Estimation par vraisemblance

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Estimation par vraisemblance"

Transcription

1 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 sur le pricipe ituitif suivat : le paramètre icou est proche d u paramètre pour lequel l observatio est la plus probable ou, e d autres termes, la plus vraisemblable. Das tout le chapitre, (H,{P } Θ ) est u modèle statistique domié par ue mesure σ-fiie µ, avec H R k et Θ R d. 4. Vraisemblace Lorsque H est discret, la probabilité que l échatillo (X,,X ) P soit égal à (x,,x ) H représete le degré de vraisemblace de cette observatio pour la loi P. E étedat ce poit de vue à tous les modèles, o obtiet le cocept de vraisemblace défii ci-dessous. Défiitio. La vraisemblace du modèle (H,{P } Θ ) est l applicatio L : H Θ R + telle que, pour chaque Θ, L (.;) : H R + est u élémet de la classe d équivalece de la desité de P par rapport à µ. Remarque. L existece de la vraisemblace est assurée par le théorème de Rado-Nikodỳm. Par abus, ous parlos de "la" vraisemblace bie qu elle e soit pas uique, car il e s agit que d ue versio de la desité de P par 37

2 38 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE rapport à l ue des mesures domiates du modèle statistique. Das tout le chapitre, la vraisemblace du modèle (H,{P } Θ ) pour la mesure domiate µ est otée L. Exemples. Das le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face, qui est domié par la mesure (δ 0 +δ ), la vraisemblace L vaut L (x,,x ;)= x ( ) ( x ), pour (x,,x ) {0,} et ]0,[. Das le modèle statistique (R,{N (m,σ 2 ) } m R,σ>0 ), qui est domié par la mesure de Lebesgue sur R, la vraisemblace L vaut L (x,,x ;m,σ 2 )= ( 2πσ 2 ) exp pour (x,,x ) R, m R et σ > 0. (x i m) 2 2σ 2, Propositio 4... Pour tous Θ, L (.;) > 0 P -p.s. Preuve. Puisque dp = L (.;)dµ, 0 P L (.;) 0 = {L (.;) 0} L (.;)dµ 0. L expressio de la vraisemblace est simple das le cas d u modèle à échatilloage idépedat, comme e témoige le résultat qui suit. Propositio Soit L la vraisemblace du modèle (H,{Q } Θ ) domié par la mesure ν. Si, pour chaque Θ, P = Q, alors la foctio L : H Θ R (x,,x,) L(x i ;), est la vraisemblace du modèle (H,{P } Θ ) pour la mesure domiate µ = ν.

3 4.2. MAXIMUM DE VRAISEMBLANCE 39 Preuve. Il suffit de remarquer que, pour chaque Θ, l applicatio (x,,x ) L(x i ;), défiie sur H est ue versio de la desité de Q 4.2 Maximum de vraisemblace par rapport à µ = ν. Das l exemple du jeu de pile ou face de la sectio. décrit par le modèle statistique ({0,},{B() } ]0,[ ), les lacers de pièce ot fouri ue observatio (x,,x ) {0,}, réalisatio de la loi B( 0 ). Ituitivemet, il est aturel de cosidérer que la probabilité sous B() de l observatio est élevée lorsque est proche de 0. Cette idée est formalisée de la maière suivate : si L est la vraisemblace du modèle, ue valeur du paramètre qui s ajuste à l observatio est das l esemble des maxima de la foctio [0, ] R L (x,,x ;), car L (x,,x ;) représete la probabilité qu u échatillo de loi B() soit égal à (x,,x ). Ce pricipe de costructio des estimateurs s exporte au cas des modèles cotius, par exemple (R,{N (,) } R ). Pour l observatio (x,,x ) géérée selo la loi N (0,), la courbe de la foctio (2π) /2 exp 2 (x i ) 2, est alors maximale e u poit proche de 0, comme le motre le graphique ci-dessus. Ce pricipe ituitif ous amèe à choisir comme estimateur du paramètre du modèle u paramètre qui maximise la vraisemblace. C est le cocept d estimateur du maximum de vraisemblace.

4 40 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Défiitio. U estimateur du maximum de vraisemblace (EMV) est u estimateur ˆ qui vérifie : L.; ˆ(.) = sup L (.;) µ-p.p. Θ Noter que i l existece, i l uicité des EMV e sot e gééral acquises. Remarques. L EMV oté ˆ est doc u estimateur du paramètre du modèle. Si le paramètre d itérêt est g(), avec g ue foctio boréliee coue défiie sur Θ, o dira par abus que g( ˆ) est l EMV de g(). Das le cas d u modèle statistique à échatilloage idépedat, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )), o préfère calculer l EMV e maximisat la log-vraisemblace, c est-àdire le logarithme de la vraisemblace, plutôt que la vraisemblace. E effet, d après la propositio 4..2, si L désige la vraisemblace du modèle (H,{Q } Θ ), la log-vraisemblace du modèle (H,{Q } Θ ) s écrit : ll (x,,x ;)= ll(x i ;), pour (x,,x ) H et Θ. L itérêt pratique est clair, l étape de maximisatio état e pricipe plus facile à meer. Exemple. Das l étude statistique du jeu de pile ou face de la sectio., la vraisemblace du modèle ({0,},{B() } ]0,[ ) est otée L, et sa logvraisemblace s écrit ll (x,,x ;)= x l + ( x )l( ), pour (x,,x ) {0,} et ]0,[. Lorsque x est différet de 0 et de, ue étude de foctio motre que x réalise le maximum de la foctio ll (x,,x ;), défiie sur ]0,[. Efi, pour x {0,} : L (x,,x ; x )= sup L (x,,x ;). ]0,[ Si (X,,X ) B(), l EMV est doc la moyee empirique X.

5 4.3. INFORMATION DE KULLBACK-LEIBLER Iformatio de Kullback-Leibler U outil fodametal das l étude des EMV est l iformatio de Kullback- Leibler : Défiitio. Supposos que ll (.;α) L (P ) pour chaque α, Θ. L iformatio de Kullback-Leibler etre les lois P α et P est défiie par : κ (α,)= E l L (.;α) L (.;). Das la suite, l iformatio de Kullback-Leibler est évoquée que lorsque les coditios de cette défiitio sot implicitemet satisfaites. L iformatio de Kullback-Leibler est ue mesure de la dissimilarité etre deux probabilités -P α et P das la défiitio-, qui trouve so origie otammet das la théorie de l iformatio. Exemple. Calculos l iformatio de Kullback-Leibler κ das le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio.. La vraisemblace de ce modèle a été calculée das la sectio 4.. Pour α, ]0,[ et (X,,X ) P = B() : κ (α,) = E X l α + ( X )l α = l + ( )l α α, car E X =. Propositio Supposos que le modèle statistique (H,{P } Θ ) est idetifiable, d iformatio de Kullback-Leibler κ. Alors, pour chaque α, Θ, κ (α,) 0 et de plus κ (α,)=0 α =. La valeur iformative de l iformatio de Kullback-Leibler apparaît das cette propositio, e permettat d idetifier le paramètre icou e tat

6 42 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE que seule solutio de l équatio κ (.,)=0. Preuve. Il est clair que κ (,) =0. Soiet doc α =. La foctio t lt défiie sur R + état covexe, l iégalité de Jese doe κ (α,) = l L (.;α) H L (.;) dp L (.;α) l H L (.;) dp = l L (.;α)dµ, H car dp = L (.;)dµ. Or, H L (.;α)dµ = P α (H )= d où κ (α,) 0. Supposos maiteat que κ (α,)=0. L iégalité l L (.;α) H L (.;) dp L (.;α) l H L (.;) dp, obteue plus haut est alors u cas d égalité das l iégalité de Jese. Comme t lt défiie sur R + est strictemet covexe, il existe C R + tel que L (.;α)=cl (.;) P -p.s. Par suite, pour tout borélie A H : P α (A)= A L (.;α)dµ = A L (.;α) L (.;) dp = CP (A). O e déduit que C = (predre A = H ) et doc que P = P α, ce qui cotredit l idetifiabilité du modèle. E coclusio, κ (α,) =0 seulemet si α =. 4.4 Cosistace Seul le cas d u échatilloage idépedat est abordé das cette sectio, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )). Das la suite, L désige la vraisemblace du modèle (H,{Q } Θ ) domié par la mesure ν. La vraisemblace L du modèle (H,{P } Θ ) domié par µ = ν s écrit doc, d après la propositio 4..2 : L (x,,x ;)= L(x i ;),

7 4.4. CONSISTANCE 43 pour (x,,x ) H et Θ. Théorème Supposos que le modèle statistique (H,{Q } Θ ) est idetifiable avec Θ boré, et que pour chaque x H, la foctio ll(x;.) est prologeable à l adhérece Θ de Θ. Si l EMV du modèle (H,{P } Θ ) existe, il est cosistat sous les coditios supplémetaires suivates : (i) x H, ll(x;.) est cotiue sur Θ ; (ii) Θ, il existe u voisiage V de et H L (Q ) tels que sup ll(.;α) H. α V Remarque. Lorsque le paramètre d itérêt du modèle (H,{P } Θ ) est g() avec g : Θ R p ue foctio cotiue coue, l EMV g( ˆ) de g() est cosistat sous les coditios du théorème Das la costructio de la démarche statistique, l itérêt de ce théorème est de motrer que l idée de maximisatio de la vraisemblace est pertiete. Cepedat, ses hypothèses sot très techiques et o optimales. E pratique, pour motrer que l EMV est cosistat, il e faut doc pas exclure ue preuve adaptée au modèle statistique et utilisat pas ce théorème ; c est le cas das l exemple ci-dessous. Exemple. Cosidéros le modèle statistique (R +,{E() } >0 ). Pour > 0 et (X,,X ) E(), la vraisemblace L du modèle pour la mesure de Lebesgue vaut L (X,,X ;)= exp X ). U calcul stadard d optimisatio motre que l EMV est ˆ = / X. Comme la moyee d ue loi E() est /, cet estimateur est cosistat d après la loi des grads ombres. Preuve du théorème Supposos pour simplifier que Θ est compact et otos ˆ l EMV du modèle (H,{P } Θ ). Si (X,,X ) P avec Θ fixé, o défiit pour chaque α Θ : U (α) = ll (X,,X ;α)= U(α) = E ll(.;α). ll(x i ;α)

8 44 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Alors, U ( ˆ)=if Θ U et U coverge poctuellemet vers U e probabilité d après la loi des grads ombres. Admettos das u premier temps que cette covergece est e fait uiforme, i.e. P sup U U 0. Θ Puisque if Θ U if Θ U sup Θ U U : U ( ˆ)=if U P if U. Θ Θ Sous les hypothèses (i) et (ii), le théorème de covergece domié motre que U est cotiue. Comme Θ est compact, il existe t Θ tel que U(t)=if Θ U. Or, t =. E effet, U ( ˆ) U () P U(t) U()=κ(t,), κ désigat l iformatio de Kullback-Leibler du modèle (H,{Q } Θ ). De plus, U ( ˆ) U ()=if Θ U U () 0. Par suite, κ(t,) 0 d où t = d après la propositio O déduit alors de la covergece uiforme de U vers U e probabilité que κ( ˆ,)=U( ˆ) U() P 0. Fixos ε > 0. La foctio cotiue α κ(α,) e s aulle qu e, doc il existe γ > 0 tel que si α Θ vérifie α ε, alors κ(α,) γ. Il s esuit que lim sup i.e. ˆ ted vers e probabilité. P ˆ ε limsupp κ( ˆ,) γ = 0, Il reste à motrer que U coverge uiformémet vers U e probabilité. Pour tout η > 0 suffisammet petit, soit h(.,η) la foctio défiie pour chaque x H par h(x, η)= sup α β η ll(x;α) ll(x;β).

9 4.4. CONSISTANCE 45 Fixos ε > 0. Comme h(.,η) 2H avec H L (Q ) par (ii) et h(x,η) 0 si η 0 pour tout x H par (i), o a E h(.,η) < ε/3 d après le théorème de covergece domiée, pour ue valeur de η que ous fixos doréavat. Recouvros le compact Θ par N boules fermées de Θ de rayo η, otées B( j,η) pour j =,,N, i.e. Θ = N j= B( j,η). O remarque que sup U U = max Θ sup j=,,n B( j,η) max sup j=,,n B( j,η) + max sup j=,,n B( j,η) h(x i,η)+ D où, puisque E h(.,η) < ε/3: U U U U ( j ) + max j=,,n U ( j ) U( j ) U( j ) U max U ( j ) U( j ) + E h(.,η). j=,,n P sup U U ε Θ P h(x i,η)+ max U ( j ) U( j ) 2ε j=,,n 3 P i,η) h(x ε + P 3 Or, d après la loi des grads ombres, o a à la fois : max U ( j ) U( j ) j=,,n P 0 et Comme E h(.,η) < ε/3, ceci etraîe que max j=,,n U ( j ) U( j ) ε 3 lim P sup U U ε = 0, Θ i.e. U coverge uiformémet vers U e probabilité. h(x i,η) P E h(.,η)..

10 46 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE 4.5 Iformatio de Fisher Das la suite, F() désige le gradiet de F : Θ R évalué e Θ. Par covetio, le gradiet d ue foctio est calculé e que si la foctio est de classe C sur u voisiage de. Par ailleurs, V (resp. cov ) désige la matrice de variace (resp. la covariace) sous la loi P. Pour motiver le cocept d iformatio de Fisher, supposos pour simplifier que Θ est u ouvert de R et cosidéros la foctio K : α κ (α,) défiie sur Θ, avec Θ fixé. Nous allos comparer la dérivée secode de K e à V ll (.;) L (.;) 2 = E L (.;) E L (.;) L (.;) Sous les coditios idoies, o trouve : L (.;) E L (.;) = L (.;)dµ = L (.;)dµ, H H car dp = L (.;)dµ. Comme H L (.;)dµ = P (H )=, o obtiet d où, au passage, K ()=0, et aussi E L (.;) L (.;) = 0, V ll (.;) = E L (.;) L (.;) Le même type de calcul mèe à la relatio : K ()=E L (.;) L (.;) La courbure e de la foctio α K(α) =κ (α,) est doc, sous les coditios idoies : K ()=V ll (.;). Puisque K ()=0 et κ (,)=0, la formule de Taylor-Youg motre fialemet que κ (α,)= 2 V ll (.;) α ) 2 + o (α ) 2. 2.

11 4.5. INFORMATION DE FISHER 47 L itérêt de la foctio V ( ll (.;)) défiie sur Θ apparaît ici : elle complète l iformatio de Kullback-Leibler e précisat sa courbure au voisiage du paramètre du modèle. Cette observatio est à l origie de la défiitio ci-dessous. Défiitio. Supposos que Θ est ouvert et que ll (.;) L 2 (P ) pour chaque Θ. L iformatio de Fisher est la foctio I défiie sur Θ, telle que pour chaque Θ : I () = V ll (.;) = cov ll (.;), ll (.;). i j i, j=,,d Das la suite, l iformatio de Fisher est évoquée que lorsque les coditios ci-dessus sot implicitemet satisfaites. L iformatio de Fisher est ue foctio à valeurs das l esemble des matrices positives. E tat que mesure de la courbure de l iformatio de Kullback-Leibler, elle précise le pouvoir de discrimiatio du modèle etre deux valeurs proches du paramètre du modèle : si d =, ue grade valeur pour I () traduit ue variatio importate de la ature des probabilités du modèle au voisiage de P, d où ue discrimiatio de la vraie valeur du paramètre icou facilitée. A l iverse, si I () est petit, la loi est très piquée et o est ameé à rechercher le maximum de la vraisemblace das ue régio très vaste. Exemple. Afi d illustrer ces commetaires, repreos le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio., pour lequel la vraisemblace L vaut, si ]0,[ et (x,,x ) {0,} : L (x,,x ;)= x ( ) ( x ). O a calculé das la sectio 2.3 la variace de ll (.;), doc l iformatio I du modèle : I ()=V ll (.;) = ( ).

12 48 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE Das ce modèle, l icertitude est faible pour proche de 0 et alors qu elle est d autat plus grade que est proche de /2, ce qui se traduit par ue iformatio I () maximale pour proche de 0 et, et miimale pour = /2. Das ue situatio d échatilloage idépedat, l iformatio de Fisher est proportioelle à la taille de l échatillo. Propositio Soit I l iformatio de Fisher du modèle (H,{Q } Θ ) domié par la mesure ν. Si, pour chaque Θ, P = Q, l iformatio de Fisher I du modèle (H,{P } Θ ) pour la mesure domiate µ = ν vaut I ()=I() Θ. Preuve. Soiet Θ et (X,,X ) P. Si L désige la vraisemblace du modèle (H,{Q } Θ ), la vraisemblace L du modèle (H,{P } Θ ) est, d après la propositio 4..2 : Par suite, O e déduit la relatio L (X,,X ;)= ll (X,,X ;)= I () = V ll (.;) = = V ll(x ;), L(X i ;). ll(x i ;). V ll(xi ;) car les variables aléatoires X,,X sot idépedates et de même loi. Comme I()=V ( ll(x ;)), la propositio est démotrée. Du poit de vue des calculs, o se réfèrera souvet à la propositio qui suit, dot l objectif pricipal est de doer ue forme simplifiée pour l iformatio de Fisher. Das la suite, 2 F() désige la matrice Hessiee de F : Θ R évaluée e Θ. Par covetio, l utilisatio de la otatio 2 F() sigifie implicitemet que F est de classe C 2 sur u voisiage de.

13 4.5. INFORMATION DE FISHER 49 Propositio Soit I l iformatio de Fisher du modèle (H,{P } Θ ). Supposos que pour chaque Θ, il existe u voisiage V Θ de tel que sup α V L (.;α) L (µ). Alors : (i) E ll (.;)=0. (ii) si, e outre, sup α V 2 L (.;α) L (µ), I ()= E 2 ll (.;). Les coditios de cette propositio e sot pas aussi restrictives qu elle peuvet le sembler, car elle sot satisfaites par bo ombre de modèles statistiques. Preuve. Sous la coditio sup α V L (.;α) L (µ), o a d après le théorème de dérivatio sous l itégrale : L (.;)dµ = L (.;)dµ, H H d où, puisque dp = L (.;)dµ et P (H )=: H L (.;)dµ = P H = 0. Or, comme dp = L (.;)dµ et ll (.;)= L (.;)/L (.;), E ll (.;) = = ll (.;)L (.;)dµ H L (.;)dµ, H d où (i). Motros maiteat (ii). Si F : Θ R est de classe C 2, otos pour tout i, j =,,d et Θ : i F()= F () et 2 ijf()= 2 F (). i i j Le théorème de dérivatio sous l itégrale motre que H 2 ijl (.;)dµ = 2 ij H L (.;)dµ

14 50 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE sous l hypothèse sup α V 2 L (.;α) L (µ), et doc H 2 ijl (.;)dµ = ij P (H )=0. Par ailleurs, o vérifie que pour tout x H : De ce fait, 2 ijll (x;)= 2 ij L (x;) L (x;) il (x;) j L (x;) L(x;) 2. E 2 ijll (.;) = 2 ijll (.;)L (.;)dµ H i L (.;) j L (.;) = dµ H L (.;) = E i ll (.;) j ll (.;), car ll (.;) = L (.;)/L (.;). Or, par défiitio de l iformatio de Fisher : I () ij = cov i ll (.;), j ll (.;) puisque E ll (.;)=0, d où (ii). = E i ll (.;) j ll (.;), Cette propositio légitime la défiitio qui suit, e doat des coditios suffisates au cocept de régularité d u modèle statistique. Défiitio. Le modèle statistique (H,{P } Θ ) est dit régulier si les propriétés suivates sot vérifiées e chaque Θ : (i) so iformatio de Fisher I e existe et est iversible ; (ii) E ll (.;)=0 et I ()= E 2 ll (.;). Exemple. Le modèle statistique ({0,},{B() } ]0,[ ) du jeu de pile ou face de la sectio. costitue u exemple de modèle régulier : d ue part, o a déja costaté das la sectio 4.5 que so iformatio de Fisher est iversible pour chaque ]0, [ ; d autre part, sa vraisemblace (calculée das la sectio 4.), qui vérifie les hypothèses de la propositio 4.5.2, répod doc au secod jeu de coditios imposé das la défiitio ci-dessus.

15 4.6. NORMALITÉ ASYMPTOTIQUE Normalité asymptotique Seul le cas d u échatilloage idépedat est abordé das cette sectio, i.e. P = Q Θ, chaque Q état ue probabilité sur (H,B(H )). Das la suite, L et I désiget la vraisemblace et l iformatio de Fisher du modèle statistique (H,{Q } Θ ) pour la mesure domiate ν. La vraisemblace L et l iformatio de Fisher I du modèle (H,{P } Θ ) domié par µ = ν s écrivet doc, d après les propositios 4..2 et 4.5. : L (x,,x ;)= pour tous Θ et (x,,x ) H. L(x i ;) et I ()=I(), Théorème Supposos que (H,{Q } Θ ) est u modèle régulier et que, pour chaque Θ, il existe u voisiage V Θ de pour lequel sup α V 2 ll(.;α) L (P ). Si l EMV ˆ du modèle (H,{P } Θ ) est cosistat, alors : ˆ L/P N d 0,I() Θ. Remarque. Lorsque le paramètre d itérêt est g() avec g : Θ R k ue foctio coue de classe C, l EMV g( ˆ) de g() est, sous les coditios de ce théorème, asymptotiquemet ormal et de vitesse, d après la δ- méthode (Théorème 2.5.). L itérêt de ce théorème est qu il dégage u comportemet d ivariace de l EMV e motrat que, sous des coditios idoies, sa loi limite est ormale. Cepedat, les hypothèses de ce théorème e sot pas optimales ; de ce fait, pour obteir la loi limite de l EMV das u modèle doé, il e faut pas exclure ue preuve directe utilisat pas ce résultat. Cette observatio est reforcée par le fait que la ormalité asymptotique de l EMV cocere spécialemet les modèles statistiques suffisammet réguliers, comme l atteste l exemple qui suit. Exemple. Cosidéros le modèle statistique (R +,{U([0,]) } >0 ). Pour > 0 et (X,,X ) P = U([0,]), sa vraisemblace L relativemet à

16 52 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE la mesure de Lebesgue s écrit pour tout > 0: si 0 X L (X,,X ;)=,,X ; 0 sio. L EMV est doc ˆ = max i X i. Pour chaque t ]0,[ : P ( ˆ) t = P max X i < t,, = t. La limite de cette expressio est exp( t/) dès que t > 0, doc ˆ L/P E (/). Aisi, das cet exemple de modèle o régulier, i la vitesse de l EMV, i la loi limite, e correspodet à celles du théorème précédet. Preuve du théorème Soiet Θ, (X,,X ) P et U (α)=ll (X,,X ;α)= ll(x i ;α) α Θ. D après le théorème de dérivatio sous l itégrale, U est de classe C 2 P -p.s. Comme U ( ˆ) =0 car ˆ maximise U, u développemet de Taylor avec reste itégral ous doe E coséquece, 0 = U ()+ 2 U +t( ˆ ) dt ( ˆ ). 0 Ū ( ˆ )= U (), si Ū = 2 U +t( ˆ ) dt. Or, d ue part V ll(.;) = I(), et d autre part E ll(.;)=0 par régularité du modèle. Doc, d après le théorème cetral limite : U ()= ll(x i ;) U/P N d 0,I(). 0

17 4.6. NORMALITÉ ASYMPTOTIQUE 53 P Admettat das u premier temps que Ū I(), le lemme de Slutsky doe le résultat aocé, i.e. ( ˆ ) U/P I() N d 0,I() = Nd 0,I(). Il reste à motrer que Ū coverge e probabilité vers I(). Soit, pour chaque x H et r > 0: σ(x,r)= sup 2 ll(x;α) 2 ll(x;). α r Par hypothèse, ll(x;.) C 2 pour chaque x H et σ(.,r) L (P ) pour r > 0 suffisammet petit. D après le théorème de covergece domiée, état doé ε > 0, il existe doc r > 0 tel que E σ(.,r) < ε/2. E remarquat que il viet : Ū = P Ū + I() ε P +P ll X i ; +t( ˆ ) dt, 2 ll X i ; +t( ˆ ) 2 ll(x i ;) dt ε 2 2 ll(x i ;)+I() ε 2 + P ˆ r P i,r) σ(x ε 2 +P 2 ll(x i ;)+I() ε 2 La derière iégalité a été obteue e itroduisat l évéemet { ˆ < r}. Comme E σ(.,r) < ε/2, E 2 ll(.;) = I() par régularité du modèle et ˆ est cosistat, o déduit de la loi des grads ombres que Ū ce qui achève la preuve du théorème. P I(),.

18 54 CHAPITRE 4. ESTIMATION PAR VRAISEMBLANCE

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

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

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

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

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

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

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

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

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

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

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

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

Plus en détail

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

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

Plus en détail

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

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

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

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

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

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

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

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

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

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

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

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

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

Plus en détail

1 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

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

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

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

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

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

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener

INF582 : Cryptologie Attaque de clés RSA par la méthode de Wiener INF58 : Cryptologie Attaque de clés RSA par la méthode de Wieer Nicolas DOUZIECH - Thomas JANNAUD - X005 9 mars 008 Table des matières Quelques rappels sur le cryptosystème RSA Pricipe de l attaque de

Plus en détail

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

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

Plus en détail

et arctanx + arctan 1 x = sgn(x)π 2. 3. Application à la statue de la liberté : haute de 46 mètres avec un piédestal de 47 mètres.

et arctanx + arctan 1 x = sgn(x)π 2. 3. Application à la statue de la liberté : haute de 46 mètres avec un piédestal de 47 mètres. Eo7 Foctios circulaires et hyperboliques iverses Correctios de Léa Blac-Ceti. Foctios circulaires iverses Eercice Vérifier arcsi + arccos π et arcta + arcta sgπ. Idicatio Correctio Vidéo [00075] Eercice

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

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

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

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

Reconnaissance des formes: Fenêtre de Parzen

Reconnaissance des formes: Fenêtre de Parzen Préom Nom Recoaissace des formes: Feêtre de Parze Pricipes de l'appretissage o paramétrique Estimatio o paramétrique de la desité Feêtres de Parze vs. k plus proches voisis Feêtres de Parze Réseau de euroes

Plus en détail

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

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

Plus en détail

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

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

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

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

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

Université Paris-Dauphine Année 2008-2009 U.F.R. Mathématiques de la décision L3 - Statistique Mathématique. Examen

Université Paris-Dauphine Année 2008-2009 U.F.R. Mathématiques de la décision L3 - Statistique Mathématique. Examen Uiversité Paris-Dauphie Aée 28-29 U.F.R. Mathématiques de la décisio L3 - Statistique Mathématique Exame Durée 2h. Le barême est doé à titre idicatif. Exercice : 5 poits) Soit X,...,X ) u échatillo de

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

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

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

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

Plus en détail

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

Etude de la fonction ζ de Riemann

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

Plus en détail

COURS DE 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

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

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

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

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

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

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

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

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

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

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

Plus en détail

* 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

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

Vitesses de recouvrement et lois de Chung-Mogulskii dans pour le processus empirique

Vitesses de recouvrement et lois de Chung-Mogulskii dans pour le processus empirique Vitesses de recouvremet et lois de Chug-Mogulskii das pour le processus empirique Davit VARRON Laboratoire de Statistiques et Modélisatio, 6 rue Blaise Pascal, 3517 Bruz Résumé: E cotiuatio des travaux

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

. (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

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

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

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

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004 3 octobre 2004 Exemple 2. O se doe a I et q C(I, K). L équatio différetielle liéaire : y (x) q(x) y(x) = 0 avec les coditios y(a) = α, y (a) = β SUITES ET SÉRIES DE FONCTIONS PC*2 3 octobre 2004 Admet

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

Une définition de la fonction exponentielle dans l esprit des nouveaux programmes

Une définition de la fonction exponentielle dans l esprit des nouveaux programmes 1 Ue défiitio de la foctio expoetielle das l esprit des ouveaux programmes 0. Itroductio. Les ouveaux programmes de mathématiques de termiale S qui sot etrés e vigueur à la retrée 2002 icitet fortemet

Plus en détail

CORRECTION DU BAC BLANC 2

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

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

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

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

Chapitre Rappels sur les suites

Chapitre Rappels sur les suites Chapitre Séries umériques. Rappels sur les suites Défiitio.. (i) Ue suite (a ) N de réels (ou de complexes) est covergete vers ue limite a si pour tout ε > 0, il existe 0 N tel que pour tout 0, o a a a

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

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

Séries à termes positifs

Séries à termes positifs Séries à termes positifs Das toute la suite N désigera les etiers aturels positifs 0,,,..., Z tous les etiers aturels...,,, 0,,, 3,... et Q les ombres ratioels. Efi R désigera les réels, et C les complexes.

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

CHAPITRE 2 SÉRIES ENTIÈRES

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

Plus en détail

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C :

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C : Corrigé baccalauréat S Polyésie 200 (raiateabac.blogspot.com) EXERCICE (5 poits) Pré-requis : z a + bi et _ z a bi Partie A : a ) E posat z a + bi et z a + b i o obtiet : z x z (a + bi) ( a + b i) aa bb

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

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

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

Chapitre 1 METHODES SUR LES SUITES

Chapitre 1 METHODES SUR LES SUITES Chapitre 1 METHODES SUR LES SUITES Nous allos voir commet : 1) Cojecturer le comportemet d ue suite ) Raisoer par récurrece 3) Utiliser les suites arithmétiques et géométriques 4) Étudier le comportemet

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

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

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations 8-8- JFC p EM LYON S JF COSSUTTA Lycée Marceli BERTHELOT SAINT-MAUR jea-fracoiscossutta@waadoofr PROBLÈME Partie I : Résultats gééraux sur les matrices stochastiques - Illustratios Remarque Das la suite

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

Université Denis Diderot (Paris VII) MP 3. Quelques exercices corrigés Suites et séries numériques

Université Denis Diderot (Paris VII) MP 3. Quelques exercices corrigés Suites et séries numériques Uiversité Deis Diderot (Paris VII) 006-007 MP 3 Quelques exercices corrigés Suites et séries umériques Das les pages qui suivet ous proposos la correctios de quelques exercices de la feuille sur les suites

Plus en détail

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

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

Plus en détail

Fiche 2 : les fonctions

Fiche 2 : les fonctions Nº : 300 Fice : les foctios Pl de l fice I - Limites, comportemet symptotique II - Dérivtio III - Cotiuité I - Limites, comportemet symptotique Défiitios Ue foctio f pour ite e lorsque : l foctio f est

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

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

Application du logiciel Excel

Application du logiciel Excel Applicatio du logiciel Ecel Utilisatio du Solver du logiciel Ecel Table de matiers Lacemet du logiciel... Optimisatios... Programmatio liéaire... Problème du trasport... 8 Problème de programmatio quadratique...

Plus en détail

Fiche 2 : Les fonctions

Fiche 2 : Les fonctions Nº : 300 Fiche : Les foctios Calculer des limites O commece par aalyser f (). Peut o directemet appliquer l u des théorèmes du cours (limites et opératios, théorèmes de comparaiso)? Das la égative, il

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

Corrigé : EM Lyon 2005

Corrigé : EM Lyon 2005 Corrigé : EM Lyo 5 Optio écoomique Eercice :. Par défiitio de E, la famille (I,J,K) est ue famille géératrice de E. Cette famille est-elle libre? O cherche tous les réels a, b et c tels que : ai +bj +ck

Plus en détail