STATISTIQUE : ESTIMATION

Save this PDF as:
 WORD  PNG  TXT  JPG

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 ].

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

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée

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

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

Aide Mémoire de Statistique

Aide Mémoire de Statistique Aide Mémoire de Statistique (E, E, P) modèle statistique (E, E, P) modèle probabiliste E probabilité, o coaît la loi P et o fait des calculs E statistique, o e coaît pas la loi (seulemet ue famille de

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

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

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1 1 Statistique iferetielle. Relatios Iteratioales Lucya Firlej Pl. E.Bataillo, Bat.11, cc.06 34095 Motpellier cedex 5 Frace lucya.firlej@umotpellier.fr S3. Statistics. 30 h d eseigemet: 10 cours, 10 TD,

Plus en détail

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3.

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3. T ale S Correctio Exercices type bac de Probabilités. Mars Exercice : Ue ure cotiet au départ 0 boules blaches et 0 boules oires idiscerables au toucher. O tire au hasard ue boule de l ure : Si la boule

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

Plus en détail

SESSION DE 2004 CA/PLP

SESSION DE 2004 CA/PLP SESSION DE 4 CA/PLP CONCOURS EXTERNE Sectio : MATHÉMATIQUES SCIENCES PHYSIQUES COMPOSITION DE MATHÉMATIQUES Durée : 4 heures L usage des calculatrices de poche est autorisø (coformømet au directives de

Plus en détail

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES VARIABLES ALEATOIRES TABLE DES MATIÈRES. Loi de probabilité.. Exemple... Calcul de probabilités sur u uivers Ω... Variable aléatoire à valeurs réelles...3. Probabilité image défiie par ue variable aléatoire..4.

Plus en détail

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté CTU, Licece de Mathématiques Statistique Iféretielle Jea-Yves DAUXOIS Uiversité de Frache-Comté Aée scolaire 2011-2012 Ce polycopié cotiet le cours, les sujets d exercice et leurs corrigés aisi que les

Plus en détail

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates Ae.Philippe@uiv-ates.fr 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues

Plus en détail

Racine nième Corrigés d exercices

Racine nième Corrigés d exercices Racie ième Corrigés d eercices Page 9 : N 8, 8, 8, 86, 88, 89, 9, 9, 9, 97 Page 6 : N, Page 6 : N Page 67 : N 8 Page 6 : N N 8 page 9 6 6 6 6 6 ( ) = = = = = = = = ( ) = = = = = = ( ) 8 = 8 = = = = = =

Plus en détail

Terminale S (2014-2015) Suites numériques

Terminale S (2014-2015) Suites numériques Termiale S (04-05) Suites umériques Raisoemet par récurrece. Itroductio E Mathématiques, u certai ombre de propriétés dépedet d u etier aturel. Par exemple, la ( + ) somme des etiers aturels de à est égale

Plus en détail

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

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

Développement d une fonction en série entière. Exemples et applications

Développement d une fonction en série entière. Exemples et applications Développemet d ue foctio e série etière Exemples et applicatios Das ce chapitre, K désigera R ou C B(; R) désigera la boule ouverte de cetre et de rayo R > 1 Gééralités Défiitio 1 Soit f ue applicatio

Plus en détail

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion COURS DE STATISTIQUES INFERENTIELLES Licece d écoomie et de gestio Laurece GRAMMONT Laurece.Grammot@uiv-st-etiee.fr http://www.uiv-st-etiee.fr/maths/cvlaurece.html September 19, 003 Cotets 1 Rappels 5

Plus en détail

Mots de longueur donnée à base de P lettres, et fonction génératrice

Mots de longueur donnée à base de P lettres, et fonction génératrice Mots de logueur doée à base de lettres, et foctio géératrice Cosidéros les mots de logueur à base de lettres, avec etier positif. ) Combie existe-t-il de tels mots? La première lettre du mot est l ue des

Plus en détail

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

Plus en détail

Modélisation stochastique

Modélisation stochastique Uiversité de Lorraie Master 2 IMOI 2014-2015 Modélisatio stochastique Madalia Deacou 2 Table des matières Itroductio 5 1 Simulatio de variables aléatoires 7 1.1 Itroductio............................ 7

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

Équations différentielles - Cours no 6 Approximation numérique

Équations différentielles - Cours no 6 Approximation numérique Équatios différetielles - Cours o 6 Approximatio umérique 1 Itroductio De très ombreux problèmes scietifiques sot mis e équatio à l aide d u système d équatios différetielles ẋt) = ft, xt)) voir par exemple

Plus en détail

Questions pour un champion en ligne

Questions pour un champion en ligne Questios pour u champio e lige Le jeu télévisé QPUC préseté sur FR3 et aimé par Julie Lepers existe aussi e variate «e lige». U jeu «e lige» se déroule aisi : Six iterautes disputet ue première mache dite

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

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

Plus en détail

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède).

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède). #4 Itégrale de Riema Khôlles - Classes prépa Thierry Sageaux, Lycée Gustave Eiel Exercice Soit f ue foctio cotiue sur [, ] telle que Motrer que f ab f(t)dt = O pose a = mi f et b = max f Exercice x ) Motrer

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

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

Estimation par intervalle de conance

Estimation par intervalle de conance SQ20 - ch7 Page 1/6 Estimatio par itervalle de coace Pricipe de costructio : Das le chapitre précédet, ous avos déi les estimateurs, et l'estimatio poctuelle d'u paramètre θ. Soit : X ue variable aléatoire

Plus en détail

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan.

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan. Foctio réciproque d'ue octio cotiue, d'ue octio dérivable FNCTIN RECIPRQUE D'UNE FNCTIN CNTINUE, D'UNE FNCTIN DERIVABLE EXEMPLES N SE LIMITERA AUX FNCTINS NUMERIQUES DEFINIES SUR UN INTERVALLE DE R Notatios

Plus en détail

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016 MAP 3: Aléatoire PC 8 Marc Lelarge 0 jui 06 Exercice Soit (X ) ue suite de v.a. idépedates et de même loi. itégrable, de moyee m et de variace σ > 0. O défiit: O suppose que X est de carré ˆm = X + + X,

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

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

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

Université Joseph Fourier, Grenoble. Séries numériques. Luc Rozoy, Bernard Ycart

Université Joseph Fourier, Grenoble. Séries numériques. Luc Rozoy, Bernard Ycart Uiversité Joseph Fourier, Greoble Maths e Lige Séries umériques Luc Rozoy, Berard Ycart Disos-le tout et, ce chapitre est pas idispesable : d ailleurs, vous e verrez pas vraimet la différece avec les suites.

Plus en détail

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ Pla du cours 3 RFIDEC cours 3 : Itervalles de cofiace, tests d hypothèses, loi du χ Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Itervalles de cofiace Tests d hypothèses 3 La loi du χ Itervalles

Plus en détail

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS

Cours de Mathématiques. Intégrale de Lebesgue et Probabilités H. DOSS Uiversité Paris Dauphie Départemet MIDO Cours de Mathématiques Itégrale de Lebesgue et Probabilités H. DOSS Table des matières 1 Espaces de probabilité et Itégratio 1 1.1 Présetatio..............................

Plus en détail

Convergence en loi. Théorème de la limite centrale.

Convergence en loi. Théorème de la limite centrale. Uiversité Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 10 (semaie du 2 au 6 décembre 2013 Covergece e loi. Théorème de la limite cetrale. Covergece e loi 1. Soiet (X N ue

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

Exercices de Khôlles de Mathématiques, second trimestre

Exercices de Khôlles de Mathématiques, second trimestre Exercices de Khôlles de Mathématiques, secod trimestre Lycée Louis-Le-Grad, Paris, Frace Igor Kortchemski HX 2-2005/2006 Exercices particulièremet itéressats : - Exercices 2., 2.2 - Exercice 3. - Exercice

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

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

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

1. Probabilités sur les ensembles finis

1. Probabilités sur les ensembles finis . Probabilités sur les esembles fiis.. RAPPELS ET COMPLEMENTS. VOCABULAIRE DES EVENEMENTS Das ue expériece aléatoire, l'uivers Ω est l'esemble des résultats possibles. U évéemet est ue partie de l'uivers.

Plus en détail

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes.

On admet que l ensemble des nombres des réels est inclus dans un ensemble plus grand constitué de nombres complexes. Chapitre 1 Nombres complexes Le buts du chapitres sot : Cosolider les aquis de termiale, Savoir maipuler les ombres complexes, e particulier la factorisatio par l agle de moitié. Avoir des otios sur le

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

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

Feuille d exercices 5

Feuille d exercices 5 Mathématiques Physique S3, 205/206 Uiversité Blaise Pascal Feuille d exercices 5 Ex.. Tracer le graphe des foctios périodiques suivates, doer leur développemet e série de Fourier et discuter la covergece

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

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres B A S E Biotechol Agro Soc Eviro 00 6 (3) 43 53 Utilisatio du bootstrap pour les problèmes statistiques liés à l estimatio des paramètres Rudy Palm Uité de Statistique et Iformatique Faculté uiversitaire

Plus en détail

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques CHAPITRE 2 : Estimatio o-paramétrique 1. Estimateurs empiriques Soit u échatillo i.i.d. de durées T i i1,..., de foctio de survie S Défiitio: L estimateur empirique de la foctio de survie est S x 1 i1

Plus en détail

Septembre 2011 CPI 317. Exercices. Agnès Bachelot

Septembre 2011 CPI 317. Exercices. Agnès Bachelot Septembre 2 CPI 37 Exercices Agès Bachelot Table des matières - Séries Numériques.......................................... 3 - Séries à termes positifs.................................... 3-2 Séries quelcoques......................................

Plus en détail

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse Séquece Les suites umériques Sommaire Pré-requis Le raisoemet par récurrece 3 Notios de limites 4 Sythèse Das cette séquece, il s agit d ue part d approfodir la otio de suites umériques permettat la modélisatio

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

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

Probabilités et Statistiques MATH-F-315. Simone GUTT

Probabilités et Statistiques MATH-F-315. Simone GUTT Probabilités et Statistiques MATH-F-315 Simoe GUTT 2012 Das la vie, ous sommes cotiuellemet cofrotés à des collectios de faits ou doées. Les statistiques formet ue brache scietifique qui fourit des méthodes

Plus en détail

Fonctions convexes. Prologue

Fonctions convexes. Prologue Foctios covexes Prologue Ce chapître développe les propriétés des foctios covexes f C E R défiies sur ue partie covexe C d u espace de dimesio fiie E. Si, fodametalemet, la covexité est ue propriété uidimesioelle

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

Informatique TP2 : Calcul numérique d une intégrale CPP 1A

Informatique TP2 : Calcul numérique d une intégrale CPP 1A Iformatique TP : Calcul umérique d ue itégrale CPP 1A Romai Casati, Wafa Johal, Frederic Deveray, Matthieu Moy Avril - jui 014 1 Zéro de foctio O doe le code suivat (vu e cours), qui permet de calculer

Plus en détail

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Chapitre 4 Lois de Probabilité Sommaire. Itroductio. 4. Lois discrètes..4.. Loi uiforme..4... Défiitio...4... Espérace et variace..5..

Plus en détail

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations

Feuille 2 : dérivabilité, théorème de Rolle et des accroissements finis, étude des variations UPMC 1M001 Aalyse et algèbre pour les scieces 013-014 Feuille : dérivabilité, théorème de Rolle et des accroissemets fiis, étude des variatios Les eercices sas ( ) sot des applicatios directes du cours.

Plus en détail

Estimation paramétrique

Estimation paramétrique Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé,

Plus en détail

Concours de l Iscae. Épreuve Commune de Mathématiques (2015)

Concours de l Iscae. Épreuve Commune de Mathématiques (2015) Mohiieddie Beayad Cocours de l Iscae Épreuve Commue de Mathématiques (5) Voici l éocé de l épreuve commue de Mathématiques du cocours d etrée à l ISCAE de l aée 5, aisi que l itégralité du corrigé. Les

Plus en détail

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

Plus en détail

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH

Centre Régional des Métiers de l Éducation et de la Formation MARRAKECH R O Y A U M E D U M A R O C Miistère de l Educatio Natioale et de la Formatio Professioelle Cetre Régioal des Métiers de l Éducatio et de la Formatio Académie Régioale de l Éducatio et de la Formatio Marrakech-Tesift

Plus en détail

COURS N 6 : Estimations

COURS N 6 : Estimations COURS N 6 : Estimatios O peut rappeler que les biostatistiques ot pour objectif de predre e compte la variabilité iteridividuelle, de résumer et décrire des doées et de comparer des échatillos. Nous avos

Plus en détail

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.

Exo7. Applications linéaires continues, normes matricielles. Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france. Exo7 Applicatios liéaires cotiues, ormes matricielles Exercices de Jea-Louis Rouget. Retrouver aussi cette fiche sur www.maths-frace.fr Exercice * * très facile ** facile *** difficulté moyee **** difficile

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

TD10. Loi des grands nombres, théorème central limite. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD10. Loi des grads ombres, théorème cetral limite. 1. Soit (U ) 1 ue suite de variables aléatoires

Plus en détail

CONVERGENCE ET APPROXIMATION

CONVERGENCE ET APPROXIMATION 11-2- 2010 J.F.C. Cov. p. 1 CONVERGENCE ET APPROXIMATION I CONVERGENCE EN PROBABILITÉ 1. Défiitio 2. Ue coditio suffisate de covergece e probabilité 3. La loi faible des grads ombres 4. Ue coséquece de

Plus en détail

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3 Tests Chapitre Table des matières 1 Pricipe d u test 1 11 Défiitios 1 Méthode géérale 3 Test de coformité à u paramètre 3 1 Test de coformité à ue moyee 3 Test de coformité à ue proportio 4 3 Test d homogééité

Plus en détail

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski Dossier : Actualité de l Aalyse e Lycée 447 Qu est-ce qu u bo éocé de bac? Aalyse de l exercice de spécialité de TS de Podichéry 2013 Jacques Lubczaski «Podichéry est tombé!» : cela ressemble à l aoce

Plus en détail

RÉGRESSION: BASES DÉFORMÉES ET SÉLECTION DE MODÈLES PAR PÉNALISATION ET MÉTHODE DE LEPSKI.

RÉGRESSION: BASES DÉFORMÉES ET SÉLECTION DE MODÈLES PAR PÉNALISATION ET MÉTHODE DE LEPSKI. RÉGRSSION: BASS DÉFORMÉS T SÉLCTION D MODÈLS PAR PÉNALISATION T MÉTHOD D LPSKI GAËLL CHAGNY Octobre Ce documet est essetiellemet u complémet à l article Pealizatio versus Goldeshluger- Lepski strategies

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

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a.

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a. Échatilloage 9 Pour repredre cotact Les réposes exactes sot : Répose c. Répose a. Répose c. 3 Répose a. 4 Répose b. Répose c. Activité. La populatio étudiée est la productio d automobiles. Le caractère

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

CORRECTION DU BAC BLANC 2

CORRECTION DU BAC BLANC 2 CORRCTION DU BAC BLANC 2 XRCIC 1 (6 poits) Baccalauréat ST Mercatique Podichéry - 2010 Deux tableaux sot doés e aexe : le premier doe l évolutio du prix du mètre carré das l immobilier résidetiel acie

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

MANUEL D EXERCICES. Enquêtes et sondages UE STA 108. Conservatoire National des Arts et Métiers. Sylvie Rousseau

MANUEL D EXERCICES. Enquêtes et sondages UE STA 108. Conservatoire National des Arts et Métiers. Sylvie Rousseau Coservatoire atioal des Arts et Métiers Pôle Scieces et Teciques de l'iformatio et de la Commuicatio, Spécialité Matématiques Equêtes et sodages UE STA 8 MAUEL D EXERCICES Slvie Rousseau Aée scolaire Table

Plus en détail

Une démonstration du théorème. fondamental des nombres premiers. Fin de Licence 3, 2006-2007, Université d'orsay, Professeur : M. Zuily.

Une démonstration du théorème. fondamental des nombres premiers. Fin de Licence 3, 2006-2007, Université d'orsay, Professeur : M. Zuily. Ue démostratio du théorème fodametal des ombres premiers Fi de Licece 3, 26-27, Uiversité d'orsay, Professeur : M. Zuily. Table des matières Itroductio 2. Quelques rappels et otatios....................................

Plus en détail

Utilisation en modélisation. Régression linéaire

Utilisation en modélisation. Régression linéaire Utilisatio e modélisatio Régressio liéaire La régressio est l ue des otios basiques de la statistique et de l aalyse des doées. Gééralemet, le problème cosiste à décrire la dépedace etre deux variables

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

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

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

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1 IUT HSE Itroductio aux probabilités et statistiques Variables aléatoires Philippe Jamig Istitut Mathématique de Bordeaux PhilippeJamig@gmailcom http://wwwmathu-bordeaux1fr/ pjamig/ X variable aléatoire

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

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

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

Estimation Fonctionnelle: Applications aux Tests d Adéquation et de Paramètre Constant

Estimation Fonctionnelle: Applications aux Tests d Adéquation et de Paramètre Constant Carlos Mauel Rebelo Tereiro da Cruz Thèse présetée à la Faculdade de Ciêcias e Tecologia da Uiversidade de Coimbra, pour obteir le grade de Doutor em Matemática Matemática Aplicada. Estimatio Foctioelle:

Plus en détail

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de "Processus Stochastiques"

Master 1ère année spécialité IMIS et Mathématiques Contrôle continu de Processus Stochastiques Master ère aée spécialité IMIS et Mathématiques Cotrôle cotiu de "Processus Stochastiques" 8 octobre 00 - Durée h Calculatrices et documets autorisés Exercice Jacques va tous les jours à so travail e emprutat

Plus en détail

Texte Filtre de Kalman-Bucy

Texte Filtre de Kalman-Bucy Page 1. Texte Filtre de Kalma-Bucy 1 e modèle U avio se déplace etre Paris et odres. Il suit ue trajectoire théorique appelée trajectoire omiale dot les coordoées sot coues de tous. a trajectoire de l

Plus en détail

Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012

Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012 Uiversité Paris XI PCS0 Probabilités 2011/2012 Probabilités Table des matières 1 Combiatoire 2 1.1 Choix............................................ 2 1.2 Les foctios cruciales du déombremet........................

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

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

Estimation de paramètres

Estimation de paramètres CHAPITRE 8 Estimatio de paramètres 1. Distributio des moyees des échatillos Das ce chapitre, ous étudieros commet est distribué la moyee de tous les échatillos de taille possibles d ue certaie populatio.

Plus en détail

Temps moyen de lecture par page (exercice compris) : 10 minutes

Temps moyen de lecture par page (exercice compris) : 10 minutes MOTS BINAIRES Mots biaires de logueur 2 Rappel : le logarithme e base b 3 Le choix de la logueur des mots biaires 4 Calculs avec les mots de logueur 5 Le poids d u mot biaire de logueur 6 La distace de

Plus en détail