:"moins de 7" ; E 2. :"de 7 à 10" ; E 3 E 3
|
|
- Marc Marion
- il y a 7 ans
- Total affichages :
Transcription
1 1.1 Rappels événements : gain X( ) : objets : expérience : 1. Lois discrètes deux dés les lancer, puis noter le total univers : Ω= {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} partition de Ω: E 1 :"moins de 7" ; E 2 :"de 7 à 10" ; E 3 :"11 ou 12" E 1 E 2 E p i : Loi de probabilité de X gain X( ) : /36 18/36 3/36 Plus le nombre de parties est élevé, plus les fréquences des gains tendent vers les probabilités annoncées : perdre 3 15 fois sur 36, gagner fois sur 36 et 5 3 fois sur 36. Pour 36 parties jouées, le gain moyen vaut -12 E(X) ) = -12/36-0,33 /partie D une partie à une autre, la variabilité moyenne des gains est : σ(x) 2,494
2 1. Lois discrètes 1.2 Loi hypergéométrique TD1 objet : expérience : ensemble initial : partition de l objet : l alphabet (20 consonnes, 6 voyelles) piocher une lettre Ω= {A, E, I, O, U, Y, B, C, D, F, G, } A (succès):"voyelle" ; A (échec):"consonne" L objet est partitionné en un événement et son contraire (succès et échec) L expérience est menée huit fois de suite : n = 8 On interdit la répétition Au bout des huit essais, la variable X comptabilise le nombre de succès obtenus La loi de Xest donc H(8 ; 6 ; 26)
3 p 1. Lois discrètes 1.2 Loi hypergéométrique TD1 La loi de Xest H(8 ; 6 ; 26). n= = 8 ; a= = 6 ; N = 26 C C C C k n k k 8 k a N a ( X = k) = = ( X = ) =, C C n 8 N 26 X =8 est impossible 0 8 C C p C C6 C20 p( X = 3) = 01985, C 8 26 Combinaisons : entrer n touche OPTN choix écran : PROB choix : ncr entrer k entrer n touche MATH colonne : PRB choix : ncr ou Combinaisons entrer k
4 1. Lois discrètes 1.2 Loi hypergéométrique TD1 La loi de Xest H(8 ; 6 ; 26). n= = 8 ; a= = 6 ; N = 26 espérance : a 6 E( X) = n = , succès N 26 Le plus probable est d obtenir 2 succès, en 8 essais. écart type : σ ( ) ( ) a N a N n X = n = 8 = 10225, 1011, succès 2 2 N N Obtenir 1 succès est également assez probable, et aussi 3 succès, dans une moindre mesure.
5 1. Lois discrètes 1.2 Loi hypergéométrique List1 List ,0806 0,2977 0,3741 0,1985 0,0465 0,0044 0,0001 ## ## TD1 probabilités 0,3 0, X : nombre de succès Formule : =6CList1*20C(8-List1) / 26C8 Combinaisons : entrer n touche OPTN choix écran : PROB choix : ncr entrer k entrer n touche MATH colonne : PRB choix : ncr ou Combinaisons entrer k
6 1. Lois discrètes 1.2 Loi binomiale objet : expérience : univers : partition de Ω: TD2 une roue divisée en 26 secteurs, 6 blancs et 20 rouges la faire tourner, puis noter la couleur obtenue Ω = {blanc1, blanc2,, blanc6, rouge1, rouge2,, rouge20} A (succès):"blanc"; A (échec):"rouge" L univers est partitionné en un événement et son contraire (succès et échec) La probabilité de succès est p = 6/26 L expérience est menée huit fois de suite : n = 8 A chaque fois, la probabilité de succès, p, est invariable Au bout des huit essais, la variable X comptabilise le nombre de succès obtenus La loi de Xest donc B (8 ; 6/26)
7 1.2 Loi binomiale List1 List ,1226 0,2942 0,3089 0,1854 0,0695 0,0167 0,0025 0,0002 0, Lois discrètes TD2 probabilités 0,3 0, X : nombre de succès Formule : =8CList1*(6/26)^List1*(20/26)^(8-List1) Combinaisons : entrer n touche OPTN choix écran : PROB choix : ncr entrer k entrer n touche MATH colonne : PRB choix : ncr ou Combinaisons entrer k
8 1. Lois discrètes 1.2 Loi binomiale TD2 espérance : La loi de Xest B (8 ; 6/26). n = 8 ; p = 6/26 6 E( X ) = np = 8 1, 846 succès 26 Le plus probable est d obtenir 2 succès, en 8 essais succès écart type : σ ( X ) = npq =, Obtenir 1 succès est également assez probable, et aussi 3 succès, dans une moindre mesure.
9 1. Lois discrètes 1.3 Loi de Poisson TD3 List1 List ,0453 0,1447 0,2262 0,2311 0,1733 0,1018 0,0487 0,0195 0,0067 0,0020 0,0005 probabilités 0,2 0,1 B(50 ; 0,06) X : nombre de succès Formule : =50CList1*0,06^List1*0,94^(50-List1)
10 1. Lois discrètes 1.3 Loi de Poisson TD3 La loi de Xest B (50 ; 0,06). n = 50 ; p = 0,06 conditions de passage à une loi de Poisson : n > 30? OUI (n = 50) p < 0,1? OUI (p = 0,06) npq< 10? OUI (npq= 2,82) Donc il existe bien une loi de Poisson suffisamment fidèle à cette loi binomiale. de cette loi de Poisson : λ= E(X) = np= 3 paramètre λde cette loi de Poisson conclusion : La loi B (50 ; 0,06) peut être approchée par la loi P (3).
11 1. Lois discrètes 1.3 Loi de Poisson TD3 Formulaire : loi de Poisson k λ
12 1. Lois discrètes 1.3 Loi de Poisson TD3 List1 List2 List ,0453 0,1447 0,2262 0,2311 0,1733 0,1018 0,0487 0,0195 0,0067 0,0020 0,0005 0,0498 0,1494 0,2240 0,2240 0,1680 0,1008 0,0504 0,0216 0,0081 0,0027 0,0008 probabilités 0,2 0,1 B(50 ; 0,06) P(3) X : nombre de succès Formule : =e^(-3)*3^list1 List1!
13 2. Loi normale 2.2 V.a. continue TD4 masse (kg) [3,5 [3,5; ; 3,7[ [3,7 ; 3,77[ [3,77 ; 3,8[ [3,8 ; 3,83[ [3,83 ; 3,9[ [3,9 ; 4,1[ effectifs 9 27 fréquences 0,045 concentr. 0, ,045 0,135 0,315 0,3 0,145 0,06 0,225 1,93 10,5 10 2,07 0,3 concentrations de fréquences % 2 4,5 % 31,5 % 30 % 13,5 % 14,5 % 6 % 3,5 3,6 3,7 3,8 3,9 4,0 4,1 masse (kg)
14 2. Loi normale 2.2 V.a. continue TD4 concentrations de fréquences % 2 3,5 3,6 3,7 3,8 3,9 4,0 4,1 masse (kg)
15 2. Loi normale 2.2 V.a. continue TD4 densité de probabilité % 2 3,5 3,6 3,7 3,8 3,9 4,0 4,1 X : masse (kg) 3, 7 ( X ) ( ) 3, 9 < = ( ) ( ) p 3, 7 f x. dx 0 p 3, 7 < X < 3, 9 = f x. dx 3, 7
16 2. Loi normale 2.3 La loi normale N(µ, σ) σ = 10 σ = 10 µ = 25
17 2. Loi normale 2.3 La loi normale centrée réduite N(0, 1) U U U a b a -a a p(a < U < b) = p(u < b) p(u < a) p(u > a) = 1 -p(u < a) p(u < -a) = p(u > a) valables pour toute loi N(µ, σ) valable uniquement pour la loi N(0, 1)
18 2. Loi normale 2.3 La loi normale centrée réduite N(0, 1) Le formulaire 0 Exemple : u= 1,26 p(u< 1,26) = 0,8962 0,8962
19 2. Loi normale 2.3 La loi normale : règles de transformation Avec une loi N(µ, σ), et donc, entre autres N(0, 1), on peut se passer de schéma : < ou> p(..) ; 1 -p(..) aou a p ou1-p Si on doit transformer une écriture (pour utilisation du formulaire), alors parmi les 3 transformations possibles, il faut en choisir 2. Exemples : p(u> 2) =? p(u> -2) =? p(u< -2) =? = 1 -p(u<2) = p(u< 2) = 1 -p(u< 2) Le formulaire donne : p(u< +)
20 2. Loi normale 2.3 Le changement de variable Avec la loi N(25, 10), on veut p(x< 30). Avec la loi N(0, 1), cette probabilité vaut p(u<?) 30 X? U p(x< 30)= p(u< ) 10 = p(u< 0,5)? U = 30 X µ σ µ 2σ 5 µ σ 15 µ µ+σ µ+2σ X
21 2. Loi normale 2.3 Le changement de variable Loi : N(50, 10) p(x< 60)= p(u< ) 10 = p(u< 1)= 0,8413 TD5 U X µ σ Changement de variable :, donc ici : u= = x p(x< 43)= p(u< ) 10 = p(u< -0,7) = 1 -p(u< 0,7)= 0, p(45 < X< 55)= p( < U< ) = p(-0,5< U< 0,5)= p(u< 0,5) -p(u<-0,5) = 2.p(U< 0,5) -1= 0,3830 µ 2σ 30 µ σ 40 u µ µ+σ µ+2σ x U X
22 2. Loi normale 2.4 Passage à une loi normale * On choisit une entreprise : elle exporte (succès, p= 0,3) ou non (échec, q= 0,7). * pest invariable d une entreprise à une autre, car * X est le nombre d entreprises qui exportent, sur un choix aléatoire de 80 entreprises. La loi de Xest : B(80, 0,3) * n> 30? OUI, n= 80 * npq > 5? OUI, npq = 16,8 Donc : B(80, 0,3) N(24 ; 4,1) TD p(x> 30)= p(u> )= p(u> 1,46) 4,1 = 1 -p(u< 1,46)= 0,0721 µ 2σ µ σ u µ µ+σ µ+2σ U p(x= 30) 15,8 19, ,1 32,2 x X
23 2. Loi normale 2.4 Passage à une loi normale TD7.2 La loi de Xest : P(25) * λ> 20? OUI, λ= 25 Donc : P(25) N(25 ; 5) p(x< 20)= p(u< )= p(u< -1) = 1 -p(u< 1)= 0, µ 2σ 15 u µ σ µ µ+σ µ+2σ U X
24 TC Mathématiques S3 3.1 Introduction population 3. Echantillonnage masse (kg (kg) [3,5; ; 3,7[ [3,7 ; 3,77[ [3,77 ; 3,8[ [3,8 ; 3,83[ [3,83 ; 3,9[ [3,9 ; 4,1[ effectifs 9 27 pièces usinées N = 200 pièces µ 3,8034 kg σ 0,07423 kg π = 0,18 échantillon 1 échantillon 2 échantillon 3 masse (kg (kg) [3,5; ; 3,7[ [3,7 ; 3,77[ [3,77 ; 3,8[ [3,8 ; 3,83[ [3,83 ; 3,9[ [3,9 ; 4,1[ effectifs n = 20 pièces x 3,7853 kg s 0,05474 kg p = 0,2 effectifs n = 20 pièces x 3,8225 kg s 0,06853 kg p = 0,1 effectifs n = 20 pièces x 3,8015 kg s 0,07071 kg p = 0,15
25 TC Mathématiques S3 3.1 Introduction 3. Echantillonnage deux types d échantillonnage aléatoire : EAS échantillonnage aléatoire simple avec remise, avec ordre échantillonnage exhaustif sans remise, sans ordre population : {0 ; 1 ; 2 ; 3 ; 4 ; 5} : N = 6 échantillons de taille 2 : n = 2 (0,0) (0,1) (0,2) (0,3) (0,4) (0,5) (1,0) (1,1) (1,2) (1,3) (1,4) (1,5) (2,0) (2,1) (2,2) (2,3) (2,4) (2,5) (3,0) (3,1) (3,2) (3,3) (3,4) (3,5) (4,0) (4,1) (4,2) (4,3) (4,4) (4,5) (5,0) (5,1) (5,2) (5,3) (5,4) (5,5) {0;1} {0;2} {0;3} {0;4} {0;5} {1;2} {1;3} {1;4} {1;5} {2;3} {2;4} {2;5} {3;4} {3;5} {4;5}
26 TC Mathématiques S3 3. Echantillonnage 3.2 Distribution d échantillonnage des moyennes EAS population : {0 ; 1 ; 2 ; 3 ; 4 ; 5} : N = 6 ; µ = 2,5 ; σ 1,7078 liste des moyennes x des échantillons de taille 2 (n = 2) : nombre d échantillons (0,0)0 (0,1)0,5 (0,2)1 (0,3)1,5 (0,4)2 (0,5)2,5 On voit se dessiner une répartition «normale» (1,0)0,5 (1,1)1 (1,2)1,5 (1,3)2 (1,4)2,5 (1,5)3 liste des moyennes x : variable X (2,0)1 (2,1)1,5 (2,2)2 (2,3)2,5 (2,4)3 (2,5)3,5 (3,0)1,5 (3,1)2 (3,2)2,5 (3,3)3 (3,4)3,5 (3,5)4 (4,0)2 (4,1)2,5 (4,2)3 (4,3)3,5 (4,4)4 (4,5)4,5 Moyenne de X : 2,5 Ecart type de X : 1,2076 (5,0)2,5 (5,1)3 (5,2)3,5 (5,3)4 (5,4)4,5 (5,5)5 = µ = σ n
27 TC Mathématiques S3 3. Echantillonnage 3.2 Distribution d échantillonnage des moyennes population : {0 ; 1 ; 2 ; 3 ; 4 ; 5} : N = 6 ; µ = 2,5 ; σ 1,7078 E. exhaustif liste des moyennes x des échantillons de taille 2 (n = 2) : nombre d échantillons {0;1}0,5 {0;2}1 {0;3}1,5 {0;4}2 {0;5}2,5 On voit se dessiner une répartition «normale» {1;2}1,5 {1;3}2 {1;4}2,5 {1;5}3 liste des moyennes x : variable X {2;3}2,5 {2;4}3 {2;5}3,5 {3;4}3,5 {3;5}4 {4;5}4,5 Moyenne de X : 2,5 Ecart type de X : 1,0801 = µ = σ N-n n N-1
28 TC Mathématiques S3 3. Echantillonnage 3.2 Distribution d échantillonnage des moyennes Soit une population de taille N, sur chaque individu de laquelle a été relevée une valeur x. La variable X a pour moyenne µ et pour écart type σ. On envisage tous les échantillons de taille n, dont les moyennes x forment la variable aléatoire notée X. Alors : La moyenne de X est µ. Si N > 30, alors la loi de X est considérée comme normale. σ n σ n Si N > 20n, alors la loi de X est N(µ, ) N-n N-1 Si N < 20n, alors la loi de X est N(µ, ) E. exhaustif EAS
29 TC Mathématiques S3 3. Echantillonnage 3.3 Distribution d échantillonnage des proportions population : {0 ; 1 ; 2 ; 3 ; 4 ; 5} : N = 6 ; pairs : π = 1/3 EAS liste des proportions p des échantillons de taille 2 (n = 2) : nombre d échantillons (0,0)0 (0,1)0 (0,2)0,5 (0,3)0 (0,4)0,5 (0,5)0 (1,0)0 (1,1)0 (1,2)0,5 (1,3)0 (1,4)0,5 (1,5)0 (2,0)0,5 (2,1)0,5 (2,2)1 (2,3)0,5 (2,4)1 (2,5)0,5 (3,0)0 (3,1)0 (3,2)0,5 (3,3)0 (3,4)0,5 (3,5)0 (4,0)0,5 (4,1)0,5 (4,2)1 (4,3)0,5 (4,4)1 (4,5)0,5 (5,0)0 (5,1)0 (5,2)0,5 (5,3)0 (5,4)0,5 (5,5) ,5 1 On voit se dessiner une répartition «normale» liste des proportions p : variable P Moyenne de P : 1/3 = π Ecart type de P : 1/3 π(1 (1 π) = n
30 4. Estimation 4.1 Estimation ponctuelle population masse (kg pièces usinées (kg) [3,5; ; 3,7[ [3,7 ; 3,77[ [3,77 ; 3,8[ [3,8 ; 3,83[ [3,83 ; 3,9[ [3,9 ; 4,1[ effectifs?????? N = 200 pièces µ=? kg σ =? kg π =? échantillon masse (kg (kg) [3,5; ; 3,7[ [3,7 ; 3,77[ [3,77 ; 3,8[ [3,8 ; 3,83[ [3,83 ; 3,9[ [3,9 ; 4,1[ effectifs n = 20 pièces x 3,7853 kg s 0,05474 kg p =0,2 estimation de µ µ= ^ x 3,7853 kg estimation de σ ^ n σ = s n-1 0,05616 kg estimations ponctuelles estimation de π π= ^ p= 0,2
31 4. Estimation 4.2 Estimation de µ par intervalle de confiance cas où σ est connu (ou estimé) Si on connaissait µ, on pourrait déterminer autour de µun intervalle central contenant 95% des moyennes des échantillons d une taille donnée. En retour, connaissant la moyenne xd un échantillon, on peut déterminer autour de xun intervalle central qui a 95% de chances de contenir µ. 2,5% 95% 2,5% U: N(0, 1) 2,5% 95% 2,5% U: N(0, 1) µ X: N(µ, ) σ n x N(x, σ ) n
32 4. Estimation 4.2 Estimation de µ par intervalle de confiance cas où σ est inconnu Cette fois, autour de µinconnu, la distribution d échantillonnage des moyennes a un écart type inconnu. Connaissant la moyenne xd un échantillon, on peut toujours déterminer autour de xun intervalle central qui a 95% de chances de contenir µ., mais cette fois, on ne peut plus utiliser N(0, 1). 95% 2,5% 2,5% µ U: N(0, 1) X: N(µ,?) n 2,5% 95% x 2,5% ^σ n T: St(n-1) N(x, ^ σ ) n = s n-1
33 a. b. 4. Estimation TD8 : Estimations ponctuelles et intervalles de confiance chiffre d'affaires (M ) [0; 2[ [2; 3[ [3; 4[ [4; 5[ [5; 7[ effectifs n = 50 ^ ^ n estimation de µ : µ = x 3,41 M estimation de σ : σ = s 1,358 M n-1 σ est supposé inconnu loi de Student ddl: n-1= 49 ; confiance : 95%, soit risque α= 0,05 coefficient t = 2,010 s s Iα = x t ; x + t n n 1 1 1, , 3442 = 3, 41 2, 01 ; 3, 41+ 2, = [3,024 M ; 3,796 M ] 2,5% 95% x 2,5% ^σ n T: St(n-1) N(x, ^ σ ) n = s n-1
34 4. Estimation TD8 : Estimations ponctuelles et intervalles de confiance chiffre d'affaires (M ) [0; 2[ [2; 3[ [3; 4[ [4; 5[ [5; 7[ effectifs n = c. Dans l échantillon, 10 entreprises ont un CA compris entre 4,5 M et 7 M. ^ p = 10/50 = 0,2 = 20% π = p = 0,2 d. ( 1 ) ( 1 ) p p p p Iα = p u ; p+ u n n loi N(0, 1) ; confiance : 99%, soit risque α= 0,01 et donc 1 α/2 = 0,995 coefficient u = 2,58 ( ) ( ) 0, 2 1 0, 2 0, 2 1 0, 2 I α = 0, 2 2, 58 ; 0, 2+ 2, = [0,054 ; 0,3459] = [5,4% ; 34,59%]
35 deux types de tests 5. Tests statistiques test d adéquation du χ² A quel degré la réalité observée est-elle conforme à ce qu annonce une loi théorique donnée? test de conformité A quel degré la moyenne inconnue d une population peut-elle être supposée égale à une valeur donnée?
36 5.1 Test du χ² d adéquation 5. Tests statistiques problématique et développements Exemple : on joue 10 fois de suite à pile ou face (hyp. : pièce non truquée) Résultats observés : 2 fois pile et 8 fois face En théorie : 5 fois pile et 5 fois face Les différences entre valeurs observées et valeurs théoriquement attendues sont normales. Elles sont prévisibles (en probabilité) et quantifiables. A partir d un tableau comparatifs de résultats et de valeurs théoriques, on calcule un nombre, l écart entre les deux, le χ² de l expérience. Calculer un χ² : Σ [(obs th)² / th] Exemple : pile : (2-5)² / 5 = 1,8 face : (8-5)² / 5 = 1,8 χ calc ² = 3,6
37 5.1 Test du χ² d adéquation 5. Tests statistiques problématique et développements La loi du χ² Quelle que soit l expérience et sous l hypothèse nulle «H 0» («pièce non truquée», etc.), on sait donner la probabilité que telle valeur du χ² soit (ou ne soit pas) dépassée. densité de probabilité 94,212% 5,788% 0 3,6 Valeur obtenue dans notre exemple valeurs possibles du χ² pour une pièce non truquée
38 5. Tests statistiques 5.1 Test du χ² d adéquation méthodologie 1. Ce qui est testé est l hypothèse nulle «H 0»: l adéquation entre observation et théorie. Objectif final : se permettre (ou non) de la rejeter 2. Le χ² de l expérience décrite est calculé : χ² calc. Objectif : le situer par rapport aux autres χ²possibles conformes à H 0 3. Un paramètre est indispensable pour pouvoir situer χ² calc en probabilité : le nombre de ddl. Objectif : choisir la bonne loi sur le formulaire densité de probabilité Nombre de ddl : Test d adéquation à n mesures : ddl= n -1?? 4. Selon le seuil de risque α choisi, une décision est prise (rejet ou non-rejet de H 0 ). 0 3,6 2,71 3,84 χ² calc 10% 5% 5,41 valeurs du formulaire 2% 6,64 1%
39 5. Tests statistiques 5.1 Test du χ² d adéquation TD10 nombre obtenu effectif observé effectif théorique χ² calc χ² ² partiels : (obs - th)² / th 1,8 1,25 1,8 0,8 1,25 0,8 7,7 calc 7,7 1. Hypothèse nulle «H 0» : le dé n est pas truqué. 2. χ² calc = 7,7 3. nombre de ddl : 6 1 = 5 seuil de risque : α= 2% densité de probabilité?? χ² th = 13,39 4. Au seuil de 2%, on ne peut rejeter H ,7 χ² calc 9,236 11,07 10% 5% 13,39 valeurs du formulaire 2% 15,09 1%
40 5. Tests statistiques 5.2 Tests de conformité TD11-1,645 0 u lim = -1,645 car p(u < 1,645) = 0,95 implique p(u < -1,645) = 0,05 9,24 10 u obs x 10 9, 5 10 = = 1, 09 0, 46 0, 46
41 5. Tests statistiques 5.2 Tests de conformité TD12 α = 1% 0,5% -3,25 0 3,25 0,5% ±t lim = ±3,25 par lecture directe sur la table de Student pour 1-p = 0,01 268, ,65 t obs x , = = 2, 526 9, 74 9, 74
Estimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 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 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 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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailTests 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 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 détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
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 détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
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 détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
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 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 détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
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 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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
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 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 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 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 détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
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 détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailLes probabilités. Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée Les probabilités produite par TFO.
Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée produite par TFO. Le guide Édition 1988 Rédacteur (version anglaise) : Ron Carr Traduction : Translatec Conseil Ltée
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détail4. Exercices et corrigés
4. Exercices et corrigés. N 28p.304 Dans une classe de 3 élèves, le club théâtre (T) compte 0 élèves et la chorale (C) 2 élèves. Dix-huit élèves ne participent à aucune de ces activités. On interroge au
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en 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 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 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 détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 détailPOKER ET PROBABILITÉ
POKER ET PROBABILITÉ Le poker est un jeu de cartes où la chance intervient mais derrière la chance il y a aussi des mathématiques et plus précisément des probabilités, voici une copie d'écran d'une main
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailProbabilité et Statistique pour le DEA de Biosciences. Avner Bar-Hen
Probabilité et Statistique pour le DEA de Biosciences Avner Bar-Hen Université Aix-Marseille III 2000 2001 Table des matières 1 Introduction 3 2 Introduction à l analyse statistique 5 1 Introduction.................................
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 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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailA quels élèves profite l approche par les compétences de base? Etude de cas à Djibouti
A quels élèves profite l approche par les compétences de base? Etude de cas à Djibouti Hamid Mohamed Aden, Directeur du CRIPEN, Djibouti Xavier Roegiers, Professeur à l Université de Louvain, Directeur
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 détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
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 détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
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 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 détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailDescription pas à pas des différents processus d installation, configuration, saisie des résultats et export des données.
Description pas à pas des différents processus d installation, configuration, saisie des résultats et export des données. 1. Installation de JADE 2. Restauration de la base initiale 3. Configuration propre
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 détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détail