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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 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 Défiitio Espérace et variace..5.. Loi de Beroulli Défiitio Espérace et variace.5.3. Loi Biomiale Défiitio Espérace et variace Symétrie et récurrece de la loi biomiale Stabilité de la loi biomiale 9.4. Loi de Poisso Approximatio d ue loi biomiale Loi de Poisso Espérace et variace.4.4. Stabilité de la loi de Poisso...5. Loi biomiale égative..

2 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00).5.. Défiitio Espérace et variace.3.6. Loi géométrique.3 3. Lois cotiues Loi uiforme Défiitio Espérace et variace Loi ormale ou loi de Laplace-Gauss Défiitio Etude de la foctio desité de probabilité Espérace et variace Stabilité de la loi ormale Loi ormale réduite Défiitio Etude de la foctio desité de probabilité Espérace et variace Relatio avec la loi ormale Calcul des probabilités d ue loi ormale Lois déduites de la loi ormale Loi du χ de Pearso Loi de Studet Loi de Fisher-Sédécor Covergece Covergece e loi Le théorème cetral limite Covergece vers la loi ormale La loi biomiale.. 7

3 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) La loi de Poisso Iégalité de Bieaymé-Tchébycheff Iégalité de Markov Iégalité de Bieaymé-Tchébycheff.. 8 3

4 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Itroductio Il est toujours possible d associer à ue variable aléatoire ue probabilité et défiir aisi ue loi de probabilité. Lorsque le ombre d épreuves augmete idéfiimet, les fréqueces observées pour le phéomèe étudié tedet vers les probabilités et les distributios observées vers les distributios de probabilité ou loi de probabilité. Idetifier la loi de probabilité suivie par ue variable aléatoire doée est essetiel car cela coditioe le choix des méthodes employées pour répodre à ue questio biologique doée (chapitre 5 et 6). Idetifier la loi de probabilité suivie par ue variable aléatoire doée est essetiel car cela coditioe le choix des méthodes employées pour répodre à ue questio biologique doée (chapitre 5 et 6). Lois discrètes Par défiitio, les variables aléatoires discrètes preet des valeurs etières discotiues sur u itervalle doé. Ce sot gééralemet le résultat de déombremet.. Loi uiforme.. Défiitio Ue distributio de probabilité suit ue loi uiforme lorsque toutes les valeurs prises par la variable aléatoire sot équiprobables. Si est le ombre de valeurs différetes prises par la variable aléatoire, i, P(X = x i ) = Exemple : La distributio des chiffres obteus au lacer de dé (si ce derier est o pipé) suit ue loi uiforme dot la loi de probabilité est la suivate : X P X = x ) ( i

5 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) 6 avec pour espérace : E(X ) = i = 3,5 et pour variace V(X ) = 6 i= 6 où les valeurs x i correspodet au rag i de la variable X das la série. 6 i = i E(X) =,9.. Espérace et variace Das le cas particulier d ue loi discrète uiforme où les valeurs de la variable aléatoire X correspodet au rag x i = i ( i [, ]) E(X) = + et V(X) = Démostratio.. Loi de Beroulli.. Défiitio Soit u uivers Ω costitué de deux évetualités, S pour succès et E pour échec Ω = {E, S} sur lequel o costruit ue variable aléatoire discrète, «ombre de succès» telle que au cours d ue épreuve, si S est réalisé, X = si E est réalisé, X = 0 O appelle variable de Beroulli ou variable idicatrice, la variable aléatoire X telle que : X : Ω R X (Ω) = {0,} La loi de probabilité associée à la variable de Beroulli X telle que, P(X = 0) = q P(X =) = p avec p+q = est appelée loi de Beroulli otée B(, p).. Espérace et variace L espérace de la variable de Beroulli est car par défiitio E(X) = x i p i = (0 x q) + ( x p) = p i= E(X) = p 5

6 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) La variace de la variable de Beroulli est V(X) = pq car par défiitio V(X) = x i p i - E(X) = [(0 x q) + ( x p)] p i= d où V(X) = p p = p ( p) = pq.3 Loi biomiale.3. Défiitio Décrite pour la première fois par Isaac Newto e 676 et démotrée pour la première fois par le mathématicie suisse Jacob Beroulli e 73, la loi biomiale est l ue des distributios de probabilité les plus fréquemmet recotrées e statistique appliquée. Soit l applicatio S : Ω R avec S = X + X + + X i X où X i est ue variable de Beroulli La variable biomiale, S, représete le ombre de succès obteus lors de la répétitio de épreuves idetiques et idépedates, chaque épreuve e pouvat doer que deux résultats possibles. Aisi la loi de probabilité suivie par la somme de variables de Beroulli où la probabilité associée au succès est p, est la loi biomiale de paramètres et p. S : Ω R S = X i i= B(,p) La probabilité que S = k, c est à dire l obtetio de k succès au cours de épreuves idépedates est : P(S = k) = C k p k q k Démostratio Il est facile de démotrer que l o a bie ue loi de probabilité car : k P(S = k) = C p k q k = (p + q) = car p+q = k=0 k=0 Remarque : Le développemet du biôme de Newto (p+q) permet d obteir l esemble des probabilités pour ue distributio biomiale avec ue valeur et p doée. Il existe égalemet des tables de la loi biomiale où les probabilités sot tabulées pour des valeurs et p doées. 6

7 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Exemple : Das ue expériece sur le comportemet du rat, rattus orvegicus, o fait péétrer successivemet rats das u labyrithe e forme de H. O étudie alors la probabilité que k rats emprutet la brache supérieure droite du H. A chaque épreuve, deux évèemets peuvet se produire : soit le rat suit l itiéraire voulu (succès) soit il e l emprute pas (échec). Sachat qu il y a 4 itiéraires possibles (braches), la probabilité du succès p = /4. Hypothèse : - si les rats ot pas été coditioés, - si la brache supérieure droite e comporte aucu élémet attractif ou répulsif, - si le choix de l itiéraire d u rat affecte pas le choix du suivat (odeurs) alors : la variable aléatoire X «itiéraire empruté pour x rats» suit ue loi biomiale X β(, 4 ) dot la distributio des probabilités est la suivate si l o étudie le comportemet de 5 rats : 0, 40 0, 30 0, 0 0, 0 0, 00 P(X=k) Distributio de probabilités de la variable biomiale X X B (5, 0,5) Nombre de rats ayat emprutˇ la brache supˇrieure droite du labyrithe. 5 k k P(X = k) C 5 = 0, C 5 = 0, C 5 = 0, C 5 = 0, C = 0, C 5 = 0,00 4 Remarque : Il est possible d obteir aisémet les valeurs des combiaisos de la loi biomiale e utilisat le triagle de Pascal. De plus o vérifie que la somme des probabilités est bie égale à. 7

8 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00).3. Espérace et variace L espérace d ue variable biomiale S est égale à E(S ) = p e effet E(S ) = E(X + X + + X i X ) or E(X + X + + X i X ) = E(X i ) propriété de l espérace et E(S ) = E(X i ) = p avec E(X i ) = p variable de Beroulli d où i= E(S ) = p i= i= La variace d ue variable biomiale S est égale à V(S ) = pq e effet V(S ) = V(X + X + + X i X ) or V(X + X + + X i X ) = V (X i ) propriété de la variace et V(S ) = V (X i ) = pq avec V(X i ) = pq car variable de Beroulli d où i= V(S ) = pq i= i= Exemple : Das le cadre de l étude de comportemet du rat, quel est e moyee le ombre attedu de rats qui vot empruter l itiéraire prévu si l expériece porte sur u lot de 0 rats? Doez égalemet la variace et l écart type de cette variable? Répose..3.3 Symétrie et récurrece de la loi biomiale La loi biomiale déped des deux paramètres et p. Elle est symétrique pour p = 0,5 et dissymétrique pour les autres valeurs de p. La dissymétrie est d autat plus forte : () pour fixe, que p est différet de q (graphe) () pour p fixe que est plus petit. Afi de faciliter les calculs des probabilités, il est possible d utiliser ue formule de récurrece doat les valeurs des probabilités successives : P(S = k) = k + k p q P(S = k ) Démostratio 8

9 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00).3.4 Stabilité de la loi biomiale Théorème : Si S et S m sot deux variables idépedates suivat des lois biomiales respectivemet S B(,p) et S m B(m,p) alors S + S m B(+m,p) démostratio.4 Loi de Poisso La loi de Poisso découverte au début du XIX e siècle par le magistrat fraçais Siméo-Deis Poisso s applique souvet aux phéomèes accidetels où la probabilité p est très faible (p < 0,05). Elle peut égalemet das certaies coditios être défiie comme limite d ue loi biomiale..4. Approximatio d ue loi biomiale Lorsque deviet grad, le calcul des probabilités d ue loi biomiale P(S = k) = C k p k q k deviet très fastidieux. O va doc, sous certaies coditios, trouver ue approximatio de p k plus maiable. Comportemet asymptotique : si et p 0, alors X : B(,p) P(λ) avec p λ (voir démostratio) Remarque : Cette approximatio est correcte si 50 et p 5. Exemple : Soit ue loi biomiale de paramètres (00 ; 0,0), les valeurs des probabilités pour k de 0 à 5 aisi que leur approximatio à 0-3 avec ue loi de Poisso de paramètre (λ= p =) sot doées das le tableau ci-dessous : k P(X=k) Approximatio 0,366 0,370 0,85 0,06 0,05 0,000 0,368 0,368 0,84 0,06 0,05 0,003 9

10 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Das le cas de cet exemple où =00 et p =, l approximatio de la loi biomiale par ue loi de poisso doe des valeurs de probabilités idetiques à 0-3 près..4. Loi de Poisso O appelle processus poissoie (ou processus de Poisso), le modèle probabiliste des situatios qui voiet u flux d évèemets se produire les us à la suite des autres de faço aléatoire (das le temps et das l espace), obéissat aux coditios suivates : - la probabilité de réalisatio de l évèemet au cours d ue petite période ou sur ue petite portio d espace t est proportioelle à t soit p t. - elle est idépedate de ce qui s est produit atérieuremet ou à côté, - la probabilité de deux apparitios sur le même t est égligeable. Aisi, des évèemets qui se réaliset de faço aléatoire comme des paes de machies, des accidets d avios, des fautes das u texte, peuvet être cosidérés comme relevat d u processus poissoie. Ue variable aléatoire X à valeurs das R suit ue loi de Poisso de paramètre λ (λ > 0) si P(X = k) = λk e λ les réels p k sot doés par k! o ote : X P(λ) Remarque : Ue loi de Poisso est doée par sa loi de probabilité : () k, P(X = k) > 0 e λ λ () k P(X = k) = = e λ λ k k! k! or λ k = e λ k! k 0 k 0 d où P(X = k) = e λ e λ = k 0 k 0 k 0 Exemple : Ue suspesio bactériee cotiet 5000 bactéries/litre. O esemece à partir de cette suspesio, 50 boites de Pétri, à raiso d cm 3 par boite. Si X représete le ombre de coloies par boite, alors la loi de probabilité de X est : X P (λ=5) La probabilité qu il y ait aucue coloie sur la boite de Pétri est : 0

11 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) P(X = 0) = 50 e 5 0! =0,0067 soit approximativemet 0,67 % de chace. La probabilité qu il y ait au mois ue coloie sur la boite de Pétri est : P(X > 0)=- P(X = 0) = -0,0067 = 0,9933 soit 99,3 % de chace d avoir au mois ue coloie bactériee qui se développe das la boite de Pétri. (voir évéemet cotraire) Comme pour la loi biomiale, il est possible d utiliser ue formule de récurrece pour calculer les valeurs des probabilités successives : P(X = k) = λ k P(X = k ) Démostratio.4.3 Espérace et variace L espérace d ue variable aléatoire de Poisso est E(X) = λ Par défiitio E(X ) = kp k = k λk e λ k 0 k! avec k N valeurs prises par la v.a. X k 0 avec k 0 k! = λ + λ! + λ3! λk + = λ + λ k!! + λ λk +...+! k! λ k d où E(X ) = λe λ λ k k >0 k! = λe λ e λ = λ La variace d ue variable de Poisso est V(X) = λ λ Par défiitio V(X ) = k p k E(X) = k k e λ λ k! k 0 e posat k = k + k(k ), alors k λ k e λ k = λ k e λ + k! k! k 0 d où k 0 k λ k e λ = k 0 k! k 0 k(k ) λ k e λ k! e λ λ + λ! + λ3! λk + + e λ λ + λ3 k!! + λ4! λk + k! k 0 d où λ k e λ λ k λ k = λ e λ + λe λ k k! k! k! k 0 k 0 k 0

12 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) d où V(X ) = λ e λ e λ + λe λ e λ λ = λ Remarque : Il est à oter que das le cas d ue variable aléatoire de Poisso, l espérace et la variace preet la même valeur. Ceci est u élémet à predre e compte lors des tests de coformité à ue loi de probabilité. Exemples : Das le cadre de la culture bactériee, le ombre moye de coloies attedu sur la boite de Pétri est : E(X) = λ = 5 coloies. Aisi si l o effectue plusieurs cultures bactériees (plusieurs boites de Pétri) à partir de la même solutio iitiale, o atted e moyee ciq coloies pour l esemble des boites. E ce qui cocere la variace et l écart-type, o aura : V(X) = λ = 5 et σ(x) = V(X) =,4 coloies..4.4 Stabilité de la loi de Poisso Si X et Y sot deux variables aléatoires idépedates suivat des lois de Poisso respectivemet X P (λ) et Y P (µ) alors X + Y P (λ+µ) démostratio.5 Loi biomiale égative.5. Défiitio Sous le schéma de Beroulli (épreuves idetiques et idépedates), o désire obteir succès et l o cosidère la variable aléatoire discrète X qui représete le ombre d épreuves idépedates k écessaire à l obtetio des succès. X suit ue loi biomiale égative de paramètres et p otée BN (,p) si : P(X = k) = C k p q k avec k, N et k

13 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Remarque : Das le cas de la loi biomiale égative, le ombre de succès est cou et l o cherche le ombre d épreuves k, écessaire pour obteir les succès. Aisi le derier évèemet est cou car les épreuves cesset avec l obtetio du ieme succès et l o choisit - objets parmi k-. Exemple : Pour étudier le domaie vital d ue populatio de poissos, des émetteurs radio sot fixés au iveau de la ageoire dorsale après ue légère aesthésie locale. Suite à divers aléas, o cosidère que 30 % des poissos équipés e sot pas repérés par la suite. Si l o cosidère qu u miimum de 5 poissos doivet être suivis pour avoir des résultats statistiquemet acceptables, la variable aléatoire X «ombre de poissos devat être équipés» suit ue loi biomiale égative X BN (5, 0,70) E posat comme hypothèse que les causes de pertes de liaisos radio soiet suffisammet ombreuses pour assurer l idépedace etre chaque épreuve, la probabilité d être obligé d équiper 0 poissos est de : P(X = 0) = 9! 4!5! (0,70)5 (0, 30) 5 = 0,3.5. Espérace et variace L espérace associée à ue loi biomiale égative est : E(X) = p La variace associée à ue loi biomiale égative est : V(X) = q p.5.3 Loi géométrique Lorsque le ombre de succès est égal à, la loi de la variable aléatoire discrète X porte le om de loi de Pascal ou loi géométrique de paramètre p telle que : P(X = k) = pq k- avec k N * 3

14 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Voici pourquoi : Si l o cosidère la variable aléatoire X «ombre de aissaces observées avat l obtetio d ue fille» avec p = / (même probabilité de aissace d ue fille ou d u garço), la loi suivit par X est ue loi géométrique car : X = si {X= F} avec P(X = ) = p X = si {X= G F} avec P(X = ) = qp X = 3 si {X= G G F} avec P(X = 3) = qqp = q p d où X = k si {X=G G.G F} avec k- {X=G} et doc P(X = k) = pq k- D où l espérace associée à la loi géométrique est : E(X ) = p et la variace associée à la loi géométrique est : V(X ) = q p 3 Lois cotiues Par défiitio, les variables aléatoires cotiues preet des valeurs cotiues sur u itervalle doé. 3. Loi uiforme 3.. Défiitio La loi uiforme est la loi exacte de phéomèes cotius uiformémet répartis sur u itervalle. La variable aléatoire X suit ue loi uiforme sur le segmet [a,b] avec a < b si sa desité de probabilité est doée par : f(x) = si x [a,b] b a f(x) = 0 si x [a,b] 4

15 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) f(x) F(x) b-a 0 a b x 0 a b x Foctio de desité de probabilité Foctio de répartitio Quelques commetaires : () La loi uiforme cotiue état ue loi de probabilité, l aire hachurée e rouge sur la figure ci-dessus vaut. Ceci implique que la valeur prise par f(x) vaut b a. () La probabilité que X [a,b ] avec a < b et a,b [a,b] vaut : P( a X b ) = f (x)dx = b b dx b = a a a b a b a (3) La foctio de répartitio associée à la loi uiforme cotiue est telle que : F X (x) = 0 si x < a F X (x) = si x > b F X (x) = x a b a si a x b 3.. Espérace et variace L espérace de la loi uiforme cotiue vaut : E(X ) = b + a E effet par défiitio E(X) = xf(x)dx a b E(X) = xf(x)dx + xf(x)dx + xf(x)dx cours aalyse (Itégrale) a b a or xf(x)dx = 0 et xf(x)dx = 0 par défiitio de la loi uiforme cotiue b b d où E(X) = x dx = b x b xdx = a b a b a a b a a E(X) = [ (b a) b a ]= (b a) ( b a)b ( + a)= b + a 5

16 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) La variace de la loi uiforme cotiue vaut : E effet par défiitio V(X) = x f (x)dx E(X) V(X ) = ( b a) b V(X) = x dx a b a E(X) même simplificatio que pour l espérace V(X) = x 3 b E(X) = b 3 a 3 b + a b a 3 b a 3 a b 3 a 3 or = b a 3 3 (b (b + a) + ab + a ) et = 4 4 (b + ab + a ) d où V(X ) = b 3 a 3 (b + a) (b a) = b a Loi ormale ou loi de Laplace-Gauss 3.. Défiitio O parle de loi ormale lorsque l o a affaire à ue variable aléatoire cotiue dépedat d u grad ombre de causes idépedates dot les effets s additioet et dot aucue est prépodérate (coditios de Borel). Cette loi acquiert sa forme défiitive avec Gauss (e 809) et Laplace (e 8). C est pourquoi elle porte égalemet les oms de : loi de Laplace, loi de Gauss et loi de Laplace-Gauss. Exemple : Aisi la taille corporelle d u aimal déped des facteurs eviroemetaux (dispoibilité pour la ourriture, climat, prédatio, etc.) et géétiques. Das la mesure où ces facteurs sot idépedats et qu aucu est prépodérat, o peut supposer que la taille corporelle suit ue loi ormale. Ue variable aléatoire absolumet cotiue X suit ue loi ormale de paramètres (µ, σ) si sa desité de probabilité est doée par : f : R R x a f (x) = σ Notatio : X N(µ, σ) x µ π e σ avec µ R et σ R + 6

17 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Remarque : O admet que impossible. f (x)dx = das la mesure où l itégratio aalytique est 3.. Etude de la foctio desité de probabilité La foctio f est paire autour d u axe de symétrie x = µ car f(x + µ ) = f(µ - x) d où D E = [µ, [ x µ La dérivé première f (x) est égale à : f (x) = f(x) Démostratio σ d où f (x) = 0 pour x = µ et f (x) < 0 pour x > µ La dérivé secode f (x) est égale à : f (x) = ( x µ) f ( x) Démostratio σ σ d où f (x) = 0 pour x = µ + σ et f (x) > 0 pour x > µ + σ x µ µ + σ + f (x) f (x) 0 - σ π f(x) σ π e 0 Remarque : Le paramètre µ représete l axe de symétrie et σ le degré d aplatissemet de la courbe de la loi ormale dot la forme est celle d ue courbe e cloche Espérace et variace L espérace de la loi ormale vaut : E(X) = µ La variace de la loi ormale vaut : V(X) = σ 7

18 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) 3..4 Stabilité de la loi ormale Théorème : Soiet X et X deux variables aléatoires ormales idépedates de paramètres respectifs (µ, σ ), (µ, σ ), alors leur somme X +X est ue variable aléatoire ormale de paramètres (µ + µ, σ + σ ). Voici pourquoi : () E(X +X ) = E(X ) + E(X ) Propriété P de l espérace. or E(X ) = µ et E(X ) = µ d où E(X +X ) = µ + µ () V(X +X ) =V(X ) + V(X ) Propriété P de la variace lorsque X et X sot idépedates. or V(X ) = σ et V(X ) = σ d où V(X +X ) = σ + σ Ce théorème se gééralise immédiatemet à la somme de variables aléatoires ormales idépedates. 3.3 Loi ormale réduite 3.3. Défiitio Ue variable aléatoire cotiue X suit ue loi ormale réduite si sa desité de probabilité est doée par : f : R R x a f (x) = π e x Remarque : f est bie ue loi de probabilité car : x R, f(x) 0 f est itégrable sur ]-, + [ et f (x)dx = 8

19 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) 3.3. Etude de la foctio desité de probabilité La foctio f est paire car f(-x) = f(x) d où D E = [0, [ La dérivé première est f (x) = -x f(x) avec f (x) 0 pour x 0. La dérivée secode est f (x) = -f(x) + x f(x) = (x ) f(x) qui s aule pour x = sur D E. x 0 + f (x) f (x) 0 - f(x) π πe 0 Remarque : L axe de symétrie correspod à l axe des ordoées (x = 0) et le degré d aplatissemet de la courbe de la loi ormale réduite est Espérace et variace L espérace d ue loi ormale réduite est : E(X) = 0 E effet par défiitio E(X) = xf(x)dx. Or la foctio à itégrer est impaire d où E(X)=0 (cours d aalyse : itégrale) La variace d ue loi ormale réduite est : V(X) = E effet par défiitio V(X) = x f (x)dx E(X) d où V(X) = π x e x dx E effectuat ue itégratio par partie : 9

20 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) V(X) = xe x π e x dx avec xe x = 0 or V(X) = π e x dx = par défiitio d ue foctio de répartitio d où V(X) = Relatio avec la loi ormale Si X suit ue loi ormale N (µ,σ), alors Z = X µ, ue variable cetrée réduite suit σ ue la loi ormale réduite N (0,) Calcul des probabilités d ue loi ormale La foctio de répartitio de la loi ormale réduite permet d obteir les probabilités associées à toutes variables aléatoires ormales N (µ,σ) après trasformatio e variable cetrée réduite. O appelle foctio π, la foctio de répartitio d ue variable ormale réduite X telle que : π : R R t a π(t) = P(X < t) = π t e t dt Les propriétés associées à la foctio de répartitio π sot : (P ) π est croissate, cotiue et dérivable sur R et vérifie : lim π (t) = et lim π (t) = 0 t t (P ) t R π (t) + π (-t) = t R π (t) - π (-t) = π(t) - 0

21 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Ue applicatio directe de la foctio π est la lecture des probabilités sur la table de la loi ormale réduite. 3.4 Lois déduites de la loi ormale 3.4. Loi du χ de Pearso Défiitio La loi de Pearso ou loi de χ (Khi deux) trouve de ombreuses applicatios das le cadre de la comparaiso de proportios, des tests de coformité d ue distributio observée à ue distributio théorique et le test d idépedace de deux caractères qualitatifs. Ce sot les test du khi-deux. Soit X, X,, X i,, X, variables ormales cetrées réduites, o appelle χ la variable aléatoire défiie par : χ = X + X + + X i + + X = X i O dit que χ suit ue loi de Pearso à degrés de liberté (d.d.l.). i= Remarque : Si =, la variable du χ correspod au carré d ue variable ormale réduite de loi N(0,) (voir Rapport etre loi de probabilité). Propriétés : (P ) Si X, X, X 3,, X i,, X sot variables ormales cetrées réduites et s il existe k relatios de dépedace etre ces variables alors X + X + X X i + + X suit ue loi de Pearso à - k degrés de liberté. (P ) Si U suit ue loi de Pearso à d.d.l., si V suit ue loi de Pearso à m d.d.l., et si U et V sot idépedates alors U+ V suit ue loi de Pearso à +m ddl U-V suit ue loi de Pearso à -m ddl (si <m)

22 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Pour χ > 0, la foctio desité de probabilité est de la forme : f (χ ) = C()χ e χ avec C() = π Pour χ 0, f(χ ) = 0 Pour >, o utilise la table du Khi Remarque : La costate C() est telle que f ( xdx ) =. La distributio du χ est dissymétrique et ted à deveir symétrique lorsque augmete e se rapprochat de la distributio ormale à laquelle elle peut être assimilée lorsque > 30. Espérace et variace L espérace de la variable du χ est : E(χ ) = car par défiitio E(χ ) = E(X i ) avec X i variable ormale réduite i= or V(X i ) = E(X i ) - E(X i ) = pour la variable ormale réduite avec E(X i ) = 0 d où E(X i ) = et doc E(χ ) = La variace de la variable du χ est : V(χ ) = car par défiitio les X i variables ormales réduites état idépedates, V(χ ) = V (X i ) et d autre part V(X i ) = E(X 4 i ) [E(X i )] i= or E(X i 4 ) = 3 d où V(X i ) = 3 = aisi V(χ ) = V (X i ) = i=

23 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) 3.4. Loi de studet Défiitio La loi de Studet (ou loi de Studet-Fisher) est utilisée lors des tests de comparaiso de paramètres comme la moyee et das l estimatio de paramètres de la populatio à partir de doées sur u échatillo (Test de Studet). Studet est le pseudoyme du statisticie aglais William Gosset qui travaillait comme coseiller à la brasserie Guiess et qui publia e 908 sous ce om, ue étude portat sur cette variable aléatoire. Soit U ue variable aléatoire suivat ue loi ormale réduite N(0,) et V ue variable aléatoire suivat ue loi de Pearso à degrés de liberté χ, U et V état idépedates, o dit alors que T = U V suit ue loi de Studet à degrés de liberté. La foctio desité de probabilité est de la forme : f (T) = C() + T ( +) Calcul des probabilités avec la table de la loi de Studet Remarque : La costate C() est telle que f ( xdx ) =. La distributio du T de Studet est symétrique et ted vers ue loi ormale lorsque augmete idéfiimet. Espérace et variace L espérace de la variable de Studet est : E(T) = 0 si > 3

24 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) La variace de la variable de Studet est : V(T) = si > Loi de Fisher-Sedecor La loi de Fisher-Sedecor est utilisée pour comparer deux variaces observées et sert surtout das les très ombreux tests d aalyse de variace et de covariace. Soit U et V deux variables aléatoires idépedates suivat ue loi de Pearso respectivemet à et m degrés de liberté. O dit que F = U suit ue loi de Fisher-Sedecor à degrés de liberté. Vm m Pour F > 0, la foctio desité de probabilité est de la forme : f (F) = C (,m ) F (m + F ) + m Pour F 0, f(f) = 0 Utilisatio des tables de Fisher-Sedecor pour le calcul des probabilités. Remarque : Si =, alors o a la relatio suivate : F (,m) = U etre loi de probabilité). Vm = T m (voir Rapport Espérace et variace L espérace de la variable de Fisher-Sédecor est : E(F) = m m si m > 4

25 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) La variace de la variable de Fisher-Sédecor est : V(F) = m ( + m ) (m ) (m 4) si m > 4 4 Covergece Das ce paragraphe, sot traités des élémets de calcul des probabilités dot l applicatio statistique est ombreuse. La partie fodametale est le théorème cetral limite. Les élémets présetés permettet de préciser ce que sigifie l ajustemet d ue loi de probabilité par ue autre (otio de covergece) et aisi de justifier l approximatio d ue distributio observée par ue loi théorique (chapitre 7). De plus ces élémets permettet de doer des limites d erreurs possibles das l estimatio d u élémet d ue populatio (chapitre 6). 4. Covergece e loi Soit ue suite de variables aléatoires X, X, X 3,, X i,, X. Cette suite coverge e loi vers la variable aléatoire X de foctio de répartitio F X quad augmete idéfiimet, si la suite des foctios de répartitio F X,F X,F X 3,...,F XI,...F X ted vers la foctio de répartitio F X pour tout x pour lequel F X est cotiue. Exemple : Nous avos motré que la loi de probabilité d ue variable biomiale ted vers ue loi de Poisso lorsque ted vers l ifii. Il e serait de même des foctios de répartitio correspodates. O peut doc dire que la loi biomiale B(,p) coverge e loi vers ue loi de Poisso de paramètres p. (voir Rapport etre loi de probabilité). 4. Le théorème cetral limite Appelé égalemet théorème de la limite cetrale, il fut établi par Liapouoff et Lideberg. O se place das ue situatio d épreuves répétées, caractérisées par ue suite X, X, X 3,, X i,, X de variables aléatoires idépedates et de même loi (espérace E(X i ) = µ et variace V (X i ) = σ ). O défiit aisi deux ouvelles variables aléatoires : la somme S = X + X + + X i X la moyee M = X + X X = S 5

26 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) telles que : E(S ) = µ V(S ) = σ E(M ) = µ V(M ) = σ Voici pouquoi : Pour les deux variables aléatoires, les valeurs de l espérace et de la variace sot liées aux propriétés de liéarité et d idépedace. Ces formules sot à la base des pricipaux estimateurs e statistique. Théorème cetral limite Soit la variable aléatoire S résultat de la somme de variables aléatoires idépedates et de même loi, o costruit la variable cetrée réduite telle que : S µ Z = σ ( ) Alors pour tout t R, la foctio de répartitio F (t) = P(Z < t) est telle que : F (t) π t e z dz quad c est à dire N(0,). Remarque : O peut calculer Z aussi bie à partir de S que de M car Z = S µ σ = M µ σ Ue variable aléatoire résultat de la somme de plusieurs v.a. ayat même loi et même paramètres est distribuée suivat ue loi ormale réduite lorsque le ombre d épreuves ted vers l ifii. Le théorème cetral limite s applique quelque soit la loi de probabilité suivie par les variables aléatoires discrètes ou cotiues, pourvu que les épreuves soiet idépedates, reproductibles et e très grad ombre. Grâce au théorème de la limite cetrale, o peut voir que des phéomèes dot la variatio est egedrée par u ombre importat de causes idépedates sot gééralemet susceptibles d être représetés par ue loi ormale. 6

27 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) A l aide de la covergece e loi et du théorème cetral limite, il est possible de faire l approximatio de certaies lois de probabilités par d autres (voir Rapport etre loi de probabilité). 4.3 Covergece vers la loi ormale 4.3. La loi biomiale Théorème : Soit X ue variable aléatoire suivat ue loi biomiale de paramètres (,p), alors k µ P(X = k) σ π e σ quad c est à dire N(0,) avec µ = E(X) = p et σ = V(X) = p q La covergece est d autat plus rapide que p est voisi de 0,5, distributio symétrique pour la loi biomiale. Remarque : O cosidère que l approximatio est valable si o a à la fois p 5 et q 5 (voir Rapport etre loi de probabilité) Loi de Poisso Théorème : Soit X ue variable aléatoire suivat ue loi de Poisso de paramètre λ alors P(X = k) λ avec E(X) = λ et V(X) = λ k λ π e λ quad c est à dire N(0,) Remarque : O cosidère qu o peut faire ces approximatios si λ 0 (voir Rapport etre loi de probabilité). 4.4 Iégalité de Bieaymé-Tchébycheff 7

28 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) L iégalité de Markov et l iégalité de Bieaymé-Tchébycheff s appliquet aussi bie aux variables aléatoires discrètes ou absolumet cotiues. Elles permettet pour ue variable aléatoire X d espérace E(X) = µ et de variace σ d évaluer la probabilité pour que X diffère de la moyee d ue quatité iférieure à ue valeur h. Le problème est de doer ue cosistace quatitative à la remarque déjà faite que, plus l écart-type d ue variable aléatoire est faible, plus sa distributio de probabilité est cocetrée autour de so espérace mathématique (voir degré d aplatissemet de la loi ormale). Afi de démotrer cette iégalité, ous allos préseter tout d abord l iégalité de Markov Iégalité de Markov Soit X ue variable aléatoire admettat ue espérace E(X) et ue variace V(X), état doé, u réel h>0 l iégalité de Markov doe : P( X h) h E(X ) Voici pourquoi : P( X h) = p i la sommatio état étedue à toutes les valeurs de i tels que x i > h i I das ce cas : x i h soit x i x h p i p i i h aisi p i p i I h i x i d où p i E(X ) et P( X h) i I i I h h E(X ) 4.4. Iégalité de Bieaymé-Tchébycheff Si l o applique l iégalité de Markov à la variable aléatoire X X, o a P( X X h) h E[(X X) ] or E[(X X) ] = V(X) = σ et e passat à l évèemet cotraire, o a : P( X X h) σ h E posat h = tσ avec t > 0, o obtiet l iégalité suivate P( X X t) sachat que σ > 0 σ t 8

29 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) qui est équivalete à t > 0 P( X X σ t) iégalité de Bieaymé-Tchébycheff t Remarque : Ces iégalités ot d itérêt que si t est assez grad. 9

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

Convergence en loi. Théorème de la limite centrale.

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

Plus en détail

1 Un peu de vocabulaire

1 Un peu de vocabulaire Statistiques - Échatilloage Cours Objectifs du chapitre Passer d u mode de représetatio des doées à u autre (doées brutes, tableau d effectifs, représetatio graphique) Calculer la moyee, la médiae, les

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

Introduction aux théorèmes limites et aux intervalles de confiance Chapitre 5 Itroductio aux théorèmes limites et aux itervalles de cofiace Objectifs du chapitre. Savoir approcher ue loi biomiale par ue loi de Poisso ou ue loi ormale. 2. Savoir approcher ue loi e appliquat

Plus en détail

Introduction aux tests statistiques

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

Plus en détail

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

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

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

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

TD10. Loi des grands nombres, théorème central limite.

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

Plus en détail

Chapitre 6 Théorèmes de convergence

Chapitre 6 Théorèmes de convergence Chapitre 6 Théorèmes de covergece 1. La covergece e loi O a déjà recotré ue covergece e loi lors de l approximatio d ue loi biomiale par ue loi de Poisso. Ce problème se place das u cadre plus gééral où

Plus en détail

Durée : 4 heures. x + x x + x, lim 1 x sin

Durée : 4 heures. x + x x + x, lim 1 x sin PCSI DEVOIR SURVEILLÉ de MATHÉMATIQUES 9/0/00 QUESTIONS de COURS : Durée : 4 heures Soit f : I IR, soit a u réel adhéret à I Que sigifie la otatio lim fx +? x a + si x Ex Détermier lim, lim x + x x + x,

Plus en détail

Convergences et approximations

Convergences et approximations Covergeces et approximatios Probabilités : Chapitre 5 Das tout ce chapitre, les démostratios serot faites das le cas des variables discrètes et des variables à desité. I Iégalité de Bieaymé-Tchebychev

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

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

Autour de la loi de Poisson

Autour de la loi de Poisson Agrégatio Itere de Mathématiques Thierry Champio séace du 25 ovembre 2016 Autour de la loi de Poisso Notatios - Itroductio Das tout ce problème, (Ω, T, P) est u espace probabilisé. Toutes les variables

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

CONVERGENCE ET APPROXIMATION

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

Plus en détail

Echantillon : Collection d'individus prélevés dans la population statistique.

Echantillon : Collection d'individus prélevés dans la population statistique. SONDAGE (ECHANTILLONNAGE) POPULATION STATISTIQUE N idividus possédat ue modalité yi de la (ou des) variable(s) y ( i N) PARAMETRES valeur cetrale dispersio corrélatio µ σ² ρ moyee variace coef. corr. ECHANTILLON

Plus en détail

COURS N 6 : Estimations

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

Plus en détail

Annexe : Leçon 10 - Échantillonnage

Annexe : Leçon 10 - Échantillonnage Aexe : Leço 10 - Échatilloage Clémet BOULONNE pour la sessio 01 I Niveau, prérequis, référeces Niveau BTS Prérequis Probabilités, lois discrètes et cotiues Référeces [1,,, 4, 5] II Coteu de la leço 1 Approximatio

Plus en détail

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne :

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne : I. Itroductio. LOIS NORMALES. Voici quelques exemples de courbes proveat de la vie quotidiee : La répartitio du QI das la populatio Le poids d ue populatio de chatos Répartitio des coscrits e 1907 Age

Plus en détail

Chapitre 9 La loi binomiale

Chapitre 9 La loi binomiale A) Variables aléatoires 1) Défiitio Chapitre 9 La loi biomiale O appelle variable aléatoire X ue foctio qui associe à tout résultat (évéemet élémetaire) u ombre réel. Pour ue même expériece aléatoire,

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

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

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

Corrigé du DS n 1. Exercice 1 (6 points)

Corrigé du DS n 1. Exercice 1 (6 points) Exercice 1 (6 poits) Corrigé du DS 1 Das cet exercice, les probabilités demadées serot doées sous forme décimale, évetuellemet arrodies à 10 - près. Lors d ue equête réalisée par l ifirmière auprès d élèves

Plus en détail

Analyse 5 SUITES REELLES

Analyse 5 SUITES REELLES Aalyse chap 5 /6. GENERALITES SR LES SITES. Défiitios Défiitio : e suite est ue foctio, défiie sur ue partie D de. O ote () =, o lit «idice». O dit que est le terme gééral de la suite, ou terme de rag.

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

Divers exercices de probabilité

Divers exercices de probabilité Divers exercices de probabilité Traiter e priorité les quatre premiers exercices de chaque sectio. 1 Probabilité Exercice 1.1 Mo voisi a deux efats. 1- Le plus jeue est ue fille, quelle est la probabilité

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

Quelques notions élementaires de probabilités et statistiques

Quelques notions élementaires de probabilités et statistiques Chapitre 6 Quelques otios élemetaires de probabilités et statistiques 6.1 Probabilités U uivers Ω est u esemble modélisat les réalisatios possibles d ue expériece. U esemble A P(Ω) modélise la otio d évéemet

Plus en détail

x 0 h a (x) ln (2 a ) h a 2 a Justifier, par le calcul, le signe de h' a (x) pour x appartenant à ] 0 ; + [. b. Rappeler la limite de ln x x

x 0 h a (x) ln (2 a ) h a 2 a Justifier, par le calcul, le signe de h' a (x) pour x appartenant à ] 0 ; + [. b. Rappeler la limite de ln x x EXERCICE (6 poits) Commu à tous les cadidats Soit f la foctio défiie sur l itervalle ] ; + [ par f () = l Pour tout réel a strictemet positif, o défiit sur ] ; + [ la foctio g a par g a () = a O ote C

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k.

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable. k n) X k (1 X) n k. Exo7 Suites et séries de foctios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable

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

SUITES NUMERIQUES. q n. pour q. n + Une suite numérique est une fonction associant à tout nombre entier naturel n, un nombre réel u(n) : u :

SUITES NUMERIQUES. q n. pour q. n + Une suite numérique est une fonction associant à tout nombre entier naturel n, un nombre réel u(n) : u : SUITES NUMERIQUES Coteus : Capacités attedues : Commetaires : Suites Limite d ue suite défiie par so terme gééral Notatio lim u Suites géométriques : - somme de termes cosécutifs d ue suite géométrique

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

Compléments sur les suites Suites adjacentes

Compléments sur les suites Suites adjacentes DERNIÈRE IMPRESSION LE 7 février 07 à 6:3 Complémets sur les suites Suites adjacetes I Ecadremet d ue suite EXERCICE ) Motrer que pour tout k N et pour tout x [k ; k+], o a : k+ k+ k x dx k ) O pose u

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

I. Probabilités : petit bilan de 2 nde

I. Probabilités : petit bilan de 2 nde ère S FICHE Variables aléatoires I. Probabilités : petit bila de de EXECICE TYPE (voir évaluatio diagostique d etrée e ère S) Eocé O fait tourer ue roue équilibrée comme ci-dessous séparées e 8 secteurs

Plus en détail

Probabilités, MATH 424 Feuille de travaux dirigés 2. Solutions.

Probabilités, MATH 424 Feuille de travaux dirigés 2. Solutions. Probabilités, MATH 44 Feuille de travaux dirigés. Solutios. 1 Exercices Exercice 1. O jette trois dés o pipés. 1. Calculer la probabilité d obteir au mois u 1.. Que vaut la probabilité d obteir au mois

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

Sup Galilée - Maths pour l Ingénieur Corrigé du Partiel du 19 Novembre 2008

Sup Galilée - Maths pour l Ingénieur Corrigé du Partiel du 19 Novembre 2008 Sup Galilée - Maths pour l Igéieur Corrigé du Partiel du 9 Novembre 008 Étude d ue suite récurrete Soit u 0 ]0, [ O cosidère la suite (u ) défiie par u + u 3 u ) Justifier que la suite u est borée O motre

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

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

LIMITES DE SUITES. n ) u n = 2 n pour n IN 5 ) u n = 2n + 1 n - 5 pour n ³ 6 6 ) u n = (-1)n pour n IN

LIMITES DE SUITES. n ) u n = 2 n pour n IN 5 ) u n = 2n + 1 n - 5 pour n ³ 6 6 ) u n = (-1)n pour n IN LIMITES DE SUITES I Limites fiies ou ifiies Exercice 1 Pour chacue des suites, e calculat différets termes, cojecturer la valeur limite de u quad deviet ifiimet grad (c'est-à-dire quad ted vers + ). 1

Plus en détail

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne 1 lois usuelles 11 Loi Biomiale B(, p) q = 1 p p(x = k) = C k p k q k Espérace E(X) = p Variace : V ar(x) = pq Écart type : σ = pq 12 Loi de Poisso P(λ) : loi de Poisso de paramètre λ > 0 : X(Ω) = N λ

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

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

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

AVRIL 2013 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie A

AVRIL 2013 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie A AVRIL CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie A CORRIGE DE LA ère COMPOSITION DE MATHEMATIQUES Eercice. Calculer, e, la dérivée de : Arc ta( ) Soit f ( ) Arc ta( ), alors f ( ) Arc ta( )

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

Cours et Exercices de Probabilités et Statistique descriptive Niveau Licence 1

Cours et Exercices de Probabilités et Statistique descriptive Niveau Licence 1 Cours et Exercices de Probabilités et Statistique descriptive Niveau Licece 1 U.F.R. Maths-Ifo i Prof. Auguste AMAN et Dr. Jea Marc OWO Table des matières I Statistique descriptive 1 1 Les doées statistiques

Plus en détail

( 2) e x. x + d x. Donner une interprétation graphique de cette intégrale.

( 2) e x. x + d x. Donner une interprétation graphique de cette intégrale. EXERCICE : (6 poits) Commu à tous les cadidats Les deux parties de cet exercice sot idépedates. Partie A O cosidère l équatio différetielle (E) : y ' + y e x. ) Motrer que la foctio u défiie sur l esemble

Plus en détail

Chapitre 4 Séries trigonométriques

Chapitre 4 Séries trigonométriques MVA Aalyse et calcul matriciel Chapitre 4 Séries trigoométriques Foctios périodiques Soit f ue foctio défiie sur R. Le ombre θ est ue période de f si f (t + θ) = f (t) quel que soit t R. Quad f admet ue

Plus en détail

SERIES NUMERIQUES réelles ou complexes

SERIES NUMERIQUES réelles ou complexes UE7 - MA5 : Aalyse SERIES NUMERIQUES réelles ou complexes I. Gééralités Défiitio Etat doée ue suite (u ) de ombres réels ou complexes, o appelle série de terme gééral u la suite (S ) défiie par : () S

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

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire Méthodes Statistiques

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire Méthodes Statistiques UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Aée uiversitaire 2014 2015 L2 Écoomie Cours de B. Desgraupes Méthodes Statistiques Séace 07: Tests de coformité II Table des matières 1 Tests sur

Plus en détail

Échantillonnage. I Rappels sur les lois usuelles 2

Échantillonnage. I Rappels sur les lois usuelles 2 BTS DOMOTIQUE Échatilloage 2008-2010 Échatilloage Table des matières I Rappels sur les lois usuelles 2 II Approximatios de la loi biomiale 2 II.1 Approximatio par la loi de poisso................................

Plus en détail

12 Cours - Suites.nb 1/11. Suites

12 Cours - Suites.nb 1/11. Suites 12 Cours - Suites.b 1/11 Suites I) Gééralités 1) Défiitio 2) Notatio 3) Commet peut être défiie ue suite 4) Suites et ordre 5) Propriété vraie à partir d u certai rag 6) Exercice 7) Suites arithmétiques,

Plus en détail

STATISTIQUES - ESTIMATION

STATISTIQUES - ESTIMATION STATISTIQUES - ESTIMATION I Echatilloage et estimatio : itroductio O se situe ici das 2 domaies des statistiques qui sot ceux de l «échatilloage» et de l «estimatio». Ces 2 domaies ot des cotextes d applicatio

Plus en détail

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

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice 1 - Loi d u dé truqué - Deuxième aée - 1. X pred ses valeurs das {1,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque

Plus en détail

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3 3- Lois de distributio discrètes -1 Chapitre 3 : Lois de distributio discrètes 3.1 Loi de Berouilli...1 3. Loi Biomiale...1 3.3 Loi géométrique... 3.4 Loi de Pascal (loi égative biomiale)...3 3.5 Loi hypergéométrique...4

Plus en détail

Chapitre 11. (Étude élémentaire des) Séries numériques

Chapitre 11. (Étude élémentaire des) Séries numériques ECE - Aée 05-06 Lycée fraçais de Viee Mathématiques - F. Gauard http://frederic.gauard.com Chapitre. (Étude élémetaire des) Séries umériques Ce chapitre présete la otio de série umérique aisi que les premiers

Plus en détail

Corrigé du problème: autour de la fonction zeta alternée de Riemann

Corrigé du problème: autour de la fonction zeta alternée de Riemann Corrigé du problème: autour de la foctio zeta alterée de Riema I Gééralités Pour x >, la suite décroît vers, doc la série coverge par le critère spécial des séries alterées Pour x, e ted pas vers, ce qui

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

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

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

UNIVERSITE D ANGERS Mathematiques L2. Devoir. Corrigé sur le web le 31/10/2014

UNIVERSITE D ANGERS Mathematiques L2. Devoir. Corrigé sur le web le 31/10/2014 UNIVERSITE D ANGERS Mathematiques L. Devoir. Corrigé sur le web le 1/10/014 O traitera au choix l u des deux exercices ou. Exercice 1 : ci-dessous : Détermier la ature de chacue des 6 séries dot le terme

Plus en détail

Probabilités générales

Probabilités générales Chapitre 4 termiale s Probabilités géérales Les probabilités (rappels) : ) Quelques otios de vocabulaire : Nous allos étudier selo quelle mesure u fait proveat du hasard peut être prévisible a) Ue expériece

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

L2PC et Cycles. Mathématiques: SERIES et INTEGRALES Cours Elisabeth REMM

L2PC et Cycles. Mathématiques: SERIES et INTEGRALES Cours Elisabeth REMM FACULTE DES SCIENCES ET TECHNIQUES. UHA MULHOUSE L2PC et Cycles. Mathématiques: SERIES et INTEGRALES Cours Elisabeth REMM Chapitre 2 Séries etières Cotets. Gééralités sur les séries etières 2.. Défiitio

Plus en détail

GRAPHES - EXERCICES CORRIGES Compilation réalisée à partir d exercices de BAC TES

GRAPHES - EXERCICES CORRIGES Compilation réalisée à partir d exercices de BAC TES GRAPHES - EXERCICES CORRIGES Compilatio réalisée à partir d exercices de BAC TES Exercice. U groupe d amis orgaise ue radoée das les Alpes. O a représeté par le graphe ci-dessous les sommets B, C, D, F,

Plus en détail

Calcul des probabilités 2 (M-2.1)

Calcul des probabilités 2 (M-2.1) Calcul des probabilités (M-.) I. Probabilités sur u esemble fii. Défiitios Défiitio Ue expériece aléatoire est ue expériece dot il est impossible de prévoir l issue (mais o coaît toutes les issues possibles)

Plus en détail

IREM Martine Quinio. 5 février 2013

IREM Martine Quinio. 5 février 2013 : 1 IREM 2013 Martie Quiio 5 février 2013 1 La loi de Gauss, ou loi ormale Itroductio : Lire court article C.Villai das Le Mode du 14-15/12 : il compare le traitemet médiatique boso de Higgs et rats OGM

Plus en détail

Dénombrement et échantillonnage

Dénombrement et échantillonnage Déombremet et échatilloage Lauret DELSOL Das de ombreuses situatios o cherche à déombrer le ombre d idividus, d aimaux, de végétaux ou d objets se trouvat das ue zoe géographique doée. Il est parfois possible

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

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

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

Plus en détail

COURS N 5 : n-échantillons.

COURS N 5 : n-échantillons. COURS N 5 : -Échatillos. U -échatillo (X 1, X,..., X ) est défii par u esemble de variables aléatoires idépedates et de même loi (c'est des répétitios idépedates d'ue même expériece). O dit que les variables

Plus en détail

Lois normales et autres lois dérivées

Lois normales et autres lois dérivées Lois ormales et autres lois dérivées - Lois ormales a) - Défiitio O dit qu'ue variable aléatoire réelle X suit la loi ormale (ou gaussiee) de paramètres et, otée N ( ; ), si elle admet pour desité la foctio

Plus en détail

- Représenter un schéma de Bernoulli par un arbre pondéré. - Reconnaître des situations relevant de la loi binomiale

- Représenter un schéma de Bernoulli par un arbre pondéré. - Reconnaître des situations relevant de la loi binomiale www.mathselige.com STI2D - P2 - LOI IOMIALE COURS (/5) Le travail sur les séries statistiques et les probabilités meé e classe de secode se poursuit avec la mise e place de ouveaux outils. Les scieces

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

= P (X k)p (Y k) = (1 α) k (1 β) k = [(1 α)(1 β)] k.

= P (X k)p (Y k) = (1 α) k (1 β) k = [(1 α)(1 β)] k. Aée 25/26 Semaie 2 Classe de PC*, lycée Louis le Grad Exercice Soiet (Ω, F, P ) u espace probabilisé, X et Y deux variables idépedates suivat des lois géométriques (à valeurs das N) de paramètre α et β

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

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur.

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur. DST 6 Correctio Exercice 1 (5 poits) (Asie, jui 11) Le pla est rapporté à u repère orthoormal. 1) Étude d ue foctio. O cosidère la défiie sur l itervalle par. O ote la foctio dérivée de la foctio sur l

Plus en détail

1 Programme de l agrégation interne

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

Plus en détail

SESSION DE 2004 CA/PLP

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

Plus en détail

Biostatistiques Sciences FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Sciences FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fudp.ac.be/biostats Module 80 80 DISTRIBUTION T DE STUDENT...2 80.1 UTILITE...2 80.2 PRINCIPE...2 80.3 TABLES ET GRAPHIQUES...3 80.4 EXEMPLE...5 17/10/08 Module 80-1 80 Distributio t de Studet 1 80.1

Plus en détail

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité BACCALAUREAT GENERAL Bac blac 4 Mercredi 7 Mai 4 MATHEMATIQUES Série : S Eseigemet Obligatoire ou de Spécialité Durée de l épreuve : 4 heures Coefficiet : 7 ou 9 L utilisatio de la calculatrice est autorisée

Plus en détail

Éléments de correction de la feuille d exercices # 3

Éléments de correction de la feuille d exercices # 3 Uiversité de Rees L SVE Probabilités et statistiques aée 25-26 Élémets de correctio de la feuille d exercices # 3 Exercice Exemple de loi discrète Soit X ue variable aléatoire discrète preat les valeurs

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

Calculer la raison d une suite arithmétique dont la somme des trois premiers termes est 18 et e septiemme terme est 19

Calculer la raison d une suite arithmétique dont la somme des trois premiers termes est 18 et e septiemme terme est 19 Suites EXERCICE N 1 O cosidère la suite ( u ) défiie par : Pour tout etier aturel : u = 2-2 a) Calculer u 1,u 2,u 3 et u 4 b) Calculer pour tout etier aturel u +1, u +1, (u ) 2, u 2, u 2+3,u 2 +3 EXERCICE

Plus en détail

Bac Blanc Terminale L - Février 2017 Correction de l Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2017 Correction de l Épreuve de Spécialité Mathématiques (durée 3 heures) Bac Blac Termiale L - Février 2017 Correctio de l Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) 1. Depuis le 28 jui 2007, la ville de Bordeaux a été classée au patrimoie modial

Plus en détail

MVA101 - Analyse et calcul matriciel T. Horsin

MVA101 - Analyse et calcul matriciel T. Horsin MVA101 - Aalyse et calcul matriciel 2012 2013 T. Horsi (thierry.horsi@cam.fr) Attetio: Ce documet est ue base de travail qui peut coteir des coquilles. Les zoes e bleus sot, de loi, hors programme, et

Plus en détail

Master 1 de Santé Publique. UE de biostatistique : cours 3. Estimation. Intervalle de confiance

Master 1 de Santé Publique. UE de biostatistique : cours 3. Estimation. Intervalle de confiance Master 1 de Saté Publique UE de biostatistique : cours 3 Estimatio Itervalle de cofiace Estimatio - Itervalle de cofiace 1 Estimatio Valeur théorique (ou vraie) Populatio Prédictio Valeur attedue Itervalle

Plus en détail

Opérations sur les variables aléatoires Lois limites

Opérations sur les variables aléatoires Lois limites Opératios sur les variables aléatoires Lois limites A. Idépedace de deux variables aléatoires. Exemple 1. Pour améliorer le stockage d u produit u supermarché fait ue étude sur la vete de packs de 6 bouteilles

Plus en détail

10ème cours Une variable numérique : indices de localisation

10ème cours Une variable numérique : indices de localisation 10ème cours Ue variable umérique : idices de localisatio Das ce cours, o fait u rappel sur les idices de localisatio, médiae, quatiles et moyee, et o étudie la faço de les utiliser pour comparer les distributios

Plus en détail

Cours sur les lois usuelles

Cours sur les lois usuelles Cours sur les lois usuelles. Lois de probabilités discrètes Loi de Berouilli Cotexte d applicatio : ue expériece dot le résultat est succès ou échec, u idividu qui possède ou pas ue caractéristique Défiitio

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * * SESSION 006 EPREUVE SPECIIQUE ILIERE MP MATHEMATIQUES Durée : 4 heures Les calculatrices sot autorisées * * * NB : Le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio

Plus en détail

SUITES NUMERIQUES. Archimède a défini dans les années 220 avant J.-C. deux suites permettant d'obtenir de très bonnes valeurs approchées de π.

SUITES NUMERIQUES. Archimède a défini dans les années 220 avant J.-C. deux suites permettant d'obtenir de très bonnes valeurs approchées de π. Quelques repères historiques SUITES NUMERIQUES Archimède a défii das les aées 220 avat J.-C. deux suites permettat d'obteir de très boes valeurs approchées de π. Héro d'alexadrie au premier siècle après

Plus en détail

Statistiques inférentielles. Introduction. Exemples. Définition (Échantillon aléatoire) Définition (Statistique inférentielle) Exemple 1.

Statistiques inférentielles. Introduction. Exemples. Définition (Échantillon aléatoire) Définition (Statistique inférentielle) Exemple 1. Statistiques iféretielles Pierre-Heri WUILLEMIN Licece d Iformatique Uiversité Paris 6 Itroductio Soit ue populatio de taille N sur laquelle o observe ue propriété, dot o veut calculer moyee µ et de variace

Plus en détail