Statistiques. quartiles diagramme en boîte variance et écart-type. 16 décembre 2013

Dimension: px
Commencer à balayer dès la page:

Download "Statistiques. quartiles diagramme en boîte variance et écart-type. 16 décembre 2013"

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 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 détail

Statistique : Résumé de cours et méthodes

Statistique : 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

Séquence 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 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 détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

Représentation d une distribution

Représentation 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 détail

Leçon N 4 : Statistiques à deux variables

Leçon 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 détail

3. Caractéristiques et fonctions d une v.a.

3. 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 détail

Structures algébriques

Structures 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 détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 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 détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 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 détail

Statistiques 0,14 0,11

Statistiques 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 détail

Séries Statistiques Simples

Séries 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 détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités 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 détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

Economie 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 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 détail

Lois de probabilité. Anita Burgun

Lois 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 détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Pour l épreuve d algèbre, les calculatrices sont interdites.

Pour 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 détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON 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 détail

Capacité 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 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 détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L 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 détail

1 Complément sur la projection du nuage des individus

1 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 détail

Coefficients binomiaux

Coefficients 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

Loi binomiale Lois normales

Loi 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 détail

Du Premier au Second Degré

Du 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 détail

Estimation et tests statistiques, TD 5. Solutions

Estimation 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 détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Qu est-ce qu une probabilité?

Qu 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 détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. 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 détail

Nombre dérivé et tangente

Nombre 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 détail

Statistique Descriptive Élémentaire

Statistique 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 détail

FPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1

FPSTAT 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 détail

Exo7. Limites de fonctions. 1 Théorie. 2 Calculs

Exo7. 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 détail

Al attention du praticien et des étudiants, nous avons développé

Al 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 détail

Extrait du poly de Stage de Grésillon 1, août 2010

Extrait 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 détail

NOMBRES COMPLEXES. Exercice 1 :

NOMBRES 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 détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 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 détail

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :

Chapitre 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 détail

Résumé du Cours de Statistique Descriptive. Yves Tillé

Résumé 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 détail

1 TD1 : rappels sur les ensembles et notion de probabilité

1 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 détail

Statistiques descriptives

Statistiques 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 détail

Que faire lorsqu on considère plusieurs variables en même temps?

Que 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 détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Seconde Généralités sur les fonctions Exercices. Notion de fonction.

Seconde 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 détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence 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 détail

Cours de méthodes de scoring

Cours 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 détail

Factorisation Factoriser en utilisant un facteur commun Fiche méthode

Factorisation 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 détail

Probabilités. C. Charignon. I Cours 3

Probabilités. 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 détail

Terminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader

Terminale 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 détail

Lire ; Compter ; Tester... avec R

Lire ; 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 détail

Le 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 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 détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. 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 détail

Plan de visibilité 2015

Plan 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 détail

Cours de probabilité et statistique

Cours 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 détail

Bulletin d information statistique

Bulletin 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 détail

Mathématiques 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 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 détail

Théorie 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 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 détail

Probabilités. 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. 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 détail

BACCALAURÉAT PROFESSIONNEL SUJET

BACCALAURÉAT 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 détail

Chapitre 2. Eléments pour comprendre un énoncé

Chapitre 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 détail

Exercices sur le chapitre «Probabilités»

Exercices 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 détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première 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 détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul 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)

(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 détail

Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS

Logiciel 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 détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. 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 détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Introduction à l étude des Corps Finis

Introduction 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 détail

EI - EXERCICES DE PROBABILITES CORRIGES

EI - 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 détail

Probabilités sur un univers fini

Probabilités 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 détail

Couples de variables aléatoires discrètes

Couples 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 détail

Loi d une variable discrète

Loi 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 détail

Programmation linéaire

Programmation 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 détail

Probabilités Loi binomiale Exercices corrigés

Probabilités 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 détail

Un 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

Un 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 détail

Probabilités conditionnelles Exercices corrigés

Probabilités 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 détail

III- Raisonnement par récurrence

III- 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 détail

Commun à tous les candidats

Commun 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

* 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 détail

Statistiques 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 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 détail

Statistique 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 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 détail

Comparaison de fonctions Développements limités. Chapitre 10

Comparaison 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 détail

Algorithmique et Programmation Fonctionnelle

Algorithmique 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 détail

MA6.06 : Mesure et Probabilités

MA6.06 : 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 détail

1. Vocabulaire : Introduction au tableau élémentaire

1. 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 détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

CALCUL DES PROBABILITES

CALCUL 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 détail

Cours de Tests paramétriques

Cours 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 détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. 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 détail

Limites finies en un point

Limites 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 détail

Incertitudes expérimentales

Incertitudes 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 détail

Simulation de variables aléatoires

Simulation 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