Analyse des données 1: erreurs expérimentales et courbe normale

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Analyse des données 1: erreurs expérimentales et courbe normale"

Transcription

1 Analyse des données 1: erreurs expérimentales et courbe normale 1

2 Incertitude vs. erreur Une mesure expérimentale comporte toujours deux parties: la valeur vraie de la grandeur mesurée et l'erreur sur cette valeur. Pour une seule mesure on rapporte l incertitude, qui est l erreur maximale prévisible. L incertitude est liée à l instrument/outil de mesure. x mesuré = x meilleur ± incertitude La bonne méthode scientifique consiste à répéter les mesures à fin de pouvoir évaluer l erreur aléatoire (ou accidentel) réellement faite lors de manipulations. x mesuré = x moyenne ± écart-type 2

3 Types d erreurs expérimentales Les erreurs systématiques (erreurs déterminées) Valeurs définies Variation des valeurs dans une direction (positive ou négative) Les statistiques ne peuvent pas venir en aide à ces erreurs Elles peuvent être identifiées et donc corrigées par un calibrage approprié Affectent l exactitude des valeurs Erreurs aléatoires (erreurs indéterminées) Variation de part et d autre de la moyenne Normalement faibles et peuvent être réduites par un traitement du signal Affectent la précision et la reproductibilité Erreurs majeures Evidentes et requièrent de refaire le tout (ex: catastrophe expérimentale, contamination de l échantillon) 3

4 Données expérimentales Lorsque des mesures expérimentales sont répétées plusieurs fois, les valeurs obtenues ne sont pas les mêmes (sauf coïncidence) parce que l erreur aléatoire n est pas la même à chaque fois. Des données expérimentales brutes sont constituées de la vraie valeur, µ, à laquelle on ajoute la composante erreur. S il n y a pas d erreur systématique, la composante erreur est distribuée au hasard selon une loi normale. Les observations individuelles sont aussi distribuées selon une loi normale. 4

5 Nombre d ampoules La loi normale et la distribution gaussienne Si une expérience est répétée un grand nombre de fois (n ), et si les erreurs sont purement aléatoires, les données expérimentales auront tendance à se distribuer de manière symétrique autour d une valeur moyenne. Courbe gausienne (forme de cloche) En effet, dans la plupart des analyses quantitatives, on observe expérimentalement que la distribution des données suit une courbe idéale appelée, «courbe gaussiene» ou «courbe d erreur normale». Durée de vie (h) Nombre d ampoules testées (n) =

6 Distribution des erreurs aléatoires En supposant une erreur systématique nulle, on peut écrire: mesure vraie valeur erreur aléatoire x Comment se distribuent les erreurs aléatoires autour de la vraie valeur ( i = x i -µ)? Loi normale centrée sur la valeur «0». La valeur moyenne de est «0». n n xi 1 i i i1 n n 0 6

7 Distribution des erreurs aléatoires Fut proposée en 1733 par DeMoivre, connue sous le nom de loi des erreurs, courbe de Gauss, distribution normale, courbe en cloche La distribution normale est caractérisée par deux paramètres: La valeur centrale, (reliée à la moyenne) L écart-type,, exprime la dispersion des valeurs est une meilleure façon de représenter l erreur aléatoire que 7

8 Échantillon vs. population Il est plus probable qu une mesure en laboratoire sera répétée 3 à 6 fois, plutôt que 1000 fois. À partir de cette petite série de données (un «échantillon»), il est possible d estimer les paramètres statistiques que produirait une série infinie de données (une «population»). Il est donc possible d évaluer le comportement statistique d un phénomène à partir d un ensemble restreint de mesures. Échantillon, s x Population, 8

9 Moyenne et écart-type Les valeurs µ et σ caractérisent l'ensemble de la population. Alors que la moyenne,, et l écart-type, s, caractérisent l'échantillon. Moyenne et écart-type sont des évaluations de µ et σ. x Échantillon, s x Population,, 9

10 Les propriétés d une courbe gaussiene: La moyenne La moyenne d un ensemble limité tiré d une population de données (i.e. n est un petit nombre) x n x i i1 n moyenne arithmétique des n valeurs de x i La meilleure évaluation de µ (population) est encore la moyenne arithmétique, et 10

11 Les propriétés d une courbe gaussiene: La moyenne Lorsque n est petit, diffère souvent de car un petit échantillon de données ne représente pas exactement sa population. La différence attendue entre x et diminue rapidement si l on augmente le nombre de mesures. x Échantillon, s x Population, Cette différence devient négligeable dès que n atteint

12 Les propriétés d une courbe gaussiene: L écart-type L écart-type indique comment les valeurs mesurées sont regroupées autour de la moyenne. L écart-type, s, d un ensemble restreint de données: s n i1 x i x n Si n > 30, on utilise n L écart-type de la population,, est donné par n (x i ) 2 i1 n où n-1 est le nombre de degrés de liberté 12

13 Nombre d ampoules L écart-type et la précision d une mesure Plus l écart-type est petit, plus les données sont étroitement regroupées autour de la moyenne (voir graphique à droite). Une distribution gaussienne étroite (i.e. écart-type petit) est indicative d une mesure précise. L'écart-type est le paramètre le plus utilisé dans l'analyse des données expérimentales. Les chimistes utilisent habituellement l écart-type d un ensemble pour indiquer la précision de leurs données. x Durée de vie (h) 13

14 L ÉCART-TYPE DES RÉSULTATS CALCULÉS Il faut souvent estimer l écart-type d un résultat qui a été calculé à partir de quelques données expérimentales qui ont chacune un écart-type d échantillon connu. Le tableau 1 donne les équations permettant de calculer les écarts-types de résultats obtenus par différentes opérations arithmétiques. Tableau 1: Propagation des erreurs dans les opérations algébriques Type d opération Exemple* Écart-type de y Addition ou soustraction Multiplication ou division y a bc y a b c s y s a 2 s b 2 s c 2 s y y 2 s a s 2 b s 2 c a b c Exponentielle y a x s y y x s a a Logarithme y log 10 a s y 0,434 s a a Exponentielle en base 10 y 10 a s y y 2,303s a * a, b et c sont des variables expérimentales dont les écarts-types sont symbolisés respectivement par s a, s b et s c. Chiffres significatifs! 14

15 Nombre d ampoules Équation d une courbe gaussienne L équation d une courbe gaussienne prend la forme y e( x ) / 2 Pour un nombre restreint de données, on peut dire que y x et s, ainsi s 2 e( x x ) / 2s Durée de vie (h) 15

16 Exemple d une courbe gaussienne calculée Par exemple, si = 1 et = 0, on obtient les données (x-y) cidessous et la courbe illustrée à droite. y e( x ) / 2 x y

17 Représentation unique de la dispersion des erreurs Il est utile d exprimer la dispersion des valeurs autour de la moyenne en multiple de l écart-type (i.e. façon unique pour exprimer les diverses erreurs). C est-à-dire, x i est transformé en z i, qui est exprimé selon: z i x i Cote «z» x i x s 17

18 Courbe gaussienne et la variable «z» La variable «z» est distribuée normalement, avec une moyenne égale à zéro. = 0 Par exemple, pour une courbe gaussienne où = 1 et = 0: = 1 Lorsque z i = +1, x i est 1 au-dessus de la moyenne. Lorsque z i = -2, x i est 2 en dessous de la moyenne. 18

19 Distribution normale des valeurs z i On peut ré-écrire la loi normale pour «z»: y i 1 2 i 2 e 2 x i z 2 e 2 Avantage: Sous cette forme réduite, toutes les courbes normales ont la même représentation. 19

20 Probabilité - 1 La probabilité de faire une mesure de valeur «x i», pour un événement tiré d'une population d'événements distribués selon une loi normale, ne s'évalue pas directement. C'est la probabilité que la valeur «x i», soit située entre x 1 et x 2 qui peut s'évaluer en mesurant la surface sous la courbe normale entre ces deux limites, i.e. P {x 1 < x i < x 2 }: 20

21 Probabilité - 2 Comme dans le cas des valeurs «x i», la probabilité que la valeur «z i» (qui est reliée a x i ) se trouve dans un intervalle donné est égale à la surface sous la courbe normale entre les deux limites de l intervalle. = 1 et = 0 Par exemple, la probabilité de mesurer «z» entre -2 et -1 est 0.136, qui correspond à l aire de la région ombrée dans la courbe à droite. 21

22 Probabilité - 3 Puisque la somme des probabilités de toutes les valeurs mesurées est égale à 1, l aire sous la courbe gaussienne de z = - à z = + est égale à 1. = 1 et = 0 Dans l équation de la courbe gaussienne y i 1 2 e(x i ) 2 / 2 2 facteur de normalisation le facteur de normalisation garantit que la surface de la courbe est égale à 1 («courbe normale d erreur»). 22

23 z a z z 23

24 Nombre d ampoules Problème Supposons que le manufacturier d ampoules offre de remplacer gratuitement chaque ampoule dont la durée de vie est moins de 600 h. Si le manufacturier prévoie vendre 1 M d ampoules, combien d ampoules supplémentaires doit-il garder de remplacement? Durée de vie (h) 24

25 Nombre d'ampoules Selon la courbe de distribution normale, la durée de vie moyenne d une ampoule est ± 94.2 h Solution Il faut calculer le z i qui correspond à un x i de 600 h: 500 z i x i x s ( ) Selon le Tableau 4-1, l aire sous la courbe entre la valeur moyenne, x, et z =-2.60 est durée de vie (h) 25

26 Nombre d'ampoules Solution Selon la courbe de distribution normale, la durée de vie moyenne d une ampoule est ± 94.2 h Il faut calculer le z i qui correspond à un x i de 600 h: 500 z i x i x s ( ) 94.2 Selon le Tableau 4-1, l aire sous la courbe entre la valeur moyenne, x, et z =-2.60 est L aire totale entre - et est Donc, l aire de - à est = L aire à gauche de 600 h est seulement de 0.47% de l aire totale en dessous de la courbe. Nombre d ampoules de remplacement = 10 6 x 0.47% =4700 x Aire de - à 845 h = 0.5 Aire de 600 h à 845 h = durée de vie (h) zone pertinente 26

27 L intervalle de confiance de la moyenne La valeur exacte de la moyenne (représentative d une population de données), n est jamais accessible parce que sa détermination exige un nombre infini de mesures. Cependant, les outils statistiques permettent de fixer des limites autour d une moyenne déterminée expérimentalement (pour un ensemble restreint de données), les limites entre lesquelles se situe avec un certain degré de probabilité. On appelle ces limites les limites de confiance, et l intervalle qu elles définissent l intervalle de confiance. L intervalle de confiance pour est donné par: x txs t n où «t» est le paramètre statistique souvent appelé le t de Student 27

28 (Nombre de degrés de liberté) (Niveaux de confiance) N.B.: pour le calcul de l intervalle de confiance, 28 le nombre de degrés de liberté = n - 1

29 Exemple de calcul d intervalle de confiance Un chimiste a obtenu les données suivantes pour la teneur en alcool d un échantillon de sang: % C 2 H 5 OH = 0,084; 0,089 et 0,079. Calculez les intervalles de confiance pour la moyenne, avec un niveau de confiance de 80 % et de 95%. x Pour les 3 mesures, = 0,084% et s = 0,005%. Le tableau 4-2 indique que pour deux degrés de liberté (n-1), t = 1,89 pour 80% de confiance et t = 4,30 pour 95% de confiance. Alors, à 80% = x ts n 0,0841,890,005 3 = 0,084±0,005% de C 2 H 5 OH à 95% = C 2 H 5 OH. x ts n 0,084 4,300,005 3 = 0,084±0,012% de 29

30 Comparaison d une moyenne expérimentale avec la valeur vraie (Test t) Pour comparer la moyenne obtenue expérimentalement avec une valeur connue ou certifiée et décider si la valeur mesurée concorde avec la valeur vraie: 1- On détermine t calculé : t calcul valeur vraie x s n 2- On compare t calculé avec le t de Student pour un intervalle de confiance de 95%. 3- Si t calculé > t de Student, les deux valeurs sont considérées différentes. 30

31 Comparaison des moyennes de deux ensembles de résultats Une quantité est mesurée plusieurs fois par deux différentes méthodes. Deux résultats sont obtenus, chacun avec son écart-type. Le chimiste doit juger si les deux méthodes donnent sensiblement le même résultat ou si la différence qu il peut détecter entre les moyennes des deux séries d analyse effectuées, est réelle. Méthode 1: n 1 mesures avec valeur moyenne x 1 Méthode 2: n 2 mesures avec valeur moyenne x 2 31

32 Si on suppose que les écarts-types des populations des deux méthodes sont très semblables, on peut calculer une valeur de t selon la relation: t calcul x 1 x 2 s group n 1 n 2 n 1 n 2 où s group mthode 1 2 x j x 2 2 x i x 1 n 1 n 2 2 mthode 2 s 1 2 n 1 1s 2 2 n 2 1 n 1 n 2 2 t calculé est le paramètre discriminatoire que l on calcule avec les valeurs expérimentales et s groupé est l écart-type pondéré des deux moyennes. La valeur de t calculé est comparée avec le t de Student pour (n 1 +n 2-2) degrés de liberté. Si t calculé > t de Student (intervalle de confiance de 95%), les deux résultats diffèrent appréciablement. On peut utiliser le même test pour établir si deux échantillons, analysés par une seule méthode, sont identiques. 32

33 Si les écarts-types des populations des deux méthodes ne sont pas semblables, on peut calculer une valeur de t selon la relation: t calculé x 1 s n x 2 s n Nombre de degrés de liberté = (s 2 1 / n 1 s 2 2 / n 2 ) 2 (s 2 1 / n 1 ) 2 n 1 1 (s 2 2 / n 2 ) 2 2 n

34 Est-ce que le gaz isolé de l air est plus dense que l azote (N 2 ) produit chimiquement? (n=7) (n=8) 34

35 Si on suppose que les écarts-types des populations des deux échantillons sont très semblables: s group s 1 2 n 1 1s 2 2 n 2 1 n 1 n (71)( ) 2 (81) t calcul x 1 x 2 n 1 n s group n 1 n Pour =13 degrés de libertés, t de Student se situe entre (10) et (15) pour 95% de confiance. Conclusion: t calculé > t Student et donc les moyennes sont différentes et le gaz isolé de l air (Ar) est plus dense que l azote. 35

36 Test de rejet d une donnée (Test Q) Lorsqu une série de données contient un résultat excentrique qui diffère sensiblement de la moyenne, on doit prendre la décision de le garder ou de le rejeter. Le test Q est un test statistique simple, très largement utilisé pour les valeurs excentriques. Il consiste à calculer la valeur expérimentale Q exp en divisant par l étendue w la valeur absolue de la différence entre le résultat suspect x q et son plus proche voisin x n : Q exp x q x n w 36

37 Ce Q exp est ensuite comparé aux valeurs de rejet Q crit données dans le tableau. Si Q exp > Q crit, le résultat suspect sera rejeté ou non selon le degré de confiance que l on s est préalablement fixé. Valeurs critiques pour le quotient de rejet Q Q crit (Rejeter si Q exp > Q crit ) Nb. d observations 90% de confiance 95% de confiance 99% de confiance 3 0,941 0,970 0, ,765 0,829 0, ,642 0,710 0, ,560 0,625 0, ,507 0,568 0, ,468 0,526 0, ,437 0,493 0, ,412 0,466 0,568 x 6 est la valeur suspecte. x 1 x 2 x 3 x 4 x 5 x 6 x 5 est la valeur la plus proche de x 6. x w Q exp x 6 x 5 x 6 x 1 Si Q exp > Q crit, x 6 est rejet. 37

38 Références A. Badia et al., CHM 1501/CHM 1979 Chimie expérimentale 1 (manuel de travaux pratiques), annexe B «Traitement des données», pp M. D Amboise, CHM 1501/CHM 1979/CHM 1502 Données expérimentales et usage d Excel J.A. Mendham, R.C. Denney, J.D. Barnes, M.J.K. Thomas, Analyse chimique quantitative de Vogel, traduction et révision scientifique de la 6 e édition anglaise, De Boeck & Larcier s.a., 2006, chapitre 4 «Statistiques: introduction à la chimiométrie», pp D.C. Harris, Quantitaive Chemical Analysis, 6è éd., chapitre 4 «Statistics», pp

Calcul d erreur (ou Propagation des incertitudes)

Calcul d erreur (ou Propagation des incertitudes) Travaux Pratiques de Physique vers. septembre 014 Calcul d erreur (ou Propagation des incertitudes) 1) Introduction Le mot "erreur" se réfère à quelque chose de juste ou de vrai. On parle d erreur sur

Plus en détail

LA QUALITÉ EN BIOCHIMIE -PRÉCISION ET EXACTITUDE

LA QUALITÉ EN BIOCHIMIE -PRÉCISION ET EXACTITUDE LA QUALITÉ EN BIOCHIMIE -PRÉCISION ET EXACTITUDE I. Incidences d'une mauvaise qualité dans le domaine industriel - Mise en vente de produits de mauvaise qualité. - Mécontentement des clients. - Perte de

Plus en détail

MESURES ET INCERTITUDES

MESURES ET INCERTITUDES MESURES ET INCERTITUDES OBJECTIFS DE CE CHAPITRE : Savoir exprimer une mesure avec le bon nombre de chiffres significatifs. Savoir arrondir le résultat d un calcul avec le bon nombre de chiffres significatifs.

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

COMMENT DOSER UN ACIDE OU UNE BASE?

COMMENT DOSER UN ACIDE OU UNE BASE? COMMENT DOSER UN ACIDE OU UNE BASE? Un dosage se définit d une part par la technique mise en jeu (mesure phmétrique, conductimétrique, spectrophotométrique, etc.), d autre part, par la méthode (par étalonnage,

Plus en détail

Statistique (MATH-F-315, Cours #1)

Statistique (MATH-F-315, Cours #1) Statistique (MATH-F-315, Cours #1) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Fonctions exponentielles et logarithmes

Fonctions exponentielles et logarithmes Fonctions exponentielles et logarithmes Il s'agit de deux familles de fonctions étroitement liées, la première étendant à toutes les valeurs réelles la notion déjà connue de puissance. On en donne ici

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

Chapitre 4: l'analyse de sensibilité I:génialité sur l'analyse de sensibilité I.1 La définition de l'analyse de sensibilité

Chapitre 4: l'analyse de sensibilité I:génialité sur l'analyse de sensibilité I.1 La définition de l'analyse de sensibilité Chapitre 4: l'analyse de sensibilité I:génialité sur l'analyse de sensibilité I.1 La définition de l'analyse de sensibilité Processus par lequel on évalue la robustesse d un modèle économique en examinant

Plus en détail

Arithmétique binaire. (Université Bordeaux 1) Architecture de l Ordinateur 2007-2008 1 / 10

Arithmétique binaire. (Université Bordeaux 1) Architecture de l Ordinateur 2007-2008 1 / 10 Entiers naturels Arithmétique binaire Représentation en base 10: 2034 = 2 10 3 + 0 10 2 + 3 10 1 + 4 10 0 Représentation en base 2: 11010 = 1 2 4 + 1 2 3 + 0 2 2 + 1 2 1 + 0 2 0 (Université Bordeaux 1)

Plus en détail

Approche empirique du test χ 2 d ajustement

Approche empirique du test χ 2 d ajustement Approche empirique du test χ 2 d ajustement Alain Stucki, Lycée cantonal de Porrentruy Introduction En lisant des rapports, on rencontre souvent des raisonnements du style : «le premier groupe est meilleur

Plus en détail

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48 Plan 1 Tests

Plus en détail

Centre d expertise en analyse environnementale du Québec

Centre d expertise en analyse environnementale du Québec Centre d expertise en analyse environnementale du Québec Programme d accréditation des laboratoires d analyse PROTOCOLE POUR LA VALIDATION D UNE MÉTHODE D ANALYSE EN CHIMIE DR-12-VMC Édition : 6 mars 2015

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

1 Introduction. 2 Fonctions linéaires, fonctions affines. 2.1 Définitions. Fonctions linéaires et fonctions affines Cours. Objectifs du chapitre

1 Introduction. 2 Fonctions linéaires, fonctions affines. 2.1 Définitions. Fonctions linéaires et fonctions affines Cours. Objectifs du chapitre Fonctions linéaires et fonctions affines Cours Objectifs du chapitre Connaitre le sens de variation d une fonction affine. Connaitre le signe d une fonction affine. 1 Introduction Activité 2 Fonctions

Plus en détail

Introduction à l optimisation

Introduction à l optimisation Université du Québec à Montréal Introduction à l optimisation Donnée dans le cadre du cours Microéconomie II ECO2012 Baccalauréat en économique Par Dominique Duchesneau 21 janvier septembre 2008 Ce document

Plus en détail

Groupe : (h, k) ( 5, 12)

Groupe : (h, k) ( 5, 12) Fiche de soutien Les propriétés de la fonction racine carrée PROPRIÉTÉ FONCTION SOUS FORME CANONIQUE f(x) = a + k (ou f(x) = a 1 + k et a 1 = a ) EXEMPLE f(x) = 2 12 (ou f(x) = 6 12) Coordonnées du sommet

Plus en détail

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1

Qualité Six Sigma. Sommaire. Sylvain ROZÈS. 28 mars 2008. 1 Introduction 1. 2 Étude séparée de quatre échantillons 1 Qualité Six Sigma Sylvain ROZÈS 28 mars 2008 Sommaire 1 Introduction 1 2 Étude séparée de quatre échantillons 1 3 Étude sur l ensemble des échantillons 8 4 Étude sur les range 13 1 Introduction Le but

Plus en détail

I. LA VARIABILITE AU SEIN DES POPULATIONS

I. LA VARIABILITE AU SEIN DES POPULATIONS I. LA VARIABILITE AU SEIN DES POPULATIONS La notion de population recouvre un concept difficilement réductible à une définition unique. Au sens de la génétique, une population représente une entité de

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Statistiques de groupe

Statistiques de groupe Système Méthodologique d Aide à la Réalisation de Tests Statistiques de groupe et analyse des questions de votre épreuve Une unité de soutien de l IFRES Université de Liège L analyse des statistiques de

Plus en détail

Reconnaissance des formes

Reconnaissance des formes Reconnaissance des formes Discrimination A. Belaïd LORIA - Nancy Discrimination linéaire Notion d hyperplan Discrimination linéaire Principe Une forme x R d (vecteur forme) Rôle de la Trouver D : R d x

Plus en détail

MÉTHODE GRAPHIQUE DE CALCULS DE LA MOYENNE ET DE L'ÉCART TYPE DUNE DISTRIBUTION NORMALE TEST DE NORMALITÉ

MÉTHODE GRAPHIQUE DE CALCULS DE LA MOYENNE ET DE L'ÉCART TYPE DUNE DISTRIBUTION NORMALE TEST DE NORMALITÉ REVUE FORESTIÈRE FRANÇAISE 791 MÉTHODE GRAPHIQUE DE CALCULS DE LA MOYENNE ET DE L'ÉCART TYPE DUNE DISTRIBUTION NORMALE TEST DE NORMALITÉ r PAR R. TOMASSONE Ingénieur des Eaux et Forêts Ψ Section de la

Plus en détail

Statistiques descriptives (1/2)

Statistiques descriptives (1/2) Statistiques descriptives (1/2) Anita Burgun 2011-2012 http://www.med.univ-rennes1.fr Introduction! Statistique: méthode scientifique qui consiste à réunir des données chiffrées sur des ensembles d individus

Plus en détail

C k A C. x 5 4 + Signe de f (x) + 0 0 + x 4 2 2 + Variations

C k A C. x 5 4 + Signe de f (x) + 0 0 + x 4 2 2 + Variations nde Eléments de correction du DNS 1 Lectures graphiques Soient f et g deux fonctions définies sur IR. Leurs représentations graphiques, notées respectivement C f et C g, sont tracées dans le repère ci-dessous.

Plus en détail

QUELLE EST LA CONCENTRATION DES IONS BICARBONATE DANS CETTE EAU MINÉRALE?

QUELLE EST LA CONCENTRATION DES IONS BICARBONATE DANS CETTE EAU MINÉRALE? Nom :.. Coéquipier : BUT QUELLE EST LA CONCENTRATION DES IONS BICARBONATE DANS CETTE EAU MINÉRALE? Toutes les eaux minérales indiquent sur leurs étiquettes les ions présents, leur quantité et le ph de

Plus en détail

RECOMMANDATION UIT-R P.453-7 ANNEXE 1. L indice n de réfraction radioélectrique de l'atmosphère est donné par la formule suivante: n = 1 + N 10 6 (1)

RECOMMANDATION UIT-R P.453-7 ANNEXE 1. L indice n de réfraction radioélectrique de l'atmosphère est donné par la formule suivante: n = 1 + N 10 6 (1) Rec. UIT-R P.453-7 1 RECOMMANDATION UIT-R P.453-7 Rec. UIT-R P.453-7 INDICE DE RÉFRACTION RADIOÉLECTRIQUE: FORMULES ET DONNÉES DE RÉFRACTIVITÉ (Question UIT-R 201/3) (1970-1986-1990-1992-1994-1995-1997-1999)

Plus en détail

RECOMMANDATION UIT-R P.1148-1

RECOMMANDATION UIT-R P.1148-1 Rec. UIT-R P.48- RECOMMANDATION UIT-R P.48- PROCÉDURE NORMALISÉE DE COMPARAISON DES VALEURS PRÉVUES ET OBSERVÉES DES INTENSITÉS DES SIGNAUX TRANSMIS PAR L'ONDE IONOSPHÉRIQUE DANS LA GAMME DES ONDES DÉCAMÉTRIQUES

Plus en détail

Chapitre 2. Caractéristiques des distributions à une variable quantitative

Chapitre 2. Caractéristiques des distributions à une variable quantitative Chapitre 2. Caractéristiques des distributions à une variable quantitative Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University

Plus en détail

Chapitre 3 : Le revenu d équilibre

Chapitre 3 : Le revenu d équilibre Chapitre 3 : Le revenu d équilibre - 112 - Dans ce chapitre vous allez : - Distinguer entre la théorie classique et la théorie moderne de l équilibre macroéconomique. - Découvrir l interprétation moderne

Plus en détail

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante.

Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Eléments de stratégie d échantillonnage à l adresse des diagnostiqueurs amiante. Essai de détermination du nombre de prélèvements à effectuer lors d un diagnostic amiante afin d assurer une représentativité

Plus en détail

T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015

T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015 T ES/L DEVOIR SURVEILLE 3 16 JANVIER 2015 Durée : 3h NOM : Prénom : Calculatrice autorisée «Le candidat est invité à faire figurer sur la copie toute trace de recherche, même incomplète ou non fructueuse,

Plus en détail

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité

Corrrigé du sujet de Baccalaurat S. Pondichery 2015. Spécialité Corrrigé du sujet de Baccalaurat S Pondichery 2015 Spécialité EXERCICE 1 (4 points) commun à tous les candidats Partie A Soit f la fonction définie sur R par f(x) et la droite d équation et la droite d

Plus en détail

Équations différentielles en physique

Équations différentielles en physique Fiche Mathématiques pour la Physique - Équations différentielles en physique - MPSI 1 Lycée Chaptal - 2012 Équations différentielles en physique On ne considère en physique en prépa (quasiment) que des

Plus en détail

Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana

Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana Validation d une méthode performante de dosage des steviols glycosides de Stevia Rebaudiana J.M. Roussel, Consultant, Aix-en-Pce Prof. Dr. Gertrud Morlock, Chair of Food Science, JLU Giessen S. Meyer,

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE

BACCALAURÉAT TECHNOLOGIQUE BACCALAURÉAT TECHNOLOGIQUE Série : Sciences et Technologies de Laboratoire Spécialité : Sciences Physiques et Chimiques en Laboratoire SESSION 2013 Sous-épreuve écrite de sciences physiques et chimiques

Plus en détail

PSY C3 Eléments de statistique

PSY C3 Eléments de statistique PSY C3 Eléments de statistique Responsables : Amandine Penel & Fabrice Guillaume Maîtres de conférence en Psychologie Cognitive penel@up.univ-mrs.fr guillaume@isc.cnrs.fr semaine du 4 Sept semaine du oct

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

RAPPORT DE LABORATOIRE DE PHYSIQUE Polarisation

RAPPORT DE LABORATOIRE DE PHYSIQUE Polarisation RAPPORT DE LABORATOIRE DE PHYSIQUE Polarisation Benjamin Frere & Pierre-Xavier Marique ème candidature en sciences physiques, Université de Liège Année académique 003-004 1 1 Objectifs Le but de cette

Plus en détail

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE

LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE Nous abordons dans cette leçon la partie analyse de sensibilité de la résolution d'un problème de programmation linéaire. Il s'agit d'étudier les conséquences

Plus en détail

Chapitre 7 Tests d hypothèse (partie 1)

Chapitre 7 Tests d hypothèse (partie 1) Chapitre 7 Tests d hypothèse (partie 1) I Qu est ce qu un test statistique? La philosophie est toujours la même : déterminer des informations sur une population à partir d informations sur un échantillon

Plus en détail

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html

Arithmétique Algorithmique. http://www.math.univ-lyon1.fr/~roblot/ens.html Arithmétique Algorithmique http://www.math.univ-lyon1.fr/~roblot/ens.html Partie III Algorithmes classiques 1 Coût de la multiplication et de la division 2 Exponentiation rapide 3 Algorithme d Euclide

Plus en détail

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin.

Exo7. Développements limités. 1 Calculs. 2 Applications. Corrections d Arnaud Bodin. Exo7 Développements ités Corrections d Arnaud Bodin. Calculs Exercice Donner le développement ité en 0 des fonctions :. cosx expx à l ordre 2. ln + x)) 2 à l ordre 4 shx x. x à l ordre 6 4. exp sinx) )

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

RAPPELS ET COMPLÉMENTS CALCULATOIRES

RAPPELS ET COMPLÉMENTS CALCULATOIRES RAPPELS ET COMPLÉMENTS CALCULATOIRES ENSEMBLES DE NOMBRES ENSEMBLES,,,ET: On rappelle que : désigne l ensembleprivé de 0 idem pour, et, + désigne l ensemble des réels positifs ou nuls et l ensemble des

Plus en détail

TD1, sur la Régression Logistique (STA 2211)

TD1, sur la Régression Logistique (STA 2211) TD, sur la Régression Logistique STA 22) Exercice : Un sondage international cité dans un article de presse le 4 décembre 2004) rapportait le faible taux d approbation de la politique du Président des

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Université de Montréal Lab xi Cellules solaires photovoltaïques 2

Université de Montréal Lab xi Cellules solaires photovoltaïques 2 Université de Montréal Lab xi Cellules solaires photovoltaïques 1 Table des matières Table des matières 1 Introduction 2 Théorie 3 Montages et manipulations 5 Partie 1 (Sans générateur) 5 Partie 2 (avec

Plus en détail

Préparation CCF n 2 : APS La compagnie des hôtels bleus

Préparation CCF n 2 : APS La compagnie des hôtels bleus Préparation CCF n 2 : APS La compagnie des hôtels bleus Introduction La compagnie des hôtels bleus est une société qui gère un grand nombre d hôtels répartis sur tout le territoire français. Vous venez

Plus en détail

8. Statistique descriptive

8. Statistique descriptive 8. Statistique descriptive MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: statistique descriptive 1/47 Plan 1. Introduction 2. Terminologie 3. Descriptions graphiques des

Plus en détail

Chapitre 8. Corrigés

Chapitre 8. Corrigés Chapitre 8 Corrigés 1 Question 1. Indicateurs du BSC et stratégie de domination par les coûts Le BSC doit refléter les intentions stratégiques. Par conséquent, si l entreprise choisit de s orienter plutôt

Plus en détail

Représentation des Nombres

Représentation des Nombres Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

OPTIMISATION SOUS CONTRAINTES

OPTIMISATION SOUS CONTRAINTES OPTIMISATION SOUS CONTRAINTES Sommaire 1. Optimisation entre des bornes... 1 2. Exercice... 4 3. Optimisation sous contrainte à variables multiples... 5 Suite à une planification de la production, supposons

Plus en détail

Chapitre 6 : Estimation d erreurs numériques

Chapitre 6 : Estimation d erreurs numériques Chapitre 6 : Estimation d erreurs numériques Puisque les réels ne sont représentés en machine que sous la forme de flottants, ils ne sont connus que de manière approchée. De plus, la somme ou le produit

Plus en détail

Recherche sur la modification de l accélération d un chariot se déplaçant vers le bas sur un plan incliné

Recherche sur la modification de l accélération d un chariot se déplaçant vers le bas sur un plan incliné La recherche Recherche sur la modification de l accélération d un chariot se déplaçant vers le bas sur un plan incliné Question de recherche : L accélération d un chariot se déplaçant vers le bas sur un

Plus en détail

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS

DIU Infirmières de Santé au Travail - IDF. Service Central de Santé au Travail de l AP-HP PLAN DE COURS DIU Infirmières de Santé au Travail - IDF Faculté de Médecine Paris VII - Denis Diderot Mardi 7 juin 2016 STATISTIQUES EN SANTE AU TRAVAIL : NOTIONS ESSENTIELLES Service Central de Santé au Travail de

Plus en détail

Ressources pour le lycée technologique

Ressources pour le lycée technologique éduscol Enseignement de mathématiques Classe de première STMG Ressources pour le lycée technologique Échantillonnage : couleur des yeux au Canada Contexte pédagogique Objectifs Obtenir un intervalle de

Plus en détail

MATHÉMATIQUES TERMINALE ES A. YALLOUZ. Ce polycopié conforme au programme 2002, regroupe les documents distribués aux élèves en cours d année.

MATHÉMATIQUES TERMINALE ES A. YALLOUZ. Ce polycopié conforme au programme 2002, regroupe les documents distribués aux élèves en cours d année. MATHÉMATIQUES TERMINALE ES A. YALLOUZ Ce polcopié conforme au programme 00, regroupe les documents distribués au élèves en cours d année. Année 0-0 Année 0-0 T le ES A. YALLOUZ (MATH@ES) TABLE DES MATIÈRES

Plus en détail

La fonction racine carrée. Document B. Table des matières

La fonction racine carrée. Document B. Table des matières 1 La fonction racine carrée Document B Table des matières - Résolution algébriques d équations avec racine carrée, p.2 à 8; - Règles sous la forme canonique avec b 1 et b = 1, p.9-10; - Équation axe de

Plus en détail

Incertitudes expérimentales Étude de cas : logiciel Chute

Incertitudes expérimentales Étude de cas : logiciel Chute Nº 755 BULLETIN DE L UNION DES PHYSICIENS 883 Incertitudes expérimentales Étude de cas : logiciel Chute par Daniel BEAUFILS Institut National de Recherche Pédagogique, 910 Montrouge Juan-Carlos IMBROGNO

Plus en détail

T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé)

T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé) T.P. 8 - Exercice 1 Khi-Carré d ajustement (Corrigé) Connaissances préalables : Buts spécifiques : Outils nécessaires : Consignes générales : Distribution de fréquences, proportions. Test d ajustement.

Plus en détail

LA TECHNOLOGIE MICRO-ONDES AU SERVICE DE LA CHIMIE VERTE

LA TECHNOLOGIE MICRO-ONDES AU SERVICE DE LA CHIMIE VERTE LA TECHNOLOGIE MICRO-ONDES AU SERVICE DE LA CHIMIE VERTE Parmi les 12 critères de base définissant la "chimie verte" (green chemistry), énoncés en 1998 par deux chimistes, Paul Anastas et John C. Warner,

Plus en détail

T ES/L DEVOIR SURVEILLE 4 23 JANVIER 2013

T ES/L DEVOIR SURVEILLE 4 23 JANVIER 2013 T ES/L DEVOIR SURVEILLE 4 23 JANVIER 2013 Durée : 2h NOM : Prénom : Calculatrice autorisée «Le candidat est invité à faire figurer sur la copie toute trace de recherche, même incomplète ou non fructueuse,

Plus en détail

Tracé de lignes et de courbes planes

Tracé de lignes et de courbes planes Département d informatique Université de Toulon et du Var Plan 1 Introduction 2 Tracé de segments 3 Tracé de cercles 4 Tracé de courbes Définition Le processus de représentation d objets graphiques continus

Plus en détail

Connaître les variations des fonctions polynômes de degré 2 (monotonie, extremum) et la propriété de symétrie de leurs courbes.

Connaître les variations des fonctions polynômes de degré 2 (monotonie, extremum) et la propriété de symétrie de leurs courbes. www.mathsenligne.com 2N3 - FONCTION CARRE ET SECOND DEGRE COURS (1/6) CONTENUS CAPACITES ATTENDUES COMMENTAIRES Expressions algébriques Transformations d expressions algébriques en vue d une résolution

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

11.1 Comparaison : la logique floue et logique classique

11.1 Comparaison : la logique floue et logique classique Chapitre Logique floue Ce chapitre présente une méthode moderne de contrôle, la logique floue. La logique floue diffère de la logique classique parce qu elle permet des définitions partielles ou floues

Plus en détail

Professeur : Mohamed lemine ould Hasnat

Professeur : Mohamed lemine ould Hasnat Professeur : Mohamed lemine ould Hasnat I. Solutions acides faibles 1.1. Observation Le ph d une solution d acide éthanoïque CH 3 COOH de concentration molaire c A = 10 2 mol/l est égale à 3,4. 1.2. Interprétation

Plus en détail

INÉQUATIONS. Notations Inéquations Représentations graphiques 1 ]a ; b[ a < x < b

INÉQUATIONS. Notations Inéquations Représentations graphiques 1 ]a ; b[ a < x < b 27 5. Inéquations 5.1. Définition Exemple : x < 4 + 2x La droite réelle Le symbole utilisé pour les intervalles infinis est une notation et ne représente pas un nombre réel. Une inéquation affirme que

Plus en détail

Faire et analyser un graphique de Bland-Altman pour évaluer la concordance entre deux instruments ou plus

Faire et analyser un graphique de Bland-Altman pour évaluer la concordance entre deux instruments ou plus Faire et analyser un graphique de Bland-Altman pour évaluer la concordance entre deux instruments ou plus Par Marie-Pierre Sylvestre Contexte On désire comparer deux instruments qui mesurent le même concept.

Plus en détail

Généralités sur les fonctions numériques

Généralités sur les fonctions numériques 7 Généralités sur les fonctions numériques Une fonction numérique est, de manière générale, une fonction d une variable réelle et à valeurs réelles. 7.1 Notions de base sur les fonctions Si I, J sont deux

Plus en détail

Ce TD se déroule sur 3 heures : vous devez donc consacrer environ 1 heure pour chacune des phases.

Ce TD se déroule sur 3 heures : vous devez donc consacrer environ 1 heure pour chacune des phases. TD Analyse de données pour l évaluation de l exposition Octobre 2014 1 Contexte et objectif du TD Pour réaliser une évaluation de l exposition d une population à un contaminant chimique, plusieurs sources

Plus en détail

Avertissement! Dans tout ce chapître, C désigne une partie convexe de IR n, et f une fonction. 9.1 Fonctions affines, convexes, strictement convexes

Avertissement! Dans tout ce chapître, C désigne une partie convexe de IR n, et f une fonction. 9.1 Fonctions affines, convexes, strictement convexes Chp. 9. Convexité Avertissement! Dans tout ce chapître, C désigne une partie convexe de IR n, et f une fonction numérique partout définie sur C. 9.1 Fonctions affines, convexes, strictement convexes Définition

Plus en détail

partie a Introduction à la statistique 1

partie a Introduction à la statistique 1 table des matières F AVANT-PROPOS À L ÉDITION AMÉRICAINE Abréviations viii xiv partie a Introduction à la statistique 1 1. Statistique et probabilité ne sont pas intuitives 3 Nous avons tendance à passer

Plus en détail

Comment construire un diagramme de Henry avec Excel et comment l interpréter

Comment construire un diagramme de Henry avec Excel et comment l interpréter Comment construire un diagramme de Henry avec Ecel et comment l interpréter Kathy Chapelain et Emmanuel Grenier emmanuel.grenier@lasalle-beauvais.fr Relu par Henry P. Aubert, Jacques Goupy et Jacques Vaillé

Plus en détail

Baccalauréat STL Biotechnologies juin 2014 Polynésie Correction

Baccalauréat STL Biotechnologies juin 2014 Polynésie Correction Baccalauréat STL Biotechnologies juin 014 Polynésie Correction EXERCICE 1 Les trois parties de cet exercice peuvent être traitées de manière indépendante. Les résultats seront arrondis, si nécessaire,

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Corrigé Baccalauréat ES/L Amérique du Sud 2 novembre 2 Corrigé A. P. M. E. P. EXERCICE Commun à tous les candidats 5 points. Diminuer le budget de 6 % sur un an revient à multiplier par 6 =,94. Diminuer le budget

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé)

Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) Baccalauréat ES/L Métropole 21 juin 2013 (sujet dévoilé) EXERCICE 1 4 points Cet exercice est un questionnaire à choix multiples (QCM). Pour chacune des questions posées, une seule des quatre réponses

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

Chapitre 5 Le logarithme néperien

Chapitre 5 Le logarithme néperien A) La fonction ln(x) Chapitre 5 Le logarithme néperien ) Définition Nous avons vu que nous ne savions pas exprimer la primitive de la fonction inverse avec des fonctions connues. Alors inventons cette

Plus en détail

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale MT8 A 0 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale. Fonction de répartition.. Variable aléatoire à valeurs réelles Définition : Soit un ensemble fondamental

Plus en détail

BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES. Série S ÉPREUVE DU JEUDI 19 JUIN 2014. Durée de l épreuve : 4 heures Coefficient : 7

BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES. Série S ÉPREUVE DU JEUDI 19 JUIN 2014. Durée de l épreuve : 4 heures Coefficient : 7 BACCALAURÉAT GÉNÉRAL SESSION 2014 MATHÉMATIQUES Série S ÉPREUVE DU JEUDI 19 JUIN 2014 Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2008/2009 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

Cours Plans. leur mesure. Cours plan d expérience sur la mesure. Type : L8(7 fact * 2 niv)

Cours Plans. leur mesure. Cours plan d expérience sur la mesure. Type : L8(7 fact * 2 niv) Type : L8(7 fact * 2 niv) Nb essais (NE) : 8 Nb facteurs (NFc) : 7 Nb interactions (Nint) 1 2 3 4 5 6 7 Essai Facteurs contrôlés N A B C D E F G 1 1 1 1 1 1 1 1 2 1 1 1 2 2 2 2 3 1 2 2 1 1 2 2 4 1 2 2

Plus en détail

Fonctions Nombre Dérivé Fonction dérivée

Fonctions Nombre Dérivé Fonction dérivée Fonctions Nombre Dérivé Fonction dérivée Ce chapitre est le chapitre central de la classe de Terminale STG. Il permet (en partie) de clore ce qui avait été entamé dés le collège avec les fonctions affines

Plus en détail

PC Brizeux TP N 1 - Correction Altmayer- Henzien 2015-2016

PC Brizeux TP N 1 - Correction Altmayer- Henzien 2015-2016 Correction TP N1 I. Etalonnage d'une solution de soude Q1. Si la solution de soude n'est pas fraîchement préparée, du dioxyde de carbone de l'air peut se dissoudre dedans puis réagir avec la soude par

Plus en détail

Graphiques à progression semi-logarithmique

Graphiques à progression semi-logarithmique Graphiques à progression semi-logarithmique Nous ne sommes pas en maths, Nous allons utiliser les applications pratiques des logarithmes Le choix d'une échelle logarithmique est nécessaire si une évolution

Plus en détail

Outil pour l attribution des notes

Outil pour l attribution des notes Outil pour l attribution des notes Gilbert Babin A- Contexte Le présent document décrit le mode d utilisation d un outil développé avec Microsoft Excel permettant l analyse et l attribution des notes finales.

Plus en détail

Exercices. Version du 7 janvier 2016 16:37. UE Mathématiques et statistiques appliquées AA Mathématiques et statistiques appliquées

Exercices. Version du 7 janvier 2016 16:37. UE Mathématiques et statistiques appliquées AA Mathématiques et statistiques appliquées Exercices Version du 7 janvier 2016 16:37 UE Mathématiques et statistiques appliquées AA Mathématiques et statistiques appliquées 1ère Bachelier en Informatique de Gestion Ludovic Kuty

Plus en détail

Essai en enceinte climatique

Essai en enceinte climatique Essai en enceinte climatique Il s agit d effectuer un test climatique (chaud-froid) sur un échantillon. ---------------------------------------------------------------------------------------- Cahier des

Plus en détail

TD Dérivation n 2 : étude des variations de fonctions

TD Dérivation n 2 : étude des variations de fonctions 1) f (x) = 7x+3 TD Dérivation n : étude des variations de fonctions Étude de variations f est une fonction affine, de coefficient directeur négatif, on sait donc qu elle est décroissante surê. Le calcul

Plus en détail

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales Recueil d annales en Mathématiques Terminale S Enseignement obligatoire Frédéric Demoulin Dernière révision : 3 juin 2 Document diffusé via le site www.bacamaths.net de Gilles Costantini 2. frederic.demoulin

Plus en détail

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*)

Traitement statistique. des petits échantillons. Application avec JMP - 3 jours (*) Traitement statistique Application avec JMP - 3 jours (*) Référence : STA-N1-SPECHAJMP Durée : 3 jours soit 21 heures (*) : La durée proposée est une durée standard. Elle peut être adaptée selon les besoins,

Plus en détail

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique

Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Agrégation externe de mathématiques, texte d exercice diffusé en 2012 Épreuve de modélisation, option informatique Résumé : A partir du problème de la représentation des droites sur un écran d ordinateur,

Plus en détail