Estimation paramétrique

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Estimation paramétrique"

Transcription

1 Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé, o suppose alors que la loi de X appartiet au modèle {P θ, θ Θ}. Par exemple das le modèle de Beroulli, X = X,..., X où les X i sot i.i.d. de loi de Beroulli de paramètre θ ]0, [. E = {0, }, E = PE, Θ =]0, [ et P θ = θδ 0 + θδ. Premières défiitios DÉFINITION. O dit que le modèle {P θ, θ Θ} est idetifiable si l applicatio Θ {P θ, θ Θ} θ P θ est ijective. DÉFINITION 2. Soit g : Θ R k. O appelle estimateur de gθ au vu de l observatio X, toute applicatio T : Ω R k de la forme T = hx où h : E R k mesurable. U estimateur e doit pas dépedre de la quatité gθ que l o cherche à estimer. O itroduit les propriètes suivates d u estimateur : DÉFINITION 3. T est u estimateur sas biais de gθ si pour tout θ Θ, E θ [T ] = gθ. Das le cas cotraire, o dit que l estimateur T est biaisé et o appelle biais la quatité E θ T gθ. Gééralemet X est u vecteur X,..., X d observatios état le ombre d etre elles. U exemple importat est le cas où X,..., X forme u -échatillo c est à dire lorsque que X,..., X sot i.i.d. O peut alors regarder des propriétés asymptotiques de l estimateur, c est à dire e faisat tedre le ombre d observatios vers +. Das ce cas, il est aturel de oter T = T comme dépedat de. O a alors la défiitio suivate : DÉFINITION 4. T est u estimateur cosistat de gθ si pour tout θ Θ, T coverge e probabilité vers gθ sous P θ lorsque. O défiit le risque quadratique de l estimateur das le cas où gθ R. DÉFINITION 5. Soit T est u estimateur de gθ. Le risque quadratique de T est défii par RT, gθ = E θ [T gθ 2 ]. Remarque. Le risque quadratique est la somme de la variace et du carré du biais de l estimateur. L iégalité de Cramer-Rao et la défiitio de l iformatio de Fisher ot été vues e aée 3 et e sot pas rappelées ici. 2 Estimatio par la méthode des momets Das cette sectio, X est le vecteur formé par u -échatillo X,..., X. Les X i sot à valeurs das u esemble X. Soit f = f,..., f k ue applicatio de X das R k telle que l applicatio Θ R k Φ : θ E θ [fx ] soit ijective. O défiit l estimateur ˆθ comme la solutio das Θ quad elle existe de l équatio Φθ = fx i. Souvet, lorsque X R, la foctio o pred f i x = x i et Φ correspod doc au ième momet de la variables X sous P θ. Ce choix justifie le om doé à la méthode. Voici quelques exemples d estimateurs bâtis sur par cette méthode.

2 2 2. Loi expoetielle Ici k =, Q θ = Eθ pour θ R +. Comme pour tout θ, E θ [X ] = /θ o pred Φθ = /θ et f = Id : R + R +. L estimateur obteu par la méthode des momets est ˆθ = X où X = X i. Par cotiuité de l applicatio x /x, ˆθ est u estimateur cosistat de θ. Remarquos que X > 0 p.s. ce qui justifie l égalité ci-dessus. 2.2 Loi uiforme Ici k =, Q θ est la loi uiforme sur [0, θ] avec θ > 0. O a que pour tout θ, E θ [X ] = θ/2, o peut doc predre par exemple Φθ = θ/2 et f = Id : R R. L estimateur obteu par la méthode des momets est alors ˆθ = 2X. Cet estimateur est sas bias et cosistat. 2.3 Loi gaussiee Ici k = 2, o pred θ = m, τ R R +, Q θ = N m, τ. Pour tout θ = m, τ, E θ [X ] = m et E θ [X 2 ] = m 2 + τ. O peut doc predre, par exemple, f x = x et f 2 x = x 2 ce qui doe Φm, τ = m, m 2 + τ. L estimateur obteus par la méthode des momets vérifie c est a dire ˆm = X ˆθ = et ˆm 2 + ˆτ = X, Xi 2. 2 Xi X. L estimateur est cosistat mais l estimateur de la variace est biaisé. 2.4 Propriétés asymptotiques Notos Φθ = E θ fx i. Supposos que X,..., X sot i.i.d. de loi P θ0. Les résultats de cosistace précédets étaiet obteus grâce au fait que d ue part, fx i p.s. Φθ 0, et doc, comme Φ existe et est cotiue au voisiage de Φθ 0, o e déduit que ˆθ existe et vérifie ˆθ p.s. Φ Φθ 0 = θ 0. Mais que peut-o dire de la distace de ˆθ à θ 0? Sous l hypothèse que E θ0 [ f 2 ] < + o a grâce au théorème cetral limite que Loi fx i Φθ 0 N k 0, Γθ 0, où Γθ 0 la matrice covariace de fx sous P θ0. Elle est défiie pour i, j {,..., k} Γ i,j θ 0 = Cov θ0 [f i X f j X ]. La Delta méthode cf Propositio 6 va ous permettre de déduire u résultat similaire pour ˆθ : THÉORÈME 6. Supposos que Φ soit de classe C de Θ das R k et que θ 0 Θ, et que D θ0 Φ : R k R k soit iversible. Supposos de plus que E θ0 [ fx 2 ] < + et otos Γθ 0 la matrice covariace de fx sous P θ0. Alors sous P θ0 : ˆθ existe avec ue probabilité tedat vers o a la covergece e loi ˆθ θ 0 Loi N 0, D θ0 Φ Γθ 0 D θ0 Φ. Démostratio. Comme D θ0 Φ est iversible, D θ Φ reste iversible das u voisiage de θ 0 et doc, d après le théorème de l iversio locale, Φ réalise u difféomorphisme d u voisiage U de θ 0 das V u voisiage de Φθ 0. Par la

3 3 loi des grads ombres, Ŷ = fx i coverge e probabilité car p.s. vers Φθ 0 et doc Ŷ appartiet à V avec ue probabilité tedat vers quad ted vers +. Sur cet évéemet, l équatio admet ue uique solutio ˆθ das Θ par ijectivité de Φ et cette solutio vérifie ˆθ U et ˆθ = Φ Ŷ où Φ est défiie de V das U. O a par ailleurs, ˆθ θ 0 = ˆθ Ŷ / V + ˆθ Ŷ V θ 0 = ˆθ Ŷ / V + [ Φ Ŷ Φ Φθ 0 ] 2 où Φ y = Φ y y V. Or ˆθ Ŷ / V coverge vers 0 e probabilité car pour tout ε > 0, P θ0 [a ˆθ Ŷ / V > ε] P θ 0 [Ŷ V ] + 0. D après le lemme de Slutsky, il suffit doc de motrer que le secod terme du membre de droite de 2 coverge e loi vers la limite aocée. Or par théoreme cetrale limite vectoriel Ŷ Φθ 0 Loi N 0, Γθ 0, et o coclut e utilisat la Propositio 6. 3 Estimatio par maximum de vraisemblace Soit {E, E, {P θ, θ Θ}} u modèle statistique, où Θ R k ous sommes das u cadre paramétrique. O suppose qu il existe ue mesure σ-fiie µ qui domie le modèle, c est à dire que θ Θ, P θ admet ue desité pθ,. par rapport à µ. DÉFINITION 7. Soit X ue observatio. O appelle vraisemblace de X l applicatio Θ R + θ pθ, X. O appelle estimateur du maximum de vraisemblace de θ, tout élémet ˆθ de Θ maximisat la vraisemblace, c est à dire vérifiat ˆθ = arg max pθ, X. θ Θ Remarque. L estimateur de maximum de vraisemblace existe pas toujours et est pas toujours uique. Cosidéros le cas typique où X = X,..., X, les X i format u - échatillo de loi Q θ0 où Q θ0 est ue loi sur X de paramètre icou θ 0 Θ R k. O suppose e outre que pour tout θ Θ, Q θ est absolumet cotiue par rapport à ue mesure ν sur X. Das ce cas, e otat qθ, x = dq θ dν x, et e preat µ = ν o a que la vraisemblace s écrit pθ, X = qθ, X i et doc ˆθ = arg max θ Θ log[qθ, X i ], avec la covetio log0 =. Voyos quelques exemples. 3. Modèle de Beroulli Soit Q θ0 = Bθ avec θ [0, ] = Θ, et ν la mesure de comptage sur N. Pour tout θ ]0, [ et x {0, } θ qθ, x = θ x θ x = θ exp[x log ] θ et doc l estimateur du maximum de vraisemblace doit maximiser das [0, ] log θ S θ S θ = S log + log θ, θ ce qui coduit à ˆθ = X.

4 4 3.2 Lois expoetielles Soit Q θ = Eθ avec θ θ =]0, + [, ν = R+ dx. O a pour tout x > 0, qθ, x = θ exp θx, et le maximum de vraisemblace ˆθ maximisat est doé par ˆθ = X. 3.3 Lois de Poisso logθ θs, Soit Q θ = Pθ avec θ Θ =]0, + [ et ν la mesure de comptage sur N. O a pour tout x N, qθ, x = θx x! e θ = e θ exp[x logθ lx!]. L estimateur du maximum de vraisemblace maximisat est doé par ˆθ = X. S logθ θ, 4 Estimateurs exhaustifs complets DÉFINITION 8. O dit qu u estimateur T est exhaustif ou suffisat si pour tout esemble B E, il existe ue versio de l espérace coditioelle E θ [ X B T ] qui e déped pas de θ. Exemple. Soit X,..., X i.i.d. de loi de Beroulli de paramètre θ. S = X X est ue statistique exhaustive. La loi de X,..., X /S = s e déped pas de θ. THÉORÈME 9. Théorème de factorisatio Si la vraisemblace de l observatio X s écrit sous la forme fx, θ = hxg θ T X, alors T X est ue statistique exhaustive. Exemples X,..., X i.i.d. de loi de Beroulli de paramètre θ, X,..., X i.i.d. de loi de ormale N θ,. PROPOSITION 0. Soit T ue statistique exhaustif et V u estimateur de gθ tel que E θ V 2 < + θ Θ. Soit T = E θ V/T. T est idépedat de θ et pour tout θ Θ, E θ T gθ 2 E θ V gθ 2, ce qui sigifie que le risque quadratique de T pour estimer gθ est iférieur ou égal à celui de V. DÉFINITION. Soit T est u estimateur sas biais de gθ. O dit que T est uiformémet de variace miimale parmi les estimateurs sas biais UMVB si, pour tout estimateur sas biais U de gθ, o a où R désige le risque quadratique. θ Θ, RT, gθ RU, gθ, Soit T u estimateur exhaustif de gθ. O désire itroduire ue otio qui garatisse l uicité d u estimateur ψt qui a les deux propriétés suivates : ψt est sas biais. 2 Parmi les les estimateurs sas biais, il est de variace miimale. S il existe u uique estimateur sas biais de gθ foctio de T alors E θ ψ T = E θ ψ 2 T = gθ = ψ T = ψ 2 T P θ p.s. θ. θ Θ DÉFINITION 2. Ue statistique T est complète si pour toute foctio ψ telle que E θ ψt < + θ Θ, o a E θ ψt = 0 θ Θ = ψt = 0 P θ p.s. θ.

5 5 Si T est ue statistique complète et si ψ T et ψ 2 T sot deux estimateurs sas biais de gθ, alors ψ T = ψ 2 T p.s. Exemple des modèles expoetiels : Remarquos que l o e suppose rie sur la régularité de f ailleurs qu e θ. Notos aussi que l o e suppose pas D θ f 0 et doc la limite peut-etre ulle évetuellemet. DÉFINITION 3. S il existe ue mesure de référece µ telle que la loi P θ admette ue desité par rapport à µ de la forme le modèle est dit expoetiel. fθ, x = Cθ exp T x, Qθ, PROPOSITION 4. Das u modèle expoetiel, T X est ue statistique exhaustive. De plus, si QΘ cotiet u ouvert o vide de R k, alors T X est complète. PROPOSITION 5. Supposos qu il existe au mois u estimateur sas biais de gθ et que T soit exhaustive complète. Alors il existe u uique estimateur sas biais de gθ foctio de T, et cet estimateur est UMVB. Remarque. Si l objectif est de miimiser le risque quadratique, o a parfois itérêt à cosidérer des estimateurs qui sot biaisés. 5 Aexe : rappels sur les covergeces PROPOSITION 6. Delta-Méthode Soit X ue suite de v.a. à valeurs das R k et θ R k tels que r X θ Loi Y, où r est ue suite de réels positifs tedat vers +. Soit f ue applicatio de R k das R m differetiable e θ. O a alors que fx Prob fθ et r fx fθ Loi D θ f[y ]. Remarque. Ce résultat permet d étedre à d autres v.a. le théorème cetral limite. Classiquemet, Y suit ue loi gaussiee N 0, Γ et das ce cas D θ f[y ] N 0, D θ f Γ D θ f.

Convergence en loi. Théorème de la limite centrale.

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

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

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

Plus en détail

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016 MAP 3: Aléatoire PC 8 Marc Lelarge 0 jui 06 Exercice Soit (X ) ue suite de v.a. idépedates et de même loi. itégrable, de moyee m et de variace σ > 0. O défiit: O suppose que X est de carré ˆm = X + + X,

Plus en détail

Théorèmes limites et méthode delta

Théorèmes limites et méthode delta Chapitre. Théorèmes limites et méthode delta O suppose que les premiers théorèmes limites pour ue suite de variables i.i.d. sot cous : le lecteur peut se référer au cours de Mihai Gradiaru (), ou ecore

Plus en détail

Quelques notions élementaires de probabilités et statistiques

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

Plus en détail

CONVERGENCE ET APPROXIMATION

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

Plus en détail

D- Convergence de variables aléatoires

D- Convergence de variables aléatoires D-1 Notatios O cosidère ( ) N (évetuellemet (Y ) N ) ue suite de variables aléatoires défiies sur l espace probabilisé (Ω, A, ) et X (évetuellemet Y ) ue variable aléatoire défiie sur le même espace. O

Plus en détail

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

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

Plus en détail

Convergences et approximations

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

Plus en détail

x + (2 α) y = 0 3 L donc P

x + (2 α) y = 0 3 L donc P 1 Corrigé ESC 009 par Pierre Veuillez Exercice 1 O cosidère les matrices A, B, D, P, E de M (R) suivates : ( ) 5 1 4 ( ) A B 3 3 1 3 0 7 D P 3 3 ( ) { x (1 α) x y 0 1) a: (A αi) 0 y x + ( α) y 0 ( 1 )

Plus en détail

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015

Université Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Année Examen du 13 mai 2015 Uiversité Pierre et Marie Curie Mathématiques L2 UE 2M231 Probabilités-Statistiques Aée 2014-15 Exame du 13 mai 2015 Le sujet comporte 2 pages. L épreuve dure 2 heures. Les documets, calculatrices et téléphoes

Plus en détail

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004

SÉRIES DE FONCTIONS SUITES ET PC*2. 13 octobre octobre octobre 2004 3 octobre 2004 Exemple 2. O se doe a I et q C(I, K). L équatio différetielle liéaire : y (x) q(x) y(x) = 0 avec les coditios y(a) = α, y (a) = β SUITES ET SÉRIES DE FONCTIONS PC*2 3 octobre 2004 Admet

Plus en détail

1 Variables aléatoires

1 Variables aléatoires Variables aléatoires E[X] = + xf X (x)dx E[g(X)] = + g(x)f X (x)dx V ar(x) = E[X ] E[X] Cov(X, X ) = E[X X ] E[X ]E[X ] V ar(ax + b) = a V ar(x) V ar(x ± X ) = V ar(x ) + V ar(x ) ± Cov(X, X ) Iégalité

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

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

Plus en détail

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites

EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES. Mardi 3 mai : 14 h - 18 h. Les calculatrices sont interdites SESSION 216 PCMA2 EPREUVE SPECIFIQUE - FILIERE PC MATHEMATIQUES Mardi 3 mai : 14 h - 18 h N.B. : le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio de la rédactio.

Plus en détail

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

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

Plus en détail

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs.

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs. Exercice Séace 2 : Estimateurs covergets, o biaisés et exhaustifs. Soiet les variables aléatoires X i i =,..., i.i.d. Motrez que S 2 = X i X 2 est u estimateur o biaisé de σ 2, où σ 2 = V ar[x ]. O utilise

Plus en détail

Chapitre 6 Théorèmes de convergence

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

Plus en détail

Loi des grands nombres.

Loi des grands nombres. Uiversité Pierre et Marie Curie 213-214 Probabilités élémetaires - LM345 Feuille 9 (semaie du 25 au 29 ovembre 213) Loi des grads ombres. 1. Soit (U ) 1 ue suite de variables aléatoires idépedates toutes

Plus en détail

Probabilités générales

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

Plus en détail

est la fréquence empirique des succès lors des 10 premières expériences.

est la fréquence empirique des succès lors des 10 premières expériences. Pierre Veuillez Statistiques iféretielle Sources, et pour e savoir plus : http://www.math-ifo.uiv-paris5.fr/smel 1 Problématique : Exemple ue ure cotiet des boules rouges et blaches dot o e coaît pas la

Plus en détail

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3 Tests Chapitre Table des matières 1 Pricipe d u test 1 11 Défiitios 1 Méthode géérale 3 Test de coformité à u paramètre 3 1 Test de coformité à ue moyee 3 Test de coformité à ue proportio 4 3 Test d homogééité

Plus en détail

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations

1 Lois des grands nombres. 2 Théorème central-limite. 3 Estimation ponctuelle à partir d échantillons. 4 Biais dans les estimations Pla du cours 2 RFIDEC cours 2 : Échatillos, estimatios poctuelles Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Lois des grads ombres 2 Théorème cetral-limite 3 Estimatio poctuelle à partir d échatillos

Plus en détail

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

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

Plus en détail

Covariance et ajustement affine par la méthode des moindres carrés

Covariance et ajustement affine par la méthode des moindres carrés Uiversité de Poitiers - 205-206 A. Moreau Algèbre - Géométrie M MEEF Covariace et ajustemet affie par la méthode des moidres carrés Das tout le documet, la lettre désige u etier aturel o ul. Les deux parties

Plus en détail

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés

LES MOINDRES CARRÉS. Table des matières. 1. Justification de la méthode des moindres carrés LES MOINDRES CARRÉS OLIVIER CASTÉRA Résumé. La méthode des moidres carrés repose sur u fodemet probabiliste sérieux. Table des matières 1. Justificatio de la méthode des moidres carrés 1 2. Caractéristiques

Plus en détail

Corrigé : EM Lyon 2005

Corrigé : EM Lyon 2005 Corrigé : EM Lyo 5 Optio écoomique Eercice :. Par défiitio de E, la famille (I,J,K) est ue famille géératrice de E. Cette famille est-elle libre? O cherche tous les réels a, b et c tels que : ai +bj +ck

Plus en détail

SUITES et SERIES DE FONCTIONS

SUITES et SERIES DE FONCTIONS UE7 - MA5 : Aalyse SUITES et SERIES DE FONCTIONS I Suites de foctios à valeurs das È ou  Etat doé u esemble E, ue suite de foctios umériques défiies sur E est la doée, pour tout etier, d'ue applicatio

Plus en détail

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales

[M. Gubinelli - Processus discrets - M1 MMD 2009/ v.6] IV Martingales Filtratios et martigales 1 [M. Gubielli - Processus discrets - M1 MMD 2009/2010-20100113 - v.6] IV Martigales 1 Filtratios et martigales O cosidère u espace probabilisé (Ω, F, P). Défiitio 1. Ue filtratio

Plus en détail

Préparation au Capes de Mathématiques Probabilités - Problème sur les médianes - Correction

Préparation au Capes de Mathématiques Probabilités - Problème sur les médianes - Correction Préparatio au Capes de Mathématiques Probabilités - Problème sur les médiaes - Correctio Prélimiaires Soit X ue v.a.r. de type 1 et F sa f.d.r.. O pose, pour tout de Z, p = P (X = ) et P = k p. O a : Z

Plus en détail

Texte Filtre de Kalman-Bucy

Texte Filtre de Kalman-Bucy Page 1. Texte Filtre de Kalma-Bucy 1 e modèle U avio se déplace etre Paris et odres. Il suit ue trajectoire théorique appelée trajectoire omiale dot les coordoées sot coues de tous. a trajectoire de l

Plus en détail

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse

Filière Sciences de Matières Physiques (SMP4) Module Mathématiques : Analyse (S4) Cours d Analyse UNIVERSITÉ MOHAMMED V - AGDAL Faculté des Scieces Départemet de Mathématiques Filière Scieces de Matières Physiques (SMP4) Module Mathématiques : Aalyse (S4) Cours d Aalyse Séries umériques Suites et Série

Plus en détail

x k, 2 : x k 1 n x x 1

x k, 2 : x k 1 n x x 1 SMIA/S3 ANALYSE 3 AALAMI IDRISSI et EZEROUALI Chapitre 5 FONCTIONS DE IR DANS IR p I) NOTIONS DE TOPOLOGIE SUR IR 1) Normes sur IR : a) Défiitio: O appelle orme sur toute applicatio x x de das telle que

Plus en détail

Suites de variables aléatoires.

Suites de variables aléatoires. Uiversité Pierre et Marie Curie 200-20 Probabilités et statistiques - LM345 Feuille 8 Suites de variables aléatoires.. Soit Ω, F, P u espace de probabilités. Détermier pour chacue des covergeces suivates

Plus en détail

Convergence de suites réelles

Convergence de suites réelles DOMAINE : No olympique AUTEUR : Nicolas SÉGARRA NIVEAU : Itermédiaire STAGE : Motpellier 2014 CONTENU : Cours et exercices Covergece de suites réelles I) Rappels et otios de base. Défiitio 1. Ue suite

Plus en détail

Éléments de correction de la feuille d exercices # 3

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

Plus en détail

TD Modélisation Statistique

TD Modélisation Statistique Licece 3 Mathématiques TD Modélisatio Statistique Ex 1. Soit X ue variable aléatoire réelle de desité f cotiue et de foctio répartitio F. 1. Calculer la foctio de répartitio de Y = αx + β pour α, β R,

Plus en détail

C.B. Analyse : solutions

C.B. Analyse : solutions l( ) ) La foctio f C.B. Aalyse : solutios Partie I : Etude de la foctio L a) Par théorème géérau, f est de classe C sur ], [ {}. E, o motre simultaémet les deu propriétés e obteat u D.L. de f e. O sait

Plus en détail

Introduction à la théorie des probabilités et aux statistiques

Introduction à la théorie des probabilités et aux statistiques Itroductio à la théorie des probabilités et aux statistiques Magistère de mécatroique re aée ENS Rees Uiversité Rees Aée 06-07 Pour toutes remarques et correctios : floria.lemoier@es-rees.fr Probabilités

Plus en détail

Annexe : Leçon 10 - Échantillonnage

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

Plus en détail

Épreuve écrite d analyse et probabilités

Épreuve écrite d analyse et probabilités Épreuve écrite d aalyse et probabilités Notatios et défiitios Le problème traite de certaies propriétés cocerat les racies de polyômes dot les coefficiets sot aléatoires. Das tout le problème, l espace

Plus en détail

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations

Partie I : Résultats généraux sur les matrices stochastiques - Illustrations 8-8- JFC p EM LYON S JF COSSUTTA Lycée Marceli BERTHELOT SAINT-MAUR jea-fracoiscossutta@waadoofr PROBLÈME Partie I : Résultats gééraux sur les matrices stochastiques - Illustratios Remarque Das la suite

Plus en détail

CHAINES DE MARKOV. de variables aléatoires définies sur le même espace probabilisé, TPà, valeurs dans un ensemble fini E telles que, pour tout n tout

CHAINES DE MARKOV. de variables aléatoires définies sur le même espace probabilisé, TPà, valeurs dans un ensemble fini E telles que, pour tout n tout COURS CHAIES DE MARKOV Défiitio O appelle chaîe de Marov toute suite de variables aléatoires défiies sur le même espace probabilisé, TPà, valeurs das u esemble fii E telles que, pour tout tout i, i,, i

Plus en détail

Autour de la loi de Poisson

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

Plus en détail

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

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

Plus en détail

i la moyenne empirique de X n n v =

i la moyenne empirique de X n n v = Corrigé Statistiques iféretielle par par Pierre Veuillez Itervalle de cofiace. Exercice Détermier ue valeur approchée de la loi de la moyee empirique : E X E X, V X V X doc X N E X, V X Exercices. Variace

Plus en détail

Questions de cours. tend vers 0, alors que la série harmonique 1. v n = ln n La série u n est convergente, et la série [ ( )]

Questions de cours. tend vers 0, alors que la série harmonique 1. v n = ln n La série u n est convergente, et la série [ ( )] PC - DS N 6 - U corrigé Questios de cours QC..a L assertio a. est fausse. Par exemple, la suite + ted vers 0, alors que la série harmoique + est divergete. QC..b L assertio b. est vraie. Supposos que la

Plus en détail

Chapitre Rappels sur les suites

Chapitre Rappels sur les suites Chapitre Séries umériques. Rappels sur les suites Défiitio.. (i) Ue suite (a ) N de réels (ou de complexes) est covergete vers ue limite a si pour tout ε > 0, il existe 0 N tel que pour tout 0, o a a a

Plus en détail

Sommaire. Chapitre 1. Notions de base Chapitre 2. Nombres complexes Polynômes... 33

Sommaire. Chapitre 1. Notions de base Chapitre 2. Nombres complexes Polynômes... 33 Sommaire Chapitre. Notios de base.................... 7 A. Démostratio par récurrece..................... 8 B. Esembles............................. 9 C. Applicatios............................ 2 D. Calcul

Plus en détail

Séries à termes positifs

Séries à termes positifs Séries à termes positifs Das toute la suite N désigera les etiers aturels positifs 0,,,..., Z tous les etiers aturels...,,, 0,,, 3,... et Q les ombres ratioels. Efi R désigera les réels, et C les complexes.

Plus en détail

Dénombrement. Chapitre 1. Objectifs du chapitre. 1.1 Entiers naturels et raisonnement par récurrence

Dénombrement. Chapitre 1. Objectifs du chapitre. 1.1 Entiers naturels et raisonnement par récurrence Chapitre 1 Déombremet Objectifs du chapitre 1. A travers l axiomatisatio de Peao de N, rappeller les pricipes de récurrece forte et faible. 2. Défiir la otio de cardial et les opératios sur les cardiaux.

Plus en détail

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple.

Annexe I. Théorie des tests : Rappel très simplifié sur un exemple. Théorie des tests : Rappel très simplifié sur u exemple. Aexe I Test de l efficacité d u remède sur des malades atteit d u rhume. p 0 : probabilité de guérir das les huit jours avec u placebo p 1 : probabilité

Plus en détail

Résumé 10 : Probabilités I

Résumé 10 : Probabilités I http://mpbertholletwordpresscom Résumé 10 : Probabilités I Ω sera u esemble abstrait, c est-à-dire sas structure particulière P(Ω désige l esemble de tous les sous-esembles de Ω, y compris le sous-esemble

Plus en détail

Master 1 Métiers de l Enseignement, Mathématiques - ULCO, La Mi-Voix, 2012/2013

Master 1 Métiers de l Enseignement, Mathématiques - ULCO, La Mi-Voix, 2012/2013 Master Métiers de l Eseigemet, Mathématiques - ULCO, La Mi-Voix, 202/203 ANALYSE 2 Fiche de Mathématiques 4 - Séries umériques Soit E u espace vectoriel sur le corps K = R ou C Pour toute famille fiie

Plus en détail

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle Math-F-207 Corrigé Séace 5 Exercice 1 Séace 5 : Exercices récapitulatifs sur l estimatio poctuelle Les élémets d ue populatio possèdet u caractère X qui suit ue loi de desité f (x e x2 /2 2π où > 0. Pour

Plus en détail

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C :

Partie A : z x. z =( z ) = 4 = - 4 donc z est aussi solution de (E) Partie C : Corrigé baccalauréat S Polyésie 200 (raiateabac.blogspot.com) EXERCICE (5 poits) Pré-requis : z a + bi et _ z a bi Partie A : a ) E posat z a + bi et z a + b i o obtiet : z x z (a + bi) ( a + b i) aa bb

Plus en détail

Opérations sur les variables aléatoires Lois limites

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

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée

Plus en détail

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i }

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i } Nom :........................ DS Préom :..................... Devoir o 7 Mars 6.../... Le soi et la rédactio serot pris e compte das la otatio. Faites des phrases claires et précises. Le barème est approximatif.

Plus en détail

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

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

Plus en détail

GRAPHES ALÉATOIRES D ERDÖS-RÉNYI

GRAPHES ALÉATOIRES D ERDÖS-RÉNYI GRAPHES ALÉATOIRES D ERDÖS-RÉNYI U grad réseau de commuicatio (iteret, Facebook, etc.) est modélisé par u graphe G = (V, E), dot les sommets v V sot les agets de ce réseau, et dot les arêtes e = {u, v}

Plus en détail

Cours de Statistique asymptotique

Cours de Statistique asymptotique Cours de Statistique asymptotique 1 Table des matières 1 Itroductio to M-estimatio 4 1.1 Desity Estimatio................................ 4 1.2 Regressio Model................................. 5 1.3 A

Plus en détail

ESTIMATION Exercices

ESTIMATION Exercices ESTIMATION Exercices EERCICE : Les variables aléatoires cosidérées das cet exercice sot défiies sur u espace probabilisable, AP, Soit a u réel strictemet positif et ue variable aléatoire de loi uiforme

Plus en détail

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

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

Plus en détail

1 Séries numériques. 1.1 Généralités. Dans toute cette section, si cela n est pas précisé, E désignera l espace R m, m 1, et la norme euclidienne.

1 Séries numériques. 1.1 Généralités. Dans toute cette section, si cela n est pas précisé, E désignera l espace R m, m 1, et la norme euclidienne. 1 Séries umériques Das toute cette sectio, si cela est pas précisé, E désigera l espace R m, m 1, et la orme euclidiee. 1.1 Gééralités Défiitio 1.1. Soit (x ) N ue suite de E et pour chaque N, o défiit

Plus en détail

Introduction aux Probabilités et aux Statistiques. par Benoît Mselati et Florent Benaych-Georges

Introduction aux Probabilités et aux Statistiques. par Benoît Mselati et Florent Benaych-Georges Itroductio aux Probabilités et aux Statistiques par Beoît Mselati et Floret Beaych-Georges (floret.beaych@gmail.com) 3 octobre 004 Table des matières 1 Notios de base 3 1.1 Défiitios.........................................

Plus en détail

CORRIGÉ : MATH 2 ; MP ; Mines-ponts_2015

CORRIGÉ : MATH 2 ; MP ; Mines-ponts_2015 CORRIGÉ : MATH ; MP ; Mies-pots_05 A Norme d opérateur d ue matrice ) est u espace vectoriel ormé de dimesio fiie et S est u fermé boré de, c est doc u compact de L applicatio x Mx est u edomorphisme de

Plus en détail

CH V : Variables aléatoires - généralités

CH V : Variables aléatoires - généralités CH V : Variables aléatoires - gééralités I. Notio de variable aléatoire réelle Soit (Ω, A ) u espace probabilisable. O dit que X est ue variable aléatoire réelle défiie sur (Ω, A ) si : (i) X est ue applicatio

Plus en détail

Corrigé feuille d exercices 4

Corrigé feuille d exercices 4 UNIVERSITÉ PIERRE ET MARIE CURIE Aée 008/009 MIME LM5-Suites et Itégrales Groupes Corrigé feuille d exercices Suites Covergece de suites Exercice Ue suite u N est pas croissate, si o N, u + u est vérifiée

Plus en détail

Statistiques Asymptotiques- Notes de cours - M2. Elisabeth Gassiat

Statistiques Asymptotiques- Notes de cours - M2. Elisabeth Gassiat Statistiques Asymptotiques- Notes de cours - M Elisabeth Gassiat Table des matières Itroductio 5 Des méthodes d estimatio 7. Outils probabilistes............................... 7. Estimateurs de type

Plus en détail

Divers exercices de probabilité

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

Plus en détail

LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE

LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE MATTHIEU KOWALSKI 1. INTRODUCTION La démarche statistique cosiste à observer ue expériece aléatoire das le but de mieux coaître ses caractéristiques.

Plus en détail

C.1- Lois discrètes- Loi uniforme

C.1- Lois discrètes- Loi uniforme C- Lois usuelles C.1- Lois discrètes- Loi uiforme Loi d ue variable aléatoire X preat ses valeurs das {1,,} avec la même probabilité: 1 P ( X = x ) = x {1,,... } Ex : E=«lacer d u dé régulier» X=uméro

Plus en détail

Correction de l exercice 1

Correction de l exercice 1 IUT Orsa Iformatique S3 Correctio de l exercice. Ω est l esemble des résultats possibles de l experiece aléatoire lacer u dé à faces : Ω {,, 3,,, }, et Ω.. Si k Ω sort, le gai du jeu est k euros. Doc la

Plus en détail

IREM Martine Quinio. 5 février 2013

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

Plus en détail

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber Résumé : Niveau : Bac Scieces de l iformatique Réalisé par : Prof. Bejeddou Saber Tableau récapitulatif sur le déombremet: Type du tirage : Simultaé Successif sas remise Successif avec remise U tirage

Plus en détail

Plan du cours. Rappels de probabilité. Axiomes des probabilités. Définition de la probabilité

Plan du cours. Rappels de probabilité. Axiomes des probabilités. Définition de la probabilité Pla du cours Rappels de probabilité Défiitios Axiomes Variable aléatoire Foctio de répartitio Momets R. Flamary, R. Herault, A. Rakotomamojy 9 octobre 4 Exemples de lois Loi uiforme Loi ormale Loi uiforme

Plus en détail

ANOVA avec un facteur aléatoire

ANOVA avec un facteur aléatoire Chapitre 7 ANOVA avec u facteur aléatoire Jusqu à maiteat, o a supposé que les modalités du facteur étudié ot été choisies parce qu elles étaiet itrisèquemet itéressates. Le modèle à effets fixes porte

Plus en détail

Examen du 12 juin durée : 3h

Examen du 12 juin durée : 3h Master de Mathématiques Aalyse Foctioelle Exame du 1 jui 13 1 - durée : 3h Le seul documet autorisé est u résumé mauscrit du cours de trois pages maximum. Les téléphoes portables et les calculatrices e

Plus en détail

Corrigé Fiche 6 Septembre 2016

Corrigé Fiche 6 Septembre 2016 Corrigé Fiche 6 Septembre 2016 1. Estimatio de la moyee, variace coue, cas gaussie O dispose d u -échatillo X 1,..., X i.i.d. tel que X i suit ue loi ormale N µ, σ 2 ). L objectif est d estimer µ. Supposos

Plus en détail

MAT 452 Analyse Fonctionnelle ( ) Correction exercice 5 / Feuille d exercices n 3

MAT 452 Analyse Fonctionnelle ( ) Correction exercice 5 / Feuille d exercices n 3 MAT 45 Aalyse Foctioelle (6-7) Correctio exercice 5 / Feuille d exercices 3 Soit H u espace de Hilbert complexe séparable et D u sous-espace quelcoque de H. O se doe u opérateur liéaire A : D H. O appelle

Plus en détail

1 Propriétés - Suites monotones

1 Propriétés - Suites monotones Uiversité d Aix-Marseille Licece de Mathématiques Semestre 06-07 Aalyse Plache - Suites umériques Propriétés - Suites mootoes Exercice Soiet les suites défiies, pour tout, par u = et v = Vérifier qu elles

Plus en détail

CONCOURS COMMUN POLYTECHNIQUE (ENSI) FILIERE MP MATHEMATIQUES 1

CONCOURS COMMUN POLYTECHNIQUE (ENSI) FILIERE MP MATHEMATIQUES 1 SESSION 22 CONCOURS COMMUN POLYTECHNIQUE ENSI FILIERE MP MATHEMATIQUES EXERCICE : ormes équivaletes. Soit f E. f est de classe C sur [,]. Doc la foctio f est cotiue sur le segmet [,] et par suite la foctio

Plus en détail

Feuille d Exercices : Suites, suite!

Feuille d Exercices : Suites, suite! ECS 1 Dupuy de Lôme Semaie du 6 décembre 004 Feuille d Exercices : Suites, suite! Exercice 1 : Pour tout etier, o défiit u = 1. Motrez que u est mootoe.. Motrez que v est géométrique. k= 3. E déduire l

Plus en détail

Feuille de travaux pratiques # 3

Feuille de travaux pratiques # 3 Uiversité de Rees 1 Préparatio à l agrégatio Modélisatio - Proba/stat aée 015-016 Feuille de travaux pratiques # 3 1 La méthode de Mote-Carlo La méthode de Mote-Carlo est ue méthode de calcul approché

Plus en détail

Partie I - Suites et intégrales

Partie I - Suites et intégrales SESSION 16 Cocours commu Cetrale MATHÉMATIQUES. FILIERE MP I.A - Étude d ue itégrale à paramètres Partie I - Suites et itégrales I.A - 1 Soit φ : [, + [ ], + [ R de sorte que pour tout réel x, fx = Φx,t.

Plus en détail

2 Propriétés élémentaires des probabilités

2 Propriétés élémentaires des probabilités Uiversité de Reims Champage Ardee UFR Scieces Exactes et Naturelles Aée uiversitaire 2013-2014 MA 0804 - Master 1 CM1 Espaces probabilisés 1 Déitio Pour déir u espace probabilisé, o a besoi d'u esemble

Plus en détail

Probabilités : programme pour le concours EDHEC AST1

Probabilités : programme pour le concours EDHEC AST1 : programme pour le cocours EDHEC AST1 1 Espaces de probabilité Défiitio. O fixe u esemble Ω qui sera esuite appelé l uivers. O appelle tribu, ou σ-algèbre sur Ω tout esemble F de parties de Ω (aisi F

Plus en détail

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

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire Méthodes Statistiques UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Aée uiversitaire 2014 2015 L2 Écoomie Cours de B. Desgraupes Méthodes Statistiques Séace 11: Tests d adéquatio II Table des matières 1 Test de Kolmogorov-Smirov

Plus en détail

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

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

Plus en détail

Utilisation en modélisation. Régression linéaire

Utilisation en modélisation. Régression linéaire Utilisatio e modélisatio Régressio liéaire La régressio est l ue des otios basiques de la statistique et de l aalyse des doées. Gééralemet, le problème cosiste à décrire la dépedace etre deux variables

Plus en détail

1 Présentation du jeu.

1 Présentation du jeu. Présetatio du jeu.. Les règles du jeu. Le touroi est u jeu comportat ue suite de maches (appelées duels ) opposat deux joueurs, jamais plus. Les joueurs vot etrer e jeu successivemet, tat qu aucu d etre

Plus en détail

X 1 = { X si X est impair 0 sinon

X 1 = { X si X est impair 0 sinon Corrigé ECRICOME 998 par Pierre Veuillez Das tout le problème, X désige ue variable aléatoire défiie sur u espace probabilisé (Ω, A, P et à valeurs das N et E(X l espérace de X si elle eiste. O ote A l

Plus en détail

CORRIGÉ : MATH 1 ; MP ; Mines-ponts_2015

CORRIGÉ : MATH 1 ; MP ; Mines-ponts_2015 CORRIÉ : MATH 1 ; MP ; Mies-pots_15 A. Opérateur de Volterra 1) Soiet f, g E, c est clair que Vf et V f sot deux primitives de f. Vf, g / Vf xgx / Vf xv g x Vf xv gx / et Vf, g / fxv gx f, V g. Vf xv gx

Plus en détail

Chapitre 1. Modélisation statistique. 1.1 Exemple du jeu de pile ou face

Chapitre 1. Modélisation statistique. 1.1 Exemple du jeu de pile ou face Chapitre 1 Modélisatio statistique 1.1 Exemple du jeu de pile ou face Ue pièce a ue probabilité icoue θ 0 ]0,1[ de tomber sur pile. Sur les 1000 lacers réalisés idépedammet les us des autres, 520 piles

Plus en détail

TS Limites de suites (3)

TS Limites de suites (3) TS Limites de suites (3) I. Rappels sur les suites majorées, miorées, borées ) Défiitio (suite majorée, miorée, borée) 5 ) Propriété Si u réel M est u majorat d ue suite u, alors tous les réels supérieurs

Plus en détail

Statistique inférentielle I - Estimation

Statistique inférentielle I - Estimation Statistique iféretielle I - Estimatio Nathalie Cheze July 9, 2007 Itroductio. Notio d échatillo Soit u esemble de taille N, appelé populatio. O veut étudier la populatio relativemet à u caractère statistique

Plus en détail

Suites réelles. 1. Quelques rappels sur le corps des réels

Suites réelles. 1. Quelques rappels sur le corps des réels Agrégatio itere UFR MATHÉMATIQUES Suites réelles O ote N l esemble des etiers aturels et Z l esemble des etiers relatifs. Avat de parler de l esemble R des ombres réels, rappelos la défiitio de deux autres

Plus en détail

Chapitre II: Notions sur les fautes et les erreurs.

Chapitre II: Notions sur les fautes et les erreurs. Chapitre II: Notios sur les fautes et les erreurs. Chapitre II: Notios sur les fautes et les erreurs.. Gééralités Mesurer c'est l'actio de comparer ue gradeur (quatité) par rapport à ue gradeur de même

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

Lois normales. Intervalle de fluctuation. Estimation. Lois ormales. Itervalle de fluctuatio. Estimatio.. Loi ormale cetrée réduite... p. Théorème de Moivre-Laplace... p 3. Loi ormale (µ ; σ²)... p3 Copyright meilleuremaths.com. Tous droits réserwidevec{}vés

Plus en détail