STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL)
|
|
- Robin Blanchard
- il y a 6 ans
- Total affichages :
Transcription
1 STATISTIQUE ET PROBABILITÉS AU LYCÉE (séries ES, S, STI2D, STL)
2 Contexte de travail Des notions de statistique inférentielle introduites pour la première fois dans les programmes du secondaire. Ces notions sont enseignées dans différents cursus de l'enseignement supérieur mais le point de vue adopté dans les programmes de lycée est différent. La compréhension de ces notions passent par une maîtrise des fondements de la théorie des probabilités.
3 Les nouveautés Les lois normales sont introduites en terminales ES et S comme loi-limite d'une suite de variables aléatoires. Théorème de Moivre-Laplace (cas particulier du théorème limite central). Intervalle de fluctuation asymptotique de la fréquence d'échantillonnage. Intervalle de confiance d'une proportion et non d'une probabilité (attention aux confusion!!) à partir de l'intervalle de fluctuation asymptotique.
4 Les programmes : Statistique Collège effectif fréquence classe médiane quartiles diagramme en bâtons graphiques cartésiens Seconde moyenne effectifs et fréquences cumulés histogrammes Premières variance écart-type diagrammes en boîte Terminales statistique à deux variables ajustement
5 Les programmes : Probabilités Collège notion de probabilité Seconde probabilité sur un ensemble fini événement P(A B)+P(A B)=P(A)+P(B) tableau croisé arbre des possibles Premières variables aléatoires discrètes espérance variance écart-type lois de Bernoulli lois binomiales lois géométriques tronquées approche de la loi des grands nombres Terminales probabilité conditionnelle indépendance variables aléatoires à densité sur un intervalle lois uniformes lois exponentielles lois normales
6 Les programmes : Statistique inférentielle Seconde intervalle de fluctuation Premières échantillonnage intervalle de fluctuation binomiale prise de décision prise de décision à partir d'un intervalle de fluctuation binomiale Terminales intervalle de fluctuation asymptotique prise de décision prise de décision à partir d'un intervalle de fluctuation asymptotique égalité de deux proportions estimation intervalle de confiance
7 Quelques points délicats des programmes de terminales Introduction des lois continues à densité sur un intervalle lois uniformes lois exponentielles loi normale centrée réduite lois normales Intervalle de fluctuation asymptotique Estimation par intervalle de confiance Prise de décision
8 Loi à densité sur un intervalle
9 Loi à densité sur un intervalle
10 Loi uniforme sur l'intervalle [a ; b]
11 Loi uniforme sur [a ; b] Les programmes de terminales
12 Loi uniforme sur [a ; b] Introduction Densité Espérance
13 Loi uniforme sur [a ; b] Introduction Introduction de la loi uniforme sur [0 ; 1] à partir des fonctions "RANDOM" des calculatrices ou "ALEA" de logiciels (Fichier EXCEL 1-loi uniforme) Questionnement sur la signification d'équiprobabilité sur un intervalle.
14 Loi uniforme sur [a ; b] Introduction Densité Espérance
15 Loi uniforme sur [a ; b] Densité Un variable aléatoire X prend ses valeurs dans l'intervalle I = [a ;b] et de telle sorte sorte que tous les nombres de I puissent être atteints de manière semblable. On ne peut raisonner en attribuant une même probabilité à chaque élément de I, on ne pourrait pas avoir 1 comme somme des probabilités élémentaires.
16 Loi uniforme sur [a ; b] Densité On choisit une distribution de probabilité qui fasse en sorte que la probabilité que X prenne sa valeur dans l'intervalle J= [α ; β], inclus dans I, soit proportionnelle à l'amplitude de J. Ainsi P(X J) = β α b a = 1 b a [t]β α P(X J) = 1 b a β α dt = α β 1 b a dt
17 Loi uniforme sur [a ; b] Densité 1 unité d'aire
18 Loi uniforme sur [a ; b] Densité P(X J) 1 unité d'aire J
19 Loi uniforme sur [a ; b] Densité La densité de la loi uniforme sur l'intervalle [a ; b] est la fonction f définie par : f (x) = 1 b a si x I 0 sinon
20 Loi uniforme sur [a ; b] Introduction Densité Espérance
21 Loi uniforme sur [a ; b] Espérance On définit l'espérance d'une variable aléatoire X suivant la loi uniforme sur l'intervalle [a ; b] par : d'où E(X) = b a E(X) = a + b 2 b t f(t) dt = a t b a dt
22 Loi exponentielle de paramètre λ
23 Loi exponentielle de paramètre λ Les programmes de terminales
24 Loi exponentielle de paramètre λ Densité Espérance Radioactivité Durée de fonctionnement d'un système sans vieillissement
25 Loi exponentielle de paramètre λ Densité La densité de la loi exponentielle de paramètre λ est la fonction f définie par : f(x) = λ e λ x sur ]0; + [
26 Loi exponentielle de paramètre λ Densité Loi exponentielle de paramètre 4
27 Loi exponentielle de paramètre λ Densité Ainsi, pour une variable aléatoire X de loi exponentielle de paramètre λ et pour a et b réels positifs : P(a X b) = b a f(t) dt = b a λ e λ t dt P(a X b) = e λ t b a = e λ a e λ b
28 Loi exponentielle de paramètre λ Densité Espérance Radioactivité Durée de fonctionnement d'un système sans vieillissement
29 Loi exponentielle de paramètre λ Espérance On définit l'espérance d'une variable aléatoire X suivant la loi exponentielle de paramètre λ par : E(X) = lim x x + 0 t f(t) dt = lim x x + 0 t λ e λ t dt d'où E(X) = 1 λ
30 Loi exponentielle de paramètre λ Espérance La formule E(X) = lim x x + 0 t f(t) dt prolonge dans le cadre continu, l'espérance d'une variable discrète
31 Loi exponentielle de paramètre λ Densité Espérance Radioactivité Durée de fonctionnement d'un système sans vieillissement
32 Loi exponentielle de paramètre λ Radioactivité Voir le document d'accompagnement des anciens programmes de terminale S sur ce thème (pp ).
33 Loi exponentielle de paramètre λ Densité Espérance Radioactivité Durée de fonctionnement d'un système sans vieillissement
34 Loi exponentielle de paramètre λ Durée de fonctionnement d'un système sans vieillissement Les lois exponentielles modélisent la durée de vie d'un matériel.
35 Loi normale centrée réduite
36 Loi normale centrée réduite Les programmes de terminales
37 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
38 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
39 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité
40 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Les lois discrètes donnant lieu à des calculs de probabilités fastidieux lorsque le nombre de valeurs observées est important, on recherche une façon d'approcher une loi binomiale par une loi continue. On peut pour cela, rechercher des éléments de stabilité des lois binomiales de même paramètre p. Fichiers GeoGebra
41 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité La représentation de la distribution binomiale et son évolution lorsque n augmente ne permet pas d'observer de stabilité. (Fichier GeoGebra 1-binomiale effectif.ggb) Si on travaille sur la distribution des fréquences au lieu de celle des effectifs, des éléments de stabilité apparaissent. (Fichier GeoGebra 2-binomiale frequence.ggb)
42 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité On constate de même des éléments de stabilité si on travaille sur la distribution centrée et réduite de lois binomiales. (Fichier GeoGebra 3-binomiale reduite.ggb) Le problème de la variation des hauteurs des bâtons est réglé en remplaçant les bâtons précédents par des rectangles adjacents d'aire totale 1, en vue de l'approche par une loi continue, cela revient à diviser la hauteur des bâtons du graphique précédent par l'écart en deux 1 bâtons successifs np (1 p) (Fichier GeoGebra 4-binomiale rectangles.ggb) Calculs de probabilités (Fichier GeoGebra 5-binomiale rectangles probabilite.ggb)
43 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
44 Loi normale centrée réduite Théorème de Moivre-Laplace (terminale S - admis) Soit p un réel de ]0 ; 1[ et pour n IN, X n une variable aléatoire suivant la loi binomiale de paramètres n et p. Pour tout n IN, on note Z n la variable centrée réduite associée à X n. Pour tous réels a et b : b 1 lim Z n b) = n + P(a a 2π e x 2 2 dx
45 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
46 Loi normale centrée réduite Densité La fonction f définie par : f (x) = 2 x 1 2π e 2 est la densité de la loi normale centrée réduite.
47 Loi normale centrée réduite Densité
48 Loi normale centrée réduite Densité La densité de la loi normale centrée réduite est la fonction f définie par : f (x) = x 1 2π e 2 La fonction f n'a pas de primitives algébriques, pour déterminer des probabilités, on utilise : des tables, les fonctions des calculatrices ou de logiciels. 2
49 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
50 Loi normale centrée réduite Valeurs particulières X est une variable aléatoire suivant la loi normale centrée réduite. Pour tout réel de ]0 ; 1[, il existe un unique réel positif u α tel que : u 0,05 1,96 u 0,01 2,58 u 0,1 1,64 P( u α X u α )=1 α.
51 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
52 Loi normale centrée réduite Espérance On définit l'espérance d'une variable aléatoire X suivant la loi normale centrée réduite par : E(X) = lim x 0 x t f(t) dt + lim y y + 0 t f(t) dt
53 Loi normale centrée réduite Espérance E(X) = E(X) = lim 0 x lim x x x t f(t) dt + 0 t 2π e t 2 lim y y + 2 dt + lim 0 y + t f(t) dt y 0 2 t t 2π e 2 dt E(X) = lim x 2 t 1 2π e 2 0 x + lim y + 2 t 1 2π e 2 y 0 d où E(X) = 0
54 Loi normale centrée réduite Introduction à partir de lois binomiales de même paramètre de probabilité Théorème de Moivre-Laplace Densité Valeurs particulières Espérance Variance
55 Loi normale centrée réduite Variance On définit la variance d'une variable aléatoire X suivant la loi normale centrée réduite par : V(X) = E[(X E(X)) 2 ] On admet que : V(X) = 1.
56 Lois normales
57 Lois normales Les programmes de terminales
58 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
59 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
60 Lois normales Introduction à partir de la loi normale centrée réduite μ est un réel et σ un réel strictement positif. Une variable aléatoire X suit la loi normale N (μ ; σ 2 ) si (X μ)/σ suit la loi normale centrée réduite N (0 ; 1).
61 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
62 Lois normales Introduction à partir d'une somme de variables aléatoires uniformes Les lois normales sont introduites à partir de l'observation, à l'aide d'un logiciel, du cumul des valeurs obtenues lors de la répétition d'une expérience aléatoire dont le résultat suit une loi uniforme. (Fichier EXCEL somme-alea)
63 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
64 Lois normales Espérance Représentation des densité des lois normales d'espérances 3 ; 0 et -4et de variance 0,5.
65 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
66 Lois normales Variance Représentation des densité des lois normales d'espérance 3 et de variances 1 ; 0,5 et 2.
67 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
68 Lois normales Valeurs particulières X est une variable aléatoire suivant la loi normale N (μ ; σ 2 ). P(X [μ σ ; μ + σ] 0,68 P(X [μ 2σ ; μ + 2σ] 0,95 (à 10-2 près) (à 10-2 près) P(X [μ 3σ ; μ + 3σ] 0,997 (à 10-3 près)
69 Lois normales Valeurs particulières
70 Lois normales Introduction à partir de la loi normale centrée réduite Introduction à partir d'une somme de variables aléatoires uniformes Espérance Variance Valeurs particulières Exemples issues d'autres disciplines
71 Intervalles de fluctuation
72 Intervalles de fluctuation Les programmes de terminales
73 Intervalles de fluctuation Un cadre théorique Pour α ]0 ; 1[, tout intervalle [a ; b] tel que P(X [a ; b]) 1 - α peut être considéré comme un intervalle de fluctuation de X au seuil 1 - α.
74 Intervalles de fluctuation Un cadre théorique On peut chercher l'intervalle de fluctuation de X : d'amplitude minimale, d'amplitude minimale centré sur E(X), d'amplitude minimale qui symétrise les probabilités que X soit extérieure à [a ; b]... Ces différentes approches ne sont pas toujours faciles à mettre en oeuvre, surtout si la loi de X est discrète. L'approximation de la loi de X par une loi continue permet de faciliter la démarche.
75 Intervalles de fluctuation asymptotiques
76 Intervalles de fluctuation asymptotiques Z est une variable aléatoire suivant la loi normale N(0 ; 1). α est un réel de ]0 ; 1[, il existe un unique réel u α tel que P( u α Z u α ) = 1 α. X n est une variable aléatoire suivant la loi binomiale B (n ; p). X n n p Z n = ) est la variable centrée, réduite associée n p (1 p) à X n.
77 Intervalles de fluctuation asymptotiques Le théorème de Moivre-Laplace permet de dire que lim P( u α Z n u α ) = P( u α Z u α ) n + soit lim n + P u α X n n p n p (1 p) u α = 1 α ce qui s'écrit encore avec I n = p u α lim P n + X n p (1 p) n n I n = 1 α., p + u α p (1 p) n
78 Intervalles de fluctuation asymptotiques Théorème Si la variable aléatoire X n suit la loi binomiale B (n ; p), alors, pour tout α dans ]0 ; 1[, on a : lim n + P X n n I n = 1 α avec I n = p (1 p) p (1 p) p u α., p + u n α n et u α désigne l unique réel tel que P( u α Z u α ) = 1 α où Z suit la loi normale N(0 ; 1).
79 Intervalles de fluctuation asymptotiques L intervalle I n est un intervalle de fluctuation "approché" de X n n au seuil 1 α. Définition X n n appartient à I n avec une probabilité d autant plus proche de 1 α que n est grand : on dit que I n est un intervalle de fluctuation asymptotique de X n au seuil n 1 α.
80 Intervalles de fluctuation asymptotiques Lien avec l'intervalle de fluctuation du programme de seconde
81 Intervalles de fluctuation asymptotiques Lien avec l'intervalle de fluctuation du programme de seconde Pour α = 0,05, u α 1,96. Pour tout p [0 ; 1], p (1 p) = 0,25. Ainsi, u α p (1 p) est majoré par 2 0,5 = 1. I n = p u α p (1 p) n., p + u α p (1 p) n est inclus dans et approché par p 1 n., p + 1 n.
82 Estimation par intervalle de confiance
83 Estimation par intervalle de confiance Construction d'un abaque On constitue, avec remise, des échantillons de taille 40, dans une population. On considère une modalité d un caractère qualitatif observée pour p =37 % des individus de la population.
84 Estimation par intervalle de confiance Construction d'un abaque On constitue, avec remise, des échantillons de taille 40, dans une population. On considère une modalité d un caractère qualitatif observée pour p =37 % des individus de la population. L'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40, est [0,22 ; 0,52].
85 Estimation par intervalle de confiance Construction d'un abaque Représentation de l'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40 pour p =0,37.
86 Estimation par intervalle de confiance Construction d'un abaque
87 Estimation par intervalle de confiance Construction d'un abaque Représentation de l'intervalle de fluctuation asymptotique au seuil de 95%, relatif aux échantillons de taille 40 pour p =0,37 et p =0,40.
88 Estimation par intervalle de confiance Construction d'un abaque
89 Estimation par intervalle de confiance Construction d'un abaque
90 Estimation par intervalle de confiance Construction d'un abaque
91 Estimation par intervalle de confiance Construction d'un abaque
92 Estimation par intervalle de confiance Construction d'un abaque
93 Estimation par intervalle de confiance Construction d'un abaque
94 Estimation par intervalle de confiance Construction d'un abaque
95 Estimation par intervalle de confiance Construction d'un abaque
96 Estimation par intervalle de confiance Construction d'un abaque
97 Estimation par intervalle de confiance Construction d'un abaque
98 Estimation par intervalle de confiance Construction d'un abaque
99 Estimation par intervalle de confiance Utilisation de l'abaque On souhaite estimer la proportion p (inconnue) d'individus présentant une propriété donnée dans une population statistique à partir d'un échantillon de taille 40 prélevé au hasard et sans remise. Supposons que la propriété est observée dans l'échantillon avec une fréquence de 60 %. On détermine ensuite les valeurs de p qui font en sorte que 0,6 appartienne à l'intervalle de fluctuation asymptotique de F au seuil de 0,95, relatif aux échantillons de taille 40.
100 Estimation par intervalle de confiance Utilisation de l'abaque
101 Estimation par intervalle de confiance Utilisation de l'abaque Intervalle à 95 % de confiance de p
102 Statistique inférentielle
103 Comparaison de fréquences
104 Comparaison de fréquences Problème On souhaite comparer les proportions p 1 et p 2 d'un même caractère, dans deux populations distinctes, à partir de l observation des fréquences f 1 et f 2 observées sur un échantillon de chacune des deux populations. La question posée est de savoir si la différence f 1 - f 2 est significative.
105 Comparaison de fréquences Première démarche Pour i {1 ; 2}, F i est la variable aléatoire qui prend pour valeur f i. F1 et F2 sont supposées indépendantes. On pose F = n 1 F 1 + n 2 F 2 n 1 + n 2. Si p 1 = p 2, la loi de Z = F 1 F 2 F 1 (1 F 1 ) + F 2 (1 F 2 ) n 1 par la loi normale N(0 ; 1) si n 1 et n 2 sont supérieurs ou égaux à 30, n 1 p 1 et n 2 p 2 sont supérieurs à 5, n 1 (1 p 1 ) et n 2 (1 p 2 ) sont supérieurs à 5. n 2 est approchée
106 Comparaison de fréquences Première démarche Au seuil de 95 %, un intervalle de fluctuation de Z est [- 1,96 ; 1,96]. On admet que la différence f 1 - f 2 est significative si la valeur observée de Z est hors de l'intervalle [- 1,96 ; 1,96], ce qui se traduit par : f 1 f 2 > 1,96 F 1 (1 F 1 ) + F 2 (1 F 2 ) n 1 n 2
107 Comparaison de fréquences Seconde démarche On détermine des intervalles de confiance de p 1 et p 2 respectivement. On admet que la différence f 1 - f 2 est significative si ces intervalles sont disjoints.
108 Comparaison de fréquences Seconde démarche Cela se traduit par : f 1 u α f 1 (1 f 1 ) n., f 1 + u α f 1 (1 f 1 ) n et f 2 u α f 2 (1 f 2 ) n., f 1 + u α f 2 (1 f 2 ) n disjoints, soit f 1 f 2 > 1,96 F 1 (1 F 1 ) + n 1 F 2 (1 F 2 ) n 2
109 Comparaison de fréquences Comparaison des deux démarches Les conditions de différence significative sont : Comme pour la première méthode F 1 (1 F 1 ) f 1 f 2 > 1,96 + F 2 (1 F 2 ) n 1 pour la seconde méthode f 1 f 2 > 1,96 F 1 (1 F 1 ) F 2 (1 F 2 ) F 1 (1 F 1 ) + n 1 F 2 (1 F 2 ) n 2 + n 1 n 2 n 2 F 1 (1 F 1 ) + F 2 (1 F 2 ) n 1 la seconde méthode est "plus sévère" que la première. n 2
Estimation: 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 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 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 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 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 détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
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 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 détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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. 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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
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 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 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 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 détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 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 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
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 détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
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 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 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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 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 détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailEstimation 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 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 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
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 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 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 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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailStatistiques 0,14 0,11
Statistiques Rappels de vocabulaire : "Je suis pêcheur et je désire avoir des informations sur la taille des truites d'une rivière. Je décide de mesurer les truites obtenues au cours des trois dernières
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
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 détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
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 détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
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 détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
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 détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
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 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 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 détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détail- Ressources pour les classes
Mathématiques Collège - Ressources pour les classes de 6 e, 5 e, 4 e, et 3 e du collège - - Organisation et gestion de données au collège - Ce document peut être utilisé librement dans le cadre des enseignements
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
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 détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
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 détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
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 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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
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 détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailmathématiques mathématiques mathématiques mathématiques
mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques
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 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 détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détail