Analyse de données et méthodes numériques

Dimension: px
Commencer à balayer dès la page:

Download "Analyse de données et méthodes numériques"

Transcription

1 Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés?

2 Analyse de données et méthodes numériques Méthodes numériques: Calcul numérique d une intégrale Équations différentielles Ajustement de données à un modèle/loi: méthode des moindres carrées, fit

3 Chap 1: les outils statistiques pour l analyse de données

4 Pourquoi une description statistique des données? Mesures physiques -> différentes mesures pour une valeur «vraie»!!! Quel résultat donné? Valeur de référence + précision (plutôt précision qu erreur) X 0 ± X 0

5 Approche statistique des erreurs : M = ± 0.03 g m = 3.82 ± 0.05 g r = (3.08 ± 0.02) 10-5 m F =? ±? F = g Mm r 2 Pile ou Face 100 tirages 55 P, 45 F Probabilité, biais de tirages? Désintégration radioactive 72 cps/s, 85 cps/s, durée de vie?

6 Types de données: Données mesures information significative représentation des données graphes, histogrammes statistique descriptive 2 types de données : - non numériques : qualitatives - numériques : quantitatives nombres - données discrètes : entiers - données continues : réels arrondis! Ex : voitures sur une route : Couleur : qualitative, nombre de sièges : discrète, longueur : continue

7 Présentation des données: Histogrammes bi multidimensionnels graphes barres d'erreur statistique descriptive Choix du bining:

8 1/ Décrire les données: Soit une distribution de N éléments { x,x,..x } 1 2 N 1. Paramètres caractéristiques des valeurs centrales 2. Paramètres caractéristiques de dispersion 3. Paramètres de forme 4. Paramètres de concentration

9 Paramètres caractéristiques des valeurs centrales (1) Moyenne arithmétique: x = x = 1 N N x i i =1 Si la distribution est une fonction: f x ( ) : f = 1 N N i =1 f (x i ) Si on a un histogramme: x j -> canal j ->n j (Perte de précision) x = 1 N n j x j N j =1

10 Paramètres caractéristiques des valeurs centrales (2) Propriétés de la moyenne arithmétique: La somme pondérés des écarts à la moyenne est nulle La moyenne de N ( x i x ) = 0 i =1 vaut La moyenne n est pas toujours significative, elle est sensible aux valeurs extrêmes (notamment élevées) de la distribution, et aux valeurs aberrantes y = kx y = kx

11 Paramètres caractéristiques des valeurs centrales (3) Médiane: Point milieu des probabilités : autant en dessous qu'au dessus xmed p( x)dx = p( x)dx = xmed Si N impair : xmed = x N+1 / 2 Si N pair : xmed = [x N/2 + x N/2 +1 ] / 2 La médiane est moins sensible aux valeurs extrêmes et aberrantes

12 Paramètres caractéristiques des valeurs centrales (4) Le mode: Le mode est la valeur du paramètre dont la fréquence est la plus élevé. Si on a plusieurs pics de fréquences on parle de distribution multimodale. Il y a une relation entre moyenne-médiane-mode : Pour les distributions unimodales modérément asymétriques alors: (moyenne-mode) ~3 (moyenne-médiane) Pour une courbe symétrique : moyenne = médiane = mode

13

14 Paramètres caractéristiques des valeurs centrales (5) Les Fractiles: Les fractiles sont des caractères de position d une distribution. ex: les quartiles (Q 1, Q 2, Q 3 ) partagent la distribution des observations en 4 intervalles d effectifs égaux (le premier= 25% des effectifs), la médiane est donc Q 2. On a aussi les déciles (par tranche de 10%) et les centiles (tous les 1%)

15 Paramètres caractéristiques des valeurs centrales (6) Autres moyennes moyenne géométrique N x 1 x 2...x N moyenne harmonique 1 N x RMS (Root 1 x 2 x N mean Square):. x x x N 2 N

16 Paramètres caractéristiques de dispersion (1) La variance: C est la moyenne des carrées des écarts à la moyenne: V (x) = σ x 2 = 1 N V (x) = 1 N N 2 x i i=1 N ( x i x ) 2 = 1 N i=1 N i=1 x 2 = x 2 x 2 x i N N i=1 x N N x i=1 x i En pratique, la variance n est pas comparable à la moyenne car pas la même unité (carré), on lui préfère donc l écart type

17 Paramètres caractéristiques de dispersion (2) L écart type: σ x = V(x) = autre définition possible (non biaisé): σ x = L écart type possède la propriété: et σ y = k σ x 1 1 N N 1 N ( x i x ) 2 = x 2 x 2 N i =1 i =1 y = kx σ y 2 = k 2 σ x 2 ( x i x ) 2

18 Coefficient de variation Le Coefficient de variation (CV) est obtenu en divisant l écart type par la moyenne arithmétique. On peut l exprimer en pourcentage en le multipliant par 100. Il est indépendant de l unité de mesure de la caractéristique observée. Si la moyenne est négative, on prendra la valeur absolue de CV. Plus CV est faible, plus les données sont homogènes (concentrées autour de la moyenne), on peut donc considérer que la moyenne est bien représentative de l ensemble des données.

19 Paramètres caractéristiques de dispersion (3) Exemple: soit µ la valeur moyenne d un échantillon, et σ son écart type. Alors m est il une estimation correcte de µ. Pâquet de sucre de 1kg, σ=10g, tolérance de fabrication de ±2σ Échantillon de 985g -> ok Échantillon de 978g ->problème de production

20 Paramètres caractéristiques de dispersion (4) Etendue: C est l écart entre la plus élevée (le maximum) et la plus faible (le minimum) des valeurs observées. Ecart interquartile: C est l écart entre les 3eme et 1er quartiles, cela mesure la dispersion de la valeur centrale. La comparaison entre l écart interquartile et l étendue donne une idée de la dispersion des extrêmes. On l utilise souvent sous forme réduite c est à dire divisé par la valeur de la médiane afin d obtenir un indice sans dimension.

21 Paramètres caractéristiques de dispersion (5) Largeur à mi-hauteur (FWHM):

22 Paramètres caractéristiques de dispersion (6) Ecart moyen arithmétique: Moyenne arithmétique des écarts (en valeur absolue) entre les valeurs observées et la moyenne arithmétique. On l appelle aussi la déviation absolue moyenne e m = 1 N N i =1 x i x

23 Paramètres de forme (1) Caractérise la forme d une distribution Moment statistique d ordre p d une série statistique Le moment d ordre 2 est la variance! L asymétrie (skew) : c est le premier coefficient de Fisher (δ): µ p = 1 N Si les données sont symétriques δ=0 Si étalement à gauche (faible valeur) δ<0, étalement à droite δ>0 Rem : δ (moyenne - mode ) / σ (Pearson) N i =1 ( x i x ) p δ = µ 3 σ = µ 3 3 (µ 2 ) 3 2 x

24 Paramètres de forme (2) aplatissement: c est le second coefficient de Fisher (a): a = µ 4 σ 4 = µ 4 (µ 2 ) 2 La valeur a=3 correspond à une morphologie de distribution gaussienne. Si c est plus aplatie que la distribution gaussienne alors a est significativement inférieur à 3 Si c est plus pointue qu une distribution gaussienne alors a est significativement supérieur à 3 Si étalement à gauche (faible valeur) δ<0, étalement à droite δ>0 On utilise plutot l aplatissement ou curtosis c: c = a 3 = µ 4 σ 4 3

25 Paramètres de forme (3) x

26 Décrire les données: Soit une distribution de N éléments à deux variables (x 1,y 1 ),(x 2,y 2 ),..(x N,y N ) { } 1. La covariance 2. Le coefficient de corrélation

27 La covariance La covariance est le paramètre le plus utilisé pour déterminer la dépendance entre plusieurs variables: Cov( x,y) = 1 N N ( x i x )( y i y ) = xy x.y i =1 Si x et y évoluent dans le même sens, la covariance est positive Si x et y évoluent dans des sens différents, la covariance est négative S il n y a pas de corrélation, la covariance sera nulle

28 Le coefficient de corrélation(1) Le coefficient de corrélation est non dimensionné, il se définit comme: Il est compris entre -1 et 1 ρ 0 pas de corrélation ρ 1 si ρ -1 si x > x y > y x > x y < y Si on a plus de deux variables, même principe:matrice de covarience et matrice de corrélation ρ = Cov x,y ( ) σ x.σ y = xy x.y σ x.σ y

29 Ex : - poids - taille Cov > 0 - poids - endurance : Cov < 0 - poids - QI : Cov 0 Rem : Covariance dimensionnée coef de corrélation non dimensionné poids. taille kg. Cm Extension à + de 2 variables : matrice de covariance, matrice de corrélation

30 Chap 2: les distributions théoriques

31 Pourquoi modéliser les distributions? La modélisation de la distribution permet: Représenter des données même si on a «peu» de mesures (faible statistique) représenter la distribution à l aide d un nombre réduit de paramètres Fournir une explication physique aux fluctuations constatées Ici, phénomènes statiques indépendants du temps (sinon traitement du signal)

32 les distributions théoriques 1. Variable aléatoire a) Définition b) Fonction de répartition c) Densité de probabilité d) Espérance mathématique e) Variance écart-type 2. Distributions classiques: a) Loi uniforme b) Loi exponentielle c) Loi normale d) Loi binomiale e) Loi de poisson f) Variable statistique et variable aléatoire

33 Variable aléatoire (1) Définition: Une variable aléatoire est une variable qui peut prendre différentes valeurs à la suite d un processus lié au hasard. Elle est entièrement caractérisée si on connaît les probabilités affectées à chacune des valeurs possibles. Ex: desintégration d un échantillon radioactif: variable aléatoire= nombre entier entre 0 et l infini de probabilité connues (loi de poisson) correspondant au temps de désintégration

34 Variable aléatoire (2) Fonction de répartition: F(x) C est la probabilité de l événement aléatoire X x, X étant une variable aléatoire continue F( x) = P ("X x" ) La fonction de répartition est une fonction positive croissante jusqu à 1 (de 0 à 100%)

35 Variable aléatoire (3) Densité de propabilité: f(x) C est la dérivé de F(x): f x et ( ) = df( x) dx F x x ( ) = f t ( )dt La densité de probabilité est la probabilité que la variable aléatoire X prenne une valeur dans l intervalle x,x + dx [ [ P ("x X < x + dx" ) = f ( x)dx

36 Variable aléatoire (4) Experance mathématique: E(X) C est la moyenne des valeurs que peut prendre la variable X, chacune des valeurs étant pondérée par sa probabilité E X ( ) = xf x ( )dx La moyenne d un grand nombre d observations de X permet d estimer E(X). L espérance est un indicateur de tendance centrale de la variable. L espérance d une distribution est l équivalent du terme de «moyenne» pour des données +

37 Variable aléatoire (5) Variance et écart-type: ( ) = E X E( X) V X [( ) 2 ] + = ( x E( X) ) 2 f x ( )dx La racine carré de la variance est l écart type. La variance caractérise la dispersion de la variable autour de l espérance. L écart type est une grandeur de même nature physique que X et s exprime donc dans les mêmes unités

38 Loi de distributions classiques (1) La loi Uniforme: ex: dé: même proba de tomber sur une face (a=0, b=6) La densité de probabilité est définit comme: f ( x) = 0 1 b a ( ) 0 si x < a a x b x > b On a alors: E( X) = ( a + b) 2 V( X) = ( b a) 2 12 Densité de probabilité fonction de répartition

39 Loi de distributions classiques (2) La loi exponentielle: Dépend d un unique paramètre λ La densité de probabilité et la fonction de répartition sont définies comme (x>0): f x ( ) = P(x;λ) = λ.exp λx ( ) On a alors: F x ( ) = 1 exp λx ( ) La loi exponentielle est assez bien adaptée pour représenter la durée de vie des composants électroniques -> theorie de fiabilités,maintenance des systèmes inductriels E x ( ) = 1 λ V( x) = 1 λ 2

40 Loi de distributions classiques (3) Densité de probabilité fonction de répartition

41 Un domaine privilégié de la loi exponentielle est le domaine de la radioactivité (Rutherford et Soddy). Chaque atome radioactif possède une durée de vie qui suit une loi exponentielle. Le paramètre λ s'appelle alors la constante de désintégration. La durée de vie moyenne 1/ λ s'appelle le temps caractéristique. La médiane ln(2)/ λ correspond au temps T nécessaire pour que la population passe à 50% de sa population initiale et s'appelle la demi-vie ou période. La loi exponentielle est une loi assez bien adaptée pour représenter la durée de vie des composants électroniques. Elle est très utilisée en théorie de la fiabilité et application à la maintenance des systèmes industriels.

42 Loi de distributions classiques (4) La loi normale (gaussienne): Dépend de deux paramètres µ et σ. La densité de probabilité est définie comme f ( x) = 1 σ 2π exp x µ ( ) 2 2σ 2 Le paramètre µ est l espérance mathématique et σ est l écart-type, la variance s écrivant : V(x)= σ 2 La loi normale centrée réduite (ou loi de Laplace-Gauss) correspond à µ =0 et σ =1

43 Loi de distributions classiques (5) Densité de probabilité fonction de répartition

44 Loi de distributions classiques (6) La fonction de répartition de la loi normale n a pas de forme analytique, elle se calcule numériquement et existe sous forme de tableau x = µ ±σ 68.3% x = µ ± 2σ 95.4% x = µ ± 3σ 99.7% 90% ±1.645σ 99% ±2.576σ

45 Loi de distributions classiques (12) La loi Binomiale: Que deux résultats possibles (vrai ou faux, face ou pile ) avec une probabilité de succès p et une probabilité d échec q=1-p. Si on a n essais, la probabilité de r succès est: 2 n permutations succès/echecs Sélection de r parmi n C r n = n! r! ( n r)! R succès de probabilité p et (n-r) échecs de probabilité (1-p) D où la densité de probabilité suivante: f (r; p,n) = p r ( 1 p) n r n! r! ( n r)! = p n! r q n r r! ( n r)!

46 Loi de distributions classiques (13) La loi Binomiale: L espérance mathématique est donc: E( r)=np La variance et l écart type: V( r) = np( 1 p) = npq σ = npq Lorsque n inf et que p 0 avec np = a, la loi binomiale converge vers une loi de Poisson de paramètre a. En pratique, on remplace la loi binomiale par une loi de Poisson dès que n > 30 et np < 5 ou dès que n > 50 et p < 0.1. Lorsque n inf et que p q 0.5, la loi binomiale converge vers une loi normale d'espérance np et de variance npq. En pratique, on remplace une loi binomiale par une loi normale dès que n > 30, np > 5 et nq > 5

47 Densité de probabilité fonction de répartition

48 Loi de distributions classiques (16) La distribution de Poisson: La distribution de poisson correspond au comportement attendu pour les évènements rares et un nombre d essai non défini. Elle correspond à l évolution de la distribution binomiale si n augmente et p diminue. La densité de probabilité d avoir r événement pour une moyenne espérée de λ est définie par: Moyenne λ, variance V( r)= λ et écart-type P( r;λ) = e λ.λ r r! σ = λ

49 Loi de distributions classiques (17) La distribution de Poisson: Nombre d essais non défini, évènements rares Exemple : - pic étroit sur un continuum events rares - éclairs pendant un orage - Désintégration/Création de particules rares Pour λ<1, mode=0 La moyenne = λ différente du mode λ -1 La distribution de Poisson est plus large que la distribution binomiale La distribution de poisson présente une queue à droite

50 Loi de distributions classiques (18)

51 Variable statistique/aléatoire Une variable statistique est constituée par une série d observations d une même grandeur. Une variable aléatoire est un concept mathématique, issu de la théorie des probabilités. C est un moyen commode de représenter, de modéliser la réalité dans un certain nombre de situations, par exemple une variable statistique. Variable statistique Fréquences Moyenne Médiane Variance empirique Ecart-type empirique Histogramme de fréquences Courbe de fréquences cumulées Variable aléatoire Probabilités Espérance mathématique Médiane Variance Ecart-type Densité de probabilité Fonction de répartition

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Statistiques Descriptives à une dimension

Statistiques 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 détail

3. Caractéristiques et fonctions d une v.a.

3. 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 détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 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 détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Séries Statistiques Simples

Séries 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 détail

Précision d un résultat et calculs d incertitudes

Précision d un résultat et calculs d incertitudes Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

STATISTIQUES I) UN PEU DE VOCABULAIRE

STATISTIQUES I) UN PEU DE VOCABULAIRE STATISTIQUES I) UN PEU DE VOCABULAIRE Toute étude statistique s'appuie sur des données. Dans le cas ou ces données sont numériques (99% des cas), on distingue les données discrètes (qui prennent un nombre

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

C3 : Manipulations statistiques

C3 : Manipulations statistiques C3 : Manipulations statistiques Dorat Rémi 1- Génération de valeurs aléatoires p 2 2- Statistiques descriptives p 3 3- Tests statistiques p 8 4- Régression linéaire p 8 Manipulations statistiques 1 1-

Plus en détail

Statistique : Résumé de cours et méthodes

Statistique : 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 détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

STATISTIQUES À UNE VARIABLE

STATISTIQUES À UNE VARIABLE STATISTIQUES À UNE VARIABLE Table des matières I Méthodes de représentation 2 I.1 Vocabulaire.............................................. 2 I.2 Tableaux...............................................

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Les statistiques descriptives et les intervalles de confiance

Les statistiques descriptives et les intervalles de confiance Les statistiques et les intervalles de Yohann.Foucher@univ-nantes.fr Equipe d Accueil 4275 "Biostatistique, recherche clinique et mesures subjectives en santé", Université de Nantes Master 2 - Cours #2

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat 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 détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Le regroupement de valeurs continues, ARRONDIR... Notion de discrétisation : groupes ou intervalles de valeurs. Exemple : Glycémie normale :

Le regroupement de valeurs continues, ARRONDIR... Notion de discrétisation : groupes ou intervalles de valeurs. Exemple : Glycémie normale : Variables : samedi 14 novembre 2009 12:54 1. Quelques Exemples : C'est une caractéristique ou un facteur susceptible de prendre des valeurs différentes selon les individus. Exemples : o Couleur des cheveux

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Lycée Cassini BTS CGO 2014-2015. Test de début d année

Lycée Cassini BTS CGO 2014-2015. Test de début d année Lycée assini BTS GO 4-5 Exercice Test de début d année Pour chaque question, plusieurs réponses sont proposées. Déterminer celles qui sont correctes. On a mesuré, en continu pendant quatre heures, la concentration

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

Lois de probabilité. Anita Burgun

Lois 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 détail

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES

Module 2 29 Décembre 2009 Intervenant: Dhuin STATISTIQUES STATISTIQUES I. Séries statistiques simples... 1 A. Définitions... 1 1. Population... 1 2. Caractère statistique... 1 B. Séries classées / représentations graphiques.... 2 1. Séries classées... 2 2. Représentations

Plus en détail

Chacune des valeurs d une variable en est une modalité particulière.

Chacune des valeurs d une variable en est une modalité particulière. Psychologie générale Jean Paschoud STATISTIQUE Sommaire Rôle de la statistique Variables Échelles de mesure Résumer, décrire Comparer Rôle de la statistique La statistique est avant tout un outil permettant

Plus en détail

Lois de probabilité 3/3. Anita Burgun

Lois de probabilité 3/3. Anita Burgun Lois de probabilité 3/3 Anita Burgun Contenu des cours Loi binomiale Loi hypergéométrique Loi de Poisson Loi normale Loi du Chi2 Loi de Student Loi normale VA continue X Densité de probabilité de X" Loi

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Baccalauréat ES Polynésie 7 juin 2013

Baccalauréat ES Polynésie 7 juin 2013 Baccalauréat ES Polnésie 7 juin 2013 EXERCICE 1 Cet exercice est un questionnaire à choix multiples. Pour chaque question, une seule des quatre réponses proposées est correcte. Une réponse juste rapporte

Plus en détail

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i

Exercice 1 QCM. 4 i. e π ou. e π, ou : 4 ( i) 1 /4. e π. e π Réponse d. 1. Le carré de z est : ce qui donne : soit : , soit 4i TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page /5 Terminale STI2D - Bac 203 - Polynésie - Corrigé. TSTI2D - Bac 203 - Polynésie STI2D -.0 - Corrigé.doc - Page 2/5 Exercice QCM. Le carré de

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Représentation d une distribution

Représentation 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 détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Outils statistiques. Notes de cours.

Outils statistiques. Notes de cours. 1 Outils statistiques Notes de cours. Clotilde Fermanian Françoise Lucas Année 2010 2011 L2-L3 Université Paris 12 Val de Marne. 2 Avertissement : Ce texte constitue des notes qui couvrent ce qui a été

Plus en détail

STATISTIQUES. I. Un peu de vocabulaire. II. Representations graphiques. 1. Diagramme circulaire

STATISTIQUES. I. Un peu de vocabulaire. II. Representations graphiques. 1. Diagramme circulaire STATISTIQUES I. Un peu de vocabulaire Toute étude statistique s'appuie sur des données. Dans le cas où ces données sont numériques, on distingue les données discrètes (qui prennent un nombre fini de valeurs

Plus en détail

Introduction et définition

Introduction et définition Loi de puissance Introduction et définition Propriétés de la loi de puissance(ldp) LdP et loi probabilités LdP et loi d échelle LdP et graphes complexes LdP et SOC Exemples d applicabilité Economie Réseaux

Plus en détail

Cours 2 : Rappels de Statistique descriptive. A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle

Cours 2 : Rappels de Statistique descriptive. A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle Cours 2 : Rappels de Statistique descriptive A- Introduction B- Statistique descriptive unidimensionnelle C- Statistique descriptive bidimensionnelle A- Introduction A- Introduction Rappel : Série statistique

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

STATISTIQUES A UNE VARIABLE EXERCICES CORRIGES

STATISTIQUES A UNE VARIABLE EXERCICES CORRIGES STATISTIQUES A UNE VARIALE EXERCICES CORRIGES Exercice n Les élèves d une classe ont obtenu les notes suivantes lors d un devoir : Note 4 5 8 0 4 5 8 0 Effectif 4 7 6 4 ) Déterminer l étendue et le mode

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

INTRODUCTION A LA RECHERCHE QUANTITATIVE

INTRODUCTION A LA RECHERCHE QUANTITATIVE INTRODUCTION A LA RECHERCHE QUANTITATIVE Deuxième partie : de la base de données aux résultats Juin 2010 Julien Gelly, Caroline Huas, Josselin Le Bel Plan 2 1. Introduction 2. Saisie des données : Epi

Plus en détail

Classe de 3ème. Effectif partiel n Effectif total N

Classe de 3ème. Effectif partiel n Effectif total N Classe de 3ème Chapitre 2 Statistiques. 1. Quelques rappels. Une série statistique est composée de valeurs. Le nombre de fois où une valeur est répétée s'appelle l'effectif partiel de cette valeur. La

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

BACCALAURÉAT PROFESSIONNEL SUJET

BACCALAURÉAT PROFESSIONNEL SUJET SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)

Plus en détail

Emilien Suquet, suquet@automaths.com

Emilien Suquet, suquet@automaths.com STATISTIQUES Emilien Suquet, suquet@automaths.com I Comment réagir face à un document statistique? Les deux graphiques ci-dessous représentent l évolution du taux de chômage en France sur les 1 mois de

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Commun à tous les candidats

Commun à tous les candidats BACCALAURÉAT GÉNÉRAL SESSION 213 MATHÉMATIQUES Série ES/L Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) ES : ENSEIGNEMENT OBLIGATOIRE L : ENSEIGNEMENT DE SPECIALITE Les calculatrices électroniques

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

1ES Février 2013 Corrigé

1ES Février 2013 Corrigé 1ES Février 213 Corrigé Exercice 1 Le tableau ci-dessous renseigne sur les besoins en eau dans le monde : Population mondiale (Milliards d habitants) Volume moyen par habitant ( ) 195 2,5 4 1 197 3,6 5

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord EXERCICE 1 : 5 points On se place dans l espace muni d un repère orthonormé. On considère les points,, et. 1. Démontrer que les points,

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Cours de mathématiques Terminale STMG

Cours de mathématiques Terminale STMG Cours de mathématiques Terminale STMG Chapitre 1 Information chiffrée...3 I Proportions...3 II Taux d'évolution...3 a) Détermination d'un taux d'évolution...3 b) Appliquer un taux d'évolution...4 III Taux

Plus en détail

Simulation de variables aléatoires

Simulation 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 détail

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015

Corrigé du baccalauréat ES Antilles Guyane 24 juin 2015 Corrigé du baccalauréat ES Antilles Guyane 2 juin 2015 EXERCICE 1 Commun à tous les candidats Aucune justification n était demandée dans cet exercice. 1. La fonction f définie sur R par f (x)= x 3 + 6x

Plus en détail

Cahier de textes Page 1 sur 9. Cahier de textes

Cahier de textes Page 1 sur 9. Cahier de textes Cahier de textes Page 1 sur 9 Cahier de textes Jeudi 04/09/2014 9h-12h et 13h30-16h30 : Cours sur la logique : - Conjonction, disjonction, implication, équivalence - Quelques formules. - Quantificateurs

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière PRO 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde PRO partie première PRO partie terminale PRO Sommaire

Plus en détail

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 :

Terminale S - ACP Ex1 : Partie A - Restitution organisée des connaissances Partie B : 1. a. 1. b. 1. c. 2. a. 2. b. Ex2 : Terminale S - ACP Ex1 : Antilles Septembre 2006 Partie A - Restitution organisée des connaissances On suppose connu le résultat suivant : Si est une variable aléatoire qui suit une loi exponentielle de

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1.

Correction du TP4. column 1 to 17. column 18 to 34. column 35 to 51. column 52 to 68. column 69 to 85. column 86 to 100. U i ]. i=1. Exercice 1. 1. U=grand(1,10000,'uin',-2,5) disp(u(1:100), "U=") On obtient par exemple : U= column 1 to 17-1. 2. 3. 0. 5. 3. - 1. 0. 4. - 2. 5. 3. - 1. 2. 0. - 1. 3. column 18 to 34-2. - 1. 3. 1. 5. 5.

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel. Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté

Plus en détail

1S DS 4 Durée :?mn. 2. La courbe ci-dessous est la représentation graphique de la fonction g, définie sur I = [ 1; 3].

1S DS 4 Durée :?mn. 2. La courbe ci-dessous est la représentation graphique de la fonction g, définie sur I = [ 1; 3]. 1S DS 4 Durée :?mn Exercice 1 ( 5 points ) Les trois questions sont indépendantes. 1. Soit f la fonction définie par f(x) = 3 x. a) Donner son ensemble de définition. Il faut 3 x 0 3 x donc D f =] ; 3]

Plus en détail

PROBABILITÉS STATISTIQUES

PROBABILITÉS STATISTIQUES PROBABILITÉS ET STATISTIQUES Probabilités et Statistiques PAES 0-03 L FOUCA Sommaire Chapitre Statistique descriptive 4 La statistique et les statistiques 4 Généralités sur les distributions statistiques

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

16. Comment introduire les valeurs prises par la variable SPORT pour les 30 premiers sujets introduits dans L2?

16. Comment introduire les valeurs prises par la variable SPORT pour les 30 premiers sujets introduits dans L2? T.P. 5 partie 1 Variable ordinale Calcul manuel de quantiles Utilisation des fonctions intégrées de la TI-84 Utilisation du programme D1 (Corrigé pour 30 cas) V. Prise en compte de 30 cas (pour éviter

Plus en détail

2 36. k 2 3 4 5 6 7 8 9 10 11 12

2 36. k 2 3 4 5 6 7 8 9 10 11 12 Chapitre 2 : Variables aléatoires discrètes Les variables aléatoires qui apparaissent dans ce chapitre (et son appendice) sont des exemples de variables aléatoires discrètes. I- Variables aléatoires. 1.

Plus en détail