete, il existe qu ue seule foctio de θ qui puisse être estimée efficacemet, c est : β '( θ ) k( θ ) = α '( θ ) L estimateur de k(θ) est alors T = a( X i ) de variace (miimale) : ( k '( θ ))² k '( θ ) V ( T ) = = I ( θ ) α '( θ ) i =

57 D-4 Estimateur efficace Exemple : Loi de Poisso de paramètre θ : = O a vu que : S X i est exhaustive. O peut le retrouver autremet i= : l f ( x, θ ) = θ + xlθ l( x!) doc la loi de poisso appartiet à la famille expoetielle avec a ( x ) = x ; α ( θ ) = l θ ; b ( x ) = l( x!); β ( θ ) = θ Doc d après le théorème de Darmois est exhaustive. D après le théorème précédet la seule foctio qui puisse être estimée efficacemet est β '( θ ) l estimateur efficace est S/ k( θ ) = = θ α '( θ ) S = a( X ) = X i i= i= Remarque :Si S est exhaustive, toute foctio détermiiste de S est exhaustive. Par exemple, S/ est exhaustive. i

58 D-4 Estimateur efficace Remarque importate: Il existe au plus ue seule foctio k(θ) du paramètre θ qui peut être estimée efficacemet. E coséquece, s'il existe ue foctio k vérifiat la relatio ci-dessus, et si cette foctio 'est pas la foctio idetité, alors il 'existe pas d'estimateur efficace de θ.

59 D-4 Estimateur efficace Coclusio sur l estimatio de θ : Cas où les hypothèses de L'iégalité de Cramér-Rao sot satisfaites : L'iégalité de Cramér-Rao produit ue bore iférieure de la variace d'u estimateur sas biais. U estimateur sas biais de variace miimale aura doc ue variace supérieure ou égale à la bore iférieure de l iégalité de FDCR. Cette bore est pas forcémet atteite das le cas gééral : O peut par exemple exhiber des cas où cette bore est égale à 0, et doc évidemmet iaccessible. Lorsqu elle l est, O appelle estimateur efficace u estimateur sas biais dot la variace est égale à la bore iférieure de l iégalité de FDCR. Das ce cas, c est l estimateur de variace miimale. Il existe que si X admet ue loi das la famille expoetielle et que k est la foctio idetité, et l estimateur est das ce cas uique et exhaustif. Cas où les hypothèses de L'iégalité de Cramér-Rao e sot sas satisfaites : La otio d estimateur efficace a alors pas de ses, i la bore de Cramer-Rao. Il peut alors même exister des estimateurs sas biais dot les variaces sot iférieures à la bore (sas sigificatio) de Cramér-Rao.

60 E- Quelques méthodes d estimatio

61 E- Estimatio par la méthode du maximum de vraisemblace Soit ( X, X 2,..., X ) l échatillo aléatoire associé à u sodage de taille das la populatio de distributio de probabilité f(x, θ), où θ est u vecteur de paramètres icous, p et que l'o cherche à estimer. θ ϑ R Estimatio par la méthode du maximum de vraisemblace (MLE) : O choisit comme estimateur de θ le vecteur θ qui red maximal la vraisemblace (ou la log-vraisemblace) de l'échatillo dot o dispose. Θ = arg max L( X,..., X, θ ) = arg max l( X,..., X, θ ) θ ϑ θ ϑ Pour u sodage particulier, ( x, x 2,..., x ), l estimatio (valeur) du paramètre est : ˆ θ = arg max L ( x,..., x, θ ) = arg max l ( x,..., x, θ ) θ ϑ θ ϑ

62 E- Estimatio par la méthode du maximum de vraisemblace Mise e œuvre Lorsque f(x, θ) est ue foctio deux fois différetiable e θ, la méthode la plus directe cosiste à : Idetifier les extrema de la vraisemblace (ou log-vraisemblace ) e aulat ses dérivées partielles premières par rapport à θ (le score). O résout doc e θ le système d équatios : S ( ) 0 θ = Reteir parmi ces extrema ceux qui sot des maxima, par exemple e recherchat ceux pour lesquels la matrice des dérivées partielles secodes de la vraisemblace (ou log-vraisemblace ) est égative au voisiage de θ. Reteir, de ces différets maxima, celui qui présete la plus grade valeur de la vraisemblace.

63 E- Estimatio par la méthode du maximum de vraisemblace Exemple : EMV de l espérace d ue loi expoetielle de paramètre θ i L ( X,..., X, θ ) = θ e θ = θ e i= l ( X,..., X, θ ) = lθ θx S ( θ ) S θ = X Θ = θ ( θ ) = < 0 θ ² X X θ X

64 E- Estimatio par la méthode du maximum de vraisemblace Propriétés de l estimateur du Maximum de Vraisemblace (EMV) (à titre idicatif) Propriétés à taille d'échatillo fixe Prop : S il existe u estimateur efficace de θ, alors il est égal à l uique EMV de θ. RQ : La réciproque est fausse : u EMV 'est pas obligatoiremet efficace. Prop 2 : Si le paramètre θ admet ue statistique exhaustive, l EMV est ue foctio de cette statistique exhaustive. Prop 3 : Si Θ est l EMV de θ, k(θ) est l EMV de k(θ).

65 E- Estimatio par la méthode du maximum de vraisemblace Propriétés asymptotiques Prop 4 : Pour des échatillos suffisammet grads, l EMV deviet uique, et ted (e probabilité) vers la vraie valeur du paramètre θ. C'est doc u estimateur coverget : ˆ θ P θ Prop 5 : L EMV est asymptotiquemet gaussie et asymptotiquemet efficace ( pour des échatillos suffisammet grads, sa variace est iférieure à celle de tout autre estimateur et est proche de la bore de Cramér-Rao) : ˆ θ θ L N ( 0,) ( θ ) où I désige l'iformatio de Fisher de l échatillo. I

66 E- Estimatio par la méthode du maximum de vraisemblace Extesios : Vraisemblace et tests Puisque la vraisemblace mesure la plus ou mois boe adéquatio etre ue distributio de paramètre doé θ et u échatillo, o peut s'attedre à la voir jouer u rôle importat das les tests portat sur le choix etre des distributios paramétriques cadidates pour redre compte d'u échatillo. L'exemple le plus simple d'ue telle apparitio de la vraisemblace das le mode des tests est le Théorème de Neyma-Pearso (cf chapitre suivat) qui établit que la Meilleure Régio Critique d'u test devat décider etre deux distributios cadidates est etièremet détermiée par des cosidératios portat sur les vraisemblaces de ces deux distributios pour l'échatillo dispoible.

67 E-2 Estimatio par la méthode des momets Soit ( X, X 2,..., X ) l échatillo aléatoire associé à u sodage de taille das la populatio de distributio de probabilité f(x, θ), où θ est u vecteur de paramètres icous de dimesio p et que l'o cherche à estimer. Soiet r r r X = X i et mr ( θ ) = Eθ ( X ) i= les momets empiriques et théoriques d ordre r de l échatillo et de la loi de X respectivemet (lorsque r=, o a la moyee empirique et l espérace). Les momets théoriques dépedet de θ..

68 E-2 Estimatio par la méthode des momets Estimateur des momets de θ : L estimateur des momets de θ est le vecteur Θ qui vérifie le système d équatios e θ: r X = m ( θ ), r =,... p r Si ce système peut être résolu, est l estimateur des momets de θ. (,..., ) p Θ = k X X Pour u sodage particulier ( x, x 2,..., x ), l estimatio (valeur) correspodate est : ˆ p θ = k x,..., x ( )

69 E-2 Estimatio par la méthode des momets Exemple : EM de l espérace d ue loi expoetielle de paramètre θ Θ solutio de : Eθ ( X ) = X = X Θ = θ X

70 E-2 Estimatio par la méthode des momets Propriétés (à titre idicatif) La méthode des momets fourit des estimateurs covergets La méthode des momets est coceptuellemet plus simple que la méthode du maximum de vraisemblace La méthode des momets fourit des estimateurs peu précis lorsque est modéré les estimateurs aisi produits 'ot pas les boes propriétés asymptotiques des estimateurs du Maximum de Vraisemblace. E particulier o a pas e gééral la loi limite de l estimateur

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

B) CHAÎNES DE SOLIDES

B) CHAÎNES DE SOLIDES Chaîes de solides B) CHAÎNES DE SOLIDES Objectifs Cette théorie a pour but d'aalyser les comportemets statique et ciématique d'u mécaisme à partir d'u modèle défii par le schéma ciématique du mécaisme.

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

Méthodes basiques en statistiques sous R

Méthodes basiques en statistiques sous R Méthodes basiques e statistiques sous R Master II Modélisatio Aléatoire - Paris VII Eseigat : Mme Picard Sébastie Le Berre 12 mai 2011 R est u logiciel de calcul largemet utilisé par la commuauté scietifique

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

Corrigé de Mathématique éco HEC

Corrigé de Mathématique éco HEC Corrigé de Mathématique éco HEC EXERCICE Hypothèses. M 3 R est l espace vectoriel des matrices carrées d ordre 3 à coefficiets réels. A M 3 R : s A 3 A,j, s A 3 A,j, s 3 A 3 somme des coefficiets des liges

Plus en détail

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015 1 TESTS DE RANDOMISATION Cours VII. Tests de radomisatio - Tests de cotigece P. Couillard 2015 Das ue majorité de cas e biologie o cosidèrera certaies hyothèses comme des alteratives à l hyothèse ulle.

Plus en détail

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre Statistique mathématique pour le Master 1 Cours de l ENS Cacha Bretage Beoît Cadre 4 jui 2010 2 Table des matières 1 Modélisatio statistique 5 1.1 U exemple............................. 5 1.2 Pricipe fodametal

Plus en détail

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Cours de méthodes de simulation

Cours de méthodes de simulation ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION ( ESSAIT) Cours de méthodes de simulatio Préparé par Hasse MATHLOUTHI Aée uiversitaire 2014-2015 AVANT PROPOS Ce documet propose u cours sur

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique Titre : Élémets fiis de joit mécaiques et élémets fi[...] Date : 28/10/2014 Pae : 1/10 Élémets fiis de joit mécaiques et élémets fiis de joit couplés hydromécaique Résumé : Cette documetatio porte sur

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008 Prépa HEC Sait-Jea de Douai Probabilités Poly des exercices ECS1 2007-2008 Christia Skiada 4 septembre 2008 Spriger-Verlag Berli Heidelberg NewYork Lodo Paris Tokyo Hog Kog Barceloa Budapest Préface Voici

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

Plus en détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS

PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS INTRODUCTION De ombreuses situatios pratiques peuvet être modélisées à l aide de variables aléatoires qui sot régies par des lois spécifiques. Il importe doc d

Plus en détail

MATHEMATIQUES Terminale Scientifique

MATHEMATIQUES Terminale Scientifique MATHEMATIQUES Termiale Scietifique Fiches PROGRAMME 22 (v24) Sylvie LAMY Agrégée de Mathématiques Dilômée de l École Polytechique Cours Pi e-mail : lescoursi@cours-icom site : htt://wwwcours-icom siège

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo BTS Iformatique de gestio e aée Deis Jaudo Mathématiques Cours Directrice de publicatio : Valérie Brard-Trigo Les cours du Ced sot strictemet réservés à l usage privé de leurs destiataires et e sot pas

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Féelo aite-marie Préparatio ciece-po/prépa HEC Foctios Versio du juillet 05 Eercice d degré : racies et coefficiets O rappelle que si l équatio a + b + c = 0 ( a 0 ) adet deu racies α et β (évetuelleet

Plus en détail

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

ÉCHANTILLONNAGE ESTIMATION

ÉCHANTILLONNAGE ESTIMATION Chapitre 16 ÉCHANTILLONNAGE ESTIMATION Vous vous ferez estimer e supportat les ijustices. Cicéro 1 ÉCHANTILLONNAGE 1.1 Itroductio O cosidère ue populatio (par exemple la populatio fraçaise) et u certai

Plus en détail

EXERCICES D OPTIQUE GEOMETRIQUE ENONCES

EXERCICES D OPTIQUE GEOMETRIQUE ENONCES EXERCICES D PTIQUE GEMETRIQUE ENNCES Exercice 1 : Vitre Motrer que la lumière est pas déviée par u passage à travers ue vitre. Pour ue vitre d épaisseur 1 cm, que vaut le décalage latéral maximal? Si la

Plus en détail

MATHÉMATIQUES Corrigé

MATHÉMATIQUES Corrigé Exame de ovembre 009 Exame du premier trimestre Le 30 ovembre 009 Classes de ère STG Durée 3 heures MATHÉMATIQUES Corrigé Note aux cadidats L emploi des calculatrices est autorisé (circulaire 99 86 du

Plus en détail

STATISTIQUE NON PARAMETRIQUE ELEMENTAIRE

STATISTIQUE NON PARAMETRIQUE ELEMENTAIRE STATISTIQUE NON PARAMETRIQUE ELEMENTAIRE Cours de M ESA UNIVERSITE D ORLEANS Gilbert COLLETAZ Notes de cours octobre 4 versio très provisoire INTRODUCTION Ce cours a pour objectif la présetatio des pricipaux

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

Plus en détail

L3 MFA, Probabilités, 2010-2011 Université Paris-Sud 11. Feuille de TD n o 1

L3 MFA, Probabilités, 2010-2011 Université Paris-Sud 11. Feuille de TD n o 1 L3 MFA, Probabilités, 00-0 Uiversité Paris-Sud Exercice.. Jea, Luc et Marc lacet chacu u dé. Feuille de TD o (a) Doer u espace de probabilité (Ω, F, P) associé à cette expériece aléatoire. (b) Soiet i,

Plus en détail

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire Séquece 9 Lois ormales, itervalle de fluctuatio, estimatio Sommaire 1. Prérequis. Lois ormales 3. Itervalles de fluctuatio 4. Estimatio 5. Sythèse de la séquece Séquece 9 MA0 1 Ced - Académie e lige Das

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Ressources pour le lycée gééral et techologique Ressources pour la classe termiale géérale et techologique Probabilités et statistique Ces documets peuvet être utilisés et modifiés libremet das

Plus en détail

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

Plus en détail

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO Uiversité Paris VII - Agrégatio de Mathématiques Fraçois Delarue) MÉTHODE DE MONTE-CARLO Ce texte vise à préseter l utilisatio de la méthode de Mote-Carlo das le calcul du prix d ue optio. 1. Positio du

Plus en détail

Introduction to Econometrics

Introduction to Econometrics MPRA Muich Persoal RePEc Archive Itroductio to Ecoometrics Moussa Keita September 015 Olie at https://mpra.ub.ui-mueche.de/66840/ MPRA Paper No. 66840, posted. September 015 04:1 UTC INTRODUCTION A L ECONOMETRIE

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête.

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête. Cliclasolutio Aée 2006/2007 REQUÊTES Utilité des requêtes QUESTIONNER LA BASE DE DONNÉES La foctio classique d'ue requête est de répodre à ue questio sur la base de doées. "Quels sot les cliets habitat

Plus en détail

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario Mathématiques Termiale S Corrigés des eercices Rédactio : Lauret Beroul Isabelle Teaud Sébastie Cario Coordiatio : Sébastie Cario Ce cours est la propriété du Ced Les images et tetes itégrés à ce cours

Plus en détail