IREM Martine Quinio. 5 février 2013

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "IREM Martine Quinio. 5 février 2013"

Transcription

1 : 1

2 IREM 2013 Martie Quiio 5 février 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 ; les probabilités et la otio de seuil de cofiace...article grad public sur le rôle des probas, les statistiques e sot pas que des mesoges ; allusio Historique de la Courbe de Gauss Laplace ( ), e Frace : Il étudie les aissaces e posat la probabilité d avoir ue fille p=0,49 ; le ombre k de filles parmi efats est ue variable aléatoire qui suit ue loi biomiale de paramètres et p : Il gééralise le problème de De Moivre (1733) Il trace u diagramme, avec, e abscisse, les différetes valeurs de k, et, e ordoée, les probabilités associées ; Laplace cherche la courbe qui lisse les observatios. Laplace obtiet les seules foctios du type : e 1 2k (x m)2 Esuite, Laplace, physicie et astroome s itéresse au problème des erreurs, erreurs de mesure faites sur ue série d observatios de pressio doées par u baromètre à divers momets de la jourée. Problème : Commet obteir l estimatio d ue mesure compte teu des erreurs dues aux istrumets, des erreurs de lecture et de multiples petites causes perturbatrices ; Laplace a l idée de faire u grad ombre de mesures, ce qui costitue ue approche statistique du problème. Supposos que l o effectue ue série d observatios et désigos par Ei l erreur associée à l observatio uméro i, erreur évidemmet icoue : la suite des erreurs est ue suite de variables aléatoires idépedates dot la somme S est l erreur totale, variable aléatoire aussi ; Laplace examie le comportemet de S quad deviet grad et motre commet ce problème gééralise le précédet. Gauss ( ) e Allemage : Gauss se demade commet estimer la valeur d u paramètre à partir de résultats observés ; il développe alors la théorie de l estimatio par la méthode des moidres carrés, pose ue foctio dite foctio de vraisemblace, qui est ue probabilité ; posat quelques hypothèses de régularité, Gauss démotre qu alors, les seules foctios possibles sot les foctios du type e 1 2 x2 2

3 Et retrouve les foctios de Laplace dot la courbe représetative a l allure de la courbe e cloche... 2 Pourquoi la loi ormale s appelle-t-elle loi ormale? 2.1 Covergece vers la loi ormale Le poit suivat justifie l appellatio «loi ormale» Théorème 2.1 (dit : «cetral limite» ou de la limite cetrale) : Si (X i ) i, sot des variables aléatoires idépedates et de même loi, quelle que soit cette loi, m leur espérace commue et σ 2 la variace commue, alors la suite des variables aléatoires ( X σ m ) coverge e loi vers la loi ormale cetrée réduite N(0, 1), e otat X la variable aléatoire : i=1 X = X i Cela sigifie que la loi de probabilité de la moyee ("moyee d échatillo") de variables aléatoires idépedates et de même loi, quelle que soit cette loi, se comporte, σ pour assez grad, comme ue loi ormalen(m, ) : Défiitio 2.1 Ue suite de variables aléatoires idépedates et de même loi est u - échatillo de cette loi. Remarque 2.1 La démostratio est évidemmet impossible e termiale, mais o peut leur faire calculer l espérace et la variace de la moyee d échatillo... Remarque 2.2 Motros à préset la puissace du théorème : So itérêt est que l o peut évaluer des probabilités du type : i=1 P [ X i a], ou ecore, P [ i=1 X i a], même si l o e coaît pas la loi des X i, ou même si cette loi est compliquée, pourvu que ces variables aléatoires soiet idépedates, de même loi et que soit assez grad : c est u résultat très puissat! Exemple 2.1 O suppose que la température moyee du mois de mai à Marseille est ue variable aléatoire qui suit ue loi ormale de moyee : 19 et d écart-type : 2 ; o suppose que ces températures moyees sot idépedates d ue aée sur l autre. Quelle est la loi suivie par la moyee des températures moyees e mai, à Marseille, sur trois aées cosécutives? Quelle est la probabilité pour que, durat trois aées cosécutives, la température moyee dépasse 20? 3

4 Solutio : Notos X i, i 3, la variable aléatoire : «température moyee du mois de mai, aée i, à Marseille» La moyee sur 3 as est la variable aléatoire : X = X 1 + X 2 + X 3 : l espérace de X 3 est 19, la variace de X est : V arx = 1 9 (V ar X 1 + V ar X 2 + V ar X 3 ) = = 4 3. La loi suivie par la moyee des températures moyees e mai, à Marseille, sur trois 4 aées cosécutives est ue loi ormale de moyee : 19 et d écart-type : 3 La probabilité pour que, durat trois aées cosécutives, la température moyee dépasse 20 peut se calculer comme la probabilité de trois évéemets idépedats : C est doc (P [X i 20]) 3 : Or, P [X i 20] = P [ X i ] = 1 Π( ). Doc : P [X i 20]) : eviro 3 pour 100 est la probabilité cherchée. Exemple 2.2 O suppose que la température moyee du mois de mai à Marseille est ue variable aléatoire qui suit ue loi icoue de moyee : 19 et d écart-type : 2 ; o suppose seulemet que ces températures moyees sot idépedates d ue aée sur l autre. Quelle est la loi suivie par la moyee des températures moyees e mai, à Marseille, sur 50 aées cosécutives? 50 i=1 La loi suivie par la moyee X = X i des températures moyees e mai, à Marseille, sur ciquate aées cosécutives, est ue loi ormale de moyee : E(X) = 19 = 50 E(X i ), et d écart-type : σ(x) = 1 50.V arxi = σ(x i) = Loi des erreurs La puissace du TCL... Supposos qu ue usie fabrique des pièces dot l ue des dimesios est ue variable aléatoire qui suit ue loi ormale ; l erreur est ue variable aléatoire qui suit ue loi ormale N(0 ; σ) : Doc pour chaque pièce, l erreur Ei est telle que : Alors si l erreur moyee est : X = σ(x) = σ : P [ 1.96σ < Ei 1.96σ] = 0.95 i=1 Ei : Doc sur pièces la précisio est fois meilleure puisque : P [ 1.96 σ < i=1 Ei 1.96 σ ] = 0.95 Applicatio : Soit ue série de mesures xi d ue distace (exemple : Terre Soleil à t doé) : E 2006, des mesures ot été effectuées das de ombreux lycées e Frace utilisat la durée de l eclipse de Véus... Xi : la variable aléatoire "mesure i" 4

5 Posos : Ei=d-Xi : L espérace de Xi est d. Le résultat précédet doe : P [d 1.96 σ i=1 < Xi d σ ] = 0.95 : i=1 xi Doc la moyee des mesures, m= état ue réalisatio de la variable aléatoire i=1 Xi : La moyee m doe la distace d avec ue précisio fois meilleure que ue seule mesure! Exemple : 400 mesures doe ue précisio 20 fois meilleure qu ue seule mesure : Remarque 2.3 La multiplicatio des observatios augmete la précisio, puisque l écarttype dimiue! Exercice 2.1 Sur u trajet e trai (heure doée, jour doé) Paris-Marseille, le retard moye est de 10m ; o cosidère que le retard est ue variable aléatoire R d espérace (e m) 10 et decart-type : 3. 1) O cosidère que la loi de R est ue loi ormale : Calculez P [5 < R < 15]. 2) Le trajet durat 3h, doer u itervalle de cofiace à 95% du retard et doc du temps du trajet. 3) La loi de R est icoue ; o étudie plusieurs trajets, o ote R i la variable aléatoire "retard" sur le trajet uméro i. O suppose les variables aléatoires R i idépedates, de m{eme loi, de paramètres doés das la questio 1. Soit X la variable aléatoire "retard moye sur trajets", 100. Quelle est la loi de X? 4) Doer u itervalle de cofiace à 95% du retard moye sur 100 trajets. Solutio 2.1 Trais 1) La variable aléatoire (R 10)/3 suit ue loi ormale cetrée Y réduite : P [5 < R < 15] = P [(5 10)/3 < (R 10)/3 < (15 10)/3] = 2F (5/3) 1 = 90.4% 2) Comme Y est cetrée réduite, P [ 1.96 < Y < 1.96] = 0.95 u itervalle de fluctuatio à 95% du retard est e m, [ ; ] = [4m; 16m] 3) La loi de X est ue loi ormale dspérace 10, decart-type 3/. 4) U itervalle de fluctuatio à 95% du retard moye sur 100 trajets est doc : [ / ; / ] = [9m24; 10m36] La précisio est bie meilleure, et c est aisi que a posteriori, o peut estimer le retard moye : le retard est ue variable aléatoire R d espérace (e m)

6 3 Théorème de Moivre Laplace Le TCL a cou plusieurs expressios, jusqu à sa démostratio sous la forme actuelle (Russie, XIX ème siècle, Chebychev) ; el Théorème de Moivre Laplace e est ue première versio... Théorème 3.1 Ue variable aléatoire X qui suit ue loi biomiale de paramètres et p, coverge e loi vers ue variable aléatoire qui suit ue loi ormale N(m, σ), ce qui sigifie que la foctio de répartitio de X, qui déped de, peut être approchée par la foctio de répartitio d ue loi ormale de même espérace et de même variace. C est bie ue cosèquece du Théorème cetral limite : Si (X i ) i, sot des variables aléatoires idépedates et de même loi de Beroulli, m leur espérace commue et σ 2 la variace commue, alors la suite des variables aléatoires ( X σ m ) coverge e loi vers la loi ormale cetrée réduite N(0, 1), e otat X la variable aléatoire : X = X Si X B(, p) o peut approcher la loi de X par ue loi ormale : P [ b X m σ +b 1 b] e 1 2 x2 dx b 2π Pour b = 1.96 : P [ b X m σ b] = 0.95, soit, P [ 1.96 σ X m 1.96 σ ] = 0.95 Aisi l écart, e valeur absolue, etre la moyee d échatillo X et so espérace m est "cotrôlé" : P [ X m 1.96 σ ] = 0.05 Exercice 3.1 O estime que (voir ci dessous) le taux moye de persoes à soiger pour u problème de cholestérol élevé est de 7.5% das ue populatio : Das u échatillo de persoes, doer u itervalle de fluctuatio das lequel o soit sûr, à 95%, de trouver le ombre exact de persoes à soiger sur les Solutio 3.1 Le ombre de persoes malades parmi les persoes suit ue loi biomiale de param ètres p = et = 10000, qu o approche par ue loi ormale N (p, p(1 p). O obtiet doc l itervalle de fluctuatio à 95% [p p(1 p), p 1.96 p(1 p)] [698; 802]. 6

7 4 Iitiatio aux tests sur ue moyee Exemple 4.1 Des laboratoires affirmet que le taux moye de cholestérol d ue certaie populatio doée est de 190 cg ; sur u échatillo de 100 patiets, o a observé ue moyee de 200 cg, avec u écart-type de 40 cg. Peut-o se fier aux affirmatios de ces laboratoires ou bie doit-o mettre leurs doées e doute? Cela reviet à chercher u itervalle de cofiace... 5 Des exemples de problèmes faisables e termiale Exercice 5.1 Sur ue lige de bus, o estime que le retard e miutes sur l horaire est ue variable aléatoire R qui suit ue loi ormale N(m ; σ) O admet que la probabilité que le retard soit iférieur à 7 miutes est p=84,1% et que le retard moye est 5 miutes : 1) Calculer σ 2) Quelle est la probabilité pour que le retard dépasse 9 miutes? 3) Sachat que le retard est supérieur à 3 miutes, quelle est la probabilité d attedre ecore mois de 4 miutes? 4) U étudiat pred ce bus tous les matis pedat 100 jours ; o suppose les retards jouraliers idépedats Soit X la variable aléatoire «ombre de matis parmi 100 où il atted mois de 7 miutes» Quelle est la loi de probabilité de X, so espérace, sa variace 5) Lassé des retards de bus, il décide de predre le bus ou le tram selo le protocole : Le premier jour, il pred le bus Si le jour il a attedu plus de 7 miutes, le jour suivat il pred le tram ; sio, il pred le bus le jour suivat Si le jour il pred le tram, le jour suivat il pred bus ou tram de faço équiprobable. O ote P() la probabilité de l évéemet «L étudiat pred le bus le jour» a) Motrer que : b) Etudier la suite (P ()) P ( + 1) = (p 1 2 )P () Exercice 5.2 Das cet exercice, o cosidère des courses cyclistes avec plus ou mois de participats et d étapes... Les parties A, B, C sot idépedates. Partie A U groupe de 200 coureurs, portat des dossards umérotés de 1 à 200, participe à ue course cycliste qui compred 20 étapes ; aucu abado est costaté. À la fi de chaque étape, u groupe de 10 coureurs est choisi au hasard pour subir u cotrôle atidopage. Ces désigatios de 10 coureurs à l issue de chacue des étapes sot idépedates. U même coureur peut doc être cotrôlé à l issue de plusieurs étapes. 7

8 1. À l issue de chaque étape, combie peut-o former de groupes différets de 10 coureurs? 2) À l issue d ue étape, o choisit au hasard u coureur parmi les 200 participats. Motrer que la probabilité pour qu il subisse le cotrôle prévu pour cette étape est p=0,05. 3) O ote X la variable aléatoire qui comptabilise le ombre de cotrôles subis par u coureur sur l esemble des 20 étapes de la course. a). Quelle est la loi de probabilité de la variable aléatoire X? Préciser ses paramètres. b). O choisit au hasard u coureur à l arrivée de la course. Calculer les probabilités des évèemets suivats : A : il a été cotrôlé 2 fois exactemet B : il a pas été cotrôlé ; C : il a été cotrôlé au mois ue fois. c) Par quelle loi de probabilité peut-o approcher la loi de X? Repredre alors les questios 3a et 3b et comparer les résultats. Partie B Cette fois la course cycliste compred 40 étapes et comporte 40 coureurs ; A la fi de chaque étape, u groupe de 10 coureurs est choisi au hasard pour subir le cotrôle atidopage. À l issue d ue étape, o choisit au hasard u coureur parmi les 40 participats. 1) Quelle est la probabilité pour qu il subisse le cotrôle prévu pour cette étape? 2) O ote Y la variable aléatoire qui comptabilise le ombre de cotrôles subis par u coureur sur l esemble des 40 étapes de la course. a) Quelle est la loi de probabilité de la variable aléatoire Y? Préciser ses paramètres. b) Par quelle loi de probabilité peut-o approcher la loi de Y? 8

9 6 Solutios exercices Solutio 6.1 Bus 1) Calcul de σ : A l aide de la table de Gauss, o obtiet facilemet : σ 2 2) La probabilité pour que le retard dépasse 9 miutes est P [R > 9] = 1 Π( 2 )) σ 3) Sachat que le retard est supérieur à 3 miutes, la probabilité d attedre ecore mois de 4 miutes est : P ([R 7] [R 3]) P ([3 R 7]) P [R 3] [R 7] = = = 2Π( 2 ) 1 σ P [R 3] P [R 3] Π( 2 ) σ 4) Soit X la variable aléatoire «ombre de matis parmi 100 où il atted mois de 7 miutes» La loi de probabilité de X est ue loi biomiale de paramètres = 100, p = ( ) 100 P [X = k] = (0.841) k (0.159) 100 k k So espérace est p = 84.1, sa variace p(1 p) = ) O ote P() la probabilité de l évéemet «L étudiat pred le bus le jour» O peut faire u arbre des possibilités et o obtiet : P ( + 1) = pp () + 1 (1 P ()) 2 D où : P ( + 1) = (p 1 2 )P () b) Etude de la suite (P ()) : Si elle coverge la limite vérifie : l = (p 1)l + 1 : 2 2 Doc l = : O pose l = Puis, o a :(P ( + 1) l) = (p 1 )(P () l) 2 Ce qui motre que la suite géométrique (P () l) coverge vers 0, et doc : c) La suite (P ()) est covergete et sa limite est l = Solutio 6.2 Course vélo Partie A 1) O peut former ( ) groupes différets de 10 coureurs, soit eviro ) La probabilité pour qu il subisse le cotrôle prévu pour cette étape est p = 10 = 0, ) O ote X la variable aléatoire qui comptabilise le ombre de cotrôles subis par u coureur sur l esemble des 20 étapes de la course. a). la loi de probabilité de la variable aléatoire X est la loi biomiale de paramètres =20, p=0.05 L espérace est E(X)=p=1, VarX=p(1-p)=0.95 b). O choisit au hasard u coureur à l arrivée de la course. Calculer les probabilités des évèemets suivats : A : il a été cotrôlé 2 fois exactemet : 9

10 P (A) = ( 20 2 ) B : il a pas été cotrôlé ; P (B) = ( 20 0 ) C : il a été cotrôlé au mois ue fois. P (C) = 1 P (B) Partie B 1) La probabilité pour qu il subisse le cotrôle prévu pour cette étape est p = ) a) la loi de probabilité de la variable aléatoire Y est la loi biomiale de paramètres = 40, p = 0.25 L espérace est E(X) = p = 10, V arx = p(1 p) = 7.5 b) o paut approcher la loi de Y par la loi ormale de paramètre m=10, σ =

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

STATISTIQUES - ESTIMATION

STATISTIQUES - ESTIMATION STATISTIQUES - ESTIMATION I Echatilloage et estimatio : itroductio O se situe ici das 2 domaies des statistiques qui sot ceux de l «échatilloage» et de l «estimatio». Ces 2 domaies ot des cotextes d applicatio

Plus en détail

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

Estimation de paramètres

Estimation de paramètres CHAPITRE 8 Estimatio de paramètres 1. Distributio des moyees des échatillos Das ce chapitre, ous étudieros commet est distribué la moyee de tous les échatillos de taille possibles d ue certaie populatio.

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

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

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

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1 IUT HSE Itroductio aux probabilités et statistiques Variables aléatoires Philippe Jamig Istitut Mathématique de Bordeaux PhilippeJamig@gmailcom http://wwwmathu-bordeaux1fr/ pjamig/ X variable aléatoire

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

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

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

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

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

Loi binomiale. Loi de Bernoulli

Loi binomiale. Loi de Bernoulli Loi biomiale Loi de Beroulli O s itéresse ici à la réalisatio ou o d u évéemet. Autremet dit, o étudie les expérieces aléatoires qui ot que deux issues possibles : Obteir Pile ou Face Doer aissace à u

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

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

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne

1 lois usuelles. 2 Estimation. 1.1 Loi Binomiale. 1.2 Loi de Poisson. 1.3 Loi normale. 2.1 Estimation ponctuelle de la moyenne 1 lois usuelles 11 Loi Biomiale B(, p) q = 1 p p(x = k) = C k p k q k Espérace E(X) = p Variace : V ar(x) = pq Écart type : σ = pq 12 Loi de Poisso P(λ) : loi de Poisso de paramètre λ > 0 : X(Ω) = N λ

Plus en détail

Corrigé du baccalauréat ES Asie 23 juin 2016

Corrigé du baccalauréat ES Asie 23 juin 2016 Corrigé du baccalauréat ES Asie jui 16 A.. M. E.. EXERCICE 1 Commu à tous les cadidats 6 poits Das u repère orthoormé du pla, o doe la courbe représetative C f d ue foctio f défiie et dérivable sur l itervalle

Plus en détail

1 Un peu de vocabulaire

1 Un peu de vocabulaire Statistiques - Échatilloage Cours Objectifs du chapitre Passer d u mode de représetatio des doées à u autre (doées brutes, tableau d effectifs, représetatio graphique) Calculer la moyee, la médiae, les

Plus en détail

Vendredi 20 octobre CONTRÔLE DE MATHEMATIQUES N 2 Classe de TERM 07. En salle 206, deux heures de 8 h à 10 h : LES SUITES et PROBABILITES.

Vendredi 20 octobre CONTRÔLE DE MATHEMATIQUES N 2 Classe de TERM 07. En salle 206, deux heures de 8 h à 10 h : LES SUITES et PROBABILITES. Vedredi 0 octobre 07. CONTRÔLE DE MATHEMATIQUES N Classe de TERM 07. E salle 06, deux heures de 8 h à 0 h : LES SUITES et PROBABILITES. La première feuille de ce devoir doit être ue feuille double. Lisez

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

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

Échantillonnage. I Rappels sur les lois usuelles 2

Échantillonnage. I Rappels sur les lois usuelles 2 BTS DOMOTIQUE Échatilloage 2008-2010 Échatilloage Table des matières I Rappels sur les lois usuelles 2 II Approximatios de la loi biomiale 2 II.1 Approximatio par la loi de poisso................................

Plus en détail

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne :

LOIS NORMALES. I. Introduction. Voici quelques exemples de courbes provenant de la vie quotidienne : I. Itroductio. LOIS NORMALES. Voici quelques exemples de courbes proveat de la vie quotidiee : La répartitio du QI das la populatio Le poids d ue populatio de chatos Répartitio des coscrits e 1907 Age

Plus en détail

Calcul des probabilités 2 (M-2.1)

Calcul des probabilités 2 (M-2.1) Calcul des probabilités (M-.) I. Probabilités sur u esemble fii. Défiitios Défiitio Ue expériece aléatoire est ue expériece dot il est impossible de prévoir l issue (mais o coaît toutes les issues possibles)

Plus en détail

Chapitre 13 Comportement d une suite. Table des matières. Chapitre 13 Comportement d une suite TABLE DES MATIÈRES page -1

Chapitre 13 Comportement d une suite. Table des matières. Chapitre 13 Comportement d une suite TABLE DES MATIÈRES page -1 Chapitre 13 Comportemet d ue suite TABLE DES MATIÈRES page -1 Chapitre 13 Comportemet d ue suite Table des matières I Exercices I-1 1................................................ I-1 2................................................

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

Corrigé du DS n 1. Exercice 1 (6 points)

Corrigé du DS n 1. Exercice 1 (6 points) Exercice 1 (6 poits) Corrigé du DS 1 Das cet exercice, les probabilités demadées serot doées sous forme décimale, évetuellemet arrodies à 10 - près. Lors d ue equête réalisée par l ifirmière auprès d élèves

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

MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimanche 15 mars 2009 de 14h00 à 17h00

MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimanche 15 mars 2009 de 14h00 à 17h00 MAT 2080 MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimache 15 mars 2009 de 14h00 à 17h00 INSTRUCTIONS 1. Détachez la feuille-réposes à la fi de ce cahier et iscrivez-y immédiatemet votre om,

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

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3 3- Lois de distributio discrètes -1 Chapitre 3 : Lois de distributio discrètes 3.1 Loi de Berouilli...1 3. Loi Biomiale...1 3.3 Loi géométrique... 3.4 Loi de Pascal (loi égative biomiale)...3 3.5 Loi hypergéométrique...4

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

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

TS DEVOIR n 3 lundi 13 novembre lim x. 1. Lire dans le tableau les limites de f en et en +. En déduire une asymptote à la courbe de f.

TS DEVOIR n 3 lundi 13 novembre lim x. 1. Lire dans le tableau les limites de f en et en +. En déduire une asymptote à la courbe de f. TS DEVOIR 3 ludi 3 ovembre 207 sur 4,5 poits Calculer les trois ites suivates : a) 3x 4 x x 2 x b) 2si( x) x x c) 8x 5 x 2 x 3 2 sur 3,5 poits Soit f ue foctio défiie sur dot o doe ci-dessous le tableau

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

II - Estimation d'un paramètre par intervalle de confiance

II - Estimation d'un paramètre par intervalle de confiance II - Estimatio d'u paramètre par itervalle de cofiace 1 ) - Gééralités sur la costructio O veut estimer u paramètre (moyee, proportio ) d'u caractère das ue populatio P. Ue estimatio poctuelle à partir

Plus en détail

Statistiques inférentielles. Introduction. Exemples. Définition (Échantillon aléatoire) Définition (Statistique inférentielle) Exemple 1.

Statistiques inférentielles. Introduction. Exemples. Définition (Échantillon aléatoire) Définition (Statistique inférentielle) Exemple 1. Statistiques iféretielles Pierre-Heri WUILLEMIN Licece d Iformatique Uiversité Paris 6 Itroductio Soit ue populatio de taille N sur laquelle o observe ue propriété, dot o veut calculer moyee µ et de variace

Plus en détail

x 0 h a (x) ln (2 a ) h a 2 a Justifier, par le calcul, le signe de h' a (x) pour x appartenant à ] 0 ; + [. b. Rappeler la limite de ln x x

x 0 h a (x) ln (2 a ) h a 2 a Justifier, par le calcul, le signe de h' a (x) pour x appartenant à ] 0 ; + [. b. Rappeler la limite de ln x x EXERCICE (6 poits) Commu à tous les cadidats Soit f la foctio défiie sur l itervalle ] ; + [ par f () = l Pour tout réel a strictemet positif, o défiit sur ] ; + [ la foctio g a par g a () = a O ote C

Plus en détail

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur.

b) Calculer la dérivée de la fonction. La fonction est dérivable sur comme quotient de deux fonctions dérivables sur. DST 6 Correctio Exercice 1 (5 poits) (Asie, jui 11) Le pla est rapporté à u repère orthoormal. 1) Étude d ue foctio. O cosidère la défiie sur l itervalle par. O ote la foctio dérivée de la foctio sur l

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

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

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité

BACCALAUREAT GENERAL. Bac blanc n 4 Mercredi 7 Mai 2014 MATHEMATIQUES. Série : S Enseignement Obligatoire ou de Spécialité BACCALAUREAT GENERAL Bac blac 4 Mercredi 7 Mai 4 MATHEMATIQUES Série : S Eseigemet Obligatoire ou de Spécialité Durée de l épreuve : 4 heures Coefficiet : 7 ou 9 L utilisatio de la calculatrice est autorisée

Plus en détail

Chapitre 9 La loi binomiale

Chapitre 9 La loi binomiale A) Variables aléatoires 1) Défiitio Chapitre 9 La loi biomiale O appelle variable aléatoire X ue foctio qui associe à tout résultat (évéemet élémetaire) u ombre réel. Pour ue même expériece aléatoire,

Plus en détail

Bac Blanc Terminale L - Février 2017 Correction de l Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2017 Correction de l Épreuve de Spécialité Mathématiques (durée 3 heures) Bac Blac Termiale L - Février 2017 Correctio de l Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) 1. Depuis le 28 jui 2007, la ville de Bordeaux a été classée au patrimoie modial

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

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

Techniques d enquête

Techniques d enquête Sodage aléatoire simple Techiques d equête Exercice 1 Sur les 500 élèves de M1 de l Uiversité d Auverge, o veut coaître la proportio P qui souhaitet faire u Master à Clermot-Ferrad. Parmi les 150 élèves

Plus en détail

Distributions d échantillonage

Distributions d échantillonage Chapitre 3 Distributios d échatilloage 3.1 Gééralités sur la otio d échatilloage 3.1.1 Populatio et échatillo O appelle populatio la totalité des uités de importe quel gere prises e cosidératio par le

Plus en détail

Intervalles de fluctuations et intervalles de confiance

Intervalles de fluctuations et intervalles de confiance Complémets e statistique. Préparatio au Capes. Uiversité de Rees 1. 2015. Complémets e Statistique Préparatio au Capes Uiversité de Rees 1 Itervalles de fluctuatios et itervalles de cofiace Table des matières

Plus en détail

Rappels. A-Oukhai Suites géométriques 2 e Science

Rappels. A-Oukhai Suites géométriques 2 e Science A-Oukhai Suites géométriques e Sciece Rappels Pour motrer que u est ue suite géométrique : Soit o exprime u +1 e foctio de u et o doit trouver ue relatio de la forme u +1 qu où q est u réel qui e déped

Plus en détail

Statistiques inférentielles

Statistiques inférentielles Statistiques iféretielles LI323 Hugues Richard (otes de cours: Pierre-Heri Wuillemi) Uiversité Pierre et Marie Curie (UPMC) Laboratoire géomique des microorgaismes (LGM) Itroductio Soit ue populatio de

Plus en détail

Lois normales et autres lois dérivées

Lois normales et autres lois dérivées Lois ormales et autres lois dérivées - Lois ormales a) - Défiitio O dit qu'ue variable aléatoire réelle X suit la loi ormale (ou gaussiee) de paramètres et, otée N ( ; ), si elle admet pour desité la foctio

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

TD1. Dénombrements, opérations sur les ensembles.

TD1. Dénombrements, opérations sur les ensembles. Uiversité Pierre & Marie Curie Licece de Mathématiques L3 UE LM345 Probabilités élémetaires Aée 2014 15 TD1. Déombremets, opératios sur les esembles. 1. Combie de faços y a-t-il de classer 10 persoes à

Plus en détail

Amérique du Sud EXERCICE 1 6 points Commun à tous les candidats Les trois parties suivantes sont indépendantes Partie A Partie B Partie C

Amérique du Sud EXERCICE 1 6 points Commun à tous les candidats Les trois parties suivantes sont indépendantes Partie A Partie B Partie C Amérique du Sud EXERCICE 6 poits Commu à tous les cadidats Ue etreprise est spécialisée das la fabricatio de ballos de football. Cette etreprise propose deux tailles de ballos : ue petite taille, ue taille

Plus en détail

Echantillon : Collection d'individus prélevés dans la population statistique.

Echantillon : Collection d'individus prélevés dans la population statistique. SONDAGE (ECHANTILLONNAGE) POPULATION STATISTIQUE N idividus possédat ue modalité yi de la (ou des) variable(s) y ( i N) PARAMETRES valeur cetrale dispersio corrélatio µ σ² ρ moyee variace coef. corr. ECHANTILLON

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

ENSEIGNEMENT OBLIGATOIRE

ENSEIGNEMENT OBLIGATOIRE BACCALAURÉAT GÉNÉRAL SESSION 2017 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficiet : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroiques de poche sot autorisées, coformémet à la réglemetatio

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

Partie commune (3 heures)

Partie commune (3 heures) TS Cotrôle du ludi 5 février 06 (4 heures) Partie commue ( heures) Le barème est doé sur 40 I (7 poits : ) poits ; ) poits ; ) poits + poit) Ue chaîe de magasis souhaite fidéliser ses cliets e offrat des

Plus en détail

Éléments de probabilités

Éléments de probabilités Chapitre 1 Élémets de probabilités 1.1 Notio d expériece aléatoire Défiitio 1 Ue expériece, dot o coait les issues possibles, est appelé expériece aléatoire s il est impossible de savoir à l avace quelle

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

Statistiques à deux variables

Statistiques à deux variables Statistiques à deux variables. Approche des séries statistiques à deux variables.. Nuage de poits Sur ue classe de BTSA, le professeur a relevé les moyees de élèves e mathématiques et e agroomie. Les otes

Plus en détail

Estimation par intervalle de confiance

Estimation par intervalle de confiance 62 CHAPITRE 12 Estimatio par itervalle de cofiace 1. Estimatio de la moyee par itervalle de cofiace 1.1. Calcul de la marge d erreur. O veut maiteat faire ue estimatio par itervalle de cofiace de la moyee

Plus en détail

. En déduire la limite de f 1 en +. F 1 (x) = e 2 2 4

. En déduire la limite de f 1 en +. F 1 (x) = e 2 2 4 Atilles-Guyae septembre 5 EXERCICE 6 POINTS Commu à tous les cadidats 6 poits Soit u etier aturel o ul. O cosidère la foctio f défiie et dérivable sur l esemble des ombres réels par f (x) = x e x O ote

Plus en détail

Correction Exercices sur les suites. Correction. un+1 = 0,2u n +0,6 u 0 = 1

Correction Exercices sur les suites. Correction. un+1 = 0,2u n +0,6 u 0 = 1 Correctio Exercice 1 O cosidère la suite (v ) défiie par v 0 = 3 et pour tout 1, v +1 = v 2 3v +4. 1. Démotrer que la suite est croissate. v +1 v = v 2 4v +4 = (v 2) 2 0 quelque soit etier. Doc (v ) est

Plus en détail

Terminale S Chapitre 10 «Loi Normale» 21/03/2013

Terminale S Chapitre 10 «Loi Normale» 21/03/2013 Termiale S Chapitre «Loi Normale» /3/3 I) Itroductio O fait ue étude statistique de la taille des idividus d'ue populatio. Das chaque cas, la taille moyee est de 7 cm, avec u écart type de cm. O trace

Plus en détail

Estimation paramétrique

Estimation paramétrique 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,

Plus en détail

Master Eseec Statistique pour l expertise - partie2

Master Eseec Statistique pour l expertise - partie2 Master Eseec Statistique pour l expertise - partie2 Christia Laverge Uiversité Paul Valéry - Motpellier 3 http://moodle-miap.uiv-motp3.fr http://www.uiv-motp3.fr/miap/es (UPV) Eseec 1 / 57 Lois limites

Plus en détail

BACCALAURÉAT BLANC GÉNÉRAL MATHÉMATIQUES SÉRIE S

BACCALAURÉAT BLANC GÉNÉRAL MATHÉMATIQUES SÉRIE S Lycée Fraçais d Agadir Termiales SA SB 216-217 BACCALAURÉAT BLANC GÉNÉRAL MATHÉMATIQUES SÉRIE S DUREE DE L EPREUVE : 4 HEURES Utilisatio de la calculatrice autorisée Ce sujet comporte 7 pages umérotées

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

FRLT Page 1 15/08/2014

FRLT Page 1 15/08/2014 Algorithmes à aalyser O cosidère l algorithme : - u est du type ombre - q est du type ombre - p est du type ombre - S est du type ombre - Lire u - Lire q - Lire p - S pred la valeur de u - Tat que (u >

Plus en détail

ENSEIGNEMENT DE SPÉCIALITÉ

ENSEIGNEMENT DE SPÉCIALITÉ BACCALAURÉAT GÉNÉRAL SESSION 2017 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficiet : 9 ENSEIGNEMENT DE SPÉCIALITÉ Les calculatrices électroiques de poche sot autorisées, coformémet à la réglemetatio

Plus en détail

Amérique du Nord. Terminale S mai 2014

Amérique du Nord. Terminale S mai 2014 Termiale S mai 2014 Amérique du Nord 1 Exercice 1 (5 poits) Das cet exercice, tous les résultats demadés serot arrodis à 10 3 près Ue grade eseige de cosmétiques lace ue ouvelle crème hydratate Partie

Plus en détail

Suites. Suites arithmétiques. Suites géométriques

Suites. Suites arithmétiques. Suites géométriques CHAPITRE Suites Suites arithmétiques Suites géométriques ACTIVITÉS Activité a) 8 + 7 coureurs b) x 9 + 0 d où x 78 L équipe a reçu les dossards umérotés de 9 à 78 x + d où x 6 0 0 + aées (page 8) a) itervalles,

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

PROBABILITES. TD n 1. Bg sachant que PA

PROBABILITES. TD n 1. Bg sachant que PA TD 1 1. Quel est l uivers Ω pour l'expériece : o lace 2 fois de suite u dé (o truqué). A quelles parties de Ω correspodet les évéemets suivats : a) A : o obtiet pas d as au cours des 2 lacers ; b) B :

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

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

Contrôle du vendredi (45 minutes) 1 ère S1. II. (3 points) (E). Résoudre dans l équation sin 3x

Contrôle du vendredi (45 minutes) 1 ère S1. II. (3 points) (E). Résoudre dans l équation sin 3x 1 ère S1 Cotrôle du vedredi --01 ( miutes) Préom et om : ote : / 0 II ( poits) 1 Résoudre das l équatio si (E) Il est pas demadé d écrire l esemble des solutios I ( poits) f e foctio de cos et si O doera

Plus en détail

Suites. =3v n pour = 5.

Suites. =3v n pour = 5. Suites 1 Gééralités 11 Défiitio Défiitio : O appelle suite ue foctio sur N ou sur ue partie de N das R Exemples: Les foctios: u : +1 ; v : sot des suites Notatio : Soit u ue suite défiie sur D partie de

Plus en détail

Résumé de statistique inductive

Résumé de statistique inductive Uiversité de Bourgoge Faculté de Médecie et de Pharmacie Résumé de statistique iductive NB : les iformatios coteues das ce polycopié e fot e aucu cas office de référece pour le cocours, il s agit uiquemet

Plus en détail

( ) ( ) ( ) ( 4) Terminale S Exercices sur le chapitre «Suites numériques» Page 1. deux nombres réels. Initialisation Récupérer la valeur de M

( ) ( ) ( ) ( 4) Terminale S Exercices sur le chapitre «Suites numériques» Page 1. deux nombres réels. Initialisation Récupérer la valeur de M Termiale S Exercices sur le chapitre «Suites umériques» Page Exercice : O cosidère la suite ( p ) défiie sur N par ) O cosidère l algorithme suivat : Variables u etier aturel et deux ombres réels Iitialisatio

Plus en détail

Variables aléatoires. Exercices

Variables aléatoires. Exercices Variables aléatoires Exercices 04-05 Les idispesables Loi d ue variable aléatoire, espérace et variace O répète idéfiimet le lacer d u dé équilibré à 6 faces Soit la variable aléatoire doat la valeur du

Plus en détail

Contrôle du vendredi 13 février 2015 (30 min) 1 ère S1. respectivement la médiane, le premier quartile et le troisième quartile de la série.

Contrôle du vendredi 13 février 2015 (30 min) 1 ère S1. respectivement la médiane, le premier quartile et le troisième quartile de la série. 1 ère S1 Cotrôle du vedredi 13 février 015 (30 mi) O ote M, Q 1, Q 3 respectivemet la médiae, le premier quartile et le troisième quartile de la série. M... Q1... Q3... Préom : Nom : Note :. / 0 I. (4

Plus en détail

Dénombrement Site MathsTICE de Adama Traoré Lycée Technique Bamako

Dénombrement Site MathsTICE de Adama Traoré Lycée Technique Bamako Déombremet Site MathsTIE de Adama Traoré Lycée Techique Bamako A) Parties d u esemble : Soit la représetatio sagittale des esembles E, A et B E 9 8 4 6 0 3 A B ) Existe-t-il des élémets de A qui e sot

Plus en détail

Toutes calculatrices autorisées. Le sujet comporte un total de 4 exercices par élève.

Toutes calculatrices autorisées. Le sujet comporte un total de 4 exercices par élève. Lycée Féelo Saite-Marie Aée 2011-2012 Durée : 3 heures BAC BLANC avril Toutes calculatrices autorisées. Classe de Termiale ES Mathématiques Le sujet comporte u total de 4 exercices par élève. EXERCICE

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

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

Externat Notre Dame Bac Blanc n 1 (Tle S) janvier Proposition de corrigé

Externat Notre Dame Bac Blanc n 1 (Tle S) janvier Proposition de corrigé Exterat Notre Dame Bac Blac Tle S) javier 06 durée : 4 h Propositio de corrigé calculatrice autorisée Das tout ce devoir, la qualité de la rédactio et le soi serot pris e compte das la otatio. Les exercices

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

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

LIMITES DE SUITES. n ) u n = 2 n pour n IN 5 ) u n = 2n + 1 n - 5 pour n ³ 6 6 ) u n = (-1)n pour n IN

LIMITES DE SUITES. n ) u n = 2 n pour n IN 5 ) u n = 2n + 1 n - 5 pour n ³ 6 6 ) u n = (-1)n pour n IN LIMITES DE SUITES I Limites fiies ou ifiies Exercice 1 Pour chacue des suites, e calculat différets termes, cojecturer la valeur limite de u quad deviet ifiimet grad (c'est-à-dire quad ted vers + ). 1

Plus en détail

1 Définition et premiers exemples

1 Définition et premiers exemples Master Eseigemet Aalyse 1 2015-2016 Uiversité Paris 13 Devoir maiso d aalyse Le but de ce petit problème est d étudier les foctios covexes. À partir de la défiitio géométrique, o démotrera les propriétés

Plus en détail

Notes de cours : ajustement linéaire. 1 Cadre : mesure conjointe de deux caractères

Notes de cours : ajustement linéaire. 1 Cadre : mesure conjointe de deux caractères Documet dispoible à http://www.uiv-motp3.fr/miap/es/aes/l1/optiomath. AES optio mathématique Aée 2004 2005 Notes de cours : ajustemet liéaire 1 Cadre : mesure cojoite de deux caractères O se place das

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

( 2) e x. x + d x. Donner une interprétation graphique de cette intégrale.

( 2) e x. x + d x. Donner une interprétation graphique de cette intégrale. EXERCICE : (6 poits) Commu à tous les cadidats Les deux parties de cet exercice sot idépedates. Partie A O cosidère l équatio différetielle (E) : y ' + y e x. ) Motrer que la foctio u défiie sur l esemble

Plus en détail

I Exercices I I I-1 3 Coefficients binomiaux et triangle de Pascal... I I I I I I

I Exercices I I I-1 3 Coefficients binomiaux et triangle de Pascal... I I I I I I Chapitre Loi biomiale TABLE DES MATIÈRES page - Chapitre Loi biomiale Table des matières I Exercices I-................................................ I-................................................

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE MATHÉMATIQUES. Spécialité : BIOTECHNOLOGIES

BACCALAURÉAT TECHNOLOGIQUE MATHÉMATIQUES. Spécialité : BIOTECHNOLOGIES BACCALAURÉAT TECHNOLOGIQUE Sessio 2016 MATHÉMATIQUES Série : SCIENCES ET TECHNOLOGIES DE LABORATOIRE Spécialité : BIOTECHNOLOGIES Durée de l épreuve : 4 heures Coefficiet : 4 Calculatrice autorisée coformémet

Plus en détail