Intervalles de confiance et tests portant sur la moyenne et la variance d une loi gaussienne
|
|
- Claudine Clément
- il y a 7 ans
- Total affichages :
Transcription
1 Master de mathématiques 011/01 Intervalles de confiance et tests portant sur la moyenne et la variance d une loi gaussienne Table des matières A Intervalle de confiance 1 B Intervalles de confiance et tests pour une moyenne quand la variance est connue 1 B.1 Intervalle de confiance bilatéral B. Intervalles de confiance unilatéraux B.3 Test bilatéral B.4 Tests unilatéraux C Intervalles de confiance et tests pour une moyenne quand la variance est connue 5 C.1 Intervalle de confiance bilatéral C. Intervalles de confiance unilatéraux C.3 Test bilatéral C.4 Tests unilatéraux C.5 Réalisation avec le logiciel R D Intervalle de confiance pour une variance (cas gaussien) 8 D.1 Cas où la moyenne est connue D. Cas où la moyenne est inconnue D..1 Intervalle de confiance D.. Tests unilatéraux D..3 Test bilatéral D..4 Remarque E Intervalles de confiance obtenus par l inégalité de Bienaymé-Tchebychev 10 1
2 A Intervalle de confiance Soit (Ω, F, (P θ ) θ T ) X=(X 1,..,X n ) (S, S, (Q θ ) θ T ) une structure statistique, où T est une partie de R et la loi de X sous P θ est Q θ. Si α est un élément de ]0, 1[, un intervalle de confiance du paramètre θ de niveau 1 α est déterminé par la donnée de deux estimateurs A et B de S dans R vérifiant a) pour tout s S A(s) B(s) b) θ T Q θ (A θ B) 1 α. Une fois une mesure x = (x 1,.., x n ) effectuée, on dira que l intervalle [A(x), B(x)] est un intervalle de confiance de niveau 1 α du paramètre θ. B Intervalles de confiance et tests pour une moyenne quand la variance est connue Un phénomène obéit à une loi normale N (m, σ ), où la moyenne m est inconnue. Pour estimer m on réalise n mesures indépendantes x 1,..., x n. On pose x = (x 1,..., x n ) et on note x n = 1 n (x x n ) la moyenne empirique obtenue, qui est une estimation ponctuelle de m. B.1 Intervalle de confiance bilatéral Le modèle statistique correspondant est (Ω, F, (P m ) m R ) X=(X 1,...,X n ) (R n, B n, N (m, σ ) n ), où σ est un réel > 0 fixé, et où sous P m la suite X = (X 1,..., X n ) est un n-échantillon de N (m, σ ). Le comportement probabiliste de x n est modélisé par la variable aléatoire X n = 1 n n i=1 X i qui suit sous P m la loi N (m, σ n ). La variable Z = X n m σ/ n suis donc sous P m la loi N (0, 1). On se donne un réel α ]0, 1[, et on désire construire un intervalle de confiance de m de niveau (1 α) 100%. On note z α/ le réel vérifiant P m ( z α/ Z z α/ ) = 1 π +zα/ z α/ exp{ x }dx = 1 α, i.e. le réel z α/ tel que z α/ soit le quantile d ordre α de la loi N (0, 1). On peut alors écrire P m ( z α/ X n m σ/ n z α/) = 1 α P m (X n z α/ σ n m X n + z α/ σ n ) = 1 α.
3 Un intervalle de confiance de niveau (1 α) 100% de la moyenne m est donc [x n z α/ σ n, x n + z α/ σ n ]. La quantité z α/ σ n est appelée erreur moyenne. B. Intervalles de confiance unilatéraux On peut selon les mêmes principes utilisés plus haut construire des intervalle de confiance unilatéraux. Si -z α est le quantile d ordre α de la loi N (0, 1), les intervalles [x n z α σ n, + [ et ], x n + z α σ n ] sont des intervalle de confiance de la moyenne de niveau (1 α) 100%. B.3 Test bilatéral On se donne un réel m 0 et on désire tester H 0 : m = m 0 contre H 1 : m m 0. Un test se réalise par l intermédiaire d une règle de décision, qui doit préciser une statistique de test et la région de rejet associée à cette statistique. Compte tenu du paragraphe précédent, il est naturel de prendre pour statistique l application t : R n R +, a = (a 1,..., a n ) t(a) = a n m 0 σ/ n où a n = 1 n n i=1 a i. Si H 0 est vraie, on s attend à observer une valeur de t(x) plus petite que si H 1 était vraie. Sous H 0 la variable X n m 0 σ/ a pour loi N (0, 1). n Région de rejet a priori La région de rejet a priori (i.e. avant d avoir effectué les mesures) associée à la statistique t est un intervalle de la forme [c, + [,c 0. Région de rejet a posteriori La région de rejet a posteriori est la plus petite région de rejet a priori contenant t(x), c est à dire l intervalle [t(x), + [. P-valeur, 3
4 La p-valeur est la probabilité pour que sous H 0 t(x) appartienne à la région de rejet a posteriori, i.e. γ = P m0 (t(x) [t(x), + [) = P m0 ( X n m 0 σ/ n x n m 0 σ/ n ) = N (0, 1)(], t(x)] [t(x), + [) = Φ( x n m 0 σ/ n ), où Φ désigne la fonction de répartition de la loi normale N (0, 1). Test de taille donnée Soit α ]0, 0.5[. Le test de région de rejet l intervalle [z α/, + [ est de taille α puisque P m0 ( X n m 0 σ/ n z α/) = P m0 ( X n m 0 σ/ n z α/)+p m0 ( X n m 0 σ/ n z α/) = Φ( z α/ ) = α. On rejette H 0 au niveau α si t(x) z α/, et on ne rejette pas H 0 si t(x) < z α/. Comme t(x) z α/ équivaut à γ = P m0 (t(x) t(x)) P m0 (t(x) z α/ )) = α, on voit qu il est équivalent de rejeter H 0 au niveau α si α γ. Lien avec l intervalle de confiance On établit facilement l équivalence t(x) z α/ m 0 [x n z α/ σ n, x n + z α/ σ n ]. B.4 Tests unilatéraux On se donne un réel m 0 et on désire tester H 0 : m = m 0 ( ou m m 0 ) contre H 1 : m < m 0. La statistique de test est dans ce cas l application s : R n R +, a = (a 1,..., a n ) s(a) = a n m 0 σ/ n, où a n = 1 n n i=1 a i. La région de rejet a priori associée à la statistique s est de la forme ], c], et la région de rejet a posteriori est ], s(x)] =], x n m 0 σ/ n ]. 4
5 La p-valeur est γ = P m0 (s(x) s(x)) = P m0 ( X n m 0 σ/ n x n m 0 σ/ n ) = N (0, 1)(], s(x)]) = Φ( x n m 0 σ/ n ). On traiterait de façon analogue le test de H 0 : m = m 0 contre H 1 : m > m 0, dont la région de rejet a posteriori est [s(x), + [= [ x n m 0 σ/ n, + [ et la p-valeur 1 Φ(x n m 0 σ/ n ). Fonction puissance d un test de taille donnée Supposons que µ 0 = 10, σ = 3, x = 9, n = 36. Le test bilatéral de taille 0, 05 a pour région de rejet (relative à la statistique t) l intervalle [z, + [, où z = t 0,05 est déterminé par P 10 (t(x) z) = 0, 05. Le réel z est le quantile d ordre 1 0,05 = 0, 975 de la loi N (0, 1). Ce quantile vaut approximativement 1, La fonction puissance du test est l application de R {10} dans [0, 1] qui à m associe π(m) = P m (t(x) z). Sous P m X n a pour loi N (m, 9 36 ) = N (m, 1 4 ) ; X n 10 3/6 a par conséquent pour loi N ((m 10), 1). Donc π(m) = N ((m 10), 1)([ z, z] c ) = 1 N ((m 10), 1)([ z, z] = 1 N (0, 1)([ z (m 10), z (m 10)]). Remarque 1 Les valeurs les plus utilisées par α et les valeurs approchées correspondantes de z α/ sont données dans le tableau ci-dessous. α 0, 1 0, 05 0, 01 1 α 0, 9 0, 95 0, 99 z α/ 1, 645 1, 96, 576 5
6 La figure ci-dessous illustre le cas α = 0, 1. y ,1=0,90 0,1/=0,05 0,1/=0, x C Intervalles de confiance et tests pour une moyenne quand la variance est connue Rappel (Loi de Student) La loi de Student t n est la loi d un quotient U, où U et V sont des variables aléatoires V/n réelles indépendantes, U suivant une loi normale N (0, 1) et V une loi du χ à n degrés de liberté. Les densités des lois de Student sont paires. C.1 Intervalle de confiance bilatéral Le modèle statistique correspondant est (Ω, F, (P (m,σ) ) (m,σ) R R + ) X (R n, B n, N (m, σ ) n ), où sous P (m,σ) la suite X = (X 1,..., X n ) est un n-échantillon de N (m, σ ). La variance inconnue est estimée par s n = 1 n n 1 i=1 (x i x n ), dont la variable aléatoire associée est Sn = 1 n n 1 i=1 (X i X n ). On rappelle que sous P (m,σ) les variables X n et Sn 6
7 sont indépendantes, que la variable Sn a pour espérance σ, et que la loi de n 1 σ S n est la loi de khi-deux à n 1 degrés de liberté χ n 1. Pour déterminer un intervalle de confiance de la moyenne de niveau (1 α) on utilise la variable X n m Sn/ n = [ n(xn m) ]/[ S n σ σ ] qui sous P (m,σ) suit la loi de Student à n 1 degrés de liberté. On note que P (m,σ) (S n = 0) = 0. Soit α ]0, 1[ et t α/ = t(α/, n 1) le réel vérifiant t n 1 ([ t α/, t α/ ]) = 1 α, i.e. le quantile d ordre 1 1 de la loi t n 1. L équivalence P (m,σ) ( t α/ X n m S n/ n t α/) = 1 α P (m,σ) (X n t α/ S n n m X n +t α/ S n n ) = 1 α. montre que l intervalle s n s n [x n t α/, x n + t α/ ] n n est un intervalle de confiance de la moyenne pour la moyenne de niveau (1 α) 100%. C. Intervalles de confiance unilatéraux On peut selon les mêmes principes utilisés plus haut construire des intervalle de confiance unilatéraux. Si t α est le quantile d ordre 1 α de la loi t n 1, les intervalles s n s n [x n t α, + [ et ], x n + t α ] n n sont des intervalle de confiance de niveau (1 α) 100%. C.3 Test bilatéral où et On se donne un réel m 0 et on désire tester H 0 : m = m 0 contre H 1 : m m 0. Compte tenu du paragraphe précédent, on prend pour statistique de test l application t : R n \ n R +, a = (a 1,..., a n ) t(a) = a n m 0 σ (a)/ n, a n = 1 n n a i, σ (a) = 1 n 1 i=1 n (a i a n ), i=1 n = {(a 1,..., a n ) R n : (i, j) [1..n] a i = a j }. La région de rejet à priori associée à la statistique t est un intervalle de la forme [c, + [. 7
8 La région de rejet a posteriori une fois observées les valeurs x 1,..., x n, réels que l on supposera non tous égaux, est par conséquent [t(x), + [= [ x n m 0 s n/, + [. n La p-valeur du test vaut γ = P (m0,σ)(t(x) [t(x), + [) = P (m0,σ)( X n m 0 S n/ n x n m 0 s n/ n ) = F tn 1 ( x n m 0 s n/ n ), où F tn 1 désigne la fonction de répartition de la loi de Student à n 1 degrés de liberté. Si l on s est donné un niveau α ]0, 1[, on rejette H 0 si α > γ, et on ne rejette pas H 0 si α γ. C.4 Tests unilatéraux H 0 : m = m 0 (ou m m 0 ) contre H 1 : m < m 0. La région de rejet a priori associée à la statistique où et s : R n \ n R +, a = (a 1,..., a n ) s(a) = a n m 0 σ (a)/ n, a n = 1 n n a i, σ (a) = 1 n 1 i=1 n (a i a n ), i=1 n = {(a 1,..., a n ) R n : (i, j) [1..n] a i = a j }, est de la forme ], c], et la région de rejet a posteriori est ], x n m 0 s n/ n ]. La p-valeur est γ = P (m0,σ)( X n m 0 S n/ n x n m 0 s n/ n ) = F tn 1 ( x n m 0 s n/ n ) = F tn 1 (s(x)). On traiterait de façon analogue le test H 0 : m = m 0 contre H 1 : m > m 0. 8
9 C.5 Réalisation avec le logiciel R Si x = (x 1,..., x n ) est la suite des mesures, 1 α le niveau de confiance, la commande - t.test(x, alt = g, mu = m 0, conf.level = 0.9) fournit l estimation x n m 0 s n/, la p-valeur n t n 1 ([ x n m 0 s n/ n, + [) = 1 F t n 1 ( x n m 0 s n/ n ) du test de H 0 : m = m 0 contre H 1 : m > m 0, ainsi que l intervalle de confiance unilatéral de niveau 1 α = 0, 9 - t.test(x, alt = l, mu = m 0 ) fournit l estimation x n m 0 s n/ n, la p-valeur F t n 1 ( x n m 0 s n/ ) du test de n H 0 : m = m 0 contre H 1 : m < m 0, ainsi que l intervalle de confiance unilatéral du niveau par défaut 95% - t.test(x, alt = t ) fournit l estimation x n m 0 s n/ n, la p-valeur F t n 1 ( x n m 0 s n/ n ) du test bilatéral de H 0 : m = 0 contre H 1 : m 0, ainsi que l intervalle de confiance bilatéral du niveau par défaut 95%. D Intervalle de confiance pour une variance (cas gaussien) Un phénomène obéit à une loi normale N (m, σ ), où la variance σ est inconnue. Pour estimer σ on réalise n mesures indépendantes x 1,..., x n. D.1 Cas où la moyenne est connue On estime σ par s n = 1 n n i=1 (x i m) ; la variable associée est S n = 1 n n i=1 (X i m). On sait que la variable ns n σ suit la loi du khi-deux à n degrés de liberté χ n. Etant donné α ]0, 1[ on détermine les réels k 1 (α) et k (α) vérifiant χ n([0, k 1 (α)]) = α et χ n([k (α), + [) = α. On a alors χ n([k 1 (α), k (α)]) = 1 α, et de façon équivalente P σ (k 1 (α) ns n σ k (α)) = 1 α, soit encore P σ ( ns n k (α) σ ns n k 1 (α) ) = 1 α. Un intervalle de confiance de niveau (1 α) 100% de la variance σ est par conséquent [ ns n k (α), ns n k 1 (α) ]. 9
10 D. Cas où la moyenne est inconnue D..1 Intervalle de confiance La moyenne est estimée par x n = 1 n n i=1 x i et la variance par s n n 1 i=1 (x i x n ), dont la variable aléatoire associée est Sn = 1 n n 1 i=1 (X i X n ). La variable (n 1)S n σ a pour loi χ n 1. Si k 1 (α) et k (α) sont les réels vérifiant χ n 1([0, k 1 (α)]) = α on voit comme ci-dessus que l intervalle [ (n 1)s n, k (α) n = 1 et χ n 1([k (α), + [) = α, (n 1)s n ] k 1 (α) est un intervalle de confiance de niveau (1 α) 100% de la variance σ. D.. Tests unilatéraux On se donne un réel σ 0 > 0 et on désire tester H 0 : σ = σ 0 contre H 1 : σ > σ 0. Le test se réalise par l intermédiaire de la statistique n 1 S σ0 n, qui suit sous H 0 la loi χ n 1. La région de rejet à priori qui de la forme [c, + [. La région de rejet a posteriori associée aux mesures indépendantes x 1,..., x n est par conséquent [ n 1 σ0 La p-valeur du test vaut γ = P (m,σ 0 )( n 1 σ0 Sn n 1 σ0 s n ) = χ n 1([ n 1 σ0 s n, + [. s n, + [). Si l on s est donné un niveau α ]0, 1[, on rejette H 0 si α γ, et on ne rejette pas H 0 si α < γ. Le test H 0 : σ σ 0 contre H 1 : σ > σ 0 possède la même p-valeur. D..3 Test bilatéral Du fait de la dissymétrie de la loi χ n 1 il est impossible de préciser une région de rejet a priori pour le test de H 0 : σ = σ0 contre H 1 : σ σ0. On se fixe donc au préalable un niveau α ]0, 1[, puis on détermine ensuite les réels χ 1 et χ vérifiant χ n 1([0, χ 1 ]) = α et χ n 1([χ, + [) = α. Comme alors sous H 0 P (m,σ 0 )( n 1 σ0 Sn [χ 1, χ ]) = χ n 1([χ 1, χ ]) = 1 α, l ensemble [χ 1, χ ] c est une région de rejet du test pour le niveau α. 10
11 D..4 Remarque Les résultats de la partie D restent valables pour de grands échantillons ( n 30) dans le cas de variables indépendantes et de même loi admettant un moment d ordre deux fini. Ceux de la partie C ne s appliquent qu au cas gaussien car la loi de la variable n 1 σ S n peut s écarter nettement de la loi χ n 1 lorsque les variables X n ne sont pas gaussiennes, même lorsque n est grand (on dira que la distribution d échantillonnage de la variable n 1 σ S n est peu robuste vis-à-vis de l hypothèse gaussienne). Plus précisément si (X n ) n est une suite indépendante de variables aléatoires réelles de même loi admettant un moment d ordre 4, et si comme ci-dessus Sn = 1 n n 1 i=1 (X i X n ), la suite n(sn σ ) converge en loi vers une loi normale N (0, µ 4 σ 4 ), où µ 4 est le moment centré d ordre 4 E(X 1 EX 1 ) 4. Si les variables X n suivent une loi normale, µ 4 = 3σ 4, et donc µ 4 σ 4 = σ 4. Les tests de la partie C restent par conséquent valides pour une loi pour laquelle µ 4 = 3σ 4. E Intervalles de confiance obtenus par l inégalité de Bienaymé-Tchebychev Quand l approximation normale n est pas valide, on peut utiliser l inégalité de Bienaymé- Tchebychev pour obtenir intervalle de confiance. Un phénomène obéit à une loi P sur R, de moyenne m, dont la variance σ est connue. Pour estimer m on réalise n mesures indépendantes x 1,..., x n et l on note x n = 1 n (x x n ) la moyenne empirique qui est une estimation ponctuelle de m. Si (X 1,..., X n ) est un n-échantillon de P, on a pour tout réel t > 0 l inégalité P ( n (X n m)/σ t) 1 t V [ n(x n m)/σ] = 1 t, d où P ( n(x n m)/σ 1 t) 1 t. Soit α ]0, 1[ et soit l α = 1/ α. On a ce qui s écrit encore P ( n(x n m)/σ lα ) 1 α, P (X n l α σ n m X n + l α σ n ) 1 α. L intervalle [x n l α σ n m x n + l α σ n ] est un intervalle de confiance de niveau au moins égal à 1 α. Exemple 11
12 On reprend les données utilisée dans la section B (variance connue), i.e. on suppose que P a pour écart-type σ = 3, et que la moyenne empirique est x = 9, la taille de l échantillon étant n = 36. Si α = 0, 1, on a x n l α σ n = 9 1 0, et x n l α σ n = 9 1 0, , si bien que l intervalle de confiance de niveau supérieur ou égal à 0, 90 est [7.4, 10.58], à comparer à l intervalle [8.178, 9.8] obtenu dans le cas gaussien. Compléments On pourra consulter le site ainsi que le chapitre 18 du site 1
Tests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détail