STATISTIQUE AVANCÉE : MÉTHODES

Dimension: px
Commencer à balayer dès la page:

Download "STATISTIQUE AVANCÉE : MÉTHODES"

Transcription

1 STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN

2

3 Table des matières 1 Itroductio 5 2 Modèle de desité Estimatio par istogrammes Estimateur à oyau Exercices Modèle de régressio Défiitios égressogrammes Moyee Locale Estimateur à Noyau Estimateur par Polyômes Locaux Lissage Liéaire et Validatio Croisée Estimatio de la Variace Exemple Exercices

4

5 1 Itroductio La particularité de la statistique o-paramétrique est que le paramètre icou qu o cerce à detecter, à estimer ou à classifier est pas supposé d apparteir à ue famille idicée par u petit ombre de paramètres réels. E gééral, das la téorie o-paramétrique o suppose que le ombre de paramètres qui décrivet la loi des observatios est ue foctio croissat du ombre d observatios, ou ecore que le ombre de paramètres est ifii. Pour doer u exemple cocret, cosidéros le modèle liéaire multiple. C est u modèle très populaire das le milieu des praticies et profodémet étudié par les téoricies. Il s agit d ue expériece qui résulte e l observatio des couples (X i, Y i, i = 1,..., où, e gééral, X i est u vecteur p-dimesioel et Y i est ue valeur réelle. O suppose que pour u vecteur β p et u réel α, la dépedace de Y i e X i est expliquée par la foctio affie à ue erreur aléatoire près, c est-à-dire α + β T x Y i = α + β T X i + ξ i, i = 1,..., (1.1 où ξ i est tel que E[ξ i X i ] =. Si l o suppose de plus que les erreurs ξ i sot idépedates les ues des autres et suivet la loi Gaussiee cetrée de variace σ 2, alors la loi des observatios (X i, Y i est etièremet caractérisée par les paramètres α, β et σ. C est pourquoi, das la littérature statistique, ce modèle est souvet cosidéré comme l exemple type d u modèle paramétrique. Cepedat, cette cosidératio doit être uacée. E réalité, il est coseillé d appliquer les métodes classiques de statistique au modèle (1.1 seulemet das le cas où la dimesio p de β est sigificativemet plus petite que, la taille de l écatillo. Si et p sot comparables, ou ecore si p >, les métodes classiques devieet iefficaces. Il faut alors cercer de ouvelles approces pour effectuer ue iférece statistique. C est l objectif poursuivi par la statistique o-paramétrique. Le but de ce cours est de préseter les pricipes les plus basiques de la statistique oparamétrique e isistat sur leurs avatages et leurs limites. Pour éviter des dévelopemets

6 6 Itroductio Capitre 1 très teciques, ous ous cocetros uiquemet sur l étude de deux modèles : l estimatio de desité et l estimatio de la foctio de régressio. Par ailleurs, ous préseteros uiquemet la facette de la statistique o-paramétrique cocerat le lissage et e parleros pas du tout d ue autre facette, istoriquemet plus aciee, qui est l iférece basée sur les rags. Le modèle de desité est u modèle simple qui permet de tester les différetes iovatios statistiques sas retrer das des calculs très fastidieux. Cepedat, certaies métodes comme, par exemple, l estimatio par projectio sot plus faciles à préseter das le modèle de régressio. C est la raiso pour laquelle o se focalise sur ces deux modèles. La démarce géérale pour effectuer ue iférece statistique das des problèmes oparamétriques peut être décomposée e trois étapes suivates. 1. Trouver ue famille { f : > } de foctios simples qui approcet bie la foctio icoue f, c est-à-dire dist( f, f lorsque. O dit alors que dist( f, f est l erreur d approximatio. 2. Au lieu d effectuer ue iférece statistique sur f, faire comme si le vrai paramètre était f et appliquer ue métode de statistique paramétrique classique : métode du maximum de vraisemblace, métode des momets ou métode de cotraste miimale pour l estimatio, test de Neyma-Pearso, test du rapport de vraisemblace ou test de Wald pour les tests d ypotèses. O obtiet aisi ue procédure statistique d ˆ (estimateur ou test. O appelle alors erreur statistique, ote par r( d ˆ, le risque de la procédure d ˆ calculé e utilisat f comme vraie valeur du paramètre f. 3. Coisir le paramètre de faço optimale. D ue part, das la plupart des cas, l erreur statistique r( d ˆ est ue foctio décroissate de. D autre part, le risque associé à la parocédure d ˆ das le problème d origie où f est le paramètre icou se calcule comme ue foctio F ( dist( f, f ; r( d ˆ qui est décroissate par rapport à cacu des deux argumets. Comme les foctios dist( f, f et r( d ˆ ot des ses de variatio opposés, la miimisatio du risque total F ( dist( f, f ; r( d ˆ e foctio de se fait par u compromis etre l erreur d approximatio dist( f, f et l erreur statistique r( d ˆ. Pour termier cette itroductio, ous allos reformuler la défiitio de statistique oparamétrique. La statistique o-paramétrique étudie des problèmes statistiques das lesquels la paramétrisatio est pas cosidérée comme figée, mais il y a ue liberté de coix etre plusieurs paramétrisatio et le but est de trouver celle qui coduit vers les procédures les plus performates.

7 2 Modèle de desité Tout au log de ce capitre, o suppose que les observatios X 1,..., X sot des variables idépedates de même loi (iid de desité f. Pour simplifier, o suppose que les X i sot à valeurs réelles et que f est la desité par rapport à la mesure de Lebesgue sur. Par coséquet, Prob(X i [a, b] = b a f (x dx, a, b. De plus, o supposera que f est deux fois cotiûmet différetiable. 2.1 Estimatio par istogrammes La faço la plus simple d estimer la desité f à partir des doées est l estimatio par istogramme. Afi d éviter des complicatios d ordre tecique, ous supposeros das ce paragrape que f est à support compact. De plus, sas perte de gééralité, ous pouvos supposer que le support de f est iclus das l itervalle [, 1] Défiitio et propriétés de base Pour commecer, o coisit ue partitio uiforme C 1,..., C m de l itervalle [, 1[ : [ j 1 C j = m, j [, j = 1,..., m. m Comme f est supposée être cotiue, pour m suffisamet grad, elle est bie approcée par des foctios e escalier, costates par morceaux sur les itervalles {C j }. Pour que os otatios reste e accord avec l approce géérale décrite das l itroductio, o pose = 1/m et o approce f par la foctio f (x = m p j 1l C j (x,

8 8 Modèle de desité Capitre 2 où p j = C j f (x dx. O ramèe aisi le problème d estimatio de f au problème d estimatio d u paramètre m-dimesioel p = (p 1,..., p m. Ceci peut se faire e utilisat, par exemple la métode gééralisée des momets. E effet, il est évidet que p j = f (x dx = E f [1l Cj (X 1 ], j = 1,..., m. C j Par coséquet, il est aturel d estimer le vecteur p par ˆp = ( ˆp 1,..., ˆp m, ˆp j = 1 1l Cj (X i. Observos au passage que caque ˆp j représete la proportio des observatios X i se trouvat das l itervalle C j. Si la taille de l écatillo est grade, il est légitime de s attedre à ce que cette proportio, dite empirique, coverge vers la proportio téorique correspodat à la probabilité qu ue observatio tirée au asard selo la desité f appartiet à l itervalle C j. Par substitutio, ous défiissos l estimateur de f par istogramme à m classes comme suit : ˆf (x = 1 m ˆp j 1l Cj (x. Das la termiologie statistique, o dit que caque C j est ue classe et la logueur des classes est ue feêtre. Exercice 2.1. Vérifier que l estimateur par istogramme ˆf est ue desité de probabilité. emarque 2.1. Das les applicatios, très souvet o utilise le terme istogramme pour la foctio ˆf (x, ce qui correspod à la proportio d observatios par itervalle C j. FIGUE 2.1 A gauce : ue desité de probabilité et so approximatio costate par morceaux sur les itervalle [j/1, (j + 1/1[ pour j = 1,..., 1. A droite : La même desité que celle du grape de gauce et ue estimatio par istogramme basée sur u écatillo de taille 4.

9 Sectio 2.1 Estimatio par istogrammes Exemple : répartitio des galaxies A titre d exemple, cosidéros u jeu de doées astroomiques étudiées das le livre de Wasserma et dispoibles sur sa page WEB : ttp://www.stat.cmu.edu/~larry/all-of-opar/data.tml. Ce qu o veut motrer sur cet exemple, avat toute autre cose, est que le coix de la feêtre a u impact très importat sur la qualité d estimatio de la desité f par l istogramme ˆf. Le jeu de doées astroomiques précité cotiet 1253 valeurs umériques ; caque valeur correspod au décalage vers le rouge (edsift d u objet astroomique (galaxie, quasar,... Cette valeur peut être iterprétée comme la distace etre la terre et l objet e questio. L estimatio de la desité des edsifts est importat e pratique, car elle permet de detecter des clusters de galaxies. FIGUE 2.2 Les istogrammes des doées d astroomie correspodat aux ombres de classes m = 18, m = 16 et m = 85. Nous avos tracé das la figure ci-dessus les istogrammes des doées astroomiques basées sur 18, 16 et 85 classes. O costate que ces trois grapiques ot présetet des différeces très importates. Plus précisémet, le grape qui correspod à m = 18 est bie plus régulier que les deux autres. Das la termiologie statistique, o dit que l istogramme de gauce est trop lissé (e aglais oversmootig alors que l istogramme de droite est pas lissé sufisammet (udersmootig. U problème crucial du poit de vu des applicatios est doc de trouver la feêtre qui correspod au lissage optimal. L ue des métodes les plus utilisées fourissat ue feêtre proce de l optimale est la métode de validatio croisée. La défiitio précise de cette métode sera doée plus tard das ce capitre. Notos simplemet qu elle cosiste à défiir ue foctio Ĵ de (ou, de faço équivalete, de m qui est ue estimatio du risque de l estimateur ˆf. Naturellemet, la valeur de est coisie e miimisat ce risque estimé. Lorsqu o effectue ue validatio croisée sur les doées astroomiques, o obtiet la courbe ci-dessous pour la foctio m Ĵ(m et le miimum de cette foctio est atteit au poit ˆm = 163. FIGUE 2.3 La courbe de la foctio Ĵ(m. Le miimum est atteit au poit m = 163.

10 1 Modèle de desité Capitre isque de l estimateur par istogramme Comme o a costaté sur l exemple des doées astroomique, la qualité de l estimateur par istogramme déped fortemet de la feêtre. Afi de quatifier cette dépedace, ous itroduisos le risque quadratique de ˆf au poit x [, 1] comme état la moyee de l erreur quadratique : MSE f (x, = E f [ ( ˆf (x f (x 2 ], où l abbréviatio MSE correspod à Mea Squared Errror. Afi d évaluer le MSE, o utilise d abord la décompositio biais-variace : MSE f (x, = ( E f [ ˆf (x] f (x 2 + Var f [ ˆf (x]. } {{ } } {{ } carré du biais variace Soit j l idice de la classe coteat x ; x C j. emarquos que ˆf (x = ˆp j = 1 1l Cj (X i = Z j, Z j B(, p j, (2.1 car Z j est la somme de variables idépedates de loi de Beroulli de paramètre P f (1l Cj (X 1 = 1 = P f (X 1 C j = f (x dx = p j. C j Il e découle immédiatemet que pour tout x C j, E f [ ˆf (x] = p j, Var f [ ˆf (x] = p j(1 p j 2 2 = p j(1 p j 2. (2.2 Ue première coséquece de ces formules est que le risque MSE est supérieur au carré du biais ( 1 p j f (x 2. Par coséquet, si la feêtre est coisie idépedammet de la taille de l écatillo, l estimateur par istogramme e covergera pas vers la vraie desité lorsque excepté la situatio peu fréquete où f est costate sur l itervalle C j. Afi d élargir la classe des desités pour lesquelles ˆf est coverget, ous devos coisir comme ue foctio de ; = doit tedre vers lorsque ted vers +. A partir de maiteat, o suppose que cette coditio est satisfaite. appelos que le but de ce paragrape est d évaluer le risque de l estimateur ˆf. Afi d avoir ue évaluatio globale valable pour tout poit x [, 1], o cosidère le risque quadratique itégré : MISE f ( = [,1] [ 1 ( MSE f (x, dx = E f ˆf (x f (x ] 2 dx (pour obteir la derière égalité ous avos utilisé le téorème de Foubii. D ue part, e vertu de la propriété j p j = 1 1 Var f [ ˆf (x] dx = m Var f [ ˆf (x] dx = C j f (x dx = 1, o a m p j (1 p j = 1 1 m p 2 j.

11 Sectio 2.1 Estimatio par istogrammes 11 D autre part, 1 { E f [ ˆf (x] f (x } 2 dx = m = = m 1 Nous avos doc démotré le résultat suivat : C j ( pj f (x 2 dx p 2 j 2 p 1 j f (x dx + f 2 (x dx C j f 2 (x dx 1 m p 2 j. Lemme 2.1. Si X 1,..., X sot idépedates de même loi de desité f supportée par [, 1] et ˆf est l estimateur par istogramme avec m = 1/ classes, alors [ 1 ( MISE f ( = E f ˆf (x f (x ] 2 dx = 1 f 2 (x dx m p 2 j. Le résultat du Lemme 2.1 est o-asymptotique : il est valable pour tout et pour tout. Ce qui ous itéresse maiteat c est le comportemet du risque MISE lorsque = décroit vers zéro quad ted vers +. O vérifie aisémet que ( f (x 2 dx 1 p 2 j = f (x 1 2 f (u du dx C j C j C j = 1 ( { 2 f (x f (u} du 2 dx. C j C j Comme f est supposée deux fois cotiûmet différetiable, o a f (u f (x = (u x f (a j + O( 2 pour tout u, x C j, où a j désige l extrémité gauce de l itervalle C j. Par coséquet, f (x Cj 2 dx 1 p 2j = f (a j 2 ( 2 2 (x u du dx + O( 4. C j E utilisat le cagemet de variable (x, u = (a j + y, a j + z, o obtiet Nous avos doc démotré que E coséquece, C j C j ( 2 1 ( 1 2 (x u du dx = 5 (y z dz dy = 5 C j 12. f (x Cj 2 dx 1 p 2j = 3 12 f (a j 2 + O( 4 = 2 f (x 2 dx + O( C j m ( MISE f ( = f (x 2 dx 1 p 2 j C j = m p 2 j f (x 2 dx + O( O(1/,

12 12 Modèle de desité Capitre 2 où ous avos utilisé la relatio mo( 4 = O( 3. Ces calculs implique doc le résultat suivat : Téorème 2.1. Supposos que la desité de l écatillo X 1,..., X est deux fois cotiûmet différetiable et s aule e deors de l itervalle [, 1]. Si la feêtre de l estimateur par istogramme ˆf est telle que lorsque, alors lorsque. MISE f ( = f (x 2 dx + 1 } {{ } terme pricipal du risque ( 1 + O( 3 + O } {{ } terme résiduel Supposos u istat qu o caaît la quatité 1 f (x 2 dx. Das ce cas, o peut calculer le terme pricipal du risque MISE f (. Cela ous permet de trouver la valeur idéale de la feêtre qui miimise le terme pricipal du risque. E effet, o voit aisémet que le miimum de la foctio 2 1 f (x 2 dx est atteit au poit ( 1 1/3. opt = f (x dx 2 6 Cette feêtre optimale est e gééral iaccessible au statisticie, car la desité f (aisi que sa dérivée est icoue. Cepedat, elle a le mérite de ous idiquer que la feêtre optimale doit être de l ordre de 1/3 lorsque est grad. De plus, e ijectat cette valeur de das l expressio de MISE obteue das le téorème précédet, o obtiet MISE f ( opt = (3/4 2/3( 1 1/3 f (x dx 2 2/3 + O( 1. Ce résultat ous idique les limites de l estimateur par istogramme : pour les desités deux fois différetiables, la meilleure vitesse de covergece qu o puisse espérer atteidre avec u estimateur par istogramme est de 2/3. Cette ue vitesse oorable, mais elle est ettemet mois boe que la vitesse de covergece 1/ qui apparaît typiquemet das des problèmes paramétriques. Ceci est pas très surpreat, car l estimatio de desité est u problème o-paramétrique et, par coséquet, est plus difficile à résoudre qu u problème paramétrique. E revace, o verra par la suite que, sous les mêmes ypotèses que celles cosidérées das ce paragrape, o peut costruire u autre estimateur de la desité f qui coverge à ue meilleure vitesse 4/5. L estimateur qui atteit cette vitesse s appelle estimateur à oyau et o peut démotrer que cette vitesse e peut pas être améliorée sas imposer de ouvelles coditio sur f Coix de la feêtre par validatio croisée Comme o l a déjà fait remarquer, la feêtre idéale opt défiie das le paragrape précédet est iutilisable e pratique car elle fait iterveir la desité icoue f à travers

13 Sectio 2.1 Estimatio par istogrammes 13 l itégrale du carré de sa dérivée. Afi de désiger ue métode de coix de idépedat de f, ous commeços par estimer le risque 1 de l estimateur f e utilisat uiquemet les observatios X 1,..., X. Soit Ĵ(, X 1,..., X u estimateur de MISE f ( f 2 2. Pour que la métode de sélectio de coduise vers des résultats raisoable, o demade de l estimateur Ĵ(, X 1,..., X être sas biais 2, c est-à-dire E f [Ĵ(, X 1,..., X ] = MISE f ( f 2 2. Ue fois que ous avos à otre dispositio cet estimateur Ĵ, o détermie la valeur de e miimisat Ĵ(, X 1,..., X par rapport à ], [. La valeur de où ce miimum est atteit est sélectioée comme feêtre pour l estimateur par istogramme. Voyos maiteat commet cette métode peut être effectivemet mise e oeuvre. Pour toute desité f et pour tout istogramme ˆf, soit J f ( = MISE f ( f 2 2 = m p 2 j, (2.3 e vertu du Lemme 2.1. appelos que p j représete la proportio téorique des observatios qui se situet das la classe C j, pour tout j = 1,..., m. Il découle de cette rélatio que pour désiger u estimateur sas biais de J f (, il suffit de désiger u estimateur sas biais de p 2 j, pour tout j = 1,..., m. Ue approce aïve cosisterait à estimer p2 j par ˆp 2 j, où ˆp j = 1 1l Cj (X i est la proportio empirique des observatios se situat das C j. Comme ˆp j suit la loi biômiale de paramètres (, p j, o a Var f [ ˆp j ] = p j (1 p j / et, par coséquet, E f [ ˆp 2 j ] = Var f [ ˆp j ] + (E f [ ˆp j ] 2 = p 2 j ( p j. (2.4 Cette égalité ous motre d ue part que l idée aïve d estimer p 2 j par ˆp 2 j e coduit pas vers u estimateur sas biais. Mais, d autre part, ce petit calcul que ous veos d effectuer prépare le terrai pour détermier l estimateur utilisé par la métode de validatio croisée. E effet, comme ˆp j est u estimateur sas biais de p j, il résulte de (2.4 que ˆp 2 j ˆp j/ est u estimateur sas biais de p 2 j (1 1/. Par coséquet, pour tout j = 1,..., m, p 2 j = ˆp2 j ˆp j/ 1 1/ = 1 ˆp2 j 1 1 ˆp j est u estimateur sas biais de p 2 j. E ijectat cet estimateur das le membre droit de l égalité (2.3 et e utilisat le fait que m ˆp j = 1, ous obteos le résultat suivat. 1. E pratique, il est préférable d estimer o pas le risque MISE f ( de f, mais la différece etre le risque de f et celui de l estimateur trivial f triv. 2. Idéalemet, il faudrait égalemet pouvoir cotrôler la variace de Ĵ(, X 1,..., X, mais cet aspect e sera pas évoqué das le cadre de ce cours.

14 14 Modèle de desité Capitre 2 Propositio 2.1. Si f est ue desité de carré itégrable et si ˆf est l istogramme à m = 1/ classes basé sur l écatillo X 1,..., X ayat f pour desité de probabilité, alors Ĵ(, X 1,..., X = est u estimateur sas biais de MISE f ( f ( m ( 1 ˆp 2 j Nous pouvos à préset éocer la métode de validatio croisée. Nous allos le faire das le cadre gééral, sas supposer que les observatios sot icluses das [, 1]. Das ce cas, o peut poser a = mi i X i et b = max i X i et pour tout m N coisir la feêtre = (b a/m. O défiit alors les classes C j = [a + (j 1; a + j[ pour j = 1,..., m 1 et C m = [b ; b]. Algoritm de validatio croisée pour coisir la feêtre d u istogramme. Etrée : X 1,..., X ; Sortie : ĥcv ; Défiir a mi i X i ; b max i X i ; Iitialiser m 1 ; m CV 1 ; J CV 1 ; Tat que (m < effectuer : Fi Tat que Poser J Si (J < J CV alors m CV m ; J CV J ; FiSi m m + 1 ; ĥ CV (b a/m CV ; 2m ( + 1m 1 1 m ( 1 1l Cj (X i 2 ; Ue fois la feêtre ĥcv détermiée, ous pouvos calculer et tracer la courbe de l istogramme ayat comme feêtre ĥcv. 2.2 Estimateur à oyau L estimatio de la desité par istogrammes est ue métode aturelle très répedue car elle est facilemet implémetable. Cepedat, l estimateur de desité fourit par u istogramme e peut pas être adapté à la situatio assez courat où ous disposos d ue

15 Sectio 2.2 Estimateur à oyau 15 iformatio à priori sur la régularité de la desité à estimer. Plus précisémet, si l o sait par avace que la desité de l écatillo observé est, par exemple, deux fois cotiûmet différetiable, o aurait aturellemet evie d estimer cette desité par ue foctio qui, elle aussi, est deux fois cotiûmet différetiable. Or, les istogrammes sot des foctios qui e sot même pas cotiues. Il est aturel alors de vouloir lisser les istogrammes. O s atted alors à ce que le résultat du lissage améliore o seulemet l aspect visuel de l estimateur, mais produise de plus u estimateur plus proce de la vraie desité que l estimateur par istogramme Défiitio et propriétés élémetaires Soit x et >. Si l o suppose que x est le cetre d ue classe de l istogramme et que est la logueur des classes, l estimateur de f (x par istogramme peut s écrire comme f H (x = 1 1l( X i x /2 = 1 ( Xi x 1l 1. 2 Ue faço de gééraliser les istogramme cosiste à utiliser la formule ci-dessus pour tout x et pas seulemet pour les cetres des classes. Cette gééralisatio est certe utile, car elle coduit vers u estimateur qui est costat par morceaux comme les istogrammes, mais a l avatage d avoir des plateaux de logueurs variables. Cepedat, cela e ous coduit pas vers u estimateur cotiu. O remarque aisémet que la discotiuité de l estimateur défii ci-dessus est ue coséquece de la discotiuité de la foctio idicatrice. Par coséquet, e remplaçat 1l( z 1 2 par ue foctio K quelcoque, o obtiet l estimateur f K(x = 1 ( Xi x K qui est cotiu et même l-fois cotiûmet différetiable du momet où la foctio K l est. O arrive aisi à la défiitio suivate. Défiitio 2.1. Soit K : ue foctio quelcoque et soit u réel positif. O appelle estimateur à oyau la foctio f K(x = 1 K ( Xi x O dit alors que K est le oyau de cet estimateur et est la feêtre.. (2.5 Selo cette défiitio, toute foctio K peut servir comme oyau d estimatio d ue desité f. Les oyaux les plus courammet utilisés e pratique sot le oyau rectagulaire : K(u = 1 2 1l [ 1,1](u, le oyau triagulaire : K(u = (1 u 1l [ 1,1] (u,

16 16 Modèle de desité Capitre 2 le oyau d Epaecikov : K(u = 3 4 (1 u2 1l [ 1,1] (u, le oyau gaussie : K(u = 1 2π e u2 /2. Les courbes de ces oyaux sot présetées ci-dessous : Lemme 2.2. Si K est positive et K(u du = 1, alors f K ( est ue desité de probabilité. De plus, est cotiue si K est cotiue. f K Démostratio. L estimateur à oyau est positive et cotiue car la somme des foctios positives et cotiues est elle-même ue foctio positive et cotiue. Il faut doc vérifier que l itégrale de f K ( vaut u. E effet, f K (x dx = = 1 = 1 1 ( Xi x K ( Xi x K dx dx K(u du = 1. (u = (X i x/ O voit doc que, tout comme l estimateur par istogramme, l estimateur à oyau est ue desité de probabilité. Il a de plus l avatage d être cotiu à coditio que K le soit, ce

17 Sectio 2.2 Estimateur à oyau 17 qui était pas le cas pour les istogrammes. Par coséquet, lorsqu o estime ue desité cotiue, il est aturel de s attedre que l estimateur à oyau soit meilleur que l estimateur par istogramme. Le but de la suite de ce capitre est de doer des résultats quatitatives caractérisat le gai obteu par l utilisatio de f K par rapport à f H Etude du biais et de la variace Lorsqu o défiit u estimateur à oyau, o a o-seulemet le coix de la feêtre > mais aussi celui du oyau K. Il y a u certai ombre de coditios qui sot cosidérées comme usuelles pour les oyaux et qui permettet d aalyser le risque de l estimateur à oyau qui e résulte. HYPOTHÈSE K : O suppose que K vérifie les 4 coditios suivates : 1. K(u du = 1, 2. K est ue foctio paire ou, plus gééralemet, u K(u du =, 3. u2 K(u du <, 4. K(u2 du <. Propositio 2.2. Si les trois premières coditios de l ypotèse K sot remplies et f est ue desité borée dot la dérivée secode est borée, alors Biais ( K f (x C 1 2, où C 1 = 1 2 sup z f (z u2 K(u du. Si, de plus, la coditio 4 de l ypotèse K est satisfaite, alors avec C 2 = sup z f (z K(u2 du. Var ( f K (x C 2 Démostratio. Commeços par calculer le biais : E f [ f K(x] = 1 ( Xi x ] E f [K = 1 ( y x K f (y dy = 1 ( y x K f (y dy (y = x + u, dy = du = K(u f (x + u du. E effectuat u dévelopemet limité à l ordre 2, il viet E f [ f K(x] = K(u f (x + u du = K(u [ f (x + (u f (x + (u2 f (ξ u ] du (ξ u [x, x + u] 2 = f (x K(u du + f (x uk(u du + 2 u 2 K(u f (ξ u du. } {{ } } {{ } 2 =1 =

18 18 Modèle de desité Capitre 2 Il e résulte que ( Biais f K (x = E f [ f K(x] f (x 2 u 2 K(u f (ξ u du 2 2 u 2 K(u f (ξ u du 2 2 max x f (x u 2 K(u du 2 } {{ } d où la première assertio de la propositio. Pour prouver la secode assertio, o utilise le faite que les variables aléatoires Y i = K ( (X i x/, i = 1,..., sot i.i.d. et que la variace de la somme de variables idépedates coïcide avec la somme des variaces : Var f [ f K(x] = 1 [ ( ( 2 Var Xi x ] f K = 1 ( Xi x ] ( 2 Var f [K = 1 [ ( ( 2 Var X1 x ] f K 1 [ ( 2 E X1 x 2 ] f K = 1 ( y x 2 2 K f (y dy (y = x + u, dy = du = 1 K(u 2 f (x + u du 1 f (z K(u 2 du. z } {{ } C 2 C est exactemet ce qu il fallait démotrer. C Quelques remarques Les évaluatios du biais et de la variace que l o viet de démotrer ot u certai ombre de coséqueces résumées ci-dessous. Vitesse de covergece : O déduit de la Propositio 2.2 que le risque MSE de ˆf K (x admet la majoratio suivate : MSE ( ˆf K (x C C 2. O vérifie aisémet que la valeur de la feêtre qui miimise le majorat du MSE est opt = (C 2 /4C 2 1 1/5 1/5. E ijectat cette valeur das l expressio du MSE o obtiet : MSE ( ˆf K opt (x Cost 4/5.

19 Sectio 2.2 Estimateur à oyau 19 Cela motre que la vitesse de covergece de l estimateur à oyau est de 4/5. Elle est doc meilleure que la vitesse 2/3 obteue pour les istogrammes. Par coséquet, les estimateurs à oyau sot préférables aux istogrammes lorsqu il s agit d estimer ue desité deux fois cotiûmet différetiable. Optimalité de la vitesse : O peut démotrer qu il est impossible d estimer f à ue vitesse meilleure que 4/5 sas imposer des ypotèses supplémetaires (de régularité ou de structure sur la desité icoue f. Sur-lissage et sous-lissage : Lorsque la feêtre est très petit, le biais de l estimateur à oyau est très petit face à sa variace et c est cette derière qui détermie la vitesse de covergece du risque quadratique. Das ce type de situatio, l estimateur est très volatile et o parle de sous-lissage (uder-smootig, e aglais. E revace, lorsque gradit, la variace deviet petite et c est le biais qui deviet domiat. L estimateur est alors très peu variable et est de mois à mois ifluecé par les doées. O parle alors d u effet de sur-lissage (over-smootig e aglais. E pratique, il est primordial de trouver la boe dose de lissage qui permet d éviter le sous-lissage et le sur-lissage. Décriptage de la vitesse de covergece : O peut se demader d où vieet le 4 et lle 5 das la vitesse de covergece 4/5 présetée ci-dessus. E fait, si l o estime ue desité o pas uivariée, mais d-variée 3, et l o suppose que f est k fois cotiûmet différetiable, alors la vitesse de covergece optimale est de 2k /(2k + d. Das le cas où d = 1 et k = 2, o retrouve la vitesse 4/5. Comparaiso avec le cadre paramétrique : Das la téorie statistique paramétrique classique, la vitesse de covergece usuelle pour le risque quadratique est de 1, où est le ombre d observatios. O voit que la vitesse 4/5 obteue pour l estimateur à oyau est meilleure que 2/3 obteu pour l estimateur par istogramme mais reste quad-même iférieure à la vitesse paramétrique. Ceci est tout à fait aturelle et traduit la complexité de l estimatio o-paramétrique comparée à l estimatio paramétrique. O peut remarquer égalemet que lorsque la régularité de la desité ted vers l ifiie (β, la vitesse de covergece se rapproce de plus e plus de la vitesse paramétrique. Exercice 2.2. Soit β >, L > et soit 4 k = β. O suppose que la desité f appartiet à la classe de Hölder H (β, L défiie par : f H (β, L f C k et f (k (y f (k (x L x y β k, x, y. 1. Motrer que si le oyau K vérifie les coditios K et uj K(u =, j = 1,..., k, et u β K(u du < alors il existe des costates C 1 et C 2 telles que MSE f [ ˆf K (x] C 1 2β + C E déduire la valeur opt de la feêtre qui miimise le majorat du risque. Quelle est la vitesse de covergece du risque associé à cette feêtre optimale? 3. Motrer que si le oyau K vérifie les coditios ci-dessus et si β > 2, alors l estimateur ˆf K est pas ue desité de probabilité. 3. c est-à-dire f : d 4. β désige le placer de β, c est-à-dire le plus grad ombre etier strictemet plus petit que β

20 2 Modèle de desité Capitre Validatio croisée Pour désiger ue métode automatique pour le coix de la feêtre, o utilise souvet la métode de la validatio croisée. Il s agit de proposer das u premier temps (pour u fixé u estimateur Ĵ( sas biais de la quatité J( = MISE( ˆf K f 2 2 et, das u deuxième temps, de miimiser cet estimateur Ĵ( sur u esemble fii de cadidats pour. Propositio 2.3. La statistique Ĵ( = ˆf K 2 2 est u estimateur sas biais de J(. 2 ( 1,j =i ( Xi X j K Démostratio. D ue part, comme la desité joite du couple (X i, X j est f (x f (y, o a E f [Ĵ(] = E f [ ˆf K ( ] 2 Xi X j 2 2] ( 1 E f [K,j =i = E f [ ˆf K ( 2 x y 2 2] ( 1 K f (x f (y dxdy,j =i 2 = E f [ ˆf ( K 2 x y 2 2] ( 1 ( 1 K f (x f (y dxdy 2 = E f [ ˆf K 2 2] 2 ( x y f (x f (y dxdy. D autre part, 2 K J( = MISE( ˆf K f 2 2 = E f [ ˆf K f 2 2] f 2 2 = E f [ ˆf K ˆf ] K, f + f 2 2 f 2 2 [ = E f K ˆf 2 ] [ ] 2 2E f ˆf K(x f (x dx [ = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx. [ Or, o a vu déjà (voir la démostratio de la Prop. 2.2 que E f ˆf K (x ] = 1 Par coséquet, [ J( = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx [ = E f K ˆf 2 ] 1 ( y x 2 2 K f (y dy f (x dx [ = E f K ˆf 2 ] 2 ( y x 2 K f (y f (x dy dx = E f [Ĵ(], ce qui équivaut à dire que Ĵ( est u estimateur sas biais de J(. K( y x f (y dy. E utilisat cet estimateur Ĵ(, o défiit l algoritm de validatio croisée (cross validatio, e aglais de la même maière que pour les estimateurs par istogramme.

21 Sectio 2.3 Exercices Exercices

22

23 3 Modèle de régressio 3.1 Défiitios 3.2 égressogrammes 3.3 Moyee Locale 3.4 Estimateur à Noyau 3.5 Estimateur par Polyômes Locaux Défiitio et Propriétés de bases Etude du Biais et de la Variace Vitesse de covergece 3.6 Lissage Liéaire et Validatio Croisée 3.7 Estimatio de la Variace 3.8 Exemple 3.9 Exercices

Sciences Po Option Mathématiques

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

Plus en détail

Estimations et intervalles de confiance

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

Plus en détail

Limites des Suites numériques

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

Plus en détail

1 Mesure et intégrale

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

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

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

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

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

Plus en détail

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

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

Plus en détail

Correction CCP maths 1 MP

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

Plus en détail

STATISTIQUE : ESTIMATION

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

Plus en détail

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

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

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

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

Plus en détail

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

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

Plus en détail

La classification de données quantitatives avec SPAD

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

Plus en détail

Chapitre 4 Lois discrètes

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

Plus en détail

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

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

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

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

Plus en détail

Inégalités souvent rencontrées

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

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

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

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

Plus en détail

Comportement d'une suite

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

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

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

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

Plus en détail

Correction HEC III 2007

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

Plus en détail

Devoir de statistiques: CORRIGE

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

Plus en détail

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

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

Plus en détail

TS Intervalle de fluctuation et estimation Cours

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

Plus en détail

Dénombrement - Combinatoire Cours

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

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

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

Plus en détail

Fluctuation et estimation

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

Plus en détail

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

Correction Bac ES France juin 2010

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

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

FONCTION EXPONENTIELLE

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

Plus en détail

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

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

Plus en détail

Correction des exercices sur la nature ondulatoire de la lumière

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

Plus en détail

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

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

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

MATHEMATIQUES Terminale Scientifique

MATHEMATIQUES Terminale Scientifique MATHEMATIQUES Termiale Scietifique Fiches PROGRAMME 22 (v24) Sylvie LAMY Agrégée de Mathématiques Dilômée de l École Polytechique Cours Pi e-mail : lescoursi@cours-icom site : htt://wwwcours-icom siège

Plus en détail

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015 CONCOURS COMMUNS POLYTECHNIQUES FILIÈRE MP BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 5 avec corrigés V. Bellecave, J.-L. Artigue, P. Berger, J.-P. Bourgade, S. Calmet, A. Calvez, D. Cleet, J. Esteba,

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

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

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

Plus en détail

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse

Séquence 1. Les suites numériques. Sommaire. 1. Pré-requis 2. Le raisonnement par récurrence 3. Notions de limites 4. Synthèse Séquece Les suites umériques Sommaire Pré-requis Le raisoemet par récurrece 3 Notios de limites 4 Sythèse Das cette séquece, il s agit d ue part d approfodir la otio de suites umériques permettat la modélisatio

Plus en détail

Méthodes basiques en statistiques sous R

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

Plus en détail

École de technologie supérieure

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

Plus en détail

I. (2 points) III. (2 points)

I. (2 points) III. (2 points) ère S Cotrôle du vedredi 7 mars 05 (0 mi) Préom : Nom : Note : / 0 II ( poits) Soit ABC u triagle isocèle e A tel que AB AC 8 cm et BC 5 cm O ote I le milieu de [AC] Calculer BI (valeur exacte) I ( poits)

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Séquence 8. Suites arithmétiques et géométriques. Sommaire

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

Plus en détail

Cours de méthodes de simulation

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

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

TP R : méthodes statistiques élémentaires

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

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

Plus en détail

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

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

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

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

Plus en détail

B) CHAÎNES DE SOLIDES

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

Plus en détail

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

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

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

Plus en détail

Développement d une fonction en série entière. Exemples et applications

Développement d une fonction en série entière. Exemples et applications Développemet d ue foctio e série etière Exemples et applicatios Das ce chapitre, K désigera R ou C B(; R) désigera la boule ouverte de cetre et de rayo R > 1 Gééralités Défiitio 1 Soit f ue applicatio

Plus en détail

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

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

Plus en détail

20. Algorithmique & Mathématiques

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

Plus en détail

Statistique descriptive bidimensionnelle

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

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

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

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

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

Plus en détail

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

Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015 Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir

Plus en détail

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

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

Plus en détail

La Méthode de Monte Carlo

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

Plus en détail

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

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

Plus en détail

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario

Mathématiques. Terminale S Corrigés des exercices. Rédaction : Laurent Beroul Isabelle Tenaud Sébastien Cario. Coordination : Sébastien Cario Mathématiques Termiale S Corrigés des eercices Rédactio : Lauret Beroul Isabelle Teaud Sébastie Cario Coordiatio : Sébastie Cario Ce cours est la propriété du Ced Les images et tetes itégrés à ce cours

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

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

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

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

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

Plus en détail

Statistique Numérique et Analyse des Données

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

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

Suites et séries numériques

Suites et séries numériques Maths MP Cours Table des matières Suites et séries umériques Quelques prélimiaires. Les yeux fermés........................................... De quoi parle-t-o?........................................3

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

Probabilités et Statistique

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

Plus en détail

EXERCICES : DÉNOMBREMENT

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

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

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

Plus en détail