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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE MATTHIEU KOWALSKI 1. INTRODUCTION La démarche statistique cosiste à observer ue expériece aléatoire das le but de mieux coaître ses caractéristiques. Défiitio 1 (-échatillo). O appelle -échatillo de loi P l esemble X 1,..., X de variables aléatoires idépedates et idetiquemet distribuées selo P. Autremet dit, o a i {1,..., X i P et i jx i et X j idépedats. Le -échatillo représete l iformatio dot o dispose. Défiitio 2. O appelle modèle statistique la famille de loi possible pour otre -échatillo. O le ote {P θ, θ Θ, où θ est u paramètre qui caractérise la loi Estimateur de la moyee. Le but de l estimatio est, à partir d u -échatillo de loi P θ, d estimer le paramètre θ de la loi P. Défiitio 3. Soit X 1,..., X u -échatillo de loi P tel que i E{X i = µ et Var {X i = σ 2 < +. O défiit la quatité X = 1 X i appelée moyee empirique. La moyee empirique est u estimateur de la moyee µ. O a la propriété suivate : Propositio 1. E{ X = µ et Var { X = σ 2. O verra u exemple pratique avec la modélisatio du jeu de pile ou face. 2. LA LOI DES GRANDS NOMBRES La loi des grads ombres a été formalisée au XVIIe XVIIe siècle lors de la découverte de ouveaux lagages mathématiques. Essetiellemet, la loi des grads ombres idique que lorsque l o fait u tirage aléatoire das ue série de grade taille, plus o augmete la taille de l échatillo, plus les caractéristiques statistiques du tirage (l échatillo) se rapprochet des caractéristiques statistiques de la populatio. Mais il est itéressat de oter que la taille de l échatillo à predre 1

2 Licece MASS Atelier: LGN et TLC pour approcher les caractéristiques de la populatio iitiale e déped que faiblemet voire pas du tout de la taille de la série iitiale : pour u sodage au Luxembourg ou aux États-Uis, il suffit, pour obteir ue précisio égale de predre u échatillo de même taille. C est sur cette loi que reposet la plupart des sodages Ils iterroget u ombre suffisammet importat de persoes pour coaître l opiio (probable) de la populatio etière. De même, sas la formalisatio de la loi des grads ombres, l assurace aurait jamais pu se développer avec u tel essor. E effet, cette loi permet aux assureurs de détermier les probabilités que les siistres dot ils sot garats se réaliserot ou o. La loi des grads ombres sert aussi e statistique iféretielle, pour détermier ue loi de probabilité à partir d ue série d expérieces. Théoreme 1 (Loi faible des grads ombres). Soit X 1, X 2,..., X variables aléatoires idépedates et idetiquemet distribuées d espérace commue µ et de variace commue σ 2 <. O pose X = 1 X i la moyee empirique. Alors ε > 0, lim P { X m > ε = 0 + Démostratio. Le théorème se motre e utilisat l iégalité de Tchebychev : avec P { X E{ X > ε Var { X E{ X = E { 1 X i = 1 ε 2 E {X i = µ et, parce que les X i sot idépedates, Var { { 1 X = Var X i = 1 2 Var {X i = σ2 Par coséquet P { X E{ X > ε Var{ X σ 2 et doc ε 2 lim P { X m > ε = 0 + Il e faut toutefois pas cofodre la moyee des gais et le gai absolu. Si deux joueurs jouet très logtemps à pile ou face, celui qui perd doat u euro à celui qui gage, la moyee des gais de chaque joueur tedra effectivemet vers 0 (la moyee état défiie comme le gai divisé par le ombre de parties jouées), mais le gai de chaque joueur passera alterativemet par des hauts et des bas. 3. MODÉLISATION DU JEU DE PILE OU FACE O peut modéliser u jeu de pile ou face par ue suite de variables aléatoires idépedates idetiquemet distribuées (X k ) k N à valeurs das {0, 1 telles que P{le k-ième lacer doe pile = P{X k = 1 = p P{le k-ième lacer doe face = P{X k = 0 = 1 p 2

3 Atelier: LGN et TLC Licece MASS où p est u paramètre fixé das [0, 1]. La loi des (X k ) k N est appelée loi de Beroulli de paramètre p et est otée B(p). Propositio 2. O rappelle que l espérace et la variace d ue variable aléatoire X suivat ue loi de Beroulli de paramètre p sot doées par E{X = p et Var {X = p(1 p). La première gradeur à laquelle o s itéresse est le ombre de pile obteu lors de tirages successifs (le ombre de face s e déduit... ). O itroduit doc la variable aléatoire : N = X i. La loi de N est appelée loi biômiale de paramètre (le ombre de tirages) et p (la proabilité de tomber sur pile ), et est oté B(, p). Remarque 1. O peut remarquer que la loi biômiale de paramètres = 1 et p [0, 1] quelcoque, est la loi de Beroulli de paramètre p. Propositio 3. L espérace et la variace d ue variable aléatoire X suivat ue loi Biômilae de paramètres N et p [0, 1] sot doées par E{X = p et Var {X = p(1 p). Expériece 1. Predre ue pièce de moaie. Le paramètre p de cette pièce est a priori icou. Répeter plusieurs fois l expériece suivate : «Lacer 10 fois la pièce de moaie, et compter le ombre de pile.» (1) Quelle est la loi qui permet de modéliser cette expériece? (2) Théoriquemet, quelles valeurs peut predre le ombre de pile obteu au cours d ue expériece? (3) Faire u diagramme e bato qui représete les résultats obteus par cette expériece. O va maiteat étudier le comportemet asymtotique de N, c est à dire l évolutio du ombre moye de pile das tirages pour grad. Expériece 2. Lacer plusieurs fois la pièce de moaie. À chaque lacé, recalculer le ombre de pile obteu e moyee. (1) Vers quelle valeur la moyee semble-t-elle coverger? (2) Dessiez sur u graphique l évolutio de la moyee e foctio du ombre de lacé. Que remarquez-vous? (3) E quoi est-ce que cette expériece illustre la loi des grads ombres? Le résultat de cet exercice est illustré sur les figures 1 (a) et (b). O simule le jet d ue pièce de moaie mal équilibrée : o a 7 chace sur 10 de tomber sur pile. Autremet dit, la pièce de moaie suit ue loi de Beroulli B(0.7). O fait ue première expériece (figure 1 (a)), où l o jette 500 fois la pièce. À chaque lacé, o calcule la moyee empirique. O s itéresse alors à l évolutio de cette moyee empirique au cours des lacés. 3

4 Licece MASS Atelier: LGN et TLC FIG. 1. Illustratio de la covergece e probabilité de la loi des grads ombres O refait esuite la même expériece, mais cette fois ci e jettat fois la pièce (figure 1 (b)). Les figures 1 (a) et (b) motre l évolutio de ces moyees empiriques au cours des lacés, par rapport à la moyee théorique. O remarque sur ces figures que plus o fait de lacés, plus la courbe de la moyee empirique se rapproche de la courbe de moyee théorique. De plus, la moyee empirique peut «fluctuer» autour de la moyee théorique, sas rester «collée». Ce comportemet illustre la covergece e probabilité, et sera précisé par le théorème de la limite cetrale e sectio PARADOXE OU «BON SENS»? O vous propose de jouer au jeu suivat. Trois boites idetiques se présete à vous. L ue d etre elle cotiet u lot (par exemple, ue grosse somme d arget) et les deux autres sot vides. Le but du jeu est simple : si vous choisissez la boite qui cotiet le lot, alors vous le gagez. Le jeu se déroule e trois étapes : (1) Vous choisissez ue boite, au hasard. (2) Le maitre du jeu vous motre ue boite qui est vide. (3) Vous avez alors deux possibilités : (a) Rester sur votre 1er choix (b) Chager d avis, et choisir l autre boite restée fermée. D après-vous, quelle est la boe stratégie : rester sur so choix, ou bie chager d avis? O va répodre à cette questio de deux maières différetes. L ue est u simple calcul théorique. L autre viedra pour se covaicre de la justesse de ce calcul, et cosistera à appliquer la loi des grads ombres e jouat plusieurs fois à ce jeu. 4

5 Atelier: LGN et TLC Licece MASS 4.1. Pourquoi il faut chager. Au début du jeu, le joueur choisit ue boite, qu o otera la boite B C (comme «boite choisie». Comme il y a trois boites, la boite B C a ue chace sur trois de coteir le lot. Esuite, le maitre du jeu motre ue boite vide. Cette boite, qu o otera B MJ à doc zéro chace de coteir le lot! Il e reste plus qu à calculer la probabilité pour la boite restate (qu o otera B R ) de coteir le lot. Pour cela, o utilise la loi fodametale des probabilités qui dit : «la somme des probabilités est égale à 1». Si o résume : P{B C cotiet le lot = 1 3 P{B MJ cotiet le lot = 0 P{B C cotiet le lot + P{B MJ cotiet le lot + P{B R cotiet le lot = 1. O e déduit doc que : P{B R cotiet le lot = = 2 3! C est-à-dire que cette boite à deux fois plus de chace de coteir le lot que c elle qu o avait choisie au départ! Autremet-dit, il serait stupide de e pas choisir l autre boite Jouos! Pour s e covaicre, il suffit de jouer u grad ombre de fois et d appliquer la loi des grads ombres. Expériece 3. (1) Modéliser le jeu afi de pouvoir appliquer la loi des grads ombres, et retrouver P{B C cotiet le lot et P{B R cotiet le lot. (2) Jouer u certai ombre de fois, et oter à chaque fois quelle boite cotiet le lot (B C ou B R ). (3) Appliquer la loi des grads ombres et coclure. O a simulé la stratégie suivate : o choisi ue boite, puis o chage d avis à chaque fois. O joue 1000 fois, et l o compte le ombre de fois où l o a gagé et perdu sur ces 1000 fois. D après la loi des grads ombre, cela ous permet d estimer la probabilité théorique de gager et de perdre avec cette stratégie. Le résultat de cette simulatio est illustré sur la figure 2, où l o voit clairemet qu o se rapproche de la probabilité 2 3 de gager avec cette stratégie, ce qui correspod au calcul théorique! 5. LE THÉORÈME DE LA LIMITE CENTRALE 5.1. Théorème et illustratio statistique. Les lois de probabilité gaussiees apparaisset comme des lois limite das des situatios où o additioe des v.a.r. idépedates de carrés itégrables et de variace petite devat celle de la somme. Précisos : Théoreme 2 (De Moivre Laplace). Si (X ) est ue suite de v.a.r. i.i.d. de Beroulli (X i B(p)), alors pour tout a < b + 5

6 Licece MASS Atelier: LGN et TLC FIG. 2. Utilisatio de la loi des grads ombres pour tester la stratégie théoriquemet gagate au jeu des boites. lim P + { a < Autremet dit, la variable aléatoire Z = S p < b = 1 b p(1 p) 2π réduite. Ce théorème se gééralise de la maière suivate a e x2 /2 dx S p suit ue loi ormale cetrée p(1 p) Théoreme 3 (limite cetrale). Soit (X ) ue suite de v.a.r. i.i.d. de carrés it égrables, d espérace commue µ et de variace commue σ 2. Alors ou de maière équivalete S µ σ 2 X µ σ 2 N (0, 1) N (0, 1) Pour vérifier ce comportemet, o propose d abord la simulatio suivate, qui est ue illustratio du théorème de De Moivre Laplace. O fixe grad (par exemple = 10000), et l o simule u grad ombre de fois la variable aléatoire X (par exemple 1000 fois), pour ue variable aléatoire X B(p). Pour simuler la variable aléatoire X, il suffit de lacer fois la pièce de moaie de paramètre p, et de faire la moyee empirique de la probabilité d apparitio de pile. O répète alors cette expériece 1000 fois. Pratiquemet, ce théorème ous dit commet se comporte la variable aléatoire X, à fixé et grad : ) X N (µ, σ2 O illustre se comportemet, sur la figure 4 cette fois ci avec ue variable aléatoire suivat ue loi bibomiale : X B(100, 0.5). Pour cette simulatio, o doit doc répèter l expériece «jeter 100 fois la pièce de moaie» fois (o a pris ici 6

7 Atelier: LGN et TLC Licece MASS FIG. 3. Illustratio du théorème de De Moivre Laplace, avec XB(0.5) FIG. 4. Illustratio du comportemet de la variable aléatoire X où XB(100, 0.5). = 10000) pour calculer X. Et o simule 1000 fois la variable aléatoire X (ce qui fait e tout 1 milliard de jet de pièce de moaie!). O rappelle que E{X = p = 50 et Var {X = p(1 p) = Utilisatio du théorème e pratique : itervalles de cofiace. Le théorème de la limite cetrale sert surtout e pratique pour simplifier les calculs. E particulier, o pourra l utiliser das le calcul d itervalles de cofiace. Défiitio 4 (Itervalle de cofiace). I est u itervalle de cofiace au risque α pour u paramètre θ si et ssi P{θ I = 1 α. Le théorème de la limite cetrale va ous permettre de calculer u itervalle de cofiace pour la moyee µ d ue loi quelcoque. Ituitivemet, l estimateur doé par la moyee empirique doit être relativemet proche de la moyee théorique (d après la loi des grads ombres). O va doc chercher I tel que P{µ I = P{µ [ X t; X + t] = 1 α, où t R +. Trouver l itervalle de cofiace I reviet doc à trouver t. 7

8 Licece MASS Atelier: LGN et TLC P{µ [ X t; X + t] = P{ X µ < t { = P X µ σ2 / < t σ2 /. Or d après le théorème de la limite cetrale, si est grad, la loi de la variable aléatoire Z = X µ est approximativemet ue loi ormale cetrée réduite. Soit σ2 / alors Z N (0, 1), et soit z l uique valeur telle que P{ Z < z = 1 α. La valeur de z ous est doée par les tables de la loi ormale. Par exemple, si α = 0.95, alors z = Si α = 0.99, alors z = z est doc maiteat cou, et o peut poursuivre le calcul. O a doc : P { ˆX µ σ2 / < t σ2 / 1 α, avec t σ2 / = z. et doc t = z σ 2 /. Au fial, o peut parier (avec u risque α d avoir tort) que µ [ ˆX z σ 2 /; ˆX + z σ 2 /]. Si σ 2 est cou, alors le calcul est fii. Malheureusemet, o e coait pas toujours σ 2. O doit doc estimer sa valeur pour trouver l itervalle de cofiace (voir l applicatio à ue loi de Beroulli). 8

Opérations sur les variables aléatoires Lois limites

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

Plus en détail

Texte Filtre de Kalman-Bucy

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

Plus en détail

Probabilités générales

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Estimation de paramètres

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

Plus en détail

Chapitre 9 La loi binomiale

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

Plus en détail

Annexe : Leçon 10 - Échantillonnage

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

Plus en détail

Convergence en loi. Théorème de la limite centrale.

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

Plus en détail

Quelques notions élementaires de probabilités et statistiques

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

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

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

Plus en détail

1 Un peu de vocabulaire

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

Plus en détail

Chapitre 6 Théorèmes de convergence

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

Plus en détail

STATISTIQUES - ESTIMATION

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

Plus en détail

Échantillonnage. I Rappels sur les lois usuelles 2

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

Plus en détail

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

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

Plus en détail

Intervalles de fluctuations et intervalles de confiance

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

Plus en détail

Divers exercices de probabilité

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

Plus en détail

Convergences et approximations

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

Plus en détail

Loi binomiale. Loi de Bernoulli

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

Plus en détail

Statistiques inférentielles

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

Plus en détail

Estimation par intervalle de confiance

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

Plus en détail

i la moyenne empirique de X n n v =

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

Plus en détail

Autour de la loi de Poisson

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

Plus en détail

Éléments de correction de la feuille d exercices # 3

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

Plus en détail

Loi faible des grands nombres Loi forte des grands nombres Loi des grands nombres de Kolmogorov. Probabilités. Loi des grands nombres.

Loi faible des grands nombres Loi forte des grands nombres Loi des grands nombres de Kolmogorov. Probabilités. Loi des grands nombres. Itérêt Loi faible des grads ombres Loi forte des grads ombres Loi des grads ombres de Kolmogorov Loi des grads ombres Julia Tugaut Télécom Sait-Étiee Julia Tugaut Sommaire 1 Itérêt Approche fréquetiste

Plus en détail

IREM Martine Quinio. 5 février 2013

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

Plus en détail

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

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

Plus en détail

Exercices sur le chapitre «Variables aléatoires»

Exercices sur le chapitre «Variables aléatoires» Araud de Sait Julie - MPSI Lycée La Merci 2015-2016 1 Pour démarrer Exercices sur le chapitre «Variables aléatoires» Exercice 1 (Recostitutio de paires) O fixe deux etiers aturels 1 r. U placard cotiet

Plus en détail

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

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

Plus en détail

Correction de l exercice 1

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

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

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

Plus en détail

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

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

Plus en détail

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES

INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES Iégalités de Markov et de Chebishev - Loi faible des grads ombres versio du 11 avril 2014 35 8 INÉGALITÉS DE MARKOV ET DE CHEBISHEV LOI FAIBLE DES GRANDS NOMBRES 1 Iégalité de Markov. 8.1 Iégalité de Markov.

Plus en détail

Master Eseec Statistique pour l expertise - partie2

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

Plus en détail

CH V : Variables aléatoires - généralités

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

Plus en détail

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

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

Plus en détail

Probabilités élémentaires

Probabilités élémentaires 1. Exemple... p2 4. Lois de probabilité... p7 2. Vocabulaire... p4 5. Variables aléatoires... p8 3. Espaces probabilisés fiis... p4 Copyright meilleuremaths.com. Tous droits réservés 1. Exemple Probabilités

Plus en détail

Utilisation en modélisation. Régression linéaire

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

Plus en détail

Équirépartition presque sûre pour f (x) = 2x modulo 1 Jean-Baptiste Bardet 26 mai 2005

Équirépartition presque sûre pour f (x) = 2x modulo 1 Jean-Baptiste Bardet 26 mai 2005 Équirépartitio presque sûre pour f (x) = x modulo 1 Jea-Baptiste Bardet 6 mai 005 O étudie le comportemet des suites défiies par récurrece x = f (x 1 ) = f (x), où x 0 = x [0;1) et f (x) = x mod 1, et

Plus en détail

POLYNESIE Série S Juin 2001 Exercice

POLYNESIE Série S Juin 2001 Exercice OLYNESIE Série S Jui 00 Exercice gros rouges et 3 petits rouges Ue boîte cotiet 8 cubes : gros verts et petit vert petit jaue U efat choisit au hasard et simultaémet 3 cubes de la boîte (o admettra que

Plus en détail

Résumé de statistique inductive

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

Plus en détail

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

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

Plus en détail

Techniques d enquête

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

Plus en détail

CONVERGENCE ET APPROXIMATION

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

Plus en détail

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016

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

Plus en détail

Amérique du Nord. Terminale S mai 2014

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

Plus en détail

Variables aléatoires finies Présentation

Variables aléatoires finies Présentation Variables aléatoires fiies Présetatio. Défiitio élémetaire (tombola).... Le prix de vete d'u billet de la tombola... 3 3. Espérace mathématique d ue variable aléatoire fiie... 4 4. Variace et écart type

Plus en détail

P(X> ) = f(..) + f(...).. MAIS si on ne sait pas le max à 1-P(X< )* P(X< ) = f(..) + f( ).. Type de donnée Ex Main Excel

P(X> ) = f(..) + f(...).. MAIS si on ne sait pas le max à 1-P(X< )* P(X< ) = f(..) + f( ).. Type de donnée Ex Main Excel Les lois discrètes Réalisatios déombrables Poits portet probabilités P(X> ) = f(..) + f(...).. MAIS si o e sait pas le max à -P(X< )* P(X< )= f(..) + f(...).. P(X> ) = *-P(X< ) = F( ) è soit f( ) f( )

Plus en détail

Estimation paramétrique

Estimation paramétrique Retour au pla du cours Soit Ω, A, P u espace probabilisé et X ue v.a. de Ω, A das E, E. La doée d u modèle statistique c est la doée d ue famille de probabilités sur E, E, {P θ, θ Θ}. Le modèle état doé,

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

GRAPHES ALÉATOIRES D ERDÖS-RÉNYI

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

Plus en détail

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

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

Plus en détail

II - Estimation d'un paramètre par intervalle de confiance

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

Plus en détail

B2 - Intervalle de confiance d une moyenne avec écart-type inconnu dans le cas d une population Gaussienne

B2 - Intervalle de confiance d une moyenne avec écart-type inconnu dans le cas d une population Gaussienne B2 - Itervalle de cofiace d ue moyee avec écart-type icou das le cas d ue populatio Gaussiee Das le cas précédet, o a costruit l IdC à partir de la var X m σ{?. Mais, maiteat σ état icou, il coviet de

Plus en détail

Distributions d échantillonage

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

Plus en détail

- Représenter un schéma de Bernoulli par un arbre pondéré. - Reconnaître des situations relevant de la loi binomiale

- Représenter un schéma de Bernoulli par un arbre pondéré. - Reconnaître des situations relevant de la loi binomiale www.mathselige.com STI2D - P2 - LOI IOMIALE COURS (/5) Le travail sur les séries statistiques et les probabilités meé e classe de secode se poursuit avec la mise e place de ouveaux outils. Les scieces

Plus en détail

Calcul des probabilités 2 (M-2.1)

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

Plus en détail

Corrigé du baccalauréat ES Asie 23 juin 2016

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

Plus en détail

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

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

Plus en détail

X 1 = { X si X est impair 0 sinon

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

Plus en détail

PROBABILITÉS. Définition : Une variable aléatoire X est une fonction définie sur un univers Ω et à valeur dans!.

PROBABILITÉS. Définition : Une variable aléatoire X est une fonction définie sur un univers Ω et à valeur dans!. PROBABILITÉS E 654, Blaise Pascal (63 ; 66) etretiet avec Pierre de Fermat (60 ; 665) des correspodaces sur le thème des jeux de hasard et d'espérace de gai qui les mèet à exposer ue théorie ouvelle :

Plus en détail

Séance 2 : Estimateurs convergents, non biaisés et exhaustifs.

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

Plus en détail

D- Convergence de variables aléatoires

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

Plus en détail

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

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

Plus en détail

Expérience aléatoire - modélisation - langage des probabilités

Expérience aléatoire - modélisation - langage des probabilités T.S Probabilités coditioelles L 5 I Expériece aléatoire - modélisatio - lagage des probabilités Ue expériece aléatoire est ue expériece liée au hasard. Les mathématiques itervieet pour apporter u modèle

Plus en détail

9 0 6 Variables aléatoires discrètes

9 0 6 Variables aléatoires discrètes BCPST2 9 5 0 6 Variables aléatoires discrètes Exercice 1: Loi de Poisso 1 ) Soit X ue variable aléatoire discrète. O ote XΩ) = {x ; N}. O pose, pour tout de N : p = PX = x ) et s = p k. O découpe l'itervalle

Plus en détail

Convergence de suites réelles

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

Plus en détail

Correction du baccalauréat S Pondichéry 16 avril 2009

Correction du baccalauréat S Pondichéry 16 avril 2009 Correctio du baccalauréat S Podichéry 6 avril 009 EXERCICE 7 poits La foctio f est défiie sur l itervalle [0 ; + [ par : f (x)=xe x. Partie. a. O remarque que, pour tout x> 0, f (x)= x x e. x lim x + x

Plus en détail

Cours sur les lois usuelles

Cours sur les lois usuelles Cours sur les lois usuelles. Lois de probabilités discrètes Loi de Berouilli Cotexte d applicatio : ue expériece dot le résultat est succès ou échec, u idividu qui possède ou pas ue caractéristique Défiitio

Plus en détail

Intervalles de confiance

Intervalles de confiance Itervalles de cofiace H4 H4 Itervalles de cofiace Vocabulaire : u correspod à ue fiabilité (ou cofiace) de 95 %, u correspod à ue fiabilité (ou cofiace) de 99 % 0 ) Echatillo o exhaustif La théorie des

Plus en détail

ESTIMATION Exercices

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

Plus en détail

ANOVA avec un facteur aléatoire

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

Plus en détail

BACCALAURÉAT BLANC GÉNÉRAL MATHÉMATIQUES SÉRIE S

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

Plus en détail

Variables aléatoires. Exercices

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

Plus en détail

Analyse 5 SUITES REELLES

Analyse 5 SUITES REELLES Aalyse chap 5 /6. GENERALITES SR LES SITES. Défiitios Défiitio : e suite est ue foctio, défiie sur ue partie D de. O ote () =, o lit «idice». O dit que est le terme gééral de la suite, ou terme de rag.

Plus en détail

Tous les quatre pensent ensuite utiliser la formule bien connue : f

Tous les quatre pensent ensuite utiliser la formule bien connue : f Exercices sur les Itervalles de cofiace Exercice Le parti d u cadidat commade u sodage réalisé à partir de 600 persoes à l issue duquel il est doé gagat avec 52% des voix. A-t-il des raisos d être cofiat?

Plus en détail

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

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

Plus en détail

Chapitre 1. Les suites numériques Principe de récurrence Limite d une suite

Chapitre 1. Les suites numériques Principe de récurrence Limite d une suite Eseigemet spécifique Chapitre 1. Les suites umériques Pricipe de récurrece Limite d ue suite I. Rappels sur les suites umériques 1. géérale Ue suite umérique est ue foctio défiie de N vers R, elle peut

Plus en détail

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

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

Plus en détail

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X Estimatios Problématique. A partir d'observatios faites sur u échatillo, o se propose de tirer des coclusios sur la populatio toute etière. Aisi cotrairemet à la logique déductive, qui va du gééral au

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Lois normales et autres lois dérivées

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

Plus en détail

i. En déduire une mesure de l angle ( BD, PΩ ).

i. En déduire une mesure de l angle ( BD, PΩ ). Polyésie septembre EXERCICE Pour chacue des propositios suivates, idiquer si elle est vraie ou fausse et doer ue démostratio de la répose choisie Ue répose o démotrée e rapporte aucu poit O cosidère la

Plus en détail

Feuille de travaux pratiques # 3

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

Plus en détail

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

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

Plus en détail

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle

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

Plus en détail

TUTORAT UE Biostatistiques Correction du concours blanc 03/11/2011

TUTORAT UE Biostatistiques Correction du concours blanc 03/11/2011 FACULTE De PHARMACIE TUTORAT UE4 2011-2012 Biostatistiques Correctio du cocours blac 03/11/2011 QCM 1 : b, c, d a Faux : P(AUB=P(A+P(B=0,55 et P(A B=Ø. b Vrai c Vrai d Vrai : C 5 - C 5 32 28 (ombre de

Plus en détail

1 Présentation du jeu.

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

Plus en détail

Loi des grands nombres.

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

Plus en détail

Bac Blanc de Mathématiques T STMG

Bac Blanc de Mathématiques T STMG Nom : Préom : Classe : Bac Blac de Mathématiques T STMG Mars 2014 Les 4 exercices ci-dessous sot idépedats. L utilisatio d ue calculatrice persoelle est autorisée. Vous utiliserez cet éocé de 4 pages e

Plus en détail

Exercices. Exercice 1 (Suites adjacentes) On considère les suites (u n ) n N et (v n ) n N définies par: 1 k u n = n 3, v n = u n + 1 n 1 2n 2

Exercices. Exercice 1 (Suites adjacentes) On considère les suites (u n ) n N et (v n ) n N définies par: 1 k u n = n 3, v n = u n + 1 n 1 2n 2 Exercices Exercice (Suites adjacetes) O cosidère les suites (u ) N et (v ) N défiies par: u 3, k3 k 2 + v u + 2 2 Motrer que (u ) N et (v ) N sot adjacetes. Exercice 2 Soiet les deux suites (u ) et (v

Plus en détail

SUITES et SERIES DE FONCTIONS

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

Plus en détail

Comportement asymptotique des suites

Comportement asymptotique des suites Comportemet asymptotique des suites Table des matières 1 Itroductio 2 2 Limite d ue suite 2 2.1 Limite fiie d ue suite........................................... 2 2.2 Limite ifiie d ue suite..........................................

Plus en détail

Chapitre 4: Croissance, divergence et convergence des suites

Chapitre 4: Croissance, divergence et convergence des suites CHAPITRE 4 CROISSANCE ET CONVERGENCE 43 Chapitre 4: Croissace, divergece et covergece des suites 4.1 Quelques défiitios Défiitios : Ue suite est croissate si chaque terme est supérieur ou égal à so précédet

Plus en détail