STATISTIQUE I Médiane et quartiles
|
|
- Valentine Bédard
- il y a 7 ans
- Total affichages :
Transcription
1 STATISTIQUE I Médiane et quartiles Guillaume CONNAN Lycée Jean PERRIN Septembre 2006 (1 ère ES 3) STATISTIQUE I Septembre / 66
2 Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
3 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
4 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
5 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
6 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
7 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
8 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
9 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
10 Conventions Dans toute la suite, on étudiera une population, notée E, et une variable statistique quantitative X définie sur E. Exemple Si on étudie par exemple le nombre de poupées Barbue que possèdent les élèves de la classe de 1 ère ES3 E est l ensemble des élèves de la classe X est la fonction qui, à un élément de E, associe le nombre de poupées Barbue qu il ou elle possède. Si E possède n éléments, on notera V x 1 x 2 x n 1 x n l ensemble ordonné par valeurs croissantes des valeurs prises par X. Notez bien que certains éléments de V peuvent être égaux : en effet, deux élèves différents peuvent avoir le même nombre de poupées Barbue. (1 ère ES 3) STATISTIQUE I Septembre / 66
11 Médiane Définition Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
12 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
13 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
14 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
15 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
16 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
17 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
18 Médiane Définition Définition La médiane M e est un nombre tel que : au moins 50% des éléments de V sont inférieurs à M e, au moins 50% des éléments de V sont supérieurs à M e. On distingue deux cas selon la parité de n : Si n est impair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, à la fois maximum de la partie basse et minimum de la partie haute ; Si n est pair : on sépare V en deux groupes distincts de même effectif. M e est la valeur centrale, demi-somme du maximum de la partie basse et du minimum de la partie haute ; (1 ère ES 3) STATISTIQUE I Septembre / 66
19 Médiane Définition Exemples V M e 5 V M e (1 ère ES 3) STATISTIQUE I Septembre / 66
20 Médiane Définition Exemples V M e 5 V M e (1 ère ES 3) STATISTIQUE I Septembre / 66
21 Médiane Définition Exemples V M e 5 V M e (1 ère ES 3) STATISTIQUE I Septembre / 66
22 Médiane Définition Exemples V M e 5 V M e (1 ère ES 3) STATISTIQUE I Septembre / 66
23 Médiane Définition Exemples V M e 5 V M e (1 ère ES 3) STATISTIQUE I Septembre / 66
24 Quartiles L idée Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
25 Quartiles L idée Pour avoir une idée un peu plus précise de la série statistique étudiée, on voudrait séparer notre population en 4 groupes au lieu de 2. On a donc envie de calculer les médianes des parties basses et hautes. On a également comme cahier des charges d avoir au moins 25% des valeurs prises par x inférieures au premier quartile Q 1 et au moins 75% des valeurs prises par x inférieures au troisième quartile Q 3. (1 ère ES 3) STATISTIQUE I Septembre / 66
26 Quartiles L idée Pour avoir une idée un peu plus précise de la série statistique étudiée, on voudrait séparer notre population en 4 groupes au lieu de 2. On a donc envie de calculer les médianes des parties basses et hautes. On a également comme cahier des charges d avoir au moins 25% des valeurs prises par x inférieures au premier quartile Q 1 et au moins 75% des valeurs prises par x inférieures au troisième quartile Q 3. (1 ère ES 3) STATISTIQUE I Septembre / 66
27 Quartiles L idée Pour avoir une idée un peu plus précise de la série statistique étudiée, on voudrait séparer notre population en 4 groupes au lieu de 2. On a donc envie de calculer les médianes des parties basses et hautes. On a également comme cahier des charges d avoir au moins 25% des valeurs prises par x inférieures au premier quartile Q 1 et au moins 75% des valeurs prises par x inférieures au troisième quartile Q 3. (1 ère ES 3) STATISTIQUE I Septembre / 66
28 Quartiles Expérimentons Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
29 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
30 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
31 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
32 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
33 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
34 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
35 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
36 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
37 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en quatre groupes de même effectif égal à 25% de l effectif total donc ça «colle» On peut prendre V Ð Q et 25% des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q et 75% des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
38 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
39 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
40 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
41 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
42 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
43 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
44 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
45 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
46 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties hautes et basses On peut prendre V Ð Q 1 3 et 3/10 30%( 25%)des effectifs ont une valeur inférieure à Q 1 M e et 50% des effectifs ont une valeur inférieure à M e Q 3 8 et 8/10 80%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
47 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
48 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
49 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
50 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
51 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
52 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
53 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
54 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
55 Quartiles Expérimentons Exemple V Ð On peut séparer l effectif en parties haute et basse On peut prendre V Ð Q 1 3 et 3/11 ³ 27%( 25%)des effectifs ont une valeur inférieure à Q 1 M e 6 et 50% des effectifs ont une valeur inférieure à M e Q 3 9 et 9/11 82%( 75%) des effectifs ont une valeur inférieure à Q 3 et Q 1 et Q 3 sont bien les médianes respectives des parties basses et hautes. (1 ère ES 3) STATISTIQUE I Septembre / 66
56 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
57 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
58 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
59 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
60 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
61 Quartiles Expérimentons Un cas plus problématique a été gardé pour la fin... Exemple V Ð On peut séparer l effectif en parties haute et basse avec la médiane au milieu : V Ð et prendre Q , mais seulement 2/9 ³ 22% des effectifs ont une valeur inférieure à Q 1, ce qui est contraire à notre cahier des charges. Dans ce cas particulier, on va inclure la médiane dans les parties basses et hautes pour éviter cet écueil (1 ère ES 3) STATISTIQUE I Septembre / 66
62 Quartiles Expérimentons Cela donne Partie Basse donc Q 1 3 et 3/9 ³ 33% 25% des effectifs ont une valeur inférieure à Q 1, ce qui convient. Partie Haute donc Q 3 7 et 7/9 ³ 78% 75% des effectifs ont une valeur inférieure à Q 1, ce qui convient. (1 ère ES 3) STATISTIQUE I Septembre / 66
63 Quartiles Expérimentons Cela donne Partie Basse donc Q 1 3 et 3/9 ³ 33% 25% des effectifs ont une valeur inférieure à Q 1, ce qui convient. Partie Haute donc Q 3 7 et 7/9 ³ 78% 75% des effectifs ont une valeur inférieure à Q 1, ce qui convient. (1 ère ES 3) STATISTIQUE I Septembre / 66
64 Quartiles Expérimentons Cela donne Partie Basse donc Q 1 3 et 3/9 ³ 33% 25% des effectifs ont une valeur inférieure à Q 1, ce qui convient. Partie Haute donc Q 3 7 et 7/9 ³ 78% 75% des effectifs ont une valeur inférieure à Q 1, ce qui convient. (1 ère ES 3) STATISTIQUE I Septembre / 66
65 Quartiles Expérimentons Il est aisé de constater que ces observations vont se répéter par cycle de longueur 4. C est quand V a un nombre d éléments égal à un multiple de 4 plus 1 que nous devons être prudents. D ailleurs, toutes les machines à calculer ne s accordent pas sur le calcul des quartiles. La méthode que je vous propose est la plus cohérente et sera en accord avec la détermination graphique des quartiles que nous verrons bientôt. Elle permet également d avoir une définition rigoureuse comme nous allons le voir. (1 ère ES 3) STATISTIQUE I Septembre / 66
66 Quartiles Expérimentons Il est aisé de constater que ces observations vont se répéter par cycle de longueur 4. C est quand V a un nombre d éléments égal à un multiple de 4 plus 1 que nous devons être prudents. D ailleurs, toutes les machines à calculer ne s accordent pas sur le calcul des quartiles. La méthode que je vous propose est la plus cohérente et sera en accord avec la détermination graphique des quartiles que nous verrons bientôt. Elle permet également d avoir une définition rigoureuse comme nous allons le voir. (1 ère ES 3) STATISTIQUE I Septembre / 66
67 Quartiles Expérimentons Il est aisé de constater que ces observations vont se répéter par cycle de longueur 4. C est quand V a un nombre d éléments égal à un multiple de 4 plus 1 que nous devons être prudents. D ailleurs, toutes les machines à calculer ne s accordent pas sur le calcul des quartiles. La méthode que je vous propose est la plus cohérente et sera en accord avec la détermination graphique des quartiles que nous verrons bientôt. Elle permet également d avoir une définition rigoureuse comme nous allons le voir. (1 ère ES 3) STATISTIQUE I Septembre / 66
68 Quartiles Expérimentons Il est aisé de constater que ces observations vont se répéter par cycle de longueur 4. C est quand V a un nombre d éléments égal à un multiple de 4 plus 1 que nous devons être prudents. D ailleurs, toutes les machines à calculer ne s accordent pas sur le calcul des quartiles. La méthode que je vous propose est la plus cohérente et sera en accord avec la détermination graphique des quartiles que nous verrons bientôt. Elle permet également d avoir une définition rigoureuse comme nous allons le voir. (1 ère ES 3) STATISTIQUE I Septembre / 66
69 Quartiles Expérimentons Il est aisé de constater que ces observations vont se répéter par cycle de longueur 4. C est quand V a un nombre d éléments égal à un multiple de 4 plus 1 que nous devons être prudents. D ailleurs, toutes les machines à calculer ne s accordent pas sur le calcul des quartiles. La méthode que je vous propose est la plus cohérente et sera en accord avec la détermination graphique des quartiles que nous verrons bientôt. Elle permet également d avoir une définition rigoureuse comme nous allons le voir. (1 ère ES 3) STATISTIQUE I Septembre / 66
70 Quartiles Définissons Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
71 Quartiles Définissons Définition Le premier quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement inférieur à celui de la médiane (la partie basse) pour autant qu au moins 25% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie basse. Définition Le troisième quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement supérieur à celui de la médiane (la partie haute) pour autant qu au moins 75% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie haute. (1 ère ES 3) STATISTIQUE I Septembre / 66
72 Quartiles Définissons Définition Le premier quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement inférieur à celui de la médiane (la partie basse) pour autant qu au moins 25% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie basse. Définition Le troisième quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement supérieur à celui de la médiane (la partie haute) pour autant qu au moins 75% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie haute. (1 ère ES 3) STATISTIQUE I Septembre / 66
73 Quartiles Définissons Définition Le premier quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement inférieur à celui de la médiane (la partie basse) pour autant qu au moins 25% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie basse. Définition Le troisième quartile est obtenu en prenant la médiane de la sous-série contenant les observations dont le rang est strictement supérieur à celui de la médiane (la partie haute) pour autant qu au moins 75% des observations soient inférieures ou égales à cette valeur. Sinon, il faut inclure la médiane dans la partie haute. (1 ère ES 3) STATISTIQUE I Septembre / 66
74 Fonction de répartition Définition Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
75 Fonction de répartition Définition Nous reprenons les notations des sections précédentes. Définition Nous noterons F la fonction définie, pour tout réel x, par la proportion des valeurs observées qui sont inférieures ou égales à x (1 ère ES 3) STATISTIQUE I Septembre / 66
76 Fonction de répartition Un exemple Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
77 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
78 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
79 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
80 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
81 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
82 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
83 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
84 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
85 Fonction de répartition Un exemple Exemple Considérons la série ordonnée : V Si x ¾] ½; 0[, alors F(x) 0 Si x ¾ [0; 1[, alors F(x) 1/14 ³ 0 07 Si x ¾ [1; 2[, alors F(x) 3/14 ³ 0 21 Si x ¾ [2; 3[, alors F(x) 5/14 ³ 0 36 Si x ¾ [3; 4[, alors F(x) 9/14 ³ 0 64 Si x ¾ [4; 7[, alors F(x) 12/14 ³ 0 86 Si x ¾ [7; ½[, alors F(x) 1 (1 ère ES 3) STATISTIQUE I Septembre / 66
86 Fonction de répartition représentation graphique Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
87 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
88 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
89 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
90 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
91 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
92 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
93 Fonction de répartition représentation graphique y O x (1 ère ES 3) STATISTIQUE I Septembre / 66
94 Fonction de répartition représentation graphique La courbe obtenue va nous permettre de lire les valeurs des différents quartiles (1 ère ES 3) STATISTIQUE I Septembre / 66
95 Fonction de répartition représentation graphique y ¾ ± O x (1 ère ES 3) STATISTIQUE I Septembre / 66
96 Fonction de répartition représentation graphique y ¾ ± É ½ O x (1 ère ES 3) STATISTIQUE I Septembre / 66
97 Fonction de répartition représentation graphique y ¼± O x (1 ère ES 3) STATISTIQUE I Septembre / 66
98 Fonction de répartition représentation graphique y ¼± O Å x (1 ère ES 3) STATISTIQUE I Septembre / 66
99 Fonction de répartition représentation graphique y ± O x (1 ère ES 3) STATISTIQUE I Septembre / 66
100 Fonction de répartition représentation graphique y ± O É x (1 ère ES 3) STATISTIQUE I Septembre / 66
101 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
102 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
103 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
104 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
105 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
106 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
107 Fonction de répartition représentation graphique On vérifie en utilisant la définition en termes de médianes On a bien Q 1 2 M e Q 3 4 V (1 ère ES 3) STATISTIQUE I Septembre / 66
108 Fonction de répartition Cas pathologique Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
109 Fonction de répartition Cas pathologique Si une des droites horizontales rencontrent «l escalier»selon un segment horizontal, on s adapte : (1 ère ES 3) STATISTIQUE I Septembre / 66
110 Fonction de répartition Cas pathologique y ¾ ± O É ½ ½ ¾ ½ 20 ¾ x (1 ère ES 3) STATISTIQUE I Septembre / 66
111 Fonction de répartition Boîte à moustaches Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
112 Fonction de répartition Boîte à moustaches Voici une représentation graphique, non plus «calculatoire», mais qui permet de résumer de manière très visuelle les résultats trouvés et de pouvor comparer assez facilement diverses séries statistiques. (1 ère ES 3) STATISTIQUE I Septembre / 66
113 Fonction de répartition Boîte à moustaches ÜÑ Ò ¼ (1 ère ES 3) STATISTIQUE I Septembre / 66
114 Fonction de répartition Boîte à moustaches ÜÑ Ò ¼ É ½ ¾ (1 ère ES 3) STATISTIQUE I Septembre / 66
115 Fonction de répartition Boîte à moustaches ÜÑ Ò ¼ É ½ ¾ Å (1 ère ES 3) STATISTIQUE I Septembre / 66
116 Fonction de répartition Boîte à moustaches ÜÑ Ò ¼ É ½ ¾ Å É (1 ère ES 3) STATISTIQUE I Septembre / 66
117 Fonction de répartition Boîte à moustaches ÜÑ Ò ¼ É ½ ¾ Å É ÜÑ Ü (1 ère ES 3) STATISTIQUE I Septembre / 66
118 Écart-type Introduction Sommaire 1 Conventions 2 Médiane Définition 3 Quartiles L idée Expérimentons Définissons 4 Fonction de répartition Définition Un exemple représentation graphique Cas pathologique Boîte à moustaches 5 Écart-type Introduction Quelle mesure choisir? Variance (1 ère ES 3) STATISTIQUE I Septembre / 66
119 Écart-type Introduction Un autre moyen de caractériser une série statistique est de mesurer «l éloignement»de l ensemble des valeurs x i par rapport à la moyenne x : comment faire? (1 ère ES 3) STATISTIQUE I Septembre / 66
120 Écart-type Introduction Exemple Reprenons la série précédente : Valeurs x i Effectifs n i (1 ère ES 3) STATISTIQUE I Septembre / 66
121 Écart-type Introduction Calculez la moyenne x de cette série. Complétez le tableau suivant proposant trois façons de «mesurer»pour chaque valeur «l éloignement»par rapport à x. x i x x i x (x i x) 2 Calculez dans chacun des trois cas l éloignement moyen. (1 ère ES 3) STATISTIQUE I Septembre / 66
122 Écart-type Introduction Calculez la moyenne x de cette série. Complétez le tableau suivant proposant trois façons de «mesurer»pour chaque valeur «l éloignement»par rapport à x. x i x x i x (x i x) 2 Calculez dans chacun des trois cas l éloignement moyen. (1 ère ES 3) STATISTIQUE I Septembre / 66
123 Écart-type Introduction Calculez la moyenne x de cette série. Complétez le tableau suivant proposant trois façons de «mesurer»pour chaque valeur «l éloignement»par rapport à x. x i x x i x (x i x) 2 Calculez dans chacun des trois cas l éloignement moyen. (1 ère ES 3) STATISTIQUE I Septembre / 66
124 Écart-type Introduction Calculez la moyenne x de cette série. Complétez le tableau suivant proposant trois façons de «mesurer»pour chaque valeur «l éloignement»par rapport à x. x i x x i x (x i x) 2 Calculez dans chacun des trois cas l éloignement moyen. (1 ère ES 3) STATISTIQUE I Septembre / 66
125 Écart-type Introduction Calculez la moyenne x de cette série. Complétez le tableau suivant proposant trois façons de «mesurer»pour chaque valeur «l éloignement»par rapport à x. x i x x i x (x i x) 2 Calculez dans chacun des trois cas l éloignement moyen. (1 ère ES 3) STATISTIQUE I Septembre / 66
126 Distance à la moyenne Écart-type Introduction x 6 x 5 x 1 x 2 x 3 x 4 (1 ère ES 3) STATISTIQUE I Septembre / 66
127 Écart-type Introduction x ³ 3 14 x i x x i x 3,14 2,14 1,14 0,14 0,86 3,86 (x i x) 2 9,86 4,58 1,30 0,02 0,74 14,90 (1 ère ES 3) STATISTIQUE I Septembre / 66
128 Écart-type Introduction x ³ 3 14 x i x x i x 3,14 2,14 1,14 0,14 0,86 3,86 (x i x) 2 9,86 4,58 1,30 0,02 0,74 14,90 (1 ère ES 3) STATISTIQUE I Septembre / 66
129 Écart-type Introduction x ³ 3 14 x i x x i x 3,14 2,14 1,14 0,14 0,86 3,86 (x i x) 2 9,86 4,58 1,30 0,02 0,74 14,90 (1 ère ES 3) STATISTIQUE I Septembre / 66
130 Écart-type Introduction ( ) ( ) ( ) ( ) (0 86 3) (3 86 2) E E 2 12 ³ 3 74 ( 3 14) 2 1 ( 2 14) 2 2 ( 1 14) 2 2 ( 0 14) 2 4 (0 86) 2 3 (3 86) 2 2 E 3 12 ³ (1 ère ES 3) STATISTIQUE I Septembre / 66
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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailCondition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½
Condition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½ Patrick Ciarlet et Vivette Girault ciarlet@ensta.fr & girault@ann.jussieu.fr ENSTA & Laboratoire Jacques-Louis Lions, Paris 6 Condition
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailStatistique descriptive. Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne. Notes de cours
Statistique descriptive Fabrice MAZEROLLE Professeur de sciences économiques Université Paul Cézanne Notes de cours Dernière mise à jour le mercredi 25 février 2009 1 ère année de Licence Aix & Marseille
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailChapitre 4: Dérivée d'une fonction et règles de calcul
DERIVEES ET REGLES DE CALCULS 69 Chapitre 4: Dérivée d'une fonction et règles de calcul Prérequis: Généralités sur les fonctions, Introduction dérivée Requis pour: Croissance, Optimisation, Études de fct.
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailCOMPTE-RENDU «MATHS EN JEANS» LYCEE OZENNE Groupe 1 : Comment faire une carte juste de la Terre?
Claire FORGACZ Marion GALLART Hasnia GOUDJILI COMPTERENDU «MATHS EN JEANS» LYCEE OZENNE Groupe 1 : Comment faire une carte juste de la Terre? Si l on se pose la question de savoir comment on peut faire
Plus en détailCorrection ex feuille Etoiles-Spectres.
Correction ex feuille Etoiles-Spectres. Exercice n 1 1 )Signification UV et IR UV : Ultraviolet (λ < 400 nm) IR : Infrarouge (λ > 800 nm) 2 )Domaines des longueurs d onde UV : 10 nm < λ < 400 nm IR : 800
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailSéquence 4. Statistiques. Sommaire. Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement
Séquence 4 Statistiques Sommaire Pré-requis Médiane, quartiles, diagramme en boîte Moyenne, écart-type Synthèse Exercices d approfondissement 1 Introduction «Etude méthodique des faits sociaux par des
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailChapitre 2 Les ondes progressives périodiques
DERNIÈRE IMPRESSION LE er août 203 à 7:04 Chapitre 2 Les ondes progressives périodiques Table des matières Onde périodique 2 2 Les ondes sinusoïdales 3 3 Les ondes acoustiques 4 3. Les sons audibles.............................
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailTrépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g.
PHYSQ 130: Hooke 1 LOI DE HOOKE: CAS DU RESSORT 1 Introduction La loi de Hooke est fondamentale dans l étude du mouvement oscillatoire. Elle est utilisée, entre autres, dans les théories décrivant les
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailNote de service À : De :
Note de service À : De : Tous les Fellows, affiliés, associés et correspondants de l Institut canadien des actuaires et autres parties intéressées Jim Christie, président Conseil des normes actuarielles
Plus en détail4 Statistiques. Les notions abordées dans ce chapitre CHAPITRE
CHAPITRE Statistiques Population (en milliers) 63 6 6 6 Évolution de la population en France 9 998 999 3 Année Le graphique ci-contre indique l évolution de la population française de 998 à. On constate
Plus en détailApllication au calcul financier
Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détail- Ressources pour les classes
Mathématiques Collège - Ressources pour les classes de 6 e, 5 e, 4 e, et 3 e du collège - - Organisation et gestion de données au collège - Ce document peut être utilisé librement dans le cadre des enseignements
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailEvolution des risques sur les crédits à l habitat
Evolution des risques sur les crédits à l habitat n 5 février 2012 1/17 SOMMAIRE 1. PRINCIPALES CARACTÉRISTIQUES DE LA PRODUCTION... 4 2. ANALYSE DÉTAILLÉE DES INDICATEURS DE RISQUE... 8 2.1 Montant moyen
Plus en détailSTATUTS DE L ASSOCIATION. Association régie par par la Loi du 1 er juillet 1901
STATUTS DE L ASSOCIATION Association régie par par la Loi du 1 er juillet 1901 Statuts adoptés par l Assemblée Générale Extraordinaire du dimanche 1 er avril 2007 ËØ ØÙØ Ð³ Ó Ø ÓÒ ÖØ Ð ÔÖ Ñ Ö¹ ÒÓÑ Ò Ø
Plus en détailDELIBERATION N 2015-53 DU 20 MAI 2015 DE LA COMMISSION DE CONTROLE DES INFORMATIONS NOMINATIVES PORTANT AVIS FAVORABLE A LA MISE EN ŒUVRE DE LA
DELIBERATION N 2015-53 DU 20 MAI 2015 DE LA COMMISSION DE CONTROLE DES INFORMATIONS NOMINATIVES PORTANT AVIS FAVORABLE A LA MISE EN ŒUVRE DE LA MODIFICATION DU TRAITEMENT AUTOMATISE D INFORMATIONS NOMINATIVES
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
Plus en détailCH.6 Propriétés des langages non contextuels
CH.6 Propriétés des langages non contetuels 6.1 Le lemme de pompage 6.2 Les propriétés de fermeture 6.3 Les problèmes de décidabilité 6.4 Les langages non contetuels déterministes utomates ch6 1 6.1 Le
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailVI- Exemples de fiches pédagogiques en 3 ème année primaires
21 VI- Exemples de fiches pédagogiques en 3 ème année primaires 22 PROJET I : Séquence 3 ORAL (Réception) Compréhension orale : Activité d écoute : 1 ère fiche pédagogique L objectif de cette séance est
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailAngles orientés et fonctions circulaires ( En première S )
Angles orientés et fonctions circulaires ( En première S ) Dernière mise à jour : Jeudi 01 Septembre 010 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble (Année 006-007) Lycée Stendhal, Grenoble
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailComment automatiser la création d index multiples avec Word 2010. Paul-Henri Dumas - URFIST - 2014
Comment automatiser la création d index multiples avec Word 2010 Qu est ce qu un index? Un index fait partie de l apparat savant d un travail scientifique, tout comme la table des matières, le sommaire
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailChapitre 2 : Caractéristiques du mouvement d un solide
Chapitre 2 : Caractéristiques du mouvement d un solide I Rappels : Référentiel : Le mouvement d un corps est décris par rapport à un corps de référence et dépend du choix de ce corps. Ce corps de référence
Plus en détailDémontrer qu'un point est le milieu d'un segment
émntrer qu'un pint est le milieu d'un segment P 1 Si un pint est sur un segment et à égale distance de ses etrémités alrs ce pint est le milieu du segment. P 2 Si un quadrilatère est un alrs ses diagnales
Plus en détailStatistiques - Cours. 1. Gén éralités. 2. Statistique descriptive univari ée. 3. Statistique descriptive bivariée. 4. Régression orthogonale dans R².
Statistiques - Cours Page 1 L I C E N C E S c i e n t i f i q u e Cours Henri IMMEDIATO S t a t i s t i q u e s 1 Gén éralités Statistique descriptive univari ée 1 Repr é s e n t a t i o n g r a p h i
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailFirst Line and Maintenance in Nonsquamous NSCLC: What Do the Data Tell Us?
Dr Jean-Charles Soria : Bonjour et bienvenue dans ce programme. Je suis Jean Charles Soria, Professeur de Médecine et Directeur du programme de développement précoce des médicaments à l université Paris
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailFonctions homographiques
Seconde-Fonctions homographiques-cours Mai 0 Fonctions homographiques Introduction Voir le TP Géogébra. La fonction inverse. Définition Considérons la fonction f définie par f() =. Alors :. f est définie
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailAnalyse et interprétation des données
8 Analyse et interprétation des données Les données de l enquête peuvent être utilisées pour différents types d analyses aussi bien au niveau national qu au niveau international. Ce chapitre explique comment
Plus en détailTableau de Bord. Clas 1.1 Conduite d'un projet de communication
Bande de Com! Tableau de Bord Julien Pansier PROJET Clas 1.1 Conduite d'un projet de communication 1.1.1 Prise en charge du dossier de l annonceur C11.1. S approprier la demande de l annonceur - Comprendre
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailJean Dubuffet AUTOPORTRAIT II - 1966
Jean Dubuffet AUTOPORTRAIT II - 1966 MON VISAGE A LA MANIERE DE JEAN DUBUFFET OBJECTIFS - utiliser son expérience sensorielle visuelle pour produire une œuvre picturale. - réaliser une œuvre s'inspirant
Plus en détailLogistique, Transports
Baccalauréat Professionnel Logistique, Transports 1. France, juin 2006 1 2. Transport, France, juin 2005 2 3. Transport, France, juin 2004 4 4. Transport eploitation, France, juin 2003 6 5. Transport,
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailSTATISTIQUES DESCRIPTIVES
1 sur 7 STATISTIQUES DESCRIPTIVES En italien, «stato» désigne l état. Ce mot à donné «statista» pour «homme d état». En 1670, le mot est devenu en latin «statisticus» pour signifier ce qui est relatif
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détail