STATISTIQUE : ESTIMATION

Dimension: px
Commencer à balayer dès la page:

Download "STATISTIQUE : ESTIMATION"

Transcription

1 STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée Jea-Jacques Ruch

2

3 Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples fodametaux 6 3.a. Estimatio de m 6 3.b. Estimatio de σ 2 e supposat m cou 7 3.c. Estimatio de σ 2 lorsque m est icou 7 4. Cas particulier de la loi ormale 8 5. Costructio d estimateur par la méthode du maximum de vraisemblace 5.a. Cas discret 5.b. Cas à desité 2 Chapitre II. Estimatio par itervalle 3. Défiitio d ue régio de cofiace 3 2. Costructio de régios de cofiace 3 3. Exemples classiques d estimatio par itervalle 5 3.a. Estimatio de la moyee quad la variace est coue 5 3.b. Estimatio de la moyee quad la variace est icoue 5 3.c. Estimatio de la variace quad la moyee est coue 6 3.d. Estimatio de la variace quad la moyee est icoue 8 4. Comparaiso de moyees et de variaces 8 4.a. Itervalle de cofiace de la différece de deux moyee 8 4.b. Itervalle de cofiace du rapport de deux variaces Estimatio d ue proportio 20 5.a. Estimatio poctuelle 2 5.b. Estimatio par itervalle 2 5.c. Méthode du Bootstrap 22

4

5 CHAPITRE I Estimatio poctuelle E statistique, comme das la théorie des probabilités le hasard iterviet fortemet. Mais das la théorie des probabilités, o suppose la loi coue précisémet et o cherche à doer les caractéristiques de la variable qui suit cette loi. L objectif de la statistique est le cotraire : à partir de la coaissace de la variable, que peut-o dire de la loi de cette variable?. Défiitios Soit X ue variable aléatoire dot la desité de probabilité fx, θ) déped d u paramètre θ apparteat à I R. A l aide d u échatillo issu de X, il s agit de détermier au mieux la vraie valeur θ 0 de θ. O pourra utiliser deux méthodes : - estimatio poctuelle : o calcule ue valeur vraisemblable ˆθ de θ 0 - estimatio par itervalle : o cherche u itervalle das lequel θ 0 se trouve avec ue probabilité élevée. Défiitio. U -échatillo de X est u -uplet X, X 2,..., X ) tel que les X k ot la même loi que X et sot idépedates. Ue réalisatio de l échatillo est alors u -uplet x, x 2,..., x ) de valeurs prises par l échatillo. Défiitio 2. Ue statistique de l échatillo est ue variable aléatoire ϕx, X 2,..., X ) où ϕ est ue applicatio de R das R. U estimateur T de θ est ue statistique à valeurs das I. Ue estimatio est la valeur de l estimateur correspodat à ue réalisatio de l échatillo. Exemple : X = X k est u estimateur de l espérace mathématique. Défiitio 3. Le biais de l estimateur T de θ est E[T ] θ 0. S il est ul, o dit que T est u estimateur sas biais. L estimateur T est asymptotiquemet sas biais si lim E[T ] = θ 0. O ote souvet le biais b θ T ). Défiitio 4. L estimateur est dit coverget si la suite T ) coverge e probabilité vers θ 0 : ε > 0, P T θ 0 > ε) 0. + O parle d estimateur fortemet coverget lorsqu o a covergece presque sûre. D après Bieaymé-Tchebychev pour qu u estimateur asymptotiquemet sas biais soit coverget il suffit que VarT ) 0. +

6 6 Chapitre I. Estimatio poctuelle 2. Critères de comparaiso d estimateurs U bo critère de comparaiso est le risque quadratique. Défiitio 5. Soiet T u estimateur de θ. Le risque quadratique est défii par RT, θ) = E[T θ) 2 ] O peut alors comparer deux estimateurs. Défiitio 6. O dit que T est u meilleur estimateur que T 2 si θ I, RT, θ) RT 2, θ) et θ I, RT, θ) < RT 2, θ). U estimateur est dit admissible s il existe pas d estimateur meilleur. L erreur quadratique moyee de T se décompose e deux termes, le carré du biais et la variace de T : E[T θ) 2 ] = b 2 θt ) + VarT ). Cette décompositio permet de se rameer à ue discussio sur la variace pour les estimateurs sas biais de θ. Défiitio 7. Soiet T et T 2 deux estimateurs sas biais de θ. O dit que T est u plus efficace que T 2 si θ I, VarT ) VarT 2 ) et θ I, VarT ) < VarT 2 ). O parle d estimateur à variace miimale si seul le premier poit est vérifié, c est-à-dire : VarT ) VarT 2 ). 3. Exemples fodametaux Soit X ue variable aléatoire telle que E[X] = m et VarX) = σ 2. 3.a. Estimatio de m. Théorème 8. La moyee empirique X = X k est u estimateur sas biais et coverget de m. O a E[X ] = E[X k ] = m et VarX ) = 2 Var[X k ] = σ2 D après la loi forte des grads ombres X est même fortememet coverget. Il est possible de détermier la loi asymptotique de la moyee empirique. 0. +

7 3. Exemples fodametaux 7 Propositio 9. Si est assez grad o peut utiliser l approximatio ormale lorsque X admet u momet d ordre 2) X L N m, σ 2 /). C est ue coséquece du TCL qui ous assure que L X m) N 0, + σ2 ). 3.b. Estimatio de σ 2 e supposat m cou. Théorème 0. Lorsque m est cou S 2 = est u estimateur sas biais et coverget de σ 2. X k m) 2 O a E[S 2 ] = E [ ] X k m) 2 = Par ailleurs, les variables X k m) 2 état idépedates : VarS 2 ) = 2 avec µ k = EX m) k ). VarX k m) 2 ) = VarX k ) = σ 2 E[X m) 4 ] E[X m) 2 ] 2) = µ4 σ 4) Doc S 2 est u estimateur coverget. La loi forte des grads ombres appliquée aux variables X k m) 2 etraîe même la covergece presque sûre vers σ 2. Comme das le cas de la moyee empirique le TCL ous permet de détermier la loi asymptotique de S 2 ; o a lorsque est assez grad : S 2 L N σ 2, µ 4 σ 4 )/). 3.c. Estimatio de σ 2 lorsque m est icou. E gééral o e coaît pas m ; o le remplace par u estimateur et o itroduit la variace empirique associée : S 2 = X k X ) 2. Théorème. La variace empirique S 2 est u estimateur biaisé et coverget de σ 2. Il est asymptotiquemet sas biais. O a E[S 2 ] = EX 2 k) E[X 2 ] = m2 + σ 2 )) m 2 + σ2 ) = σ2.

8 8 Chapitre I. Estimatio poctuelle D autre part, o peut motrer que : VarS) 2 = µ4 σ 4) 2 µ4 2 2σ 4) + µ4 3 3σ 4) 0 avec µ k = EX m) k ). L estimateur est doc coverget. Le résultat précédet et le lemme de Slutsky Probabilité 2, Jea-Yves Ouvrard, p. 347) permet de détermier la loi asymptotique de S 2 : S 2 L N σ 2, µ 4 σ 4 )/). Théorème 2. La variace empirique corrigée Ŝ 2 = est u estimateur sas biais et coverget de σ 2. X k X ) 2. Cela se motre facilemet e remarquat que Ŝ 2 = S2. 4. Cas particulier de la loi ormale O suppose das ce paragraphe que X suit la loi ormale N m, σ 2 ). O sait que X = X k suit alors la loi ormale N m, σ 2 /), ce qui cofime que c est u estimateur sas biais, coverget de m. Les résultats obteus au paragraphe précédet pour l estimatio de σ 2 sot ecore valables ; e particulier o a : ES) 2 = σ 2 et VarS) 2 2 ) = 2 σ 4 E effet, calculos µ k µ k = EX m) k ) = + ) x m) k x m)2 exp dx 2πσ 2σ = + 2σu) k exp u 2 ) 2σdu e posat x = m 2σu 2πσ = 0 si k est impair. Lorsque k = 2p est pair o obtiet et doc µ 2p = 2p σ 2p + u 2p exp u 2 )du = 2p+ σ 2p + u 2p exp u 2 )du π π = 2p σ 2p + v p /2 exp v)dv π 0 = 2p σ 2p π Γp + /2) = 2p)! 2 p p!) σ2p VarS 2 ) = 0 e posat u = v µ4 σ 4) 2 2 µ4 2σ 4) + 3 µ4 3σ 4) = 2 ) 2 σ 4

9 4. Cas particulier de la loi ormale 9 Défiitio 3. Soiet X,..., X, variables aléatoires idépedates idetiquemet distribuées de loi N 0, ). La loi du χ 2 à degrés de liberté est la loi de la variable aléatoire χ 2 = Xk. 2 La desité de cette loi est doée par : u ) /2 f χ 2 u) = exp u ) u>0 2Γ/2) 2 2 et sa foctio caractéristique par φ χ 2 t) = 2it) /2 f χ 2 k Pour détermier la desité o peut remarquer que : si U suit ue loi N 0, ) alors o a pour t > 0 PU 2 t) = P t U t) = F U t) F U t) et par coséquet f U 2t) = 2 t f U t) + 2 t f U t) = f U t) = exp t ) t 2πt 2 Esuite o obtiet le résultat gééral par récurece. Théorème 4. Soit X,..., X ) u échatillo de le loi N 0, ). Les variables aléatoires X et X k X ) 2 = S 2 = )Ŝ2 sot idépedates et suivet respectivemet la loi ormale réduite et la loi du χ 2 à ) degrés de liberté.

10 0 Chapitre I. Estimatio poctuelle Démostratio. Motros que X et Le vecteur aléatoire X X X. X X X. X Par coséquet, le vecteur N 0, AA t ). Or = A X. X X k X ) 2 sot idépedates. O a où A = est gaussie de loi N 0, I ) où I est la matrice idetité d ordre. X X X. X X = A X. X est égalemet gaussie de loi N 0, AI A t ) = AA t = X X doc la variable X est idépedate du vecteur. et doc de X k X ) 2. X X Comme X suit la loi N 0, /) o e déduit que X suit la loi N 0, ). Motros S 2 = X k X ) 2 suit la loi du χ 2 à ) degrés de liberté. O a X X. X X = B X. X où B = Comme B est ue matrice symétrique, il existe ue matrice orthogoale U et ue matrice diagoale D telle que B = UDU t Or les valeurs propres de B sot : - la valeur propre simple 0 dot le sous-espace propre associé a pour équatio x = = x ; - la valeur propre d ordre ) égale à dot le sous-espace propre associé a pour équatio x + x x = 0 E ordoat coveablemet la base de vecteurs propres o peut choisir 0 0. D =

11 5. Costructio d estimateur par la méthode du maximum de vraisemblace O a Y = BX = UDU t X et X k X ) 2 = Y t Y = X t UDU t UDU t X = U t X) t DU t X) Or le vecteur aléatoire Z = U t X est gaussie de loi N 0, U t I U) = N 0, U t U) = N 0, I ). D où qui suit la loi du χ 2 à ) degrés de liberté. X k X ) 2 = Z t DZ = Z 2 i O e déduit immédiatemet que si X,..., X ) est u échatillo d ue variable aléatoire N m, σ 2 ) la variable aléatoire σ 2 X k X ) 2 suit la loi du χ 2 à ) degrés de liberté. Il suffit de poser Y k = X k m/σ. Alors, comme o a Y = X m et σ σ 2 X k X ) 2 = le résultat découle de ce qui précède. Y k Y ) 2 5. Costructio d estimateur par la méthode du maximum de vraisemblace 5.a. Cas discret. O suppose doée ue observatio X tirée selo ue loi P θ, θ Θ. O supposera ici que P θ est discrète et o pose : f θ x) = P θ X = x). O appelle alors foctio de vraisemblace la foctio L X θ) = f θ X). Quad o dispose d u échatillo X,..., X ) de loi P θ, la vraisemblace s écrit alors L X,...,X θ) = f θ X i ). Lorsque la foctio de vraisemblace admet u uique maximum atteit e ˆθ = g X,..., X ), o peut utiliser cette valeur pour estimer θ. O dit alors que i= T = g X,..., X ) est l estimateur par maximum de vraisemblace de θ. Cet estimateur est aturel puisqu il coduit à privilégier la valeur de θ la "plus probable" au vu de l observatio. Il possède e gééral de boes propriétés. L icovéiet est que ce maximum peut e pas exister ou e pas être uique et il peut être difficile à exhiber. E pratique, la recherche de ce maximum se fait par dérivatio de L relativemet à θ. O peut de maière équivalete maximiser le logarithme de la vraisemblace la foctio logarithme état croissate, maximiser la vraisemblace et la log-vraisemblace reviet au même, mais souvet les calculs sot plus simples). Exemple : Estimatio du paramètre d ue loi de Beroulli. Ici o suppose Θ =]0, [ et les X i suivet ue loi de Beroulli de paramètre θ Θ. O a θ si x = f θ x) = P θ X = x) = θ si x = 0 0 sio

12 2 Chapitre I. Estimatio poctuelle Posos S = X + + X. Aisi S est le ombre de das l échatillo et S le ombre de 0. La vraisemblace et la log-vraisemblace s écrivet alors : L X,...,X θ) = θ S θ) S U calcul motre alors que le maximum est atteit e ˆθ = S. Par coséquet l estimateur de θ par maximum de vraisemblace est T = X i. qui est égalemet l estimateur de la moyee. ll X,...,X θ) = S lθ + S )l θ). 5.b. Cas à desité. O suppose doée ue observatio X tirée selo ue loi P θ, θ Θ. O supposera ici que P θ admet ue desité par rapport à la mesure de Lebesgue otée f θ. O appelle alors foctio de vraisemblace la foctio L X θ) = f θ X). Quad o dispose d u échatillo X,..., X ) o a la vraisemblace L X,...,X θ) = f θ X i ). Esuite, o procède comme das le cas discret. Exemple : s écrit : i= i= O cherche à estimer le paramètre θ icou d ue loi expoetielle. La vraisemblace L X,...,X θ) = exp Le maximum est atteit e u uique poit ˆθ = X. i= X i /θ)θ i= Xi

13 CHAPITRE II Estimatio par itervalle. Défiitio d ue régio de cofiace Soit α ]0, [ u iveau de risque fixé par le statisticie. Défiitio. Ue régio de cofiace de θ de iveau de cofiace α est u esemble dépedat de l observatio mais pas du paramètre icou θ), CX) Θ, telle que θ Θ, P θ θ CX)) α O dit alors qu o a ue régio par excès. Das le cas où o a égalité o parle de iveau exactemet égal à α. Lorsqu o a X = X,..., X ), o parle de régio de cofiace asymptotique de iveau α, si θ Θ, lim P θ θ CX,..., X )) α + Les valeurs usuelles de α sot %, 5% ou 0%. Das le cas uidimesioel, la plupart du temps, ue régio de cofiace s écrit sous la forme d u itervalle uilatère ou bilatère). U itervalle de cofiace de iveau de cofiace 95% a ue probabilité au mois égale à 0, 95 de coteir la vraie valeur icoue θ. Par passage au complémetaire, le iveau de risque α correspodat à ue majoratio de la probabilité que la vraie valeur du paramètre θ e soit pas das CX). A iveau de cofiace fixé, ue régio de cofiace est d autat meilleure qu elle est de taille petite. Avat d aller plus loi, rappelos la otio de quatile d ue loi de probabilité. Défiitio 2. Soit α ]0, [. O appelle quatile d ordre α d ue loi de probabilité P, la quatité z α = if {x, P], x]) α}. Par exemple pour la loi N 0, ), le quatile d ordre 97, 5% est.96, et celui d ordre 95% est Costructio de régios de cofiace Ue première méthode cosiste à appliquer l iégalité de Bieaymé-Tchebychev. Rappelos que si X est ue variable aléatoire ayat u momet d ordre 2, alors ε > 0, P X EX) > ε) VarX) ε 2 Appliquos cette iégalité das le cas de variables aléatoires idépedates X,..., X idetiquemet distribuées de loi de Beroulli Bθ), où l o souhaite estimer θ à l aide de X. O a θ θ) ε > 0, P X θ > ε) ε 2 4ε 2. O obtiet aisi ue régio de cofiace de iveau α e cosidérat [ X 2 α, X + ] 2. α

14 4 Chapitre II. Estimatio par itervalle Pour α = 5% et = 00, la précisio de l itervalle est Il faut oter que la majoratio obteue par l applicatio de l iégalité de Bieaymé-Tchebychev est pas très précise. O obtiet u meilleur résultat e utilisat l iégalité de Hoeffdig Ouvrad, Probabilité 2, page 32). Propositio 3. Soit X,..., X ) ue suite de variables aléatoires idépedates telles que pour tout i, a i X i b i p.s., alors pour tout ε > 0, e posat S = i= X i, 2ε 2 2ε PS ES ) ε) exp ), 2 ) i= b PS i a i ) 2 ES ) ε) exp i= b i a i ) 2 et 2ε 2 P S ES ) ε) 2 exp ). i= b i a i ) 2 Appliquos cette iégalité à l exemple précédet. O a : ε > 0, P X θ ε) P S θ ε) 2 exp 2ε 2 ). O obtiet aisi l itervalle de cofiace de iveau α suivat : [ ] X 2 l 2/α), X + l 2/α). 2 Pour α = 5% et = 00, la précisio de l itervalle est 0.4 et 0.23 avec la première méthode. Il peut s avérer plus pratique de chercher u itervalle de cofiace asymptotique. Supposos que ous cherchios u itervalle de cofiace pour u paramètre θ à partir d u échatillo de taille de loi P θ. Lorsqu o dispose de suffisammet de doées et pour les modèles les plus classiques, le théorème cetral limite s avère être u très bo outil, pour obteir u itervalle de cofiace asymptotique. Par exemple si o souhaite estimer la moyee d ue variable aléatoire dot o coait la variace σ 2 =. O pred u -échatillo X,..., X ). L applicatio du TCL doe : L X m) N 0, ) + O obtiet alors l itervalle de cofiace asymptotique de iveau α suivat [ X q α/2, X + q ] α/2 où q α/2 est le quatile d ordre α/2 de la loi N 0, ). Ce est pas toujours aussi évidet. Si o part d ue variable aléatoire de Beroulli dot o veut estimer le paramètre θ. E cosidérat l estimateur du maximum de vraisemblace X, le TCL doe : L X θ) N 0, θ θ)) + Ici la loi limite déped de θ ce qui est gêat pour costruire u itervalle de cofiace. Das ce cas, o peut surmoter ce problème, e remarquat que θ θ) O obtiet doc u itervalle de cofiace asymptotique : [ X q α/2 2, X + q ] α/2 2. Das le cas où o cosidère X,..., X ) u échatillo de loi de Poisso de paramètre θ > 0 à estimer, le TLC doe : X θ) L N 0, θ) + Des outils plus élaborés doivet être utilisés pour costruire u itervalle de cofiace si o e coaît pas de majorat de θ. Le lemme de Slutsky permet de surmoter certaies difficultés comme le motre l exemple suivat. Si o repred l exemple, e utilisat les propriétés de forte cosistace d estimateur, o obtiet : X θ) L N 0, ) X +

15 3. Exemples classiques d estimatio par itervalle 5 mais aussi avec S 2 = X i X ) 2 qui est u estimateur fortemet cosistat de la variace X θ) L N 0, ). S 2 + i= 3. Exemples classiques d estimatio par itervalle Soit X ue variable aléatoire de loi ormale N m, σ 2 ). 3.a. Estimatio de la moyee quad la variace est coue. Théorème 4. Lorsque σ 2 est cou u itervalle de cofiace au iveau α de m est [X q α/2 σ, X + q α/2 σ ] où q α/2 est le quatile d ordre α/2 F q α/2 ) = α/2) de la loi ormale cetrée réduite. Démostratio. O sait que X m)/σ suit la loi N 0, ). Par coséquet o a X m [ [ ] ] σ σ q α/2, q α/2 m X q α/2, X + q α/2 σ Exemple : puisque q 0,975 =.96 l itervalle de cofiace de m au iveau 95% est [X.96 σ, X +.96 σ ] ce qui sigifie que sur u grad ombre d expérieces cet itervalle cotiedra effectivemet m das 95% des cas e moyee. 3.b. Estimatio de la moyee quad la variace est icoue. Défiitio 5. Soiet X et Y deux variables aléatoires idépedates suivat respectivemet la loi ormale cetrée réduite et la loi du χ 2 à degrés de liberté. La variable aléatoire T = X Y/ suit la loi de Studet à degrés de liberté. La desité de cette loi est doée par : f T u) = Γ + )/2) π Γ/2) + u 2 /) +)/2 Cette variable a pas d espérace pour = et pas de variace pour 2. Sio o a ET ) = 0 et VarT ) = / 2).

16 6 Chapitre II. Estimatio par itervalle f Tk Théorème 6. Lorsque σ 2 est icou u itervalle de cofiace au iveau α de m est Ŝ X 2 Ŝ 2 t, α/2, X + t, α/2 où t, α/2 est le quatile d ordre α/2 de la loi de Studet à degrés de liberté. Cela proviet du résultat précédet et de l estimatio de σ 2 par Ŝ2. Exemple : pour = 0, avec u iveau de cofiace de 95% et u itervalle symétrique o obtiet l itervalle X 2, 26 Ŝ 2, X + 2, 26 Ŝ 2 L itervalle de cofiace est plus grad que celui obteu lorsqu o coaît la variace. 3.c. Estimatio de la variace quad la moyee est coue.

17 3. Exemples classiques d estimatio par itervalle 7 Théorème 7. Lorsque m est cou u itervalle de cofiace au iveau α de σ 2 est [ ] X k m) 2, X k m) 2 u u 2 où u et u 2 sot les quatiles d ordre α/2 et α/2 de la loi du χ 2 à degrés de liberté. Exemples d itervalles bilatères et uilatères pour la loi du χ 2 : Démostratio. Si X k suit ue loi N m, σ 2 ) alors X k m)/σ suit ue loi N 0, ) et par coséquet X k m σ ) 2 suit ue loi du χ 2 à degrés de liberté. O défiit alors u et u 2 tels que Pχ 2 u ) = α 2 et Pχ 2 u 2 ) = α 2, et doc o a P u σ 2 X k m) 2 u 2 ) = α.

18 8 Chapitre II. Estimatio par itervalle D où o e déduit le résultat. 3.d. Estimatio de la variace quad la moyee est icoue. Théorème 8. Lorsque m est icou u itervalle de cofiace au iveau α de σ 2 est [ X k X ) 2, ] X k X ) 2 u u 2 où u et u 2 sot les quatiles d ordre α/2 et α/2 de la loi du χ 2 à degrés de liberté. Démostratio. O estime m par X, puis Xk X ) 2 suit ue loi du χ 2 à degrés de liberté. Esuite o procède comme das la preuve précédete. σ Lorsqu o s itéresse à l écart-type o pred les racies carrées des bores des itervalles obteus pour la variace. 4. Comparaiso de moyees et de variaces Soiet X, X 2,..., X ) u échatillo d ue populatio suivat la loi ormale N m, σ 2 ) et Y, Y 2,..., Y 2 ) u échatillo d ue populatio suivat la loi ormale N m 2, σ 2 2) ; ces deux échatillos sot supposés idépedats. Nous souhaitos comparer les moyees, m et m 2, et les variaces, σ 2 et σ 2 2, à l aide de ces échatillos. Pour cela ous allos costruire des itervalles de cofiace pour m m 2 et pour σ 2 et σ 2 2. O pose 4.a. Itervalle de cofiace de la différece de deux moyee. X = X i, Y = 2 Y i, i= i= D = X Y Propositio 9. L estimateur D est u estimateur sas biais m m 2. Démostratio. Par défiitio X suit ue loi N m, σ/ 2 ) et Y suit ue loi N m 2, σ2/ 2 2 ) et par coséquet D suit la loi N m m 2, σ/ 2 + σ2/ 2 2 ), d où le résultat. Théorème 0. Si σ et σ 2 sot coues, u itervalle de cofiace de m m 2 au iveau α est ] [D q α/2 σ 2 / + σ 22 / 2, D + q α/2 σ 2/ + σ2 2/ 2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite.

19 4. Comparaiso de moyees et de variaces 9 Démostratio. U itervalle de cofiace de m m 2 au iveau α est [D a, D + b] si α = PD a m m 2 D + b) = P b D m m 2 ) a) ) b = P σ 2 / + σ2 2/ D m m 2 ) a 2 σ 2 / + σ2 2/ 2 σ 2 / + σ2 2/ 2 = 2π u2 u O e déduit l itervalle aocé. exp x 2 /2)dx E gééral les variaces e sot pas coues. Il peut alors se préseter deux cas. Posos : Ŝ 2 =,X X i X) 2 Ŝ2 = 2 2,Y Y i Y ) 2 2 et i= ŜX,Y 2 = X i X) i= 2 i= Y i Y ) 2 ) i= = )Ŝ2,X + 2 )Ŝ2 2,Y Théorème. Si les variaces σ et σ 2 sot icoues mais égales, u itervalle de cofiace de m m 2 au iveau α est [ ] D t + 2 2, α/2 SX,Y 2 / + SX,Y 2 / 2, D + t + 2 2, α/2ŝ2 X,Y / + Ŝ2 X,Y / 2 où t + 2 2, α/2 représete le fractile d ordre α/2 de la loi de Studet à degrés de libertés. O aurait pu remplacer σ 2 et σ2 2 par Ŝ2 et,x Ŝ2 2,Y, mais e gééral o préfère predre u estimateur basé sur la réuio des deux échatillos. O a déjà vu que : ) 2 Xi X 2 ) 2 Yi Y Z = et Z 2 = i= σ suivet respectivemet ue loi du χ 2 à et 2 degrés de liberté. Par coséquet, comme Z et Z 2 sot idépedates, Z + Z 2 suit ue loi du χ 2 à degrés de liberté. O obtiet alors, e posat σ 2 = σ2 2 = σ 2, [ EZ + Z 2 ) = = ] σ 2 E 2 X i X) 2 + Y i Y ) 2 c est-à-dire que Ŝ2 X,Y est u estimateur sas biais de σ2. Démostratio. O va remplacer l écart-type de D, Ŝ2 X,Y / + Ŝ2 X,Y / 2 par O a i= i= σ 2 i= S 2 X,Y / + S 2 X,Y / 2. α = PD a m m 2 D + b) = P b D m m 2 ) a) b D m m 2 ) a = P Ŝ2 X,Y / + Ŝ2 X,Y / 2 Ŝ2 X,Y / + Ŝ2 X,Y / 2 Ŝ2 X,Y / + Ŝ2 X,Y / 2

20 20 Chapitre II. Estimatio par itervalle O pose D m m 2 ) T = = Ŝ2 X,Y / + Ŝ2 X,Y / 2 D m m 2) σ2 / +σ 2 / 2 Ŝ 2 X,Y σ 2 Ŝ 2 X,Y U Le umérateur suit ue loi ormale cetrée réduite. Au déomiateur o a σ 2 = où U suit ue loi du χ 2 à degrés de liberté. O e déduit que T suit ue loi de Studet à degrés de liberté, et doc o obtiet le résultat. Lorsqu o σ et σ 2 sot icoues mais o écessairemet égales, o utilise la méthode approchée suivate. Théorème 2. Si les échatillos ot des tailles importates et égales à = 2 = > 30, u itervalle de cofiace de m m 2 au iveau α est ] [D q α/2 Ŝ2,X + Ŝ22,Y )/ Ŝ2,X + Ŝ2 2,Y )/, D + q α/2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite. Il suffit de remarquer que la variable réduite. D m m 2 ) Ŝ2,X + Ŝ22,Y )/ suit sesiblemet ue loi ormale cetrée 4.b. Itervalle de cofiace du rapport de deux variaces. Théorème 3. U itervalle de cofiace au iveau α de σ/σ est Ŝ 2,X, f, 2, α/2 Ŝ 2 2,Y Ŝ 2,X f, 2, α/2 Ŝ 2 2,Y où les fractiles sot ceux de loi de Fisher-Sedecor F, 2 ). Le résultat s obtiet par les mêmes méthodes que pour les théorèmes précédets. La loi de Fisher-Sedecor peut être obteue comme le quotiet de deux lois du χ 2 időpedates : F, 2 ) = χ2 / ) χ 2 2 / 2 ) 5. Estimatio d ue proportio Das ue certaie populatio, la proportio d idividus ayat ue propriété doée est égale à p. Soit X le ombre d idividus d u échatillo de taille ayat la propriété.

21 5. Estimatio d ue proportio 2 5.a. Estimatio poctuelle. Théorème 4. U estimateur sas biais et cosistat de p est : T = X E effet, le ombre X d idividus de l échatillo ayat la propriété suit la loi biomiale B, p). O a : ET ) = EX) 5.b. Estimatio par itervalle. = p et VarT ) = VarX) p p) 2 = 0 O e sait pas détermier exactemet u itervalle de cofiace. O utilise des solutios approchées, qui foctioet lorsqu o dispose d échatillo de grade taille. Aisi, lorsque est grad ou/et p voisi de 0, 5 o peut approcher la loi biomiale par ue loi ormale. Rappel : Soit ue suite de variables aléatoires Z suivat la loi biomiale B, p) ; la suite des variables réduites Z = Z p coverge e loi vers la loi ormale cetrée réduite, et o a : p p) Pa Z b) b exp x 2 /2)dx 2π a Théorème 5. U itervalle de cofiace approché de p au iveau α est doée par [ ] T T ) T T ) T q α/2, T + q α/2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite. Démostratio. D après le rappel, X p T p = p p) p p)/ suit approximativemet la loi ormale cetrée réduite. L itervalle [T a, T + b] est u itervalle de cofiace de p au iveau α si : ) b T p a α = PT a < p < T + b) = P < < p p)/ p p)/ p p)/ ) ) a b Φ Φ p p)/ p p)/ où Φu) = 2π u exp x 2 /2)dx E choisissat u itervalle symétrique o obtiet la quatile q α/2. Comme p p) est pas cou, o obtiet alors u itervalle de cofiace approché e remplaçat p par l estimateur T. O peut doer ue approximatio de l itervalle de cofiace u peu plus précise.

22 22 Chapitre II. Estimatio par itervalle U itervalle de cofiace approché de p au iveau α est doée par ) T + q2 α/2, T + q2 α/2 + q2 α/2 2 + q2 α/2 2 où = q α/2 cetrée réduite. T T ) + q2 α/2 4 Démostratio. O a : + ) et q α/2 représete le fractile d ordre α/2 de la loi ormale q α/2 < T p p p) < q α/2 T p) 2 < q α/2 2 p p) p 2 + q2 α/2 ) 2p T + q2 α/2 2 ) + T 2 < 0 Le paramètre p doit doc être compris etre les racies de l équatio du secod degré. O vérifie aisémet qu elle a deux racies réelles apparteat à l itervalle [0, ]. D où, o obtiet l itervalle de cofiace idiqué. 5.c. Méthode du Bootstrap. A partir d u échatillo X = X, X 2,..., X ) o détermie u estimateur poctuel sx) d u paramètre θ. Sauf das quelques cas particuliers sx) = X par exemple) le calcul de la variace est pas aisé, ce qui red problématique la détermiatio d itervalles de cofiace pour?. E 979 ue ouvelle méthode a été développé. Cette méthode s appuie sur des cocepts simples permettat, à partir d ue réalisatio x, x 2,..., x ) de l échatillo, d obteir ue estimatio de la variace de sx) et u itervalle de cofiace pour θ. O cosidère que la réalisatio de l échatillo x, x 2,..., x ) est représetative de la populatio et o tire parmi les x k, au hasard et avec remise, u échatillo bootstrapé X = X, X2,..., X) ; e pratique o tire ombres au hasard etre et et o associe au ombre tiré k la valeur X k. Sur cet échatillo bootstrapé o peut calculer u estimateur sx ) par le même algorithme que celui qui doe sx). O répète le tirage u grad ombre de fois, B, ce qui doe ue populatio de valeurs de sx ) S = s, s 2,..., s B que l o peut représeter par u histogramme. Sur cette populatio o peut calculer ue estimatio de la moyee et de l écart-type : s = B s k, B s k s) B B 2 La populatio S peut être triée par valeurs croissates ce qui permet de détermier u itervalle de cofiace e gardat ue certaie proportio des valeurs cetrales. Par exemple si B = 000 et si les valeurs triées de S sot α α 2 α 000, l itervalle de cofiace à 95% est [α 25, α 975 ].

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

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

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

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

* 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

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

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

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

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

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

. (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

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

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

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

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

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

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

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

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

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

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

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

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

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE 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 A-

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

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

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

[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

[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

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

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

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

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

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

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

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

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

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

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

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

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

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

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

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

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

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

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

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

École de technologie supérieure

École de technologie supérieure École de techologie supérieure Mat 165-04 Algèbre liéaire et aalyse vectorielle A-015 Michel Beaudi michel.beaudi@etsmtl.ca Liste d exercices à faire e T.P./Caledrier des évaluatios Itroductio au cours

Plus en détail

Formulaire de statistiques

Formulaire de statistiques Formulaire de statistiques E. Depiereux G. Vicke B. De Hertogh Javier 009 Formulaire de statistiques I. Statistiques descriptives : Moyee arithmétique : (populatio: m x = µ) (échatillo = x = M x ) 1 i

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

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

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

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

Correction EDHEC 2007 Voie scienti que

Correction EDHEC 2007 Voie scienti que EDHE 7 ES Exercice Page orrectio EDHE 7 Voie scieti que La correctio comporte 4 pages. Exercice. Pour tout etier o ul, la foctio x 7! e x x est cotiue sur R e tat que quotiet (dot le déomiateur e s aule

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

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

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

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

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

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

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

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

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

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

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

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

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

Cryptographie et algorithmique

Cryptographie et algorithmique F.Gaudo 1 er ovembre 2010 Table des matières 1 Avat de commecer 2 2 Préformattage d'u texte pour aalyse 3 2.1 Élimiatio de la poctuatio et des espaces das u texte................. 3 2.2 Formatage du texte

Plus en détail

Chapitre 16 : Espaces vectoriels

Chapitre 16 : Espaces vectoriels PCSI Préparatio des Khôlles -4 Chapitre 6 : Espaces vectoriels Exercice type Soit E=R[X] et F ={P E, P(X)=XP (X)+P()}, motrer que F est u sous-espace vectoriel de E. : O a bie F E. Si P =est le polyôme

Plus en détail

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

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

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1

Licence informatique - L3 Année 2012/2013. Conception d algorithmes et applications (LI325) COURS 1 Licece iformatique - L Aée 0/0 Coceptio d algorithmes et applicatios (LI) COURS Résumé. Ce cours est ue iitiatio à quelques grads pricipes algorithmiques (Diviser pour Réger, Programmatio Dyamique, Algorithmes

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

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

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

Modèle de pointage et correction des dérives

Modèle de pointage et correction des dérives Ges de la Lue Observatoire astroomique de Plougastel Tél : 0 98 40 69 73 http://www.gesdelalue.org Modèle de poitage et correctio des dérives 1. Présetatio du problème Le poitage d u astre par u télescope

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

Arbres et dérivée d une fonction composée

Arbres et dérivée d une fonction composée Abes et déivée d ue foctio composée Nous allos voi ici commet l o peut epésete les déivées successives d ue foctio composée pa u esemble d abes fiis. f et g désigeot deux foctio idéfiimet déivables, et

Plus en détail

Introduction aux Méthodes de Monte-Carlo

Introduction aux Méthodes de Monte-Carlo Itroductio aux Méthodes de Mote-Carlo LAURE ELIE BERNARD LAPEYRE Septembre 2001 Table des matières 1 Itroductio aux méthodes de mote-carlo 5 1.1 Simulatio de lois uiformes........................... 7

Plus en détail

ANNALES BACCALAURÉAT 2013 MATHÉMATIQUES TERMINALE S. 1. Suites

ANNALES BACCALAURÉAT 2013 MATHÉMATIQUES TERMINALE S. 1. Suites ANNALES BACCALAURÉAT 03 MATHÉMATIQUES TERMINALE S ANNALES 03 TERMINALE S Suites Foctios 9 3 Probabilités 4 Géométrie 9 8 5 Spécialité 34 6 Cocours 44 Suites - : Amérique du Nord 03, 5 poits, o spécialistes

Plus en détail

Probabilités exercices corrigés

Probabilités exercices corrigés Termiale S Probabilités Exercices corrigés Combiatoire avec démostratio Ragemets Calcul d évéemets Calcul d évéemets Calcul d évéemets 6 Dés pipés 7 Pièces d or 8 Agriculteur pas écolo 9 Boules Jeux 6

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

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

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015 CONCOURS COMMUNS POLYTECHNIQUES FILIÈRE MP BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 5 avec corrigés V. Bellecave, J.-L. Artigue, P. Berger, J.-P. Bourgade, S. Calmet, A. Calvez, D. Cleet, J. Esteba,

Plus en détail

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

Plus en détail

Développement du modèle log-normal nonstationnaire et comparaison avec le modèle GEV non-stationnaire

Développement du modèle log-normal nonstationnaire et comparaison avec le modèle GEV non-stationnaire Hydrological Scieces Joural ISSN: 06-6667 (Prit) 150-3435 (Olie) Joural homepage: http://www.tadfolie.com/loi/thsj0 Développemet du modèle log-ormal ostatioaire et comparaiso avec le modèle GEV o-statioaire

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

Méthodes de Monte-Carlo

Méthodes de Monte-Carlo Méthodes de Mote-Carlo Aie MILLET Uiversités Paris 7 et Paris 1 Master ème aée : Spécialité Modélisatio Aléatoire Recherche et Professioel Parcours : Statistique et Modèles Aléatoires e Fiace Parcours

Plus en détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

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

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

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Terminale S. 1. Divers

Terminale S. 1. Divers Termiale S 1 Divers Bézout 3 Quadratique 4 Divisibilité 5 Equatio diophatiee 6 Equatio diophatiee (, Caracas 01_04) 7 Base de umératio 8 Base de umératio 3 9 Somme des cubes 10 PGCD 11 Somme des diviseurs

Plus en détail