Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent machaven/

Dimension: px
Commencer à balayer dès la page:

Download "Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015"

Transcription

1 Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet machave/ Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir de otes partielles. A partir de cette ote, o affectera cet idividu à u groupe. U score peut être défiit comme u outil statistique ou probabiliste de detectio de risque. O peut citer etre autre : Les scores de risque de type : risque de credit ou credit scorig : prédire le retard de remboursemet de crédit. risque fiacier : prédire la boe ou mauvaise saté d ue etreprise. risque médical. Les scores e marketig : score d attritio (chur e aglais) : prédire le risque qu u cliet passe à la cocurrece ou résilie so aboemet. score d appétece : prédire l appétece d u cliet à acheter tel ou tel type de produit. Les pricipales étapes de la costructio d u score sot : 1. Choix de la variable à expliquer Y. O parle aussi de critère à modéliser ou ecore de variable cible. La variable Y sera qualitative gééralemet biaire à deux modalités. Chaque modalité défiit u groupe. 2. Choix d u vecteur de variables explicatives X = (X 1,..., X p ). Les p variables explicatives X j, j = 1... p, peuvet être quatitatives ou qualitatives. 3. Choix des doées et de l échatillo. L échatillo doit être représetatif de la populatio. O dispose alors d u échatillo de taille (ombre d idividus) sur lequel 1

2 sot mesurées simultaémet les p variables explicatives X 1,..., X p et la variable à expliquer Y. 4. Choix de la méthode de costructio du score. Ue foctio score S(X) doe ue ote à u idividu e foctio de ses valeurs sur X = (X 1,..., X p ). Parmi les méthodes classiques de costructio de scores, o peut citer : L aalyse factorielle discrimiate (AFD) : variables explicatives quatitatives. outil descriptif de visualisatio des doées. L aalyse discrimiate géométrique : variables explicatives quatitatives. affectatio d u ouvel idividu au groupe le plus proche. L aalyse discrimiate probabiliste : variables explicatives quatitatives Y et X = (X 1,..., Xp) aléatoires. affectatio d u ouvel idividu au groupe le plus probable. aalyse discrimiate liéaire (ADL) ou discrimiate liear aalysis (LDA) : cas homoscédastique gaussie. aalyse quadratique discrimiate (AQD) ou quadratic discrimiat aalysis (QDA) : cas hétéroscédastique gaussie. La régressio logistique : variables explicatives quatitatives ou qualitatives. Y biaire et aléatoire et X = (X 1,..., X p ) o aléatoire. 5. Costructio d ue règle de décisio. Das le cas où Y est biaire, ses deux modalités formet deux groupes d idividus et o peux fixer u seuil c pour obteir la règle suivate : S(X) c l idividu est affecté au groupe 1 S(X) > c l idividu est affecté au groupe 2 6. Evaluatio du score (courbe ROC, AUC,...) et évaluatio de la règle de décisio (taux d erreur, sesibilité, spécificité...) e utilisat les méthodes de l échatillo test, de validatio croisée... O distigue doc deux problèmes : 2

3 1. costruire u score, 2. costruire ue règle de décisio. Exemples des fichiers ifarctus.xls, farms.xls, credit.xls Quelques lies. "Aalyse discrimiate, Applicatio au risque et scorig fiacier", M. Bardos, Duod. 2 Notatios et défiitios Les outils statistique de scorig retret das le cadre de la modélisatio d ue variable Y qualitative à K modalités à partir de p variables explicatives X = (X 1,..., X p ) quatitatives ou qualitatives. O parle gééralemet das ce cadre de classificatio (d appretissage) supervisée, chaque modalité de Y représetat ue classe (u groupe) d idividus. Nous supposos disposer d u échatillo de observatios de Y et de X : sur les idividus de l échatillo, o a mesuré ue variable qualitative à K modalités et p variables quatitatives. E effet, das ce cours, o e se place das le cas où toutes les variables explicatives sot umériques. E otat y i la valeur de la variable à expliquer mesurée sur les ième idividu, o obtiet le vecteur y = (y 1,..., y ) {1,..., K}. E otat x j i à la valeur de la jème variable explicative mesurée sur le ième idividu, o obtiet aisi la matrice de doées de dimesio p suivate : 1... j... p 1.. X = i... x j i..... Notos : 3

4 x i = (x 1 i,..., x p i ) R p ue lige de X décrivat le ième idividu. x j = (x j 1,..., x j ) R ue coloe de X décrivat la jème variable. E k est le groupe des idividus des l échatillo qui possèdet la modalité k. k = card(e k ) est le ombre d idividus qui possèdet la modalité k. Si les idividus sot affectés des poids p 1,..., p, (tels que i = 1,...,, p i 0 et i=1 p i = 1) alors le poids de chaque groupe E k est : P k = i E k p i E gééral, o pred p i = 1 et doc P k = k. O a alors les défiitios suivates : Le cetre de gravité global est le vecteur de R p défii par : g = p i x i = 1 i=1 x i. i=1 Le cetre de gravité du groupe E k est le vecteur de R p défii par : g k = 1 p i x i = 1 x i. P k k i E k i E k La matrice p p de variace-covariace globale est défiie par : V = p i (x i g)(x i g) = 1 i=1 (x i g)(x i g). i=1 La matrice p p de variace-covariace du groupe E k est défiie par : V k = 1 p i (x i g k )(x i g k ) = 1 (x i g k )(x i g k ). P k k i E k i E k La matrice p p de variace-covariace itra-groupe est défiie par : W = P k V k = k V k. La matrice p p de variace-covariace iter-groupe est défiie par : B = P k (g k g)(g k g) = k (g k g)(g k g). Cette matrice est la matrice de variace-covariace des p cetres de gravités g k podérés par P k (e gééral k ). 4

5 Remarque : e règle géérale, W est iversible tadis que B est pas iversible. E effet, les K cetres de gravité g k sot das u sous-espace de dimesio K 1 de R p, et si K 1 < p (ce qui est gééralemet le cas), alors la matrice B (qui est de dimesio p p) est pas iversible. O a les relatios suivates classiques suivates : g = P k g k = k g k, (1) et V = W + B. (2) Les expressios doées e (1) et (2) sot de ature assez usuelles e statistique : moyee totale (globale) = moyee (podérée) des moyees margiales, variace totale = moyee (podérée) des variaces margiales + variace des moyees margiales. Exercice : démotrez (1) et (2). 3 L aalyse factorielle discrimiate L aalyse factorielle discrimiate (AFD) est essetiellemet descriptive. L objectif est ici de chercher quelles sot les combiaisos liéaires des variables quatitatives qui permettet de séparer le mieux possible les k catégories et de doer ue représetatio graphique (comme pour les méthodes factorielles telles que l aalyse e composates pricipales) qui rede au mieux compte de cette opératio. Cette visualisatio sur le ou les plas factoriels appropriés permet aussi de décrire les liaisos etre la variable à expliquer et les p variables explicatives. 3.1 Cetrage des doées E AFD comme e aalyse e composates pricipales (ACP), o suppose que g = 0 p, c est à dire que les doées sot cetrées. Cela reviet à traslater le uage de poits de g (acie cetre de gravité) vers l origie. La structure du uage de poits est pas modifiée, 5

6 mais les calculs ultérieurs serot simplifiés. L écriture des matrices de variace-covariace globale et iter-groupe sot simplifiées : V = i=1 1 x ix i et B = k g kg k, et o obtiet l écriture matricielle V = 1 X X. 3.2 Axes, facteurs et variables discrimiates L AFD cosiste à rechercher de ouvelles variables, qui serot appelées variables discrimiates, correspodat à des directios de R p qui séparet le mieux possible e projectio les K groupes d idividus. L objectif. Il s agit de trouver ue ouvelle variable, combiaiso liéaire des variables explicatives, qui discrimie au mieux les groupes défiis par les modalités de la variable à expliquer. Cette variable otée s est défiie ici comme u vecteur de R, combiaiso liéaire des vecteurs x 1,..., x p (coloes de X) : s = Xu = u 1 x u p x p, où u = (u 1,..., u p ) R p est le vecteur des coefficiets de cette combiaiso liéaire. Il va doc falloir défiir : commet mesurer que s discrimie bie, commet trouver u pour que s = Xu discrimie au mieux. Défiitios. E AFD, o mui R p d ue métrique M et o projette les poits de R p x 1,..., x (les liges de X) sur u axe de vecteur directeur a. O effectue des projectios M-orthogoales et a est M-ormé à 1. La liste des coordoées s i = x ima des idividus sur forme la ouvelle variable s et o a doc : s = (s 1,..., s ) = XMa = Xu, où a R p est appelé l axe discrimiat (a Ma = 1), u R p est appelé le facteur discrimiat (u M 1 u = 1), s est appelé la variable discrimiate. 6

7 Exemple Le critère à optimiser O défiit maiteat le critère qui mesurat la capacité d u axe à discrimier les groupes. U axe sera discrimiat si les groupes sot bie séparés e projectio. Pour cela, o utilise la variace itra-groupe et la variace iter-groupe de la variable discrimiate s costituée des coordoées des projectios des idividus sur l axe. O a les défiitios suivates : La variace de s est défiie par : où s est la moyee de s. V ar(s) = 1 (s i s) 2 i=1 La variace itra-groupe de s est défiie par : Itra(s) = = u Vu (3) k où s k est la moyee de s das le groupe k. La variace iter-groupe de s est défiie par : Exercice : Démotrez (3) (4) et (5). i E k 1 k (s i s k ) 2 = u Wu (4) Iter(s) = k ( s s k) 2 = u Bu (5) O a doc la relatio classique V ar(s) = Itra(s) + Iter(s) qui s écrit : u Vu = u Wu + u Bu (6) 7

8 La quatité u Vu état idépedate des groupes, miimiser u Wu est équivalet à maximiser u Bu. O aura ue boe discrimiatio des groupes si : les cetres de gravité projetés sot bie éloigés i.e. Iter(s) = u Wu est maximum, les groupes projetés e sot pas trop dispersés i.e. Itra(s) = u Bu est miimum. Le critère à maximiser, u Bu u Vu [0, 1], (7) est la proportio de la variace de s expliquée par y ecore appelé le rapport de corrélatio etre s et y. Ce critère désige égalemet le pouvoir discrimiat de l axe. Das le cadre de la discrimiatio parfaite, ce rapport serait égal à 1. Plus gééralemet, la discrimiatio est d autat meilleure que le ratio est proche de Solutio du problème d optimisatio O veut maximiser le rapport etre la variace iter-groupe et la variace totale. La première variable discrimiate s = Xu est telle que le facteur discrimiat u vérifie : u Bu max u R p u Vu. (8) Rappels sur la maximisatio du quotiet de deux formes quadratiques. Soiet A et B deux matrices symétriques de même dimesio, B état supposée iversible. Alors, le rapport u Au u Bu est maximal pour u 1 vecteur propre de B 1 A associé à la plus grade valeur propre otée λ 1, la valeur du maximum état λ 1. Exercice : Démotrez le résultat ci-dessus. O déduit du rappel ci-dessus que, pour otre problème d optimisatio (8), le vecteur u solutio est le vecteur propre de V 1 B associé à la plus grade valeur propre λ 1. E pratique, si o utilise la métrique M = V 1 par exemple, o peut choisir parmi tous les vecteurs propres coliéaires, celui qui est V-ormé à 1 (u Vu = V ar(s) = 1). Si o utilise ue autre métrique M, l axe discrimiat a = M 1 u est modifié mais le facteur discrimiat u est le même (à ue costate près) et la variable discrimiate s = XMa = Xu (coordoées des projectios des idividus sur la droite egedrée par l axe discrimiat) est doc égalemet la même (à ue costate près). La valeur du maximum, c est à dire le pouvoir discrimiat, 8

9 quad à lui est ichagé. Le choix de la métrique M est doc idifférete pour la costructio de variables et des facteurs discrimiats, seule la orme chage. Avec la métrique M = W 1 par exemple, si u est W-ormé à 1, alors u Wu = Itra(s) = 1. O a alors les défiitios suivates : Le premier facteur discrimiat est u 1, le premier vecteur propre de V 1 B. La première variable discrimiate est s 1 = Xu 1. Le pouvoir discrimiat est λ 1 = u 1 Bu 1 u 1 Vu 1. Remarques : Cas où λ 1 = 1 : e projectio sur la droite discrimiate, les dispersios itragroupe sot ulles ; cela correspod au fait que les K sous-uages sot doc chacu das des hyperplas orthogoaux à. Il y a alors évidemmet discrimiatio parfaite si les cetres de gravités se projettet e des poits différets sur la droite. Cas où λ 1 = 0 : ici le meilleur axe discrimiat e permet pas de séparer les K cetres de gravité g k. C est par exemple le cas si ces deriers sot cofodus ; cela peut correspodre au cas de figure où les K sous-uages sot cocetriques et doc aucue séparatio liéaire est possible. Remarquos qu il peut cepedat exister ue possibilité de discrimiatio o liéaire (du type quadratique par exemple, si l o pese à la distace au cetre de gravité qui permet de séparer les groupes das le cas de sous-uages cocetriques). Notos efi que la valeur propre λ est u mesure pessimiste du pouvoir discrimiat. E effet, même s il est possible de discrimier parfaitemet les groupes, o peut avoir λ < 1. La décompositio spéctrale de V 1 B doe aussi les autres axes discrimiats de l AFD. E effet, o cherche esuite s 2 = Xu 2, o corrélée à s 1, telle que u 2 Bu 2 u 2 Vu 2 soit maximum et aisi de suite. O peux motrer que les vecteurs propres de V 1 B sot les facteurs discrimiats et les valeurs propres λ 1,..., λ K 1 sot les pouvoirs discrimiats. O pourra costruire K 1 axes discrimiats car le rag de V 1 B est au plus mi(p, K 1) et o suppose que K 1 < p. Remarques : Il faut que la matrice de variace-covariace V soit iversible et que doc la matrice de doées X soit de plei rag. Il faudra doc faire attetio e AFD, comme e 9

10 régressio liéaire multiple, au problème de la multicoliéarité des coloes de X. L AFD peut être vue comme ue ACP (Aalyse e composate pricipale) des cetres de gravités g k avec la métrique V 1. L AFD est aussi u cas particulier de l aalyse caoique. Elle correspod e effet à l aalyse caoique des tableaux A et X, où A (de dimesio K) représete l esemble des variables idicatrices associées à la variable qualitative à expliquer Les aglo-saxos E AFD, d autres critères ot été utilisés pour défiir les facteurs discrimiats et doc les variables discrimiates. Les aglo-saxos utiliset souvet comme critère pour mesurer la qualité de la discrimiatio d ue variable discrimiate s = XMa = Xu : Le problème d optimisatio s écrit : u Bu u Wu = Iter(s) Itra(s). max u R p u Bu u Wu. (9) La solutio est le vecteur propre u de W 1 B associé à la plus grad valeur propre µ. Ce problème d optimisatio est équivalet e terme de facteurs discrimiats au problème (8) mais les maximums sot différets. E d autres termes, les matrices W 1 B et V 1 B ot les mêmes vecteurs propres et µ = Prevue : O suppose W iversible. λ. 1 λ u vecteur propre de V 1 B V 1 Bu = λu Bu = λvu = λ(b + W)u (1 λ)bu = λwu Bu = λ 1 λ Wu W 1 Bu = λ 1 λ u u vecteur propre de W 1 B et λ 1 λ est la valeur propre µ O retrouve doc les mêmes variables discrimiates qu avec l autre critère (au sige et à ue costate près). E revache le critère λ varie etre 0 et 1 et s iterprète facilemet tadis que le critère µ varie etre zero et l ifii et s iterprète doc mois bie. 10

11 3.2.4 Le cas particulier de deux groupes E pratique, o étudie souvet le cas particulier où K = 2 (bo cliet/mauvais cliet, sai/malade...). O e recherche ici qu ue seule variable discrimiate puisque K 1 = 1. Nous allos voir qu il est possible de défiir aalytiquemet l expressio de l uique valeur propre de V 1 B et du vecteur propre associé. Das u premier temps, o motre que : a) B = (g 1 g 2 )(g 1 g 2 ). b) V 1 (g 1 g 2 ) est vecteur propre de V 1 B, λ = (g 1 g 2 ) V 1 (g 1 g 2 ) est la valeur propre de W 1 B. Exercice : Motrez les résultats ci-dessus. O e déduit qu avec la métrique M = V 1 et le critère u Bu = Itra(s) o a : u Vu V ar(s) u = V 1 (g 1 g 2 ) est le facteur discrimiat, a = (g 1 g 2 ) est l axe discrimiat, s = XV 1 (g 1 g 2 ) est la variable discrimiate, λ = 1 2 d 2 2 V (g 1 1, g 2 ) est le pouvoir discrimiat Itra(s). V ar(s) où d 2 V 1 (g 1, g 2 ) = (g 1 g 2 ) V 1 (g 1 g 2 ) est le carré de la distace etre g 1 et g 2. Remarque : Il existe ue ifiité de vecteurs propres coliéaires à u. Le carré de la V-orme de u = V 1 (g 1 g 2 ) est : V 1 (g 1 g 2 ) 2 V = (g 1 g 2 ) V 1 (g 1 g 2 ) = d 2 V 1(g 1, g 2 ). O e déduit qu e divisat u, a et s par d V 1(g 1, g 2 ), le facteur discrimiat est V-ormé à 1 (u Vu = 1), l axe discrimiat est V 1 -ormé à 1 (a V 1 a = 1), et la variace de la variable discrimiate est égale à 1 (V ar(s) = 1). De la même maière, avec la métrique est M = W 1 et le critère u Bu = Itra(s) o a : u Wu Iter(s) u = W 1 (g 1 g 2 ) est le facteur discrimiat, a = (g 1 g 2 ) est l axe discrimiat, s = s = XW 1 (g 1 g 2 ) est la variable discrimiate, µ = 1 2 d 2 2 W (g 1 1, g 2 ) est le pouvoir discrimiat Itra(s). Iter(s) où d 2 W 1 (g 1, g 2 ) = (g 1 g 2 ) W 1 (g 1 g 2 ) est le carré de la distace etre g 1 et g 2. 11

12 Remarque : Il faut diviser u, a et s par d W 1(g 1, g 2 ) pour que le facteur discrimiat soit W-ormé à 1, l axe discrimiat soit W 1 -ormé à 1 et la variace itra-groupe de la variable discrimiate soit égale à 1 (Itra(s) = 1). Fialemet, das le cas particulier de deux groupes, tout se calcule aalytiquemet à partir des cetres de gravité g 1 et g 2 et l axe discrimiat egedre la droite reliat g 1 et g 2. Ceci a rie de surpreat vu que l o a précoisé que l axe discrimiat doit être tel qu e projectio sur, les K cetres de gravité doivet être aussi séparés que possible. Le choix de la métrique M = V 1 (ou M = W 1 ) a ue iterprétatio géométrique. E effet, o projette le uage des idividus sur la droite (passat par g 1 et g 2 ) e teat compte de l orietatio des uages par rapport à cette droite. La règle de Fisher (1936). La première variable discrimiate peut être utilisée comme score pour costruire ue règle de décisio simple e fixat u seuil c. O fixe comme seuil c le milieu des scores des deux cetres de gravité g 1 et g 2 sur la première (et uique...) variable discrimiate (les coordoées de leur projectio sur l axe discrimiat). E d autre termes, le seuil c est le milieu des moyees des 2 groupes sur la variable discrimiate s = Xu. O ote s 1 et s 2 ces deux moyees et o utilise ici la métrique M = W 1 (mais ce serait équivalet d utiliser M = V 1 ). O a : s 1 = 1 1 s i = g 1W 1 a i E 1 projectio W 1 orthogoale de g 1 sur, s 2 = 1 s i = g 2W 1 a 2 i E 2 projectio W 1 orthogoale de g 2 sur, avec ici a = (g 1 g 2 ). O pred alors comme seuil : c = s 1 + s 2 2 = 1 2 (g 1W 1 a + g 2W 1 a) = 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) O peut alors défiir la règle de décisio : s i c l idividu i est affecté au groupe 1, s i < c l idividu i est affecté au groupe 2. 12

13 Cette règle se réécrit doc : x iw 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) 0 l idividu i est affecté au groupe 1, x iw 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) < 0 l idividu i est affecté au groupe 2. O retrouve la règle de Mahalaobis-Fisher das le cas de deux groupes. 4 Aalyse discrimiate géométrique O va préseter ici ue approche puremet géométrique (sas aucue hypothèse probabiliste) de l aalyse discrimiate décisioelle. Ayat trouvé la meilleure représetatio de la séparatio e K groupes des idividus, o va chercher ici à affecter ue ouvelle observatio à l u de ces groupes. Notos x le vecteur des valeurs des p variables quatitatives mesurées sur ce ouvel idividu. La règle géométrique cosiste à calculer les distaces de cette observatio à chacu des K cetres de gravité et à affecter aturellemet cette observatio au groupe le plus proche. Pour cela, il faut préciser la métrique à utiliser das le calcul des distaces. La règle la plus utilisée est celle de Mahalaobis-Fisher qui cosiste à predre la métrique W 1 (ou V 1 ce qui est équivalet). La distace du ouvel idividu au groupe k est alors : d 2 (x, g k ) = (x g k ) W 1 (x g k ). (10) 4.1 Foctios liéaires discrimiates La règle géométrique classe la ouvelle observatio x das le groupe k tel que : k = arg mi,...,k d2 (x, g k ), (11) ce qui se réécrit : où k = arg max,...,k L k(x), (12) L k (x) = x W 1 g k 1 2 g kw 1 g k. (13) L k (x) est la foctio liéaire discrimiate du groupe k (ecore appelée foctio liéaire de classemet). 13

14 Preuve : W 1 état symétrique o a : d 2 (x, g k ) = (x g k ) W 1 (x g k ) = x } W{{ 1 x} +g kw 1 g k 2x W 1 g k idépedat de k Doc miimiser d 2 est équivalet à maximiser 2x W 1 g k g k W 1 g k 2 = L k (x). Chaque foctio liéaire discrimiate défiie ue foctio score qui doe ue ote à l observatio x das chaque groupe. Cette observatio est doc affectée au groupe pour lequel le score est le plus grad. 4.2 Le cas particulier de deux groupes O peut das ce cas particulier où K = 2, calculer la différece etre les foctios liéaires discrimiates du groupe 1 et du groupe 2 pour défiir ue ouvelle foctio score que l o comparera à zero pour affecter ue ouvelle observatio. O défiit aisi la ouvelle foctio liéaire discrimiate (foctio score) : 1/2 (x) = L 1 (x) L 2 (x) = x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) (14) Preuve : L 1 (x) L 2 (x) = x W 1 g g 1W 1 g 1 (x W 1 g 2 12 ) g 2W 1 g 2 = x W 1 (g 1 g 2 ) 1 g 2 1W 1 g 1 g 2W 1 g } {{ } 2 (g 1 +g 2 ) W 1 (g 1 g 2 ) O retrouve alors la règle de Mahalaobis-Fisher itroduite e AFD : x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) 0 l idividu i est affecté au groupe 1, x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) < 0 l idividu i est affecté au groupe 2. 14

15 Das le cas particulier de 2 groupes, la règle géométrique reviet doc à projeter l observatio x avec la métrique W 1 sur le premier axe discrimiat (calcule du score x W 1 (g 1 g 2 )) et à classer x selo u seuil c qui est le milieu des moyees des groupes sur ce score (c = 1(g g 2 ) W 1 (g 1 g 2 )). De plus, 1/2 (x) s écrit : 1/2 (x) = (x g 1 + g 2 ) W 1 (g 1 g 2 ). (15) 2 Doc la frotière etre les groupes 1 et 2 (aussi appelée frotière de décisio) est l hyperpla d équatio : x g 1 + g 2, g 1 g 2 W 1 = 0. 2 L hyperpla séparateur est doc l hyperpla W 1 -orthogoal à la droite reliat les poits g 1 et g 2 et passat par le milieu de g 1 et g Isuffisaces de la règle géométrique L utilisatio de la règle d affectatio géométrique que l o viet de préseter peut coduire à des affectatios icorrectes lorsque les dispersios des groupes sot très différetes etre elles. E fait das ce cadre-là, rie e justifie l utilisatio de la même métrique pour les différets groupes. Exemple. La solutio pour pallier ce problème peut être d utiliser des métriques locales M k à chaque sous-uage E k, proportioelles à V 1 k et de calculer les distaces d 2 k (x, g l) = (x g k ) M k (x g k ). La questio de l optimalité de la règle géométrique d affectatio e peut être résolue sas référece à u modèle probabiliste. E effet, ue questio est de savoir commet se comportera cette règle pour de ouvelles observatios, ce qui va imposer de faire des hypothèses distributioelles sur la répartitio des idividus das l espace. 15

16 Cette première approche de l aalyse discrimiate décisioelle atteit doc ici clairemet ses limites, d où la écessité de passer à la sectio suivate das laquelle serot présetées des méthodes probalistes d affectatio qui coduirot à des règles optimales (e u certai ses). 5 Aalyse discrimiate probabiliste Das la sectio précédete, o disposait d u échatillo de taille sur lequel étaiet mesurées simultaémet les p variables explicatives quatitatives et la variable qualitative à expliquer. Gééralemet cet échatillo est appelé échatillo d appretissage. O a vu que, lorsque l o dispose d u ouvel idividu sur lequel o a mesuré uiquemet les p variables explicatives (et dot o e coaît pas sa valeur de la variable qualitative), o doit décider du groupe k auquel appartiet ce ouvel idividu. O a alors défii ue règle de décisio (d affectatio) fodée seulemet sur des argumets géométriques (calcul des distaces de cet idividu aux cetres de gravité de chaque groupe et affectatio au groupe le plus proche ). Das cette sectio, o va défiir des règles de décisio bayésiee qui vot permettre d affecter le ouvel idividu à la classe la plus probable. Pour cela, il va être écessaire de faire des hypothèses probabilistes sur les doées, d où l appellatio de méthodes probabilistes (par oppositio aux méthodes puremet géométriques). 5.1 Le cadre probabiliste O suppose maiteat que l échatillo d appretissage est issu d ue populatio e K groupes G 1,..., G k et que : Y est ue variable aléatoire qui pred ses valeurs das {1,..., K}. X = (X 1,..., X p ) est u vecteur de variables aléatoires réelles. O otera : (p 1,..., p K ) la distributio de Y où p k = P (Y = k) est la proportio théorique de G k ecore appelée probabilité à priori de G k. f k : R p [0, 1] la desité de X das le groupe k. Exemple : 2 groupes et p=1 16

17 la desité de X est ue desité de mélage : X p k f k (x) O supposera que l o dispose d ue échatillo i.i.d. (X 1, Y 1 ),..., (X, Y ) de même moi que (X, Y ). 5.2 Règle du maximum à posteriori La règle du MAP (maximum à posteriori) affecte ue ouvelle observatio x das le groupe k le plus probable sachat x : k = arg max,...,k P (G k x), (16) où P (G k x) = P (Y = k X = x) est la probabilité coditioelle appelée la probabilité à posteriori de G k. Les probabilités à posteriori P (G k x) sot parfois qualifiées de scores (otes) et o affecte doc ue ouvelle observatio au groupe pour lequel le score est le plus grad. Cette règle se réécrit : O parle alors souvet de règle de Bayes. Preuve : O utilise le théorème de Bayes qui doe : k = arg max,...,k p kf k (x). (17) P (G k x) = P (Y = k X = x) = f k(x)p (Y = k) f X (X) = f k(x)p k f X (X) Or f X (x) est idépedate de k doc il suffit de maximiser f k (x)p k. Plusieurs approches sot possibles. a) Les approches paramétriques : O peut supposer que f k (x) a ue forme paramétrique et estimer les paramètres sur l échatillo d appretissage. Par exemple, f k (x) est ue desité N (µ k, Σ k ) pour les méthodes LDA et QDA. O peut supposer que la probabilité à posteriori P (G k x) a ue expressio paramétrique et l estimer directemet. Par exemple P (G 1 x) = exp(β 0+β x) 1+exp(β 0 +β x) pour la régressio logistique (pour K = 2). 17

18 b) Les approches o paramétriques : o cherche à estimer directemet à partir des doées les desités f k. O parle d estimatio o paramétrique (ou estimatio foctioelle) lorsque le ombre de paramètres à estimer est ifii. L objet à estimer est alors ue foctio que l o supposera par exemple cotiue et dérivable. Cette approche très souple a doc l avatage de e pas écessiter d hypothèses particulières sur la desité f k (seulemet la régularité de f k pour avoir de boes propriétés de covergece). E revache, elle est applicable d u poit de vue pratique qu avec des échatillos de grade taille d autat plus que la dimesio p augmete. Exemple : méthodes à oyaux. Ici o se place das le cadre paramétrique gaussie. 5.3 Le cas gaussie O suppose maiteat que X N (µ k, Σ k ) das chaque groupe G k : ( 1 f k (x) = exp 1 ) (2π) p/2 (det(σ k )) 1/2 2 (x µ k) Σ 1 k (x µ k), (18) avec µ k R p le vecteur des moyees théoriques et Σ k la matrice p p des variacescovariaces théoriques. Das ce cas, la règle de Bayes se réécrit : où k = arg mi,...,k D2 k(x), (19) D 2 k(x) = (x µ k ) Σ 1 k (x µ k) 2 l(p k ) + l(det Σ k ), (20) est appelé le carré de la distace de Mahalaobis théorique gééralisée das SAS. Preuve : Maximiser p k f k (x) est équivalet à maximiser l(p k f k (x)) et l(p k f k (x)) = l(p k ) + l(f k (x)), = l(p k ) p 2 l(2π) 1 2 l(det(σ k)) 1 2 (x µ k) Σ 1 k (x µ k). Doc avec p 2 l(2π) qui est idépedat de k, maximiser l(p kf k (x)) est équivalet à miimiser 2 ( l(p k ) 1 2 l(det(σ k)) 1 2 (x µ k) Σ 1 k (x µ k) ) = D k (x) 2. 18

19 5.3.1 Estimatio des paramètres A partir de l échatillo d appretissage, o veut estimer le paramètre θ = (p 1,..., p K, µ 1,..., µ K, Σ 1,..., Σ K ). La méthode du maximum de vraisemblace peut être utilisée. La vraisemblace s écrit : L(θ) = K f X (x i ) = i=1 x i E k p k f k (x i ), et o e déduit que la log-vraissemblace s écrit : l(l(θ)) = x i E k ( l(p k ) p 2 l(2π) 1 2 l(det(σ k)) 1 ) 2 (x i µ k ) Σ 1 k (x i µ k ). O obtiet alors les estimateurs du maximum de vraisemblace suivat : ˆp k = k ˆµ k = 1 k i E k x i ˆΣ = ˆΣ 1 k = K i E k (x i µ k )(x i µ k ) das le cas homoscédastique, ˆΣ k = 1 k i E k (x i µ k )(x i µ k ) das le cas hétéroscédastique. Les estimateurs de ˆΣ k état biaisé, o a les estimateurs sas biais suivats : ˆΣ = 1 K ˆΣ k = 1 k 1 (x i µ k )(x i µ k ), i E k (x i µ k )(x i µ k ). i E k Aalyse discrimiate quadratique (QDA e aglais) O se place das le cas où k k tel que Σ k Σ k appelé cas hétéroscédastique. O estime alors les paramètres sur l échatillo d appretissage et e repreat les otatios de la sectio 2 : µ k est estimée par g k = 1 k i E k x i, Σ k est estimée par V k = 1 k i E k (x i g k )(x i g k ) ou ecore par sa versio sas biais : p k est estimée par π k = k. V k = 1 (x i g k )(x i g k ), k 1 i E k 19

20 Avec ces estimateurs, la règle de Bayes se réécrit : k = arg mi Q k(x), (21),...,K où Q k (x) = (x g k ) V 1 k (x g k) 2 l(π k ) + l(det(v k )), (22) est la foctio quadratique discrimiate du groupe k (ecore appelée foctio quadratique de classemet). Chaque foctio quadratique discrimiate défiie ue foctio score et ue ouvelle observatio sera affectée au groupe pour lequel le score sera le plus petit Aalyse discrimiate liéaire (LDA e aglais) O se place das le cas où Σ 1 =... = Σ K = Σ appelé cas homoscédastique. Das ce cas, la règle de Bayes se réécrit : k = arg max,...,k x Σ 1 µ k 1 2 µ kσ 1 µ k + l(p k ). (23) Preuve : Σ k = Σ pour tout k = 1,..., K doc D 2 k(x) = (x µ k ) Σ 1 (x µ k ) 2 l(p k ) + l(det Σ), = x } Σ{{ 1 x} idép. de k 2x Σ 1 µ k } {{ } car Σ 1 sym. +µ kσ 1 µ k 2 l(p k ) + l(det(σ)). } {{ } idép. de k Doc miimiser D 2 k (x) est équivalet à maximiser 1 2 (2x Σ 1 µ k + µ k Σ 1 µ k 2 l(p k )). O estime alors les paramètres sur l échatillo d appretissage et e repreat les otatios de la sectio 2 : µ k est estimée par g k = 1 k i E k x i, la matrice de variaces-covariaces Σ commue aux différets groupes est estimée par W = 1 i E k (x i g k )(x i g k ) ou ecore par la versio sas biais : W = 1 (x i g k )(x i g k ), K i E k p k est estimée par π k = k. Avec ces estimateurs, la règle de Bayes se réécrit : k = arg max,...,k L k(x), (24) 20

21 où L k (x) = x W 1 g k 1 2 g kw 1 g k + l(π k ), (25) est la foctio liéaire discrimiate du groupe k (ecore appelée foctio liéaire de classemet). Chaque foctio liéaire discrimiate défiie ue foctio score et ue ouvelle observatio sera affectée au groupe pour lequel le score sera le plus grad. Remarque : O retrouve la foctio liéaire discrimiate (13) de l aalyse discrimiate géométrique avec le terme l(π k ) e plus. Das le cas où l o fait l hypothèse d égalité des probabilités à priori (p 1 =... = p K ), la règle de l aalyse discrimiate liéaire (LDA) est équivalete à la règle de l aalyse discrimiate géométrique Estimatio des probabilités à posteriori O peut motrer que das le cas gaussie, o a : P (G k x) = exp( 1 2 D2 k (x)) K l=1 exp( 1 2 D2 l (x)) (26) où Dk 2 (x) est le carré de la distace de Mahalaobis théorique gééralisée du logiciel SAS défiie e (20). Preuve : D après le théorème de Bayes : P (G k x) = p kf k (x) K l=1 p lf l (x), (27) et o a l(p k f k (x)) = 1 2 D2 k (x) p l(2π), d où : 2 p k f k (x) = exp( 1 2 D2 k p 2 l(2π)) = exp( 1 2 D2 k) (2π) p 2. Doc e mettat (2π) p 2 e facteur au déomiateur de (27), le terme se simplifie au umérateur et o retrouve (26). E pratique, o estime les probabilités à posteriori par : ˆP (G k x) = exp( 1 ˆD 2 2 k (x)) K l=1 exp( (28) 1 2 D2 l (x)), où ˆD 2 k(x) = (x ˆµ k ) ˆΣ 1 k (x ˆµ k) + g 1 (x) + g 2 (x), (29) 21

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Notions de base pour l analyse d un tableau de contingence

Notions de base pour l analyse d un tableau de contingence Uiversité de Bordeaux - Master MIMSE - 2ème aée Notios de base pour l aalyse d u tableau de cotigece Marie Chavet http://wwwmathu-bordeauxfr/ machave/ 204-205 Notatios et défiitios U tableau de cotigece

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

TP R : méthodes statistiques élémentaires

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

Plus en détail

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

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

B) CHAÎNES DE SOLIDES

B) CHAÎNES DE SOLIDES Chaîes de solides B) CHAÎNES DE SOLIDES Objectifs Cette théorie a pour but d'aalyser les comportemets statique et ciématique d'u mécaisme à partir d'u modèle défii par le schéma ciématique du mécaisme.

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

Méthodes basiques en statistiques sous R

Méthodes basiques en statistiques sous R Méthodes basiques e statistiques sous R Master II Modélisatio Aléatoire - Paris VII Eseigat : Mme Picard Sébastie Le Berre 12 mai 2011 R est u logiciel de calcul largemet utilisé par la commuauté scietifique

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

École de technologie supérieure

École de technologie supérieure École de techologie supérieure Mat 165-04 Algèbre liéaire et aalyse vectorielle A-015 Michel Beaudi michel.beaudi@etsmtl.ca Liste d exercices à faire e T.P./Caledrier des évaluatios Itroductio au cours

Plus en détail

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1 Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

Correction des exercices sur la nature ondulatoire de la lumière

Correction des exercices sur la nature ondulatoire de la lumière CORRECTION EXERCICES TS /5 CHAPITRE 3 Correctio des exercices sur la ature odulatoire de la lumière Correctio exercice : idice d u verre et réfractio. La radiatio = 530 m est verte et la radiatio = 680

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4 UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS LES PREVISIONS DES CONSOMMATIONS Les logiciels utilisés pour la gestio des stocks itègret de ombreuses foctios de calcul. L ue des plus importates est l exécutio des prévisios des cosommatios futures d

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

Formulaire de statistiques

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

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

MATHÉMATIQUES Corrigé

MATHÉMATIQUES Corrigé Exame de ovembre 009 Exame du premier trimestre Le 30 ovembre 009 Classes de ère STG Durée 3 heures MATHÉMATIQUES Corrigé Note aux cadidats L emploi des calculatrices est autorisé (circulaire 99 86 du

Plus en détail

Correction CCP maths 1 MP

Correction CCP maths 1 MP mai 4 Avertissemet : Il subsiste certaiemet quelques coquilles... Exercice : ue itégrale double Correctio CCP maths MP Pour calculer cette itégrale, o effectue le chagemet de variable e coordoées polaires

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Féelo aite-marie Préparatio ciece-po/prépa HEC Foctios Versio du juillet 05 Eercice d degré : racies et coefficiets O rappelle que si l équatio a + b + c = 0 ( a 0 ) adet deu racies α et β (évetuelleet

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

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

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

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO Uiversité Paris VII - Agrégatio de Mathématiques Fraçois Delarue) MÉTHODE DE MONTE-CARLO Ce texte vise à préseter l utilisatio de la méthode de Mote-Carlo das le calcul du prix d ue optio. 1. Positio du

Plus en détail

STATISTIQUE MASTER 2 : MATHÉMATIQUES POUR L ENTREPRISE. Arnak S. DALALYAN

STATISTIQUE MASTER 2 : MATHÉMATIQUES POUR L ENTREPRISE. Arnak S. DALALYAN STATISTIQUE MASTER 2 : MATHÉMATIQUES POUR L ENTREPRISE Arak S. DALALYAN Table des matières 1 SAS et Statistique Descriptive 5 1.1 Itroductio au logiciel SAS........................... 5 1.2 Statistique

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015 1 TESTS DE RANDOMISATION Cours VII. Tests de radomisatio - Tests de cotigece P. Couillard 2015 Das ue majorité de cas e biologie o cosidèrera certaies hyothèses comme des alteratives à l hyothèse ulle.

Plus en détail

Cours de méthodes de simulation

Cours de méthodes de simulation ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION ( ESSAIT) Cours de méthodes de simulatio Préparé par Hasse MATHLOUTHI Aée uiversitaire 2014-2015 AVANT PROPOS Ce documet propose u cours sur

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

Partie I. Les données qualitatives

Partie I. Les données qualitatives Variables qualitatives : aalyse des corresodaces Jea-Marc Lasgouttes htt://www-rocqiriafr/~lasgoutt/aa-doees L aalyse factorielle des corresodaces But O cherche à décrire la liaiso etre deux variables

Plus en détail

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête.

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête. Cliclasolutio Aée 2006/2007 REQUÊTES Utilité des requêtes QUESTIONNER LA BASE DE DONNÉES La foctio classique d'ue requête est de répodre à ue questio sur la base de doées. "Quels sot les cliets habitat

Plus en détail

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo BTS Iformatique de gestio e aée Deis Jaudo Mathématiques Cours Directrice de publicatio : Valérie Brard-Trigo Les cours du Ced sot strictemet réservés à l usage privé de leurs destiataires et e sot pas

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

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

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

Plus en détail

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Introduction to Econometrics

Introduction to Econometrics MPRA Muich Persoal RePEc Archive Itroductio to Ecoometrics Moussa Keita September 015 Olie at https://mpra.ub.ui-mueche.de/66840/ MPRA Paper No. 66840, posted. September 015 04:1 UTC INTRODUCTION A L ECONOMETRIE

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

Modèle de pointage et correction des dérives

Modèle de pointage et correction des dérives Ges de la Lue Observatoire astroomique de Plougastel Tél : 0 98 40 69 73 http://www.gesdelalue.org Modèle de poitage et correctio des dérives 1. Présetatio du problème Le poitage d u astre par u télescope

Plus en détail

Probabilités & Statistiques L1: Cours. December 20, 2008

Probabilités & Statistiques L1: Cours. December 20, 2008 Probabilités & Statistiques L1: Cours December 20, 2008 Chapter 1 Déombremets I 1.1 Pricipes gééraux Règle du produit O fait deux expérieces, successives ou simultaées. Si la première doe 1 résultats possibles

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

/RJLTXHERROpHQQH. Symbole (norme IEC 1 ) x

/RJLTXHERROpHQQH. Symbole (norme IEC 1 ) x /RJLTXHERROpHQQH I. Défiitios I.. Variable biaire O appelle variable biaire (ou logique), ue variable preat ses valeurs das l esemble {0, }. Eemple : état d u iterrupteur, d u bouto poussoir, la présece

Plus en détail

Khiops: discrétisation des attributs numériques pour le Data Mining

Khiops: discrétisation des attributs numériques pour le Data Mining Note Techique NT/FTR&D/7339 6 septembre 00 Vu, pour accord le Khiops: discrétisatio des attributs umériques pour le Data Miig directeur de DTL JM. Pitié Marc Boullé (DTL/DLI) Vu, le chef du départemet

Plus en détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

Plus en détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

Plus en détail

5 Transformée de Fourier Discrète

5 Transformée de Fourier Discrète Traitemet umérique du sigal Cours ELE-FOD 5. Séries réelles 5 Trasformée de Fourier Discrète Das so ouvrage «Théorie aalytique de la chaleur (8» Joseph FOURIER itroduit la décompositio des foctios périodiques

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique Titre : Élémets fiis de joit mécaiques et élémets fi[...] Date : 28/10/2014 Pae : 1/10 Élémets fiis de joit mécaiques et élémets fiis de joit couplés hydromécaique Résumé : Cette documetatio porte sur

Plus en détail

UNIVERSITÉ DE SFAX École Supérieure de Commerce

UNIVERSITÉ DE SFAX École Supérieure de Commerce UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première

Plus en détail

GRAPHES. 0 1 1 0 0 1 1 0 0 0 Les graphes ci-dessous peuvent-ils être associés à A? Exercice n 6. Ecrivez la matrice associé à chaque graphe :

GRAPHES. 0 1 1 0 0 1 1 0 0 0 Les graphes ci-dessous peuvent-ils être associés à A? Exercice n 6. Ecrivez la matrice associé à chaque graphe : Exercice. Détermier le degré de chacu des sommets du graphe suivat : GRAPHES Exercice 6. Ecrivez la matrice associé à chaque graphe : Exercice. Trois pays evoiet chacu à ue coférece deux espios ; chaque

Plus en détail

On obtient la formule de Pascal en prenant le cardinal :

On obtient la formule de Pascal en prenant le cardinal : Colles du 3 ovembre 014 Solutio de la questio de cours 1. (i) Soit E u esemble de cardial. L esemble (E) peut alors être partitioé comme suit : (E) (E), où (E) est l esemble des parties de E de cardial.

Plus en détail

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe

09 G 18bis AR Durée: 4 heures Séries : S1-S3 - Coeff. 8.. Epreuve du 1 er groupe UNIVERSITE CHEIKH ANTA DIOP DE DAKAR 1/ 9 OFFICE DU BACCALAUREAT BP 5005-DAKAR-Fa-Séégal Serveur Vocal: 68 05 59 Téléfax (1) 864 67 39 - Tél : 84 95 9-84 65 81 M A T H E M A T I Q U E S 09 G 18bis AR Durée:

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

XV. Probabilités. Pour le second exemple, le dénombrement de toutes les issues possibles (un schéma en arbre peut nous y aider),

XV. Probabilités. Pour le second exemple, le dénombrement de toutes les issues possibles (un schéma en arbre peut nous y aider), . Itroductio XV. robabilités. L'étude des probabilités couvre toutes les situatios de phéomèes ayat plusieurs issues possibles, la réalisatio de chaque résultat état due au hasard. Des exemples de calcul

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

Plus en détail

Concours de l Iscae. Épreuve Commune de Mathématiques (2015)

Concours de l Iscae. Épreuve Commune de Mathématiques (2015) Mohiieddie Beayad Cocours de l Iscae Épreuve Commue de Mathématiques (5) Voici l éocé de l épreuve commue de Mathématiques du cocours d etrée à l ISCAE de l aée 5, aisi que l itégralité du corrigé. Les

Plus en détail

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

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

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail