Statistiques. quartiles diagramme en boîte variance et écart-type. 16 décembre 2013
|
|
- Jean-Marie Caron
- il y a 7 ans
- Total affichages :
Transcription
1 Statistiques quartiles diagramme en boîte variance et écart-type 16 décembre 2013
2 Statistiques quartiles diagramme en boîte variance et écart-type 16 décembre 2013 Un statisticien est une personne qui peut avoir la tête dans un four et les pieds pris dans la glace et dire qu en moyenne il se sent bien. Benjamin Dereca
3 I. Paramètres de position d une série statistique II. Variance d une série statistique III. Paramètres de dispersion d une série statistique IV. Ecart-type d une série statistique V. Effet d une transformation affine des données
4 I. Paramètres de position d une série statistique
5 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand.
6 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que
7 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que 50% au moins des individus ont une valeur inférieure ou égale à M e
8 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que 50% au moins des individus ont une valeur inférieure ou égale à M e 50% au moins des individus ont une valeur supérieure ou égale à M e
9 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que 50% au moins des individus ont une valeur inférieure ou égale à M e 50% au moins des individus ont une valeur supérieure ou égale à M e Remarque lorsque le caractère est discret, on distingue effectif pair et impair pour donner M e
10 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que 50% au moins des individus ont une valeur inférieure ou égale à M e 50% au moins des individus ont une valeur supérieure ou égale à M e Remarque lorsque le caractère est discret, on distingue effectif pair et impair pour donner M e
11 Définition Le mode ou la classe modale est une valeur ou une classe du caractère dont l effectif associé est le plus grand. Définition La médiane M e d une série statistique à caractère quantitatif est telle que 50% au moins des individus ont une valeur inférieure ou égale à M e 50% au moins des individus ont une valeur supérieure ou égale à M e Remarque lorsque le caractère est discret, on distingue effectif pair et impair pour donner M e lorsque le caractère est continu, on utilise le polygone des fréquences cumulées croissantes
12 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =.
13 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut x = n 1x 1 +n 2 x n px p n 1 +n n p
14 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1
15 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut Remarques x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1 si tous les effectifs n i sont égaux à 1, alors la moyenne est égale à
16 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut Remarques x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1 si tous les effectifs n i sont égaux à 1, alors la moyenne est égale à x = x 1 +x x p
17 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut Remarques x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1 si tous les effectifs n i sont égaux à 1, alors la moyenne est égale à x = x 1 +x x p si on ne connaît que les fréquences f i de chaque valeur x i, alors on a
18 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut Remarques x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1 si tous les effectifs n i sont égaux à 1, alors la moyenne est égale à x = x 1 +x x p si on ne connaît que les fréquences f i de chaque valeur x i, alors on a x = f 1 x 1 +f 2 x f px p = p f i x i i=1
19 Définition Soit X une série statistique, dont les valeurs sont données par x 1, x 2,..., x p et dont les effectifs associés sont n 1, n 2,..., n p avec n 1 +n n p =. La moyenne pondérée de cette série est le nombre noté x et qui vaut Remarques x = n 1x 1 +n 2 x n px p n 1 +n n p x = 1 p n i x i i=1 si tous les effectifs n i sont égaux à 1, alors la moyenne est égale à x = x 1 +x x p si on ne connaît que les fréquences f i de chaque valeur x i, alors on a p x = f 1 x 1 +f 2 x f px p = f i x i i=1 si les valeurs de la série ont été regroupées en classes, on utilise le centre des classes pour les calculs.
20 II. Paramètres de dispersion d une série statistique
21 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x.
22 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i.
23 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur.
24 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i.
25 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur.
26 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur. On appellera intervalle interquartile l intervalle [Q 1 ;Q 3 ] et écart interquartile le nombre Q 3 Q 1.
27 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur. On appellera intervalle interquartile l intervalle [Q 1 ;Q 3 ] et écart interquartile le nombre Q 3 Q 1. Remarque Q 1 est la valeur dont le rang est le plus petit entier supérieur ou égal à 4
28 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur. On appellera intervalle interquartile l intervalle [Q 1 ;Q 3 ] et écart interquartile le nombre Q 3 Q 1. Remarque Q 1 est la valeur dont le rang est le plus petit entier supérieur ou égal à 4 Q 3 la valeur dont le rang est le plus petit entier supérieur ou égal à 3 4
29 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur. On appellera intervalle interquartile l intervalle [Q 1 ;Q 3 ] et écart interquartile le nombre Q 3 Q 1. Remarque Q 1 est la valeur dont le rang est le plus petit entier supérieur ou égal à 4 Q 3 la valeur dont le rang est le plus petit entier supérieur ou égal à 3 4 l intervalle interquartile contient au moins 50% des valeurs de la série
30 Soit une série statistique ordonnée contenant valeurs : x 1 x 2 x. Définition Le premier quartile d une série statistique est la plus petite valeur x i prise par la série telle que 25% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 1 cette valeur. Le troisième quartile d une série statistique est la plus petite valeur x i prise par la série telle que 75% au moins des valeurs de la série soient inférieures ou égales à x i. On notera Q 3 cette valeur. On appellera intervalle interquartile l intervalle [Q 1 ;Q 3 ] et écart interquartile le nombre Q 3 Q 1. Remarque Q 1 est la valeur dont le rang est le plus petit entier supérieur ou égal à 4 Q 3 la valeur dont le rang est le plus petit entier supérieur ou égal à 3 4 l intervalle interquartile contient au moins 50% des valeurs de la série plus l écart interquartile est réduit, moins les valeurs de la série sont dispersées
31 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données.
32 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches.
33 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches
34 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches Minimum x 1 69
35 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches. Maximum x Minimum x 1 69
36 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches. Maximum x Médiane M e Minimum x 1 69
37 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches. Maximum x Médiane M e ier quartile Q 1 Minimum x
38 Définition Les deux quartiles Q 1 et Q 3 et la médiane M e d une série statistique associés aux valeurs extrêmes permettent d appréhender certaines caractéristiques de la répartition des données. On les représente souvent par un diagramme en boîtes ou diagramme de Tuckey ou encore boîte à moustaches. Maximum x ième quartile Q 3 Médiane M e ier quartile Q 1 Minimum x
39 x 1 Q 1 M e Q 3 x Statistiques
40 III. Variance d une série statistique
41 Définition On considère la série statistique suivante :
42 Définition On considère la série statistique suivante : valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p
43 Définition On considère la série statistique suivante : Soit x la moyenne de cette série. valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p
44 Définition On considère la série statistique suivante : valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p Soit x la moyenne de cette série. La variance de cette série est le nombre noté V défini par :
45 Définition On considère la série statistique suivante : Soit x la moyenne de cette série. valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p La variance de cette série est le nombre noté V défini par : V = n 1(x 1 x) 2 +n 2 (x 2 x) n p(x p x) 2 n 1 +n n p
46 Définition On considère la série statistique suivante : Soit x la moyenne de cette série. valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p La variance de cette série est le nombre noté V défini par : V = n 1(x 1 x) 2 +n 2 (x 2 x) n p(x p x) 2 n 1 +n n p Remarque On peut écrire cette formule à l aide du signe somme : V = 1 p n k (x k x) 2 k=1
47 Définition On considère la série statistique suivante : Soit x la moyenne de cette série. valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p La variance de cette série est le nombre noté V défini par : V = n 1(x 1 x) 2 +n 2 (x 2 x) n p(x p x) 2 n 1 +n n p Remarque On peut écrire cette formule à l aide du signe somme : V = 1 p n k (x k x) 2 k=1 où = n 1 +n n p est l effectif total.
48 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs
49 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série
50 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x=
51 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x=
52 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x= x=10
53 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x= x=10 Calculons alors la variance
54 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x= x=10 Calculons alors la variance V = 1 (3 10) (20 10) 2 20
55 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x= x=10 Calculons alors la variance V = 1 (3 10) (20 10) 2 20 V =
56 Exemple Le tableau suivant donne la répartition des notes d un groupe à un devoir. notes effectifs Calculons la moyenne de cette série x= x= x=10 Calculons alors la variance V = 1 (3 10) (20 10) 2 20 V = V =18,6
57 Propriété On peut aussi calculer la variance à l aide de la formule
58 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2
59 Propriété On peut aussi calculer la variance à l aide de la formule ce que l on peut écrire V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2
60 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2
61 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2 Exemple Calculons la variance de la série précédente à l aide de cette formule :
62 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2 Exemple Calculons la variance de la série précédente à l aide de cette formule : V =
63 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2 Exemple Calculons la variance de la série précédente à l aide de cette formule : V = V =
64 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2 Exemple Calculons la variance de la série précédente à l aide de cette formule : V = V = V =118,6 100
65 Propriété On peut aussi calculer la variance à l aide de la formule V = n 1x 2 1 +n 2x npx2 p n 1 +n n p x 2 ce que l on peut écrire V = x 2 x 2 Exemple Calculons la variance de la série précédente à l aide de cette formule : V = V = V =118,6 100 V =18,6
66 V = 1 p n k (x k x) 2 k=1 Statistiques
67 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 Statistiques
68 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) Statistiques
69 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) Statistiques
70 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) Statistiques
71 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 Statistiques
72 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x2 Statistiques
73 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 Statistiques
74 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p Statistiques
75 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx Statistiques
76 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 Statistiques
77 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 Statistiques
78 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x Statistiques
79 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x 2 n1 + n2 + + np + x Statistiques
80 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2 n1 + n2 + + np + x Statistiques
81 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2x x 2 n1 + n2 + + np + x Statistiques
82 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2x x + x 2 2 n1 + n2 + + np + x Statistiques
83 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2x x + x 2 2 n1 + n2 + + np + x V = x 2 Statistiques
84 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2x x + x 2 2 n1 + n2 + + np + x V = x 2 x 2 Statistiques
85 V = 1 p n k (x k x) 2 k=1 V = n1(x1 x)2 + n 2(x 2 x) n p(x p x) 2 V = n1(x2 1 2x1x+ x2 ) + n 2(x 2 2 2x2x + x2 ) n p(x 2 p 2xpx+x2 ) V = n1x2 1 2n1x1x + n1x2 + n 2x 2 2 2n2x2x + n2x n px 2 p 2npxpx+npx2 V = n1x2 1 + n2x npx2 p 2n1x1x+2n2x2x + + 2npxpx + n1x2 + n 2x n px 2 V = x 2 n1x1 + n2x2 + + npxp 2x V = x 2 2x x + x 2 2 n1 + n2 + + np + x V = x 2 x 2 V = 1 p n ix 2 i x2 i=1 Statistiques
86 IV. Ecart-type d une série statistique
87 Définition L écart-type de la série statistique est le nombre noté s défini par
88 Définition L écart-type de la série statistique est le nombre noté s défini par s = V
89 Définition L écart-type de la série statistique est le nombre noté s défini par s = V Remarque On dit que la variance et l écart-type sont des paramètres de dispersion car il permettent de savoir si les valeurs sont regroupées autour de la moyenne ou si elles sont dispersées.
90 Définition L écart-type de la série statistique est le nombre noté s défini par s = V Remarque On dit que la variance et l écart-type sont des paramètres de dispersion car il permettent de savoir si les valeurs sont regroupées autour de la moyenne ou si elles sont dispersées. Exemple L écart-type de la série précédente est
91 Définition L écart-type de la série statistique est le nombre noté s défini par s = V Remarque On dit que la variance et l écart-type sont des paramètres de dispersion car il permettent de savoir si les valeurs sont regroupées autour de la moyenne ou si elles sont dispersées. Exemple L écart-type de la série précédente est s= 18,6
92 Définition L écart-type de la série statistique est le nombre noté s défini par s = V Remarque On dit que la variance et l écart-type sont des paramètres de dispersion car il permettent de savoir si les valeurs sont regroupées autour de la moyenne ou si elles sont dispersées. Exemple L écart-type de la série précédente est s= 18,6 s 4,31
93 Définition L écart-type de la série statistique est le nombre noté s défini par s = V Remarque On dit que la variance et l écart-type sont des paramètres de dispersion car il permettent de savoir si les valeurs sont regroupées autour de la moyenne ou si elles sont dispersées. Exemple L écart-type de la série précédente est s= 18,6 s 4,31
94 V. Effet d une transformation affine des données
95 Propriété On considère la série suivante
96 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p
97 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type.
98 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques.
99 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b
100 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p
101 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors
102 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne :
103 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne : ax+b
104 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne : ax+b pour variance :
105 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne : ax+b pour variance : a 2 V
106 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne : ax+b pour variance : a 2 V pour écart-type :
107 Propriété On considère la série suivante valeurs x 1 x 2 x 3... x p effectifs n 1 n 2 n 3... n p On note x sa moyenne, V sa variance et s son écart type. Soient a et b deux réels quelconques. On crée alors une nouvelle série obtenue en remplaçant chaque x i par ax i +b valeurs ax 1 +b ax 2 +b ax 3 +b... ax p +b effectifs n 1 n 2 n 3... n p La nouvelle série admet alors pour moyenne : ax+b pour variance : a 2 V pour écart-type : a s
108 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5.
109 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors
110 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5
111 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5
112 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient
113 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient 1,2 2 18,6
114 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient 1,2 2 18,6 26,8
115 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient 1,2 2 18,6 26,8 l écart-type qui était d environ 4, 31 devient
116 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient 1,2 2 18,6 26,8 l écart-type qui était d environ 4, 31 devient 1,2 4,3
117 Exemple On reprend la série des notes en remplaçant chaque note x par 1,2x+0,5. la moyenne du groupe qui était de 10 devient alors 1, ,5 = 12,5 la variance qui était de 18,6 devient 1,2 2 18,6 26,8 l écart-type qui était d environ 4, 31 devient 1,2 4,3 5,18
Annexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailSéquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement
Séquence 4 Statistiques Sommaire Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement 1 Introduction «Etude méthodique des faits sociaux par des
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailDu Premier au Second Degré
Du Premier au Second Degré Première Bac Pro 3 ans November 26, 2011 Première Bac Pro 3 ans Du Premier au Second Degré Sommaire 1 Fonction Polynôme du second degré 2 Fonction Polynôme du Second Degré: Synthèse
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailAl attention du praticien et des étudiants, nous avons développé
Chapitre 15 Applications informatiques Al attention du praticien et des étudiants, nous avons développé deux applications informatiques téléchargeables gratuitement sur le site www.digilex.ch. La première
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailFactorisation Factoriser en utilisant un facteur commun Fiche méthode
Factorisation Factoriser en utilisant un facteur commun Fiche méthode Rappel : Distributivité simple Soient les nombres, et. On a : Factoriser, c est transformer une somme ou une différence de termes en
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailLe Langage C Version 1.2 c 2002 Florence HENRY Observatoire de Paris Université de Versailles florence.henry@obspm.fr
Le Langage C Version 1.2 c 2002 Florence HENRY Observatoire de Paris Université de Versailles florence.henry@obspm.fr Table des matières 1 Les bases 3 2 Variables et constantes 5 3 Quelques fonctions indispensables
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailPlan de visibilité 2015
Plan de visibilité 2015 DIAMANT 1. Le nom de votre entreprise sera dans la section «Diamant» des commanditaires de notre site 2. Insertion de votre publicité (300px X 190px) dans la bannière de notre site
Plus en détailCours de probabilité et statistique
Cours de probabilité et statistique 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0-4 -3-2 -1 0 1 2 3 4 Denis Bichsel 1 1 Probabilité et statistique 1.1 Introduction Le calcul des probabilité semble avoir son origine
Plus en détailBulletin d information statistique
INFOSTAT JUSTICE Divorces : une procédure à deux vitesses Zakia Belmokhtar * Mai 2012 Numéro 117 En visant à permettre un règlement plus rapide et plus complet des demandes en divorce, la loi du 26 mai
Plus en détailMathématiques Première L, ES, S, Concours Post-Bac Equations et inéquations du second degré FORMAV
Mathématiques Première L, ES, S, Concours Post-Bac Equations et inéquations du second degré Méthode et exercices corrigés générés aléatoirement Pour un meilleur rendu ouvrir ce document avec TeXworks FORMAV
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailStatistique descriptive. Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne. Notes de cours
Statistique descriptive Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne Notes de cours Dernière mise à jour le mercredi 25 février 2009 1 ère année de Licence Aix & Marseille
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailAlgorithmique et Programmation Fonctionnelle
Algorithmique et Programmation Fonctionnelle RICM3 Cours 9 : Lambda-calcul Benjamin Wack Polytech 2014-2015 1 / 35 La dernière fois Typage Polymorphisme Inférence de type 2 / 35 Plan Contexte λ-termes
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détail