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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 CTU, Licece de Mathématiques Statistique Iféretielle Jea-Yves DAUXOIS Uiversité de Frache-Comté Aée scolaire

2 Ce polycopié cotiet le cours, les sujets d exercice et leurs corrigés aisi que les sujets des devoirs proposés. Les éocés des exercices sot doés e fi de chapitre auxquelles ils fot référece. Il est vivemet coseillé d essayer de faire sérieusemet les exercices, sas aller trop rapidemet voir leurs correctios détaillées e fi de polycopié. O sait e effet que, pour qu ue correctio soit efficace, il faut qu elle viee après ue période de recherche persoelle de la solutio. Les devoirs, quat à eux, e sot pas des exercices supplémetaires (ces deriers accompagés de leurs correctios sot déjà assez ombreux!). Pour qu ils apportet réellemet autre chose que les exercices, ils doivet être faits das les coditios d u devoir surveillé ou d u exame. E coséquece, il vous est vivemet coseillé de faire les devoirs et de m evoyer votre copie (évetuellemet les ues après les autres). E retour vous recevrez votre copie corrigée et égalemet ue correctio type du devoir. Le premier des devoirs peut être résolu dès que l o est parveu à la fi de la secode sectio du Chapitre 5. Le secod est lui réalisable après avoir travaillé l esemble du Chapitre 5. Les trois autres, même s ils peuvet être attaqués plus tôt, e serot réalisables qu ue fois assimilé l esemble des otios. Ils peuvet fourir de bos exercices de révisio e perspective de l exame. Efi, ce polycopié cotiet certaiemet de ombreuses coquilles et mérite ecore d être amélioré. Merci d avace aux lecteurs attetifs de trasmettre leur remarques, suggestios ou idicatios sur la localisatio des coquilles. U petit mail à l adresse et l amélioratio est prise e compte... Bo courage!

3 Table des matières Partie 1. Itroductio et Modèle Statistique 5 Chapitre 1. Itroductio 7 Chapitre 2. Modèle Statistique Défiitio Modèle d échatilloage Vraisemblace Familles Expoetielles Modèle positio-échelle Exercices 18 Partie 2. Estimatio poctuelle 21 Chapitre 3. Statistique et Estimateur 23 Chapitre 4. Costructio d estimateurs Estimateurs empiriques (des momets) Méthode de substitutio Méthode des momets Maximum de vraisemblace Exercices 33 Chapitre 5. Qualité d u estimateur Estimateur coverget Estimateur sas biais Risque d u estimateur Iformatio de Fisher Bore de Cramer-Rao (ou Fréchet-Darmois-Cramer-Rao) Exercices 48 Chapitre 6. Amélioratio d estimateurs Statistique exhaustive Statistique exhaustive miimale Théorème de Rao-Blackwell Théorème de Lehma-Scheffé Cas des familles expoetielles Exercices 57 3

4 Chapitre 7. Comportemet asymptotique d u estimateur Normalité asymptotique Estimateurs empiriques des momets Estimateur du maximum de vraisemblace La δ-méthode ou l étude asymptotique d u estimateur obteu par la méthode de substitutio Estimateurs par la méthode des momets Exercices 63 Partie 3. Itervalles de cofiace 65 Chapitre 8. Itervalles de cofiace exacts 67 Chapitre 9. Itervalles de cofiace asymptotiques 71 Chapitre 10. Exercices sur les itervalles de cofiace exacts et asymptotiques 73 Partie 4. Correctio des exercices 75 Correctio des exercices du Chapitre 2 77 Correctio des exercices du Chapitre 4 85 Correctio des exercices du Chapitre 5 99 Correctio des exercices du Chapitre Correctio des exercices du Chapitre Partie 5. Devoirs 135

5 Partie 1 Itroductio et Modèle Statistique

6

7 CHAPITRE 1 Itroductio Cosidéros u problème de Fiabilité où l o étudie la durée de vie X d u matériel. Il est raisoable d admettre que celle-ci est aléatoire et X est alors ue variable aléatoire (v.a.) de foctio de répartitio (f.d.r.) F. Supposos que l o soit précisémet itéressé par l évaluatio de la probabilité que le matériel soit e marche après u temps t 0 de foctioemet, c est à dire évaluer F (t 0 ) = P (X > t 0 ) = 1 F (t 0 ). Pour cela o observe le foctioemet matériels similaires et o relève leurs temps de pae respectifs: x 1,..., x. O ote K = 1l x i t 0 le ombre de matériels tombées e pae au temps t 0. Il e reste doc K ecore e marche à cet istat. Il est assez aturel d estimer la probabilité F (t 0 ) par : F (t 0 ) = ombre de cas favorables ombre de cas possibles = K = 1 1l {xi >t 0 }. Posos maiteat ue hypothèse supplémetaire. O suppose (o sait ou o a pu vérifier) que la loi de X est ue loi expoetielle E(λ), mais dot o igore le paramètre λ. Calculos l espérace de X. O a où E(X) = + 0 xλe λx dx = 1 λ Γ(α) = u α 1 e u du ue u du = Γ(2) λ, est la foctio Gamma. O sait que Γ() = ( 1)!, ce qui ous doe ici E(X) = 1/λ. Il est assez aturel d estimer l espérace de X par la moyee empirique des temps observés, i.e. par x = 1 x i. Aisi λ peut être estimé par : ˆλ = 1 x = 7 x. i

8 8 Chapitre 1. Itroductio U calcul simple motre que F (t 0 ) = + t 0 λe λx dx = exp( λt 0 ) et o peut doc estimer la probabilité que le matériel foctioe durat le temps t 0 par : F (t 0 ) = exp( ˆλt 0 ). Les estimatios précédetes sot appelées estimatios poctuelles. O costate e particulier que plusieurs estimateurs ot été proposés pour F (t 0 ). Ils coduiset à des estimatios différetes de la même quatité pour u seul lot de matériel testé. Mais o remarque égalemet qu u même estimateur peut meer à différetes estimatios si o cosidère plusieurs lots de matériels. Les valeurs observées x 1,..., x ot e effet aucue raiso d être les mêmes. Aisi o se pose aturellemet les questios suivates. Commet peut-o comparer différets estimateurs? Quelle(s) défiitio(s) doer de la qualité d u estimateur? Commet mesurer l erreur commise par u estimateur (puisqu e particulier elle varie d ue observatio à l autre)? Toutes ces questio serot abordées das la Partie 2 de ce cours. Ce qui précède motre que l estimatio poctuelle a u icovéiet majeur, celui de se tromper presque toujours. Au mois das le cas de v.a. absolumet cotiues, ce qui était le cas précédemmet, il apparaît clairemet que l o est presque sûr de e pas tomber sur la valeur théorique que l o cherche à estimer. C est pourquoi o préfère parfois doer u itervalle plutôt qu ue valeur. O parle d itervalle de Cofiace ou parfois de fourchette d estimatio. Bie sûr il reste ue erreur possible. O doera alors l itervalle e foctio de l erreur que l o s autorise (ou que l o ous autorise). Plus o souhaitera que la probabilité d erreur soit petite, plus grad sera l itervalle. Et iversemet plus la probabilité d erreur que l o s autorise est grade, plus o pourra doer u itervalle étroit. L estimatio par itervalles de cofiace fait l objet de la Partie 3 de cours. Il reste u troisième axe fodametal de la Statistique Iféretielle que ous aborderos pas das ce cours. Il est de ature assez différete des deux précédets et cosiste à pouvoir se doer des outils statistiques pour décider etre deux hypothèses différetes. Aisi, si l o cosidère à ouveau l exemple précédet sur la fiabilité d u matériel, o peut être assez rapidemet ameé à répodre à des questios comme les suivates. La fiabilité du matériel F (t0 ) e u istat t 0 fixé (par exemple 2000h) estelle supérieure ou pas à 0,99? Appartiet-elle à l itervalle [0.975, 0.985] (il e s agit pas ici du même problème que celui du paragraphe précédet sur la otio d itervalle de cofiace comme ous le verros e étudiat plus e détails ces otios)? L hypothèse de loi expoetielle pour la durée de vie X du matériel est-elle raisoable ou pas? Ou ecore si l o dispose de deux versios du matériel : l u est-il plus fiable que l autre e u istat t 0? Autremet dit, e otat respectivemet F 1 et F 2 les foctios de répartitios de la durée de vie de chaque matériel, a-t-o F 1 (t 0 ) F 2 (t 0 ) ou le cotraire? Jea-Yves Dauxois c Juillet 2011

9 0. 9 La théorie des tests d hypothèses permet de répodre, etre autres, à toutes ces questios. Das ce domaie les erreurs sot égalemet possibles : celles de choisir l ue des deux hypothèses alors que c est l autre qui est vraie. L objectif est alors aturellemet de chercher à réduire au maximum ces deux erreurs mais ous verros rapidemet que cela est pas possible cojoitemet. Ici aussi se posera égalemet la questio de l optimalité (das u ses à défiir) de la procédure de test choisi. D ue maière géérale. Statisticie cofroté à des doées : brutes (résultat du cotrôle qualité d u produit, taille d idividus, âge de la mère à la aissace du premier efat, cocetratio e ozoe de l atmosphère etc...) ou résultats d expérieces (expérieces biologiques, pharmaceutiques, agroomiques etc...). Travail du statisticie. Extraire de l iformatio (résumée et pertiete) de ces doées (comme par exemple la taille moyee des idividus). Modéliser la part d aléa (par exemple détermier la loi de la durée de vie X du matériel). Tirer des coclusios sur la populatio totale à partir d observatios sur u échatillo). Mais il peut aussi avoir à (doer les moyes pour) predre des décisios (comme par exemple l activatio du pla atipollutio e raiso d ue trop grade cocetratio d ozoe). Effectuer des prévisio (prévisio du temps e météorologie, prévisio du cours d ue actio e fiace). Jea-Yves Dauxois c Juillet 2011

10

11 CHAPITRE 2 Modèle Statistique L objet de ce chapitre est de préseter le socle sur lequel vot s appuyer toutes les techiques statistiques présetées das les parties ou chapitres suivats. Aisi ous préseteros la otio fodametale de modèle statistique et e doeros quelques cas particuliers importats que ous retrouveros das les développemets ultérieurs. Nous préseteros aussi ue otio très liée à la otio de modèle statistique : la vraisemblace. Elle est égalemet très importate e statistique. 1. Défiitio Exemple 2.1. U problème de Fiabilité et modèle de Beroulli Reveos à otre problème itroductif de Fiabilité du Chapitre précédet et à sa première partie sur l estimatio poctuelle. O a cherché à coaître la vraie valeur de la foctio de répartitio F (t 0 ) de la durée de vie du matériel e u istat t 0. Il est itéressat de décrire ce problème d ue autre maière. Utilisos ue v.a. Y à valeurs {0, 1} pour modéliser l état du matériel au temps t 0. O ote {Y = 1} si le matériel est e marche et {Y = 0} s il est e pae. O a p 0 = P (Y = 1) = F (t 0 ) et P (Y = 0) = 1 p 0. La v.a. Y est de loi de Beroulli de paramètre p 0, où p 0 a ue valeur icoue das [0, 1]. O a doc fait comme si l o avait ue ifiité de lois possibles pour Y : toutes les lois de Beroulli B(1, p), avec p das [0, 1]. Et le problème était alors de trouver la vraie valeur p 0, à partir des résultats observés pour les machies testées, otés y 1,..., y. O a estimé p 0 par ( y i )/. O parle de modèle et estimatio paramétriques : restait seulemet à estimer u paramètre. C est essetiellemet le cadre cosidéré par ce cours das sa partie estimatio poctuelle. Notos la présece des esembles suivats : E=espace des observatios possibles={0, 1} ; E=tribu des évéemets sur E=P(E), esemble des parties de E ; Ue famille de Probabilités costituée par toutes les lois de Beroulli, P = {B(1, p) : p [0, 1]}. Nous verros qu ils défiisset u modèle paramétrique qui das le cas préset est appelé modèle de Beroulli. E revache, si l o s itéresse à l estimatio de F (t) pour tout t das R +, il faudrait estimer ue ifiité de paramètres : toutes les valeurs prises par la foctio F. O parle alors d estimatio o-paramétrique. C est u sujet que ous e feros qu aborder, essetiellemet quad ous traiteros le sujet des tests o-paramétriques. 11

12 12 Chapitre 2. Modèle Statistique Nous costatos ue différece avec u modèle probabiliste (E, E, P ). Das modèle probabiliste il y a ue seule probabilité et les seules questios qui se poset sot de l ordre du calcul (que l o sait ou e sait pas faire). Avec u modèle statistique (E, E, P), ces mêmes questios peuvet évetuellemet apparaître das u deuxième temps, mais avat il faut gérer la présece d u esemble de probabilités. Autremet dit la probabilité sous jacete au phéomèe est pas coue ou pas etièremet (c est surtout ce cas là que l o traite das ce cours). Le Statisticie cherchera à la détermier, l estimer. Ce modèle (E, E, P) = (E, E, {B(1, p) : p [0, 1]}) peut être utilisé pour modéliser d autres phéomèes, situatios. Exemples. 1) Jeu de pile ou face. Le problème est de coaître la probabilité p d obteir pile (par exemple), ce qui reviet à admettre que le dé peut être pipé. O ote Y = 1 si o obtiet pile, Y = 0 sio o obtiet ue face. Dire que la pièce peut être pipée, reviet à dire que le résultat d u lacer Y est de loi de Beroulli B(1, p) avec p icou das [0, 1]. O fait lacers, résultats otés y 1,..., y et o cherchera à estimer p. 2) Sodage d itetio de vote au secod tour des électios présidetielles. O suppose que seulemet deux cadidats A et B se présetet à ue électio. O ote p la proportio de votat pour le cadidat A et 1 p pour B. E otat {Y = 1} l évéemet l électeur vote pour A, et {Y = 0} s il vote pour B, le vote peut être modélisé par ue v.a. Y de loi de Beroulli B(1, p), avec ecore ue fois p qui peut predre importe quelle valeur das [0, 1]. O sode électeurs sur leurs itetios, résultats otés y 1,..., y et o cherche à estimer p. Défiitio 2.1. O appelle modèle statistique, la doée d u espace des observatios E, d ue tribu E d évéemets sur E et d ue famille de probabilités P sur l espace probabilisable (E, E). O le ote (E, E, P) ou, quad il y a pas de risque de cofusio, plus simplemet P. O supposera que la vraie loi sous-jacete au phéomèe que l o étudie appartiet au modèle statistique que l o s est doé. Il existe des outils pour vérifier si cette hypothèse est raisoable ou pas. Mais ous e les préseteros pas das le cadre de ce cours, car ils fot appels à la théorie des tests qui est pas au programme de cet eseigemet. O ote X la v.a. qui modélise le phéomèe aléatoire que l o étudie. Autremet dit la v.a. X egedre les observatios dot o dispose. Elle est à valeurs das (E, E) et sa loi de probabilité P icoue est das la famille P. O appellera parfois X v.a. géérique du modèle statistique. Défiitio 2.2. O dit qu u modèle statistique est paramétrique s il existe u etier d et u sous esemble Θ de R d tels que la famille de probabilités P puisse être paramétrée par Θ, i.e. tels que l applicatio : Θ P θ P θ Jea-Yves Dauxois c Juillet 2011

13 1. Défiitio 13 est surjective. O ote P = {P θ : θ Θ}. Das le cas cotraire o parle de modèle o-paramétrique. Le modèle de Beroulli utilisé das la modélisatio du foctioemet du matériel au temps t 0, pour le lacer de la pièce de moaie ou ecore le sodage d itetio de vote au secod tour est u exemple de modèle paramétrique. Le paramétrage est pas forcémet uique. Das exemple précédet de Beroulli, o peut paramétrer par la probabilité que le matériel soit e pae au temps t 0, c est à dire 1 p, ou bie ecore par toute foctio (bijective) de p. Comme par exemple par η = l(p/(1 p)), ce qui veut dire que p = e η /(1 + e η ). Das ce derier cas le modèle statistique s écrit : (E, E, P) = (E, E, {B(1, e η /(1 + e η )) : η R}) Nous verros u peu plus loi (das la partie sur les familles expoetielles) que cette paramétrisatio est pas aussi farfelue qu o aurait pu le peser de prime abord. Remarquos que l o peut toujours paramétrer la famille P, e serait-ce qu e preat Θ = P et doc l applicatio idetité etre les deux espaces. Pour que l o parle de modèle paramétrique, il faut que l espace Θ soit de dimesio fiie, d où l hypothèse qu il soit iclus das u R d. Exemple 2.2. U problème de cotrôle de la Qualité. Cosidéros ue etreprise de fabrique de vis. O costate que les mesures du diamètre X d ue vis variet d ue pièce à l autre. Cet aléa peut être dû au procédé de fabricatio et/ou aux évetuelles erreurs de mesure. Supposos que l o e coaisse pas la valeur moyee (rigoureusemet l espérace) du diamètre µ. Cherchos à préciser u modèle statistique adapté à ue telle situatio. Il est souvet raisoable d admettre que la loi de X est ormale. E effet de maière o rigoureuse o peut supposer que l aléa est symétrique et décroissat autour de la moyee. O modélise doc souvet cette variatio sous la forme : X = µ + ε, où ε est de loi N(0, σ 2 ). Autremet dit, o a X N(µ, σ 2 ). O suppose das u premier temps σ 2 cou. Pour modéliser cette situatio o a doc recours au modèle statistique : (E = R, E = B R, P = {N(µ, σ 2 ) : µ R}). Das ce cas, o Θ = R et θ = µ. Si σ 2 est lui aussi icou, alors le modèle deviet (R, B R, P = {N(µ, σ 2 ) : µ R, σ 2 > 0}) Jea-Yves Dauxois c Juillet 2011

14 14 Chapitre 2. Modèle Statistique et l o a : Θ = R R + et θ = (µ, σ 2 ). Le paramètre est dit bi-dimesioel. O peut aussi costruire u modèle où l espérace est coue et c est la variace qui est icoue. Défiitio 2.3. U modèle paramétrique (E, E, P) est dit idetifiable si la foctio θ P θ de la Défiitio 2.2 est de plus ijective, i.e. si θ 1 θ 2 P θ1 P θ2. Das la plupart des cas le modèle est idetifiable, quitte à predre ue autre paramétrisatio. O supposera das la suite que le modèle statistique est idetifiable. Abus de lagage et de otatio. Si la v.a. X est absolumet cotiue, la desité de P θ est otée f θ. C est ue foctio itégrable de R (ou ue partie de R) vers R +. Si la v.a. X est discrète, o appellera égalemet desité la foctio f θ défiie e tout x de l espace E, où la X pred ses valeurs, par : f θ (x) = P θ (X = x). O peut e effet motrer grâce à la théorie de la mesure, que das ce derier cas la loi de X est absolumet cotiue par rapport à la mesure de comptage sur E. Les itégrales de la forme dx utilisées das le cas de v.a. absolumet cotiues serot alors x remplacées par des sommes de la forme x. Aisi, par exemple, l espérace s écrit das le cas cotiu xf θ (x)dx et das le cas discret x xf θ(x) = x xp θ(x = x). Défiitio 2.4. O appelle support de la loi P θ l esemble : supp(p θ ) = {x E : f θ (x) > 0}. O costate qu il est déombrable das le cas de v.a. discrètes et ifii o déombrable das le cas de v.a. absolumet cotiues. Ce support peut dépedre de θ. Il e est aisi par exemple das le cas du modèle uiforme {U [0,θ] ; θ > 0} Exemple 2.3. Das le cas de l Exemple 2.1, o a : pour tout x supp(p θ ) = {0, 1}. f θ (x) = p x (1 p) 1 x, Das le cas de l Exemple 2.2, o a : pour x das supp(p θ ) = R. f θ (x) = 1 σ 2π exp ( ) (x µ)2, 2σ 2 Jea-Yves Dauxois c Juillet 2011

15 3. Vraisemblace Modèle d échatilloage Pour étudier u phéomèe aléatoire, o a souvet itérêt à observer plusieurs réalisatios idépedates de celui-ci. C est ce que l o a fait das l exemple du premier chapitre. O parle alors d échatillo ou d échatilloage. Défiitio 2.5. O appelle -échatillo de la loi P θ, la doée d u vecteur X = (X 1,..., X ) costitué de v.a. idépedates et idetiquemet distribuées (i.i.d.) de loi P θ. O appelle modèle d échatilloage, le modèle (E, E, P = {P θ : θ Θ}), où E est la tribu produit (egedrée par les pavés) sur E et P θ = P θ P θ est la probabilité produit sur (E, E ) qui est la loi du vecteur X = (X 1,..., X ) (Cf. cours de Probabilités). Toutes les v.a. ot même loi, doc même valeur de θ. U échatillo est u vecteur aléatoire. Sa réalisatio, fruit de observatios idépedates du même phéomèe, est otée x = (x 1,..., x ). O fera toujours cette distictio etre v.a. et sa réalisatio e utilisat majuscules ou miuscules. U modèle d échatilloage est doc u modèle statistique particulier, où l espace des observatios est de la forme E, mui de sa tribu produit classique et de probabilités de la forme P θ. Aussi parfois o parlera das ce cas simplemet de modèle statistique. L importat est de bie avoir e tête quelle est la ature des observatios : par exemple v.a.r., vecteur aléatoire (mais avec composates o écessairemet idépedates, i de même loi) ou ecore échatillo... Grâce à l idépedace et l idetique distributio, la desité de l échatillo sous la loi P θ est alors : x = (x 1,..., x ) f θ (x i ), pour tout x de E. Si o cosidère le produit de droite o plus comme ue foctio de x mais comme ue foctio du paramètre θ, pour u x = (x 1,..., x ) fixé, o parle de vraisemblace. 3. Vraisemblace Défiitio 2.6. Das u modèle statistique paramétrique (E, E, P), o appelle vraisemblace de l observatio x la foctio L(x; ) : Θ R + θ L(x; θ) = f θ (x). Jea-Yves Dauxois c Juillet 2011

16 16 Chapitre 2. Modèle Statistique Bie sûr, das le cas d u modèle d échatilloage, la vraisemblace de l échatillo observé x = (x 1,..., x ) s écrit sous la forme L(x 1,..., x ; θ) = f θ (x i ). C est doc la loi cojoite du -échatillo évaluée aux valeurs observées et cosidérée comme foctio du paramètre θ. 4. Familles Expoetielles U modèle paramétrique importat e Statistique est celui des familles expoetielles. Il recouvre de ombreux modèle paramétriques classiques : ormal, biomial, poisso, gamma etc... Défiitio 2.7. U modèle statistique (E, E, P) sur u espace des observatios E est dit famille expoetielle géérale s il existe u etier p, des foctios η, T, C et h tels que les desités puisse s écrire, pour tout θ de Θ, sous la forme : avec les cotraites que f θ (x) = e η(θ),t (x) C(θ)h(x), T soit ue foctio mesurable à valeurs das R p ; η soit ue foctio à valeurs das R p ; C soit ue foctio réelle positive qui e déped pas x ; h soit ue foctio boréliee positive qui e déped pas de θ. Le vecteur aléatoire T (X) est appelé statistique caoique du modèle. Si la foctio T est l idetité, la famille expoetielle est dite aturelle. O parle de forme caoique d ue famille expoetielle géérale quad les desités de probabilités ot la forme f θ (x) = e θ,t (x) C(θ)h(x), pour tout θ de Θ, ce qu il est toujours possible d obteir quitte à reparamétriser la famille par θ = η(θ). Das ce cas le paramètre θ de la famille expoetielle est appelé paramètre caoique. avec Exemple 2.4. Reveos sur le modèle de Beroulli. La desité s écrit : ( ) x ( ( )) p p f p (x) = = p x (1 p) 1 x = (1 p) = exp x l (1 p) 1 p 1 p = exp ( η(p), T (x) ) C(p)h(x), ( ) p η(p) = l, T (x) = x, C(p) = (1 p) et h(x) = 1. 1 p Jea-Yves Dauxois c Juillet 2011

17 5. Modèle positio-échelle 17 Le modèle de Beroulli est doc ue famille expoetielle aturelle puisque T = Id. De plus, le modèle Beroulli paramétré e foctio de η est sous forme caoique. (E, E, P) = (E, E, {B(1, e η /(1 + e η )) : η R}) Modèle échatilloage costruit à partir d ue famille expoetielle géérale caoique reste ue famille expoetielle géérale caoique. E effet si X = (X 1,..., X ) est u échatillo de loi de desité alors le vecteur aléatoire X a pour desité f θ (x) = e θ,t (x) C(θ)h(x), f θ (x 1,..., x ) = e θ,p T (x i) C (θ) h(x i ) et T (X i) est la statistique caoique du ouveau modèle. O e déduit l expressio de la vraisemblace pour u échatillo x = (x 1,..., x ) d ue famille expoetielle géérale. Propositio 2.8. La vraisemblace pour u échatillo x = (x 1,..., x ) d ue famille expoetielle géérale caoique est la foctio : θ L(x 1,..., x ; θ) = e θ,p T (xi) C (θ) h(x i ). 5. Modèle positio-échelle Défiitio 2.9. Cosidéros u vecteur aléatoire X de loi P coue sur (R, B R ) et A u sous espace de R. Pour tout a das A et tout b das R +, o ote P a,b la loi du vecteur Y = a + bx. Le modèle paramétrique P A,b = {P a,b : a A, b R + } est appelé modèle positio-échelle egedré par P (ou par X). Le paramètre a est appelé paramètre de positio et b paramètre d échelle. Si b est fixé (par exemple à 1) o parle de modèle de positio. Das le cas où A e cotiet que le vecteur ul de R, o parle de modèle échelle. Exemple 2.5. Le Modèle gaussie uidimesioel Reprise de l Exemple 2.2. Le modèle P = {N(µ, σ 2 ) : µ R} est u modèle positio egedré par la loi N(0, σ 2 ). Il correspod aux différetes lois du modèle pour le diamètre X de la vis. Rappelos que X = µ + ε, où µ varie das R et ε est de loi N(0, σ 2 ). Jea-Yves Dauxois c Juillet 2011

18 18 Chapitre 2. Modèle Statistique Le modèle P = {N(µ, σ 2 ) : µ R, σ 2 > 0} est u modèle positio-échelle egedré par la loi N(0, 1). Le diamètre X de la vis peut e effet s écrire X = µ + σε, où ε est de loi N(0, 1). 6. Exercices Exercice 1 (Familles Expoetielles) O cosidère les modèles suivats : Modèle Biomial {B(m, p) : p [0, 1]} ; Modèle de Poisso {P(λ) : λ > 0} ; Modèle gaussie à variace fixée {N(µ, σ 2 ) : µ R} ; Modèle gaussie à paramètre bi-dimesioel {N(µ, σ 2 ) : µ R, σ 2 > 0} ; Modèle Gamma {G(α, β) : α > 0, β > 0} = {f α,β (x) = βα Γ(α) xα 1 e βx 1l R +(x) : α > 0, β > 0} ; Modèle uiforme {U [0,θ] : θ > 0} ; 1 Modèle de Cauchy {f θ (x) = : θ R} ; π(1+(x θ) 2 ) Modèle Multiomial {M(, p 1,..., p k ) : 0 < p i < 1, i = 1,..., k et k p i = 1}. Pour tous ces modèles, répodre aux questios suivates. 1) Quelle est l expressio de la desité f θ (x)? 2) Le modèle costitue-t-il ue famille expoetielle géérale? Naturelle? Quel est le paramètre caoique du modèle? 3) Quelle est la vraisemblace d u échatillo x = (x 1,..., x )? Exercice 2 (Modèles positio-échelle) 1) Costruire u modèle positio-échelle à partir de la loi expoetielle E(1). Préciser la forme des f.d.r. des lois de ce modèle aisi que leurs desités. 2) Motrer que le modèle uiforme {U [a,b] : < a < b < + } est u modèle positio-échelle. Exercice 3 (Statistiques d ordre) Soit X 1,..., X des v.a.r. défiies sur u même espace probabilisé (Ω, A, P ), idépedates et de même loi absolumet cotiue par rapport à la mesure de Lebesgue de desité f. Pour tout ω das Ω, o peut ordoer les réels X 1 (ω),..., X i (ω),..., X (ω) sous la forme X (1) (ω) X (2) (ω) X (i) (ω) X () (ω). Jea-Yves Dauxois c Juillet 2011

19 6. Exercices 19 L applicatio X (i) : ω Ω X (i) (ω) aisi défiie pour chaque i est ue v.a.r. dite ième statistique d ordre. 1) Calculer la loi de X () = sup{x 1,..., X } (f.d.r. et desité). 2) Calculer la loi de X (1) = if{x 1,..., X } (f.d.r. et desité). 3) Calculer la loi du couple (X (1), X () ). E déduire celle de l étedue R = X () X (1) (o doera sa f.d.r et sa desité e foctio de F et f). 4) Soit N y le ombre de X i iférieurs à y. Quelle est la loi de N y? Que dire des évéemets {N y k} et {X (k) y}? E déduire la f.d.r. de X (k). 5) O pourrait du résultat précédet tirer la desité de la v.a. X (k). Mais c est fastidieux. Il y a bie plus simple e attaquat le problème directemet, ce que l o propose de faire maiteat. O pourra utiliser le résultat suivat : Si f est cotiue sur u itervalle [a, b], alors, pour tout x das cet itervalle, o a : P (X ]x, x + h]) f(x) = lim h 0 + h Calculer la desité de X (k). 6) Motrer que si E(X) existe alors E(X (k) ) aussi. 7) Calculer la desité du vecteur (X (1),..., X () ). (Id. o pourra calculer P ((X (1),..., X () ) B), pour tout borélie B de B R ). Jea-Yves Dauxois c Juillet 2011

20

21 Partie 2 Estimatio poctuelle

22 Repreos l exemple iaugural, vu au Chapitre 1, sur estimatio de F (t 0 ), à partir d u échatillo x 1,..., x de temps observés. O est parti de cet échatillo, avec ces temps relevés, pour fialemet utiliser seulemet le ombre de temps observés supérieurs à t 0. Ce fut égalemet le cas das l écriture de ce modèle avec les y e fi de ce Chapitre. O a doc aturellemet réduit l iformatio apportée par l échatillo, pour e garder que ce qui ous semblait utile das l objectif d estimer F (t 0 ), où ecore p 0 das la secode écriture de ce problème. C est là la otio de Statistique : réduire l iformatio apportée par u échatillo. O parlera aturellemet d estimateur quad elle sera utilisée pour estimer le paramètre icou. Notos efi que, toujours das cet exemple, ous avos proposé plusieurs estimateurs et que aturellemet se pose la questio de la qualité et des propriétés d u estimateur, de savoir commet comparer des estimateurs etre eux ou ecore savoir commet améliorer u estimateur. C est là le programme de cette partie.

23 CHAPITRE 3 Statistique et Estimateur Comme ous l avos dit ue Statistique est ue réductio de l iformatio apportée par u échatillo. Plus précisémet voici sa défiitio. Défiitio 3.1. Soit (E, E, P = {P θ : θ Θ}) u modèle d échatilloage. O appelle statistique la v.a. T (X) = T (X 1,..., X ) où T est ue foctio mesurable coue de (E, E, P = {P θ : θ Θ}) vers u espace probabilisable (F, F) : T : E F x = (x 1,..., x ) T (x 1,..., x ). Isistos bie sur le fait qu ue statistique est ue v.a. Les valeurs qu elle predra dépedrot des valeurs prises par l échatillo. Si le modèle statistique est o trivial (i.e. o réduit à ue seule probabilité) alors la loi de la statistique T (X), où X = (X 1,..., X ), est icoue. Cela viet de la o coaissace de la loi de l échatillo. E revache la foctio T est, elle, coue. Repreos l exemple de l estimatio de la fiabilité vu au début du chapitre précédet. La foctio T : (x 1,..., x ) 1 1l [t0,+ [(x i ) est parfaitemet coue. E revache, la loi de la statistique T (X 1,..., X ) est pas etièremet coue puisque l o sait seulemet que la loi de T (X 1,..., X ) est ue Biomiale B(, F (t 0 ), où la valeur de F (t 0 ) est icoue. Souvet l espace d arrivée de T est de dimesio iférieure et plus simple que E (sige d ue effective réductio de l iformatio). Dire que la statistique est coue, sigifie e particulier que la foctio coue T e doit pas dépedre du paramètre (icou) θ (ou de la loi P das P). E revache, la loi de la statistique T (X) dépedra e gééral du paramètre du modèle. Ue statistique déped de la taille de l échatillo, et o otera parfois T (X) pour le souliger. Par abus de lagage o appellera égalemet statistique la suite T (X) = (T (X)) N de statistiques quad la taille de l échatillo augmete. O a déjà vu das l exemple iaugural qu u problème e statistique est d estimer u paramètre θ. O peut aussi vouloir estimer g(θ), l image de θ par ue foctio g. Pour rester le plus gééral, o cosidérera das la suite le cas gééral de l estimatio de g(θ). Pour ce faire, o utilise alors ue statistique qui peut alors porter le om d estimateur. 23

24 24 Chapitre 3. Statistique et Estimateur Défiitio 3.2. O appelle estimateur de g(θ), toute statistique T (X) de (E, E ) à valeurs das g(θ). La seule cotraite apportée est doc que la statistique pree ses valeurs das g(θ). Pour u même problème d estimatio, o pourra cosidérer de ombreux estimateurs. Cela dit, tous les estimateurs e sot pas forcémet judicieux. Notatio. Quad il s agit d estimer le paramètre θ o ote souvet ˆθ so estimateur et ˆθ quad o souhaite préciser la taille de l échatillo. Pour l estimatio de g(θ) o utilise parfois aussi la otatio ĝ(θ). Exemple 3.1. Cosidéros le modèle d échatilloage tiré du modèle paramétrique uiforme : (R +, B R +, {U [0,θ] : θ > 0}). Les desités das ce modèle sot doc de la forme : f θ (x) = 1 θ 1l [0,θ](x), pour θ R +. Supposos que l o cherche à estimer le paramètre θ à partir d u échatillo X 1,..., X tiré de ce modèle. Plusieurs estimatios sot possibles : Assez aturellemet o pese e premier lieu à ˆθ 1 = max(x 1,..., X ). O set aturellemet (et o pourra le vérifier plus tard) qu il s approche e croissat de θ quad la taille de l échatillo augmete. Mais seulemet, il a le désavatage d être toujours iférieur à la vraie valeur θ. O peut essayer de remédier à ce problème e proposat d autres estimateurs. O peut se dire que les réalisatios de l échatillo vot se répartir de maière à costituer + 1 itervalles de logueurs (très) approximativemet égales. D où l idée de cosidérer ˆθ 2 = ˆθ 1 + ˆθ 1 = + 1 ˆθ 1. O peut aussi remarquer que la distace qui sépare θ 1 = max(x 1,..., X ) de θ devrait être eviro égale à celle qui sépare 0 de mi(x 1,..., X ). O peut doc proposer l estimateur ˆθ 3 = mi(x 1,..., X ) + max(x 1,..., X ). O peut aussi adopter ue démarche radicalemet différete basée sur l ituitio que X = ( X i)/ devrait être u bo estimateur du cetre du support de la loi uiforme, à savoir θ/2. Aussi, o peut s itéresser à l estimateur : ˆθ 4 = 2 X. O pourrait proposer de maière assez irraisoée (puisque o basée sur l échatillo) ˆθ 5 = 2011 ou tout autre valeur. Il y aurait bie d autres possibilités à explorer... Deux questios se poset à la suite de cet exemple. Existe-t-il des méthodes géérales pour costruire de (bos) estimateurs? Et esuite commet les comparer Jea-Yves Dauxois c Juillet 2011

25 0. 25 ou savoir quel est le meilleur? sectios suivates. Ces questios fot respectivemet l objet des deux Jea-Yves Dauxois c Juillet 2011

26

27 CHAPITRE 4 Costructio d estimateurs 1. Estimateurs empiriques (des momets) O a déjà vu das exemple itroductif et l Exemple 3.1, commet estimer l espérace mathématique d ue v.a. Étudios davatage cet estimateur qui est à la base de ombreuses méthodes statistiques. Soit doc X ue v.a. géérique d u modèle d échatilloage (E, E, P = {P θ : θ Θ}). C est à dire que X 1,..., X est u échatillo de même loi que X. Notos E θ ( ) et Var θ ( ) respectivemet les opérateurs espérace et variace sous la loi P θ, e supposat que ces quatités sot bie défiies. Pour simplifier les otatios, o otera m θ = E θ (X) et σθ 2 = Var θ(x). Défiitio 4.1. O appelle moyee empirique, la statistique X défiie, pour ue taille d échatillo, par : X = 1 X i. Quad o peut écrire l espérace de la v.a. géérique X e foctio du paramètre du modèle, i.e. quad il existe ue foctio g telle que m θ = g(θ) (ce qui est souvet le cas), alors o pourra doer le titre d estimateur à X. O dira alors qu il estime m θ. Propositio 4.2. La moyee empirique est telle que E θ ( X ) = m θ Var( X ) = σ2 θ. Preuve. Immédiate par liéarité de l espérace et grâce à l idépedace etre les termes pour le calcul de la variace. Le premier poit de la propositio motre que l estimateur X est, das u certai ses, u bo estimateur de l espérace m θ puisqu il est égal e espérace à ce qu il cherche à estimer. O parlera d estimateur sas biais. Nous y reviedros au chapitre suivat. Ue gééralisatio évidete de ce qui précède est doée par l estimatio empirique d u momet de X d ordre quelcoque. Notos m θ (p) = E θ (X p ) le momet d ordre p de X sour la loi P θ, e supposat que celui-ci existe. Par aalogie avec ce qui précède, o peut défiir l estimateur empirique du momet d ordre p. 27

28 28 Chapitre 4. Costructio d estimateurs Défiitio 4.3. O appelle estimateur empirique du momet d ordre p, la statistique ˆm θ (p) = 1 X p i. O peut aussi s itéresser à l estimatio de la variace σθ 2. Le raisoemet est le même. O sait que l o peut écrire : D où l idée d estimer σ 2 θ par σ 2 θ = E θ (X 2 ) E 2 θ(x) = m θ (2) (m θ (1)) 2. S 2 = ˆm θ (2) ( ˆm θ (1)) 2 = 1 Xi 2 X. 2 U calcul élémetaire motre que S 2 s écrit aussi sous la forme : S 2 = 1 ( Xi X ) 2. C est sous cette forme qu est plus cou cet estimateur. Défiitio 4.4. O appelle estimateur de la variace empirique, la statistique S 2 défiie pour ue taille d échatillo par : S 2 = 1 ( Xi X ) 2. Cette méthode d estimatio empirique des momets est très géérale. Elle peut, par exemple, s appliquer pour l estimatio de la foctio de répartitio. Il suffit e effet de remarquer que l o peut écrire F θ (x) = P θ (X x) = E θ (1l {X x} ) = E(Y ), avec Y = 1l ],x] (X). O peut doc estimer F θ (x) par ˆF θ (x) = 1 Y i = 1 1l ],x] (X i ) et o retrouve l estimateur de la foctio de répartitio empirique. Jea-Yves Dauxois c Juillet 2011

29 3. Méthode des momets Méthode de substitutio Pricipe de la méthode. Supposos que l o sache estimer le paramètre θ d u modèle statistique. O ote ˆθ cet estimateur. Et supposos égalemet que l o soit itéressé par l estimatio de l image g(θ) de ce paramètre par ue applicatio g (coue). La méthode de substitutio (ou de plug-i e aglais), cosiste à utiliser l estimateur g(ˆθ ). O verra ultérieuremet que si la foctio g est cotiue o pourra aisémet obteir des iformatios sur la qualité de cet estimateur à partir de celles de ˆθ. Cette méthode a aussi été déjà utilisée, de maière assez aturelle, das l exemple itroductif pour l estimatio de F (t 0 ) par exp( ˆλt 0 ). À partir d u estimateur de λ ous avos obteu u estimateur de F (t 0 ) qui est ue foctio de λ. U autre exemple d utilisatio de cette méthode est le suivat. O a vu commet estimer la variace σθ 2 = Var θ(x) d ue v.a.r. par S. 2 Si l o veut estimer so écarttype, o peut predre ˆσ θ = S 2 = 1 ( Xi X ) Méthode des momets Pricipe de la méthode. Supposos qu il existe ue foctio h bijective et cotiue de Θ R p vers h(θ) R p, ue foctio mesurable ϕ de E vers R p telle que E θ (ϕ(x)) existe et toutes les deux telles que l o ait : h(θ) = E θ (ϕ(x)), pour tout θ de Θ. La méthode des momets cosiste alors à estimer θ par ( ) ˆθ (X) = h 1 1 ϕ(x i ). Cette méthode a égalemet déjà été utilisée das l exemple itroductif où ous avos proposé u estimateur du paramètre λ du modèle expoetiel. Cette méthode peut être vue comme u mélage des deux précédetes méthodes. Exemple 4.1. Modèle de la loi expoetielle. L équatio E(X) = 1 λ Jea-Yves Dauxois c Juillet 2011

30 30 Chapitre 4. Costructio d estimateurs s écrit sous la forme h(λ) = E θ (ϕ(x)) avec h(x) = 1/x et ϕ est l idetité sur R +. E estimat λ par ( ) ˆλ = h 1 1 X i = 1 X, o retrouve l estimateur utilisé das l exemple itroductif sur la fiabilité des matériels. Exemple 4.2. Modèles gaussies uidimesioels. Cosidéros les modèles statistiques itroduits pour des problèmes de cotrôle de la qualité das l Exemple 2.2. Das le premier modèle, P = {N(µ, σ 2 ) : µ R} l estimatio par la méthode des momets redoe l estimateur ituitif de µ par X, e preat h et ϕ égales aux foctios idetité puisque µ = E(X). Das le secod modèle, P = {N(µ, σ 2 ) : µ R, σ 2 R + }, o peut écrire la relatio h(θ) = E θ (ϕ(x)) e preat θ = (µ, σ 2 ), h(θ) = (µ, σ 2 + µ 2 ) et ϕ(x) = (x, x 2 ) applicatio de R vers R R +. E effet o sait que l o a E(X 2 ) = Var(X) + E 2 (X). Comme h 1 (u, v) = (u, v u 2 ), o obtiet comme estimateur du paramètre multidimesioel θ par la méthode des momets : ˆθ (X) = h 1 ( 1 ) ( ϕ(x i ) = h 1 X 1 X2 i ) ( = X 1 X2 i X 2 O retrouve les estimateurs vus par la méthode des momets empiriques. O parle de la méthode des momets, mais il faut bie reteir que l uicité porte sur la méthode (qui est très géérale) et o sur le ombre d estimateurs d u même paramètre que l o peut obteir par cette méthode. Nous verros das u exercice que, par exemple, das le modèle de la loi expoetielle (comme das d autres), la méthode des momets permet d obteir de ombreux autres estimateurs du paramètre λ. O s ispirera e particulier des relatios E(X 2 ) = 2/λ 2 et F (t 0 ) = P (X > t 0 ) pour obteir deux autres estimateurs par cette méthode des momets. ). 4. Maximum de vraisemblace Pour itroduire cette approche, cosidéros deux ures coteat toutes les deux des boules bleues et rouges mais e proportio différetes : proportio p 1 = 90% de boules bleues das la première et proportio p 2 = 15% de boules bleues das la secode. O tire au hasard ue boule das ue des deux ures sas savoir de laquelle il s agit. O costate que la boule est bleue. Naturellemet o parierait plutôt que la boule tirée est issue de l ure 1. O a pris l ure qui maximise la probabilité de l évéemet que l o a obteu : avoir ue boule bleue. O a choisi la situatio la plus vraisemblable. O va voir que c est celle qui maximise la vraisemblace. E effet, le modèle est ici : {B(p); p {0.9, 0.15}}, Jea-Yves Dauxois c Juillet 2011

31 4. Maximum de vraisemblace 31 de v.a. géérique X où {X = 1} sigifie que la boule tirée est bleue et {X = 0} sigifie qu elle est rouge. La vraisemblace d u tirage d ue boule bleue est doc L(1; p) = p pour p das {0, 9; 0, 15}. E preat la valeur de p = 0.9 qui maximise la vraisemblace, o décide doc que la boule proviet de l ure 1. Si la boule avait été rouge, o aurait évidemmet choisi l autre ure, ce qui maximise égalemet la vraisemblace qui est alors : L(0, p) = 1 p. Gééralisos u peu. Supposos que l o ait ue ifiité d ures avec toutes les proportios possibles p de boules bleues comprises etre 0 et 1. O effectue tirages i.i.d. das ue même ure (icoue) et o ote respectivemet X 1,..., X le résultat de chaque tirage (x i = 1 si la boule tirée est bleue et 0 sio). E s ispirat de la méthode adoptée ci-dessus, o peut choisir d estimer p par la valeur qui maximise la vraisemblace de l évéemet observé qui est le vecteur x = (x 1,..., x ). La vraisemblace est L(x 1,..., x ; p) = et l estimateur ˆp est doc défii par p x i (1 p) 1 x i = p P x i (1 p) P x i ˆp = ArgmaxL(x; p). p La foctio logarithme état croissate, o peut écrire ( ( ) ) ˆp = Argmax l(p) x i + x i l(1 p). p La foctio p ϕ(p) = l(p) x i + ( x i) l(1 p) admet pour dérivée ϕ (p) = x i x i p 1 p et dérivée secode ϕ (p) = x i p 2 x i (1 p) 2 qui est égative puisque les x i sot das {0, 1}. La foctio ϕ est doc cocave et so maximum atteit e la valeur ˆp qui aule la dérivée première, i.e. x i = x i ˆp 1 ˆp ce qui doe ˆp = x = ( x i)/. Remarquos que l o obtiedrait le même estimateur e utilisat la méthode des momets puisque E(X) = p. Mais il y a pas aucue raiso que cette méthode coduise toujours aux mêmes estimateurs. O peut gééraliser cette méthode pour u modèle statistique quelcoque. Défiitio 4.5. Soit (E, E, P = {P θ : θ Θ}) u modèle statistique paramétrique et X sa v.a. géérique. O appelle estimateur du maximum de vraisemblace la Jea-Yves Dauxois c Juillet 2011

32 32 Chapitre 4. Costructio d estimateurs statistique ˆθ(X) où ˆθ est ue applicatio : ˆθ : E Θ x ˆθ(x) telle que pour tout θ Θ. O ote L(x; ˆθ(x)) L(x; θ) ˆθ(x) = ArgmaxL(x; θ). θ Das le cas d u modèle d échatilloage la variable géérique est X = (X 1,..., X ) et l Estimateur du Maximum de Vraisemblace est ˆθ(X) = ArgmaxL(X; θ). θ Il est bie évidet que d ue part l estimateur du maximum de vraisemblace existe pas toujours et que, d autre part, s il existe rie e garatie qu il soit uique. Si la foctio vraisemblace est cocave, o sait que le maximum est uique et atteit e la valeur qui aule la dérivée première (cas uidimesioel) ou le gradiet (cas multidimesioel). Isistos bie sur le fait que cette méthode e peut être utilisée que si l hypothèse de cocavité est vérifiée. U cotre-exemple est doé par le modèle de la loi uiforme que ous traiteros e exercice. Comme la vraisemblace est souvet sous la forme d u produit (modèle d échatilloage) il est gééralemet plus aisé (pour les dérivatios) de travailler avec la logvraisemblace défiie comme le logarithme épérie de la vraisemblace. La foctio l état croissate, l estimateur obteu e maximisat la log-vraisemblace est idetique à l estimateur du maximum de vraisemblace. Si l o porte otre itérêt sur l estimatio de g(θ) image de θ par ue foctio g coue, alors la propriété suivate peut être utile. Propositio 4.6. (Propriété d ivariace du maximum de vraisemblace). Soit ˆθ(X) u estimateur du maximum de vraisemblace das u modèle paramétrique (E, E, P = {P θ : θ Θ}). Soit g ue foctio bijective, mesurable et coue de Θ vers Θ = g(θ). L estimateur du maximum de vraisemblace de η = g(θ) das le modèle {P η : η Θ }, paramétré par η, est alors ˆη = g(ˆθ(x)). La démostratio de cette propositio est évidete (basée sur la bijectivité de la ouvelle paramétrisatio). O peut e fait motrer (c est plus délicat) que ce résultat est vrai pour ue foctio g mesurable quelcoque et o posera doc comme défiitio que l estimateur du maximum de vraisemblace de g(θ) est g(ˆθ(x)). Jea-Yves Dauxois c Juillet 2011

33 5. Exercices Exercices Exercice 1 (Modèle Gamma et Méthode des momets) O cosidère le Modèle Statistique de la loi Gamma (R +, B R +, {G(α, β) : α > 0, β > 0}). O rappelle que la desité d ue v.a. X de loi G(α, β) est : f α,β (x) = βα Γ(α) xα 1 e βx 1l R +(x). 1) Calculer E α,β (X) et V ar α,β (X). 2) Par la méthode des momets, doer u estimateur du paramètre bidimesioel (α, β) du modèle, basé sur l observatio d u échatillo X 1,..., X. 3) Détermier des estimateurs de α et β e utilisat cojoitemet des estimateurs empiriques des momets et la méthode de substitutio. Exercice 2 (Modèle de la loi expoetielle et Méthode des momets) O a vu e cours que la méthode des momets permet d obteir u estimateur du paramètre λ das u modèle de la loi expoetielle : ˆλ = 1/ X basé sur la relatio E(X) = 1/λ. L itérêt de cet exercice est de motrer que cette méthode permet la costructio de plusieurs estimateurs de ce même paramètre λ. 1) O suppose qu ue v.a.r. X suit ue loi expoetielle E(λ). Calculer E(X 2 ). 2) Écrire la fiabilité F (t 0 ) = P (X > t 0 ) sous forme d ue espérace. 3) O cosidère le modèle de la loi expoetielle (R +, B R +, {E(λ) : λ > 0}). E vous ispirat des résultats des deux questios précédetes et e utilisat à chaque fois la méthode des momets, proposer deux autres estimateurs du paramètre λ. Exercice 3(Maximum de vraisemblace pour u modèle gaussie) 1) O cosidère le modèle gaussie {N(µ, σ 2 ) : µ R}. Doer l estimateur du maximum de vraisemblace du paramètre µ basé sur ue observatio x 1,..., x d u échatillo issu de ce modèle. 2) O cosidère maiteat le modèle gaussie avec paramètre bidimesioel, i.e. {N(µ, σ 2 ) : µ R, σ 2 > 0}. Doer l estimateur du maximum de vraisemblace du paramètre θ = (µ, σ 2 ), pour le modèle d échatilloage associé. Exercice 4 (Maximum de vraisemblace pour u modèle de loi uiforme) O cosidère le modèle uiforme {U [0,θ] : θ > 0}. 1) Motrer que la vraisemblace associée à u échatillo x 1,..., x observé das ce modèle est : L(x 1,..., x ; θ) = 1 θ 1l x (1) 01l x() θ où x (1) et x () sot respectivemet les observatios des statistiques d ordre X (1) et X (). 2) Doer l estimateur du maximum de vraisemblace du paramètre θ. Jea-Yves Dauxois c Juillet 2011

34 34 Chapitre 4. Costructio d estimateurs Exercice 5 (Modèles de la loi expoetielle et de la loi de Poisso e Fiabilité) Partie 1 O s itéresse à la durée de vie X d u matériel électroique. Il est raisoable de cosidérer que cette durée de vie est aléatoire et que sa loi est expoetielle (il existe des méthodes statistiques, mais que ous e verros pas das le cadre de ce cours, pour vérifier cette hypothèse). E revache, o igore la valeur du paramètre λ de cette loi. 1) Écrire le modèle statistique egedré par X. Doer égalemet le modèle d échatilloage associé. 2) Doer l estimateur du maximum de vraisemblace pour ue observatio x 1,..., x d u échatillo X 1,..., X de durées de vie de ces matériels. 3) Doer ue estimatio par maximum de vraisemblace de la quatité α = P (X > t 0 ), où t 0 est u temps fixé. 4) Quels estimateurs de λ et de α obtiet-o si o utilise la méthode des momets? Partie 2 Supposos maiteat que les observatios de ces durées de vie soiet obteues grâce à l expériece suivate. Au temps t = 0, o dispose u matériel sur u bac d essai. Quad celui-ci tombe e pae, o remplace immédiatemet (ou o e compte pas le temps de remplacemet) le matériel défectueux par u matériel idetique mais euf. Et aisi de suite jusqu au temps t 0. O ote alors K le ombre de paes relevées das l itervalle [0, t 0 ]. 5) Calculer la probabilité que K soit ul. 6) O ote T k le temps écoulé jusqu à la kème pae observée. C est à dire que T k = X X k. Motrer que la loi de la v.a.r. T k est ue Gamma G(k, λ) (Id. O pourra utiliser la trasformée de Laplace ou la foctio caractéristique). 7) Exprimer l évéemet K = k e foctio d évéemets liat les v.a.r. T k et X k+1. E déduire que la loi de K est ue loi de Poisso, dot o détermiera la valeur du paramètre. Partie 3 O suppose que l o réalise fois cette expériece et o ote K 1,..., K les ombres de paes observées das chaque itervalle [0, t 0 ]. 8) Doer le modèle statistique associé à ces observatios. 9) Doer par la méthode du maximum de vraisemblace u autre estimateur du paramètre λ, basé cette fois sur les observatios k 1,..., k. 10) Qu obtiet-o comme estimateur de λ si, das ce modèle, o utilise la méthode des momets? Exercice 6 (Maximum de vraisemblace) Pour les modèles suivats, doer l estimateur du maximum de vraisemblace associé à l observatio d u échatillo X 1,..., X. Jea-Yves Dauxois c Juillet 2011

35 5. Exercices 35 1) Modèle de la loi expoetielle décalée : (R +, B R +, {E t0 (λ) : λ > 0, t 0 R}). O rappelle que la desité de la loi expoetielle décalée E t0 (λ) est : f λ,t0 (x) = λ exp( λ(x t 0 ))1l [t0,+ [(x). 2) Modèle de la loi Bêta à u seul paramètre : (R +, B R +, {Beta(1, θ) : θ > 1}). O rappelle que la desité de la loi Beta(a, b) est : f a,b (x) = 1 β(a, b) xa 1 (1 x) b 1 1l [0,1] (x), où β(a, b) est la valeur de la foctio Eulériee Bêta prise e a et b. Id. O pourra motrer e premier lieu que la desité pour le modèle cosidéré est : f θ (x) = θ(1 x) θ 1 1l [0,1] (x). Jea-Yves Dauxois c Juillet 2011

36

37 CHAPITRE 5 Qualité d u estimateur O a vu plusieurs techiques pour costruire des estimateurs. Même si la présetatio est pas exhaustive (par maque de temps...), abordos maiteat le problème de l évaluatio de la qualité d u estimateur et la comparaiso d estimateurs etre-eux. Le but état bie sûr de predre le meilleur (s il e existe u meilleur). O l a vu, u estimateur T (X) de g(θ) est ue v.a. Pour chaque échatillo observé, l estimateur predra de ouvelles valeurs. Il faut doc, pour parler de la qualité d u estimateur, teir compte de so comportemet aléatoire. A priori doc, l estimateur e doera pas toujours (e fait même raremet) la boe valeur g(θ). Das le cas où T (X) est absolumet cotiu, il sera même p.s. toujours différet de la valeur fixe g(θ). Il est à oter que la présece d erreur est pas toujours la coséquece des variatios aléatoires de l estimateur. Aisi, si l o reviet sur l estimateur du maximum de vraisemblace das u modèle de Beroulli (Cf. Sectio 4.4), o a vu que qu il a pour expressio x. L estimateur e doera doc jamais des valeurs e dehors de l esemble : {0, 1/, 2/,..., ( 1)/, 1}. Il e doera doc jamais la boe valeur p si cette derière est pas das cet esemble. Naturellemet, o voudra qu u estimateur possède quelques ues (à défaut de toutes) des qualité suivates. Quad la taille d échatillo augmete, l estimateur a tedace à se rapprocher (das u ses à défiir) de la valeur g(θ) qu il estime. O parlera das ce cas d estimateur coverget ou cosistat. Même si l estimateur commet ue erreur d estimatio à chaque fois, e moyee (e fait e espérace) il e se trompe pas. O dira das u tel cas que l estimateur est sas biais. L estimateur doit être le plus précis possible : les variatios de l estimateur autour de g(θ) doivet être réduites, voire les plus petites possible. O mesurera cette précisio au moye de la otio de foctio de risque. Il y aurait d autres critères, mais ous auros pas le temps de les étudier. 1. Estimateur coverget Lorsque l o augmete la taille de l échatillo, o augmete la quatité d iformatio dot o dispose sur le phéomèe aléatoire que l o étudie. Aussi, il est assez aturel de souhaiter qu u estimateur ait tedace à s approcher de la valeur qu il estime, lorsque la taille de l échatillo croît. 37

38 38 Chapitre 5. Qualité d u estimateur Défiitio 5.1. U estimateur T (X) = (T (X)) N de g(θ) est dit (faiblemet) coverget ou cosistat si la suite (T (X)) N coverge e probabilité (sous la loi P θ ) vers g(θ), i.e. quad +. T (X) P θ g(θ), Si T (X) et g(θ) sot das R, la défiitio de la covergece de l estimateur sigifie que l o a, pour tout ε > 0 : quad +. P ( T (X) g(θ) > ε) 0, Si T (X) et g(θ) sot das R p, la défiitio de la covergece de l estimateur s écrit à partir de la otio précédete sous la forme : T (X) g(θ) P θ 0, quad + et où est ue orme quelcoque das R p. O peut motrer aisémet que cela est équivalet à avoir la covergece e probabilité pour chaque coordoée. O peut bie sûr cosidérer d autres types de covergece, comme la covergece p.s. ou la covergece das L p, pour p fixé. Das ces cas, o dira respectivemet que l estimateur est fortemet coverget ou cosistatou L p -coverget ou cosistat. Exemple 5.1. Estimateurs de la moyee empirique et de la variace empirique. Soit u modèle paramétrique P = {P θ : θ Θ} quelcoque tel que l espérace (e supposat qu elle existe) de sa variable géérique X s écrive sous la forme E θ X = g(θ). C est par exemple trivialemet le cas de l Exemple 2.2 des modèles gaussies uidimesioels. O a itroduit das la Défiitio 4.1 la moyee empirique X et vu qu elle est u estimateur aturel de E θ X. Par la loi des grads ombres il apparaît clairemet que sous de boes hypothèses cet estimateur est cosistat et même fortemet coverget. O peut égalemet démotrer (e supposat que les momets d ordre 2 existet) qu il est L 2 -coverget, e remarquat que l o a E θ X = g(θ) et Var θ ( X ) = σθ 2 / qui ted vers 0 quad +. Supposos toujours que la variace de X existe et s écrive sous la forme Var θ (X) = h(θ) das ce modèle. O peut motrer que, sous certaies coditios, l estimateur S 2 de la variace empirique, vu das la Défiitio 4.4, est u estimateur cosistat de Var θ (X). E effet, e utilisat l écriture S 2 = 1 Xi 2 X. 2 Jea-Yves Dauxois c Juillet 2011

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

STATISTIQUE : ESTIMATION

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

Plus en détail

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Plus en détail

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

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

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

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

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

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

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

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

LES SUITES. u n = 1 n, pour n 1. u n = n 3

LES SUITES. u n = 1 n, pour n 1. u n = n 3 LES SUITES. Défiitio.. Défiitio Ue suite umérique est ue foctio de das, défiie à partir d'u certai rag 0. La otatio (u ) désige la suite e tat qu'objet mathématique et u désige l'image de l'etier (appelé

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

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

Petit manuel de bonne rédaction

Petit manuel de bonne rédaction Petit mauel de boe rédactio «Bie rédiger» peut sigifier deux choses : 1) exposer sa pesée clairemet, c est-à-dire avec ordre et rigueur et si possible avec style ; U raisoemet faux peut être bie rédigé,

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

Codes détecteurs et correcteurs d erreurs

Codes détecteurs et correcteurs d erreurs Codes détecteurs et correcteurs d erreurs Lorsque des doées umériques sot stockées ou trasmises, des perturbatios (par exemple électromagétiques) peuvet les edommager. Les codes détecteurs et correcteurs

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

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

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

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

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

Mathématiques : statistiques et simulation

Mathématiques : statistiques et simulation PAF Amies - Eseigemet des Mathématiques : Statistiques et simulatio 8 javier 0 Uiversité de Picardie Jules Vere 0-0 UFR des Scieces - LAMFA CNRS UMR 640 PAF Amies - Formatio Eseigemet des Mathématiques

Plus en détail

1 Mesure et intégrale

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

Plus en détail

Cours 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

Dénombrement - Combinatoire Cours

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

Plus en détail

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

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

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

* 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

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS Classes de première géérale et techologique STATISTIQUES ET PROBABILITÉS Sommaire I. Itroductio...4 II. Statistique descriptive, aalyse de doées...4 III. Variables aléatoires discrètes...6 IV. Utilisatio

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux de

Plus en détail

Correction CCP maths 1 MP

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

Plus en détail

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

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

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

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

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

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

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

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

Introduction aux tests statistiques

Introduction aux tests statistiques Itroductio aux tests statistiques Philippe Boeau 27 septembre 2006 Chapitre 1 Élémets de probabilités Exercice 1 O ote E l esemble des etiers aturels iférieurs ou égaux à 12 et A (respectivemet B et C)

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

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

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

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

Travaux dirigés de transports et transferts thermiques

Travaux dirigés de transports et transferts thermiques Travaux dirigés de trasports et trasferts thermiques Aée 015-016 Araud LE PADELLEC alepadellec@irap.omp.eu page page 3 P r é s e t a t i o Tous les exercices de trasports et de trasferts thermiques qui

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

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

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

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

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

PROJET DE MONTE CARLO SUJET 1: LE PRICING

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

Plus en détail

Correction HEC III 2007

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

Plus en détail

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

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

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

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

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

Plus en détail

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

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

Etude de la fonction ζ de Riemann

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

Plus en détail

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE Nombre de pages de l épreuve Durée de l épreuve 0 pages 3h00 Compte teu du fait qu il s agissait d u cocours d etraiemet, cette épreuve à été prise sur le

Plus en détail

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

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

Plus en détail

Séquence 1. Suites numériques

Séquence 1. Suites numériques Séquece Suites umériques Objectifs de la séquece Recoaître des situatios faisat iterveir des suites géométriques ou des suites arithmético-géométriques. Modéliser ces situatios par des suites géométriques

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 6 octobre 25 Eocés Exercice [ 43 ] [Correctio] O pose ) k+ s = et u = l e s ) k k= a) Éocer le théorème des séries spéciales alterées, e faire la preuve. b) Prouver

Plus en détail

Sciences Po Option Mathématiques

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

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

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

Plus en détail

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

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

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes

SUITES ET FONCTIONS. 1. Espaces vectoriels normés réels ou complexes SUITES ET FONCTIONS. Espaces vectoriels ormés réels ou complexes.. Normes et distaces. Exercice... F Soit E l espace vectoriel des foctios de classe C sur [a, b], o pose Nf = fc + f où c [a, b], f désigat

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

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

Plus en détail

Chapitre 3: Réfraction de la lumière

Chapitre 3: Réfraction de la lumière 2 e B et C 3 Réfractio de la lumière 16 Chapitre 3: Réfractio de la lumière 1. Expériece 1 : tour de magie avec ue pièce de moaie a) Dispositio Autour d'ue petite boîte coteat ue pièce de 1 de ombreux

Plus en détail