Aide Mémoire de Statistique

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Aide Mémoire de Statistique"

Transcription

1 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 probabilités P) mais o coaît des observatios et o tete de retrouver la loi. (E, E, P) modèle statistique paramétrique P = {P θ, θ Θ} famille de loi de probabilité dépedat d u paramètre θ. 1 Échatilloage (X 1,.., X ) échatillo aléatoire i.i.d. de même loi que la v.a. parete X. (X 1,.., X ) est u vecteur aléatoire i.i.d. particulier. (x 1,.., x ) échatillo de doées, réalisatio/observatios de échatillo aléatoire (X 1,.., X ). (x 1,.., x ) est u vecteurs de doées (réelles...) Moyee empirique de l échatillo : X = 1 X i E(X ) = E(X) V ar(x ) = V ar(x)/ TCL : X E(X) L N (0, 1) V ar(x) p.s. X E(X) Si X N (µ, σ 2 ) alors X N (µ, σ 2 /) Variace empirique de l échatillo : S 2 = 1 E(S) 2 = 1 V ar(x) (X i X ) 2 = 1 Variace empirique sas biais de l échatillo : S 2 E(S 2 ) = V ar(x) X, S 2, S 2 sot des variables aléatoires. = 1 S2 Rappel : (X 1,..., X ) vecteur aléatoire i.i.d. de loi N (0, 1) = Z = Loi du Chi-deux : Loi de Studet : X χ 2 Y χ 2 m X et Y idépedats U N (0, 1) Z χ 2 U et Z idépedats = X + Y χ2 +m = U Z Xi 2 (X ) 2 X2 i χ2 St() : loi de Studet de degré de liberté (d.d.l.) 1

2 Théorème de Fisher : (X 1,..., X ) échatillo aléatoire i.i.d. de loi parete N (µ, σ 2 ) 1) ( 1) S 2 σ χ = 2) X et S 2 sot 2 v.a. idépedates. 3) X µ S St( 1) 2 Estimatio poctuelle (E, E, P) modèle statistique paramétrique P = {P θ, θ Θ} famille de loi de probabilité dot o e coaît pas le paramètre θ. U estimateur de θ est ue variable aléatoire qui tete d estimer le paramètre θ de la loi icoue P θ, il est oté θ = T = T (X 1,..., X ) Ue estimatio de θ est ue réalisatio/observatio de l estimateur T : t = T (x 1,..., x ). 2.1 Propriétés d u estimateur Biais d u estimateur Estimateur sas biais : E( θ) = θ Estimateur avec biais : E( θ) = θ + b θ ( θ) c-à-d : biais = b θ ( θ) Estimateur asymptotiquemet sas biais : E( θ) θ Erreur quadratique moyee : EQM θ ( θ) = E(( θ θ) 2 ) = V ar( θ) + (b θ ( θ)) 2 Ue erreur liée au biais et ue erreur liée à la précisio. Précisio d u estimateur : V ar( θ) Estimateur optimal : estimateur sas biais de variace miimale (ESBVM) Covergece (e loi) d u estimateur vers le paramètre estimé : E(T ) } θ L V ar(t ) T 2 L θ T θ 0 Remarque : θ estimateur sas biais de θ g( θ) estimateur sas biais de g(θ) 2.2 Iformatio de Fisher (X 1,.., X ) échatillo aléatoire i.i.d. de même loi que la v.a. parete X Foctio de vraisemblace de l échatillo observé (x 1,..., x ) pour le paramètre θ : cas discret : L(θ; x 1,..., x ) = P θ (X = x i ) cas cotiu : L(θ; x 1,..., x ) = f θ (x i ) avec f θ la foctio de répartitio de X 2

3 Les (x 1,..., x ) sot cous (résultat d ue expériece) et le paramètre θ est icou. La log-vraisemblace de l échatillo observé (x 1,..., x ) pour le paramètre θ : l(θ; x 1,..., x ) = ll(θ; x 1,..., x ) Coditio de régularité (H R ) sur la vraisemblace 1. L iformatio de Fisher existe θ Θ 2. La loi parete de X est deux fois dérivable par rapport à θ 3. 2 θ 2 L(θ; x1,..., x )dx 1...dx = 2 θ 2 L(θ; x 1,..., x )dx 1...dx E pratique, les (H R ) sot vérifiées si le support de la loi parete e déped pas du paramètre θ et la vraisemblace est suffisammet régulière. Support(L(X)) = f(θ) = (H R ) e sot pas vérifiées Iformatio de Fisher apportée par l échatillo (X 1,..., X ) sur le paramètre icou θ : ( ( ) ) 2 I (θ) = E θ ll(θ; X 1,..., X ) où L(θ; X 1,..., X ) est u v.a. et sa réalisatio est L(θ; x 1,..., x ) ( ) (H R ) = I (θ) = V ar θ ll(θ; X 1,.., X ) ( ) 2 = E θ 2 ll(θ; X 1,.., X ) ( ( ) ) 2 = I(θ) = I 1 (θ) = E ll(θ; X) θ Iformatio de Fisher apportée par la statistique T sur le paramètre icou θ : ( ( ) ) 2 I T (θ) = E θ ll(θ; T ) T estimateur de θ 0 I T (θ) I (θ) Bore de Cramer-Rao (BCR) est la précisio maximale auquel peut prétedre u estimateur Théorème de Fréchet-Darmois-Cramer-Rao (FDCR) : (H R ) vérifiées I (θ) 0 T estimateur sas biais de θ E(T ) est dérivable sous le sige somme V ar(t ) 1 I (θ) = BCR De plus, si V ar(t ) = BCR alors T est u estimateur efficace. 1 alors T est u estimateur asymptotiquemet efficace. Si V ar(t) BCR Statistique T est exhaustive si L(θ; x 1,..., x ) = φ(t, θ) h(x 1,..., x ), c-à-d si o peut décomposer la vraisemblace e ue foctio φ dépedat de la réalisatio de l estimateur T et du paramètre θ et d ue foctio h e dépedat que de la réalisatio de l échatillo (X 1,..., X ). 3

4 2.3 Commet trouver u estimateur? Estimateur de maximum de vraisemblace à compléter Estimateur des momets à compléter 3 Itervalles de cofiace à compléter 4 Tests d hypothèses Tests paramétriques : test sur u paramètre θ d u loi P θ, θ Θ Hypothèses statistiques : L hypothèse ulle H 0 : θ Θ 0 cotre l hypothèse alterative H 1 : θ Θ 1 test : H 0 à rejeter (pour H 1 ) ou o? Hypothèse simple si Θ = {θ 0 } : sigleto (sio hypothèse composite ou composée) Hypothèses maiteues, H m, hypothèses que l o cosidère toujours vraies Test bilatéral : H 0 : θ = θ 0 cotre H 1 : θ θ 0 Test uilatéral : H 1 composé et test o bilatéral Rôle des hypothèses est o symétrique Deux types d erreur et risques associés Erreur de première espèce ε I : Décider H 1 (rejet de H 0 ) alors que H 0 est vrai Risque de première espèce : α : Θ 0 [0, 1] θ α(θ) = P H0 (rejet de H 0 ) = P H0 ((X 1,..., X ) W ) si H 0 est simple (H 0 : θ = θ 0 ) alors α(θ) = α(θ 0 ) = α est ue costate (si H 0 : iocet alors α est la proba de codamer u iocet) Erreur de deuxième espèce ε II : Décider H 0 (o rejet de H 0 ) alors que H 1 est vrai Risque de deuxième espèce : β : Θ 1 [0, 1] θ β(θ) = P H1 (o rejet de H 0 ) = P H1 ((X 1,..., X ) / W ) si H 1 est simple (H 0 : θ = θ 1 ) alors β(θ) = β(θ 1 ) = β est ue costate (si H 0 : iocet alors β est la proba de libérer u coupable) Puissace d u test : θ Θ 1, γ(θ) = P H1 (rejet de H 0 )= 1 β(θ) Niveau ou seuil d u test : α = sup H 0:θ Θ 0 α(θ) 4

5 Règle de décisio Ψ Régio critique W Statistique de test T Foctio de test ou test d hypothèse ou règle de décisio : Ψ : χ {0, 1} { 1 si o rejette H0 au profit de H (x 1,..., x ) Ψ(x 1,..., x ) = 1 0 si o e rejette{ pas H 0 1 si (x1,..., x = 1 W (x 1,..., x ) = ) W 0 si (x 1,..., x ) / W avec χ esemble des réalisatios de l échatillo aléatoire (X 1,..., X ). Régio critique (RC) du test Ψ : régio de rejet de H 0 c-à-d esemble des observatios qui coduiset à rejeter H 0 : W = {(x 1,..., x ) χ : Ψ(x 1,..., x ) = 1} = Ψ 1 (1) Régio d acceptatio de H 0 = W = Ψ 1 (0) Statistique de test ou variable de décisio est ue foctio de l échatillo T = f(x 1,..., X ) c-à-d ue v.a. particulière dot la loi est coue sous H 0 supposé vrai Très souvet la statistique de test T est u estimateur du paramètre à éprouver O peut réécrire W à l aide de t (ue réalisatio de T ) : W = {(x 1,..., x ) χ : t D} avec D à détermier Doer ue régio critique W Doer ue règle de décisio Ψ Doer ue statistique du test T et so domaie D 4.1 Test d hypothèse à seuil : pricipe de Neyma Cotrôle du risque de premier espèce via le seuil du test : α = Étapes de costructio d u test 1. Choix des hypothèses de test H 0 et H 1 2. Choix de la statistique de test (et doc de la forme de la RC) sup α(θ). H 0:θ Θ 0 3. Fixer le seuil du test α = sup H 0:θ Θ 0 α(θ) ( limite le risque de première espèce) et détermier alors la RC : W α 4. Vérifier si les observatios (x 1,..., x ) se trouvet ou pas das la RC 5. Coclusio : rejet ou o rejet de H 0 au seuil α 6. Si o rejet de H 0 : évaluer si possible de risque de deuxième espèce ou la puissace du test (difficile si (H 1 ) est composée car β est alors ue foctio de θ et o ue costate) 5

6 4.2 p-valeur La p-valeur ou probabilité critique ou seuil critique est le plus petit risque α pour lequel les observatios coduiset au rejet de H 0 : α c (t ) = if{α : (x 1,..., x ) W α } O iverse les poits 3. et 4. das le cas précédat. 4.3 Test optimaux et Test UPP etre 2 hypothèses simples Défiitio Théorème de Neyma-Pearso etre ue hypothèse simple et ue composée Thm Pas de test UPP pour les tests bilatéraux etre 2 hypothèses composées Thm Test du rapport de vraisemblaces maximales Propriété 6

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

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

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

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

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

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

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

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

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

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

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

Variables aléatoires, Estimation ponctuelle, Principes généraux sur les tests

Variables aléatoires, Estimation ponctuelle, Principes généraux sur les tests Variables aléatoires, Estimatio poctuelle, Pricipes gééraux sur les tests Mémo 215-216 1 Rappels sur les variables aléatoires Défiitio 1.1 (Loi de Beroulli B(π)) C est ue ue variable aléatoire discrète

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

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-

Plus en détail

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance Deuxième partie II Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance (version corrigée, 4 avril 27) Construction d estimateurs 4 Construction d estimateurs Estimateur

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

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

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

6.1 Modèle multiplicatif de mortalité excédentaire (proportional

6.1 Modèle multiplicatif de mortalité excédentaire (proportional 6 Tests d hypothèse (Klei 6.3, Lawless 10.2 et 10.3, Klugma 13.4) 6.1 Modèle multiplicatif de mortalité excédetaire (proportioal hazard) O veut comparer la mortalité d u groupe sous étude avec celle d

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

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

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

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

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

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

Statistiques - Notes de cours - M1. Elisabeth Gassiat

Statistiques - Notes de cours - M1. Elisabeth Gassiat Statistiques - Notes de cours - M1 Elisabeth Gassiat Table des matières 1 Introduction 5 1.1 Estimation et régions de confiance...................... 5 1.2 Tests.......................................

Plus en détail

C.1- Lois discrètes- Loi uniforme

C.1- Lois discrètes- Loi uniforme C- Lois usuelles C.1- Lois discrètes- Loi uiforme Loi d ue variable aléatoire X preat ses valeurs das {1,,} avec la même probabilité: 1 P ( X = x ) = x {1,,... } Ex : E=«lacer d u dé régulier» X=uméro

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

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

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

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

Plus en détail

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

D- Convergence de variables aléatoires

D- Convergence de variables aléatoires D-1 Notatios O cosidère ( ) N (évetuellemet (Y ) N ) ue suite de variables aléatoires défiies sur l espace probabilisé (Ω, A, ) et X (évetuellemet Y ) ue variable aléatoire défiie sur le même espace. O

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

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

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X Estimatios Problématique. A partir d'observatios faites sur u échatillo, o se propose de tirer des coclusios sur la populatio toute etière. Aisi cotrairemet à la logique déductive, qui va du gééral au

Plus en détail

Utilisation en modélisation. Régression linéaire

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

Plus en détail

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

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

Estimation par intervalle de conance

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

Plus en détail

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

Statistiques inférentielles

Statistiques inférentielles Statistiques iféretielles LI323 Hugues Richard (otes de cours: Pierre-Heri Wuillemi) Uiversité Pierre et Marie Curie (UPMC) Laboratoire géomique des microorgaismes (LGM) Itroductio Soit ue populatio de

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

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

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

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

Plus en détail

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

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

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

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

Plus en détail

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

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

Corrigé Fiche 6 Septembre 2016

Corrigé Fiche 6 Septembre 2016 Corrigé Fiche 6 Septembre 2016 1. Estimatio de la moyee, variace coue, cas gaussie O dispose d u -échatillo X 1,..., X i.i.d. tel que X i suit ue loi ormale N µ, σ 2 ). L objectif est d estimer µ. Supposos

Plus en détail

1 Variables aléatoires

1 Variables aléatoires Variables aléatoires E[X] = + xf X (x)dx E[g(X)] = + g(x)f X (x)dx V ar(x) = E[X ] E[X] Cov(X, X ) = E[X X ] E[X ]E[X ] V ar(ax + b) = a V ar(x) V ar(x ± X ) = V ar(x ) + V ar(x ) ± Cov(X, X ) Iégalité

Plus en détail

Master Ingénierie mathématique, Univ. Nantes Option Mathématiques et applications, ECN. Statistique Inférentielle.

Master Ingénierie mathématique, Univ. Nantes Option Mathématiques et applications, ECN. Statistique Inférentielle. Master Igéierie mathématique, Uiv. Nates Optio Mathématiques et applicatios, ECN Statistique Iféretielle. Ae Philippe Uiversité de Nates, LMJL Adresses email : Ae.Philippe@uiv-ates.fr Pages web : Iformatio

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

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

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

Plus en détail

est la fréquence empirique des succès lors des 10 premières expériences.

est la fréquence empirique des succès lors des 10 premières expériences. Pierre Veuillez Statistiques iféretielle Sources, et pour e savoir plus : http://www.math-ifo.uiv-paris5.fr/smel 1 Problématique : Exemple ue ure cotiet des boules rouges et blaches dot o e coaît pas la

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

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

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

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

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

Plus en détail

SUITES et SERIES DE FONCTIONS

SUITES et SERIES DE FONCTIONS UE7 - MA5 : Aalyse SUITES et SERIES DE FONCTIONS I Suites de foctios à valeurs das È ou  Etat doé u esemble E, ue suite de foctios umériques défiies sur E est la doée, pour tout etier, d'ue applicatio

Plus en détail

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

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

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

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations Pla du cours 2 RFIDEC cours 2 : Échatillos, estimatios poctuelles Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Lois des grads ombres 2 Théorème cetral-limite 3 Estimatio poctuelle à partir d échatillos

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

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

TUTORAT UE Biostatistiques Correction du concours blanc 03/11/2011

TUTORAT UE Biostatistiques Correction du concours blanc 03/11/2011 FACULTE De PHARMACIE TUTORAT UE4 2011-2012 Biostatistiques Correctio du cocours blac 03/11/2011 QCM 1 : b, c, d a Faux : P(AUB=P(A+P(B=0,55 et P(A B=Ø. b Vrai c Vrai d Vrai : C 5 - C 5 32 28 (ombre de

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

Automates 1 Présentation

Automates 1 Présentation Automates Présetatio Présetatio d u automate 2 Ue maière de désiger l automate de l exemple 3 Défiitio géérale 4 U exemple d automate 5 Mot costruit sur l alphabet C 6 L esemble de tous les mots das u

Plus en détail

Plan Granulométrie par diffusion de lumière

Plan Granulométrie par diffusion de lumière Pla Graulométrie par diffusio de lumière Structure des systèmes colloïdaux Diffusio de lumière par ue particule. Diffusio Rayleigh. Diffractio de Frauhofer.3 Diffusio de Mie 3 Applicatio : graulométrie

Plus en détail

Détection statistique d anomalies en présence de paramètres de nuisance

Détection statistique d anomalies en présence de paramètres de nuisance Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29 Structure

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

Exercice 1 Zé doux, thé 2 points. Exercice 2 T es où, Zed? 2 points

Exercice 1 Zé doux, thé 2 points. Exercice 2 T es où, Zed? 2 points INSA Méthodes Statistiques M8 Exame Fial 03-3 h Sauf idicatio cotraire, o cosidérera das les exercices u risque de première espèce de 5%. Exercice Zé doux, thé poits Au iveau atioal, le score moye sur

Plus en détail

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

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

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

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

Université de Picardie Jules Verne 2006-2007 Faculté de Mathématiques et d Informatique

Université de Picardie Jules Verne 2006-2007 Faculté de Mathématiques et d Informatique Uiversité de Picardie Jules Vere 006-007 Faculté de Mathématiques et d Iformatique Licece metio Mathématiques - Deuxième aée - Semestre 4 Probabilités Elémetaires Exame du ludi 4 jui 007 Durée h00 Documet

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

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

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle Math-F-207 Corrigé Séace 5 Exercice 1 Séace 5 : Exercices récapitulatifs sur l estimatio poctuelle Les élémets d ue populatio possèdet u caractère X qui suit ue loi de desité f (x e x2 /2 2π où > 0. Pour

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

Intervalle de confiance - Données censurées

Intervalle de confiance - Données censurées Itervalle de cofiace - Doées cesurées Durées de vie expoetielles: Echatillo complet Supposos que ous avos eregistré u échatillo complet de durées de vie T,T 2,,T qui sot i.i.d. suivat ue expoetielle dot

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

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

(en caractères non gras)

(en caractères non gras) Titre Concilier de actualité la présentation et précision des résultats : un exemple avec la récidive pénale Anne Massiani, service des méthodes Steve Vaucher, section criminalité et droit pénal Auteur

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

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

MAITRISE de MATHÉMATIQUES STATISTIQUE. M. Gradinaru

MAITRISE de MATHÉMATIQUES STATISTIQUE. M. Gradinaru MAITRISE de MATHÉMATIQUES STATISTIQUE M. Gradinaru 2002-2005 2 Avant propos Ces notes sont une rédaction du cours oral en amphithéâtre. Il s agit d un document de travail et pas d un ouvrage; il est destiné

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

Econométrie. Bernard Lejeune. Notes à l usage des étudiants de 3ème année de bachelier en sciences économiques et de gestion. HEC-Université de Liège

Econométrie. Bernard Lejeune. Notes à l usage des étudiants de 3ème année de bachelier en sciences économiques et de gestion. HEC-Université de Liège Ecoométrie Berard Lejeue HEC-Uiversité de Liège Notes à l usage des étudiats de 3ème aée de bachelier e scieces écoomiques et de gestio Aée académique 015-016 i Préambule E parallèle des présetes otes

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

i la moyenne empirique de X n n v =

i la moyenne empirique de X n n v = Corrigé Statistiques iféretielle par par Pierre Veuillez Itervalle de cofiace. Exercice Détermier ue valeur approchée de la loi de la moyee empirique : E X E X, V X V X doc X N E X, V X Exercices. Variace

Plus en détail

Résumé de statistique inductive

Résumé de statistique inductive Uiversité de Bourgoge Faculté de Médecie et de Pharmacie Résumé de statistique iductive NB : les iformatios coteues das ce polycopié e fot e aucu cas office de référece pour le cocours, il s agit uiquemet

Plus en détail

Formulaire de statistiques

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

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

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