PREMIERE PARTIE NOTIONS ELEMENTAIRES DE STATISTIQUE PROBABILISTE
|
|
- Estelle Cousineau
- il y a 6 ans
- Total affichages :
Transcription
1 1 PREMIERE PARTIE NOTIONS ELEMENTAIRES DE STATISTIQUE PROBABILISTE 1. Définitions de la probabilité Afin d'éviter des démonstrations très théoriques, nous donnons les définitions tirées de la norme NF X a) Définition déterministe de la probabilité (ou à priori) Lors de la réalisation d un événement dont le nombre d issues favorables peut être calculé au moyen de l analyse combinatoire (compte tenu de l hypothèse d équiprobabilité des issues), on définit la probabilité de cet événement par le rapport du nombre d'issues favorables (h) au nombre d'issues possibles (n) : P = h n C est la définition classique que l on utilise pour évaluer les issues d un jeu de hasard. Exemple : La probabilité pour obtenir "pile" après un lancé d une pièce parfaitement symétrique est de 0,5. b) Définition empirique de la probabilité Si après un grand nombre de réalisations d une expérience (n réalisations) on observe h fois l issue souhaitée, la probabilité de cet événement est la limite de la fréquence des observations de l'issue souhaitée : P = lim h n n En réalité, la fréquence observée en fonction de n oscille autour de sa valeur théorique et s'en rapproche indéfiniment lorsque n conformément à la "loi des grands nombres".
2 2 2. Variables aléatoires a) Définition Considérons un événement comportant un certain nombre d issues. Si on associe un nombre à chaque issue, ou à chaque ensemble d issues, ce nombre est appelé variable aléatoire ou aléa numérique. On la note par une lettre majuscule X, par contre les valeurs particulières de la variable aléatoire sont notées x ou x i. Exemple : jeu de pile ou face : Les issues du jeu sont "pile" ou "face". On peut associer à "pile" X = 1 et à "face" X = -1 ou encore 0 et 1 ou tout autre nombre. X est alors une variable aléatoire. b) Continuité et discontinuité d une variable aléatoire, notion de densité de probabilité Variable discontinue ou discrète C est une variable qui ne peut prendre que des valeurs isolées séparées par un intervalle fini, c est-à-dire non infinitésimal. Elle est généralement représentée par un entier. On peut associer une probabilité à une variable aléatoire discrète. Variable continue C est une variable qui peut prendre toutes les valeurs d un intervalle fini ou infini. Cela signifie que la différence entre deux valeurs voisines peut être aussi petite que l on peut l imaginer. C est un nombre réel. On ne peut pas associer une probabilité à une variable aléatoire continue. La probabilité pour que X prenne une valeur particulière x dans R (l'ensemble des nombres réels) est toujours nulle. Par contre on peut associer à x une densité de probabilité f(x) et on peut associer à un intervalle [x, x+ x] une probabilité non nulle. La densité de probabilité est définie de la même manière que la densité d un milieu continu. Fig.1
3 3 f(x) = lim P(x X x + x) x 0 x Si l intervalle est assez petit pour qu on puisse considérer f(x) comme constant : P(x X x + x) = f(x) x On constate bien que cette probabilité tend vers 0 lorsque x tend vers 0. Exemple : On s intéresse à la taille des personnes d un certain âge. Si la taille est considérée comme une variable aléatoire continue, donc un nombre réel (un nombre réel est un nombre infiniment précis), rien n empêche d examiner la probabilité pour rencontrer un individu de taille 1,7500 m ou même 1,7543 m. La probabilité de rencontrer dans la population une valeur numérique aussi précise est nulle. Il est d ailleurs impossible de mesurer la taille d une personne avec une telle précision. Par contre il existe un certain nombre d individus ayant une taille comprise entre 1,75 et 1,76 m si l échantillon est suffisamment grand. Il faut donc "discrétiser" une variable aléatoire continue pour pouvoir en définir une probabilité non nulle. 3. Généralités sur les lois de probabilités a) Définition Une loi de probabilité est une relation permettant d associer une probabilité ou une densité de probabilité à chaque valeur d une variable aléatoire. b) Représentation d une loi de probabilité Si la variable est discrète : représentation comme un diagramme en bâtons. p(x) Fig. 2 Diagramme en bâtons X
4 4 - Pour une variable continue on représente la fonction densité de probabilité (voir figure 1) c) Fonction de répartition d une loi de probabilité La fonction cumulative de distribution, ou plus simplement fonction de distribution F ou fonction de répartition F est définie par : F(x) = P(X < x) d) Représentation graphique de la fonction de répartition La courbe est encore appelée "courbe des probabilités cumulées". Dans le cas d une loi continue F(x) représente la surface délimitée par la courbe représentation de la loi entre - et l abscisse x. Fig. 3 Lois de probabilité et fonctions de répartition (variables discrètes et continues) e) Fractile d'ordre α : t(α) Dans le cas d une loi continue le fractile t(α) est l abscisse x telle que la surface délimitée par la loi de probabilité entre - et t(α) soit égale à α. Les fonctions F(t) et t(α) sont des fonctions réciproques l une de l autre.
5 5 Si t α est le fractile d ordre α on a les relations : P( X t α ) = α P( X t α ) = 1 - α ou F(t α ) = α Fig. 4 Fractile t α d une loi statistique encore appelé fractile inférieur Fig. 5 Fractile t (1-α) d une loi statistique encore appelé fractile supérieur On s intéresse également au fractile t (1-α) qui joue le même rôle que t α sur la partie des x élevés (Fig5). On démontre que : P( X t 1-α) = α P( X t 1-α) = 1 - α ou 1 - F(t 1-α) = α Si la loi statistique est symétrique et centrée on a la relation t α = -t (1-α) Les fractiles symétriques délimitent chacun une surface extérieure de α/2. La surface totale intérieure à l intervalle interfractile est 1-α. Fig. 6 Fractiles symétriques Remarques : les fractiles des lois de probabilités ont une importance considérable dans les tests statistiques. Les lois de probabilités discrètes n ont pas de fractiles
6 6 4. Paramètres statistiques des variables aléatoires a) Espérance mathématique Définition L'espérance mathématique est un paramètre de position (ou paramètre de tendance centrale) défini par les relations Variable discrète E(X) = N i= 1 X.P(X) i i Les indices 1 à N doivent englober tout le domaine de variation de X. Variable continue Variable continue E(X) = + Xf(X)dX Physiquement, l'espérance mathématique est le centre de gravité de la loi de probabilité. Fig. 7 Signification physique de l espérance mathématique Quelques propriétés de l espérance mathématique E (α) = α (α est une constante) E (αx + βy) = αe(x) + βe(y) Par contre E(XY) = E(X). E(Y) uniquement si les variables x et y sont indépendantes. La variable Z = X - E(X) est appelée variable aléatoire centrée. Son espérance mathématique est nulle.
7 7 b) Variance et écart-type Définitions La variance est l espérance du carré de la variable centrée. V(X) = E((X - E(X)) 2 ) Pour une variable discrète V(X) = n i= 1 P(X )(X i i E(X)) 2 Pour une variable continue 2 V(X) = (x E(x)) f(x)dx Enfin, l écart-type est la racine carrée de la variance. σ = V(X) La variance et l écart-type sont des paramètres de dispersion. Physiquement, la variance est assimilable à un moment d'inertie (les masses étant égales aux probabilités) et l écart-type est assimilable à un rayon de giration. Quelques propriétés de l espérance mathématique V(αX) = α 2 V(X) Pour deux variables aléatoires indépendantes V(X + Y) = V(X) + V(Y) V(X - Y) = V(X) + V(Y) Les propriétés d additivité ne s appliquent qu aux variances ; Elles ne s appliquent pas aux écarttypes. (une somme σ(x) + σ(y) n a aucun sens statistique) La variable aléatoire Z = X E( X) σ variable centrée et réduite (ou variable normalisée). admet une espérance nulle et une variance de 1, Z est appelée
8 8 c) Moments d ordre supérieur, dissymétrie et aplatissement Définitions On appelle moment d ordre n la grandeur : M n = E (X n ) Le moment centré d ordre n est le moment d ordre n de la variable centrée : µ n = E[(X - E(X)) n ] On a donc M 1 = E(X), µ 1 = 0 et µ 2 = V(X) Tous les moments centrés d ordre impair (>1) donnent une indication sur la dissymétrie de la loi de probabilité. On n utilise que le moment d ordre 3 et on appelle coefficient d asymétrie le coefficient : β µ = 3 = 3 2 µ 2 Le coefficient d asymétrie est une grandeur sans dimension, sa valeur donne une idée de l importance de la dissymétrie et son signe montre si la dissymétrie provient de valeurs élevées de X (dissymétrie à droite ) ou des valeurs petites de X (dissymétrie à gauche). µ σ 3 3 Tous les moments centrés d ordre pair sont des variables de dispersion. On n utilise que le moment µ 4 et son coefficient associé, le coefficient coefficient de Kurtosis ou aplatissement comparé à la loi Normale qui est également sans dimension: µ 4 µ 4 δ = 3= µ σ 2 Ce facteur permet donc de montrer qu une distribution est plus aplatie ou moins aplatie qu une distribution gaussienne, toutes choses égales par ailleurs (même espérance et même variance).
9 9 d) Autres paramètres de position Mode Le mode est la valeur de X dont la probabilité est maximale. Cette valeur peut ne pas être unique. Une distribution unimodale est une distribution n ayant qu un seul mode, sinon elle est bimodale, trimodale ou multimodale. Médiane La médiane Med est la valeur de x pour laquelle P (X x) = P (X x) = 1 2 Pour une distribution continue c est la valeur qui sépare la courbe de densité de probabilité en deux portions de surface égale. La médiane est le fractile d'ordre Etude de quelques lois de probabilités discrètes a) Loi de Binomiale Réalisation On considère un jeu comportant 2 issues : - une issue favorable S avec la probabilité p - une issue défavorable S avec la probabilité q = 1 - p On fait n réalisations du jeu de façon que les épreuves soient indépendantes. On veut calculer la probabilité pour avoir k issues favorables appelées S, sans tenir compte de l ordre de leur réalisation. Probabilité pour la réalisation de S : p k Probabilité pour n - k réalisations de S : (1 - p) n-k Probabilité pour que S se réalise k fois et S n - k fois : p k (1 - p) n-k (Si on n associe pas n-k réalisations de S à k réalisations de S, le nombre total de réalisations est variable et ne dépend pas de n, parce que l ordre des réalisations est indifférent) k Nombre de combinaisons de k objets parmi n : C n k k n n k P(X = k) = C p (1 p)
10 10 Paramètres statistiques E(X) = np V(X) = np(1- p) σ= np(1- p) Coefficients d asymétrie et d aplatissement q β = p npq γ = pq npq Représentation graphique On représente la loi binomiale à l aide d un diagramme en bâtons. Le diagramme est symétrique lorsque p = q = 0,5. Dans ce cas, la médiane et le mode sont égaux à E(X). Lorsque p et q la dissymétrie augmente et la médiane et le mode deviennent < E(X) Nous verrons ultérieurement l importance de cette propriété. La figure ci-dessous représente le diagramme en bâtons de la loi binomiale pour n = 40 et p = 0,1 (m = 4, σ = 1,9) Enfin, lorsque n est grand et p petit, les valeurs de P(X=k) diminuent très vite à partir d une certaine valeur de k, ce qui signifie que le diagramme en bâtons ne dépasse jamais une vingtaine de valeurs. Fig. 8 Diagramme en bâtons de la loi binomiale
11 11 b) Loi de Poisson Expression de la loi de probabilité On obtient la loi de Poisson à partir de la loi binomiale lorsque n est très grand et p très petit, le produit np n étant pas très grand, (1 < np < 20) Exemple : p = 0,05 et n = 100 fournit une très bonne approximation d une loi de Poisson. Moyennant quelques approximations, on meut démontrer : P(k) = m k k! e m Paramètres statistiques On tire ces valeurs de la loi binomiale dont la loi de Poisson est une approximation. En posant np = m dans les équations correspondantes de la loi binomiale on obtient : E(X) V(X) = = m m σ = β = γ = 3 m 1 m 1 + m Représentation graphique Le diagramme est toujours dissymétrique vers les valeurs élevées de X, la médiane et le mode sont inférieurs à la moyenne. Pour les grandes valeurs de n, β 0 et γ 3, la loi se rapproche d une loi de Gauss. La figure ci-dessous représente la loi de Poisson pour m = 3 (σ = 1,73). Fig. 9 Diagramme en bâtons de la loi de Poisson
12 12 Intérêt de la loi de Poisson la loi de Poisson est la loi suivie par les désintégrations radioactives ainsi que par d autres événements rares comme les pannes sur les chaînes de fabrication ou les objets défectueux dans une production. Les files d attente suivent également une loi de Poisson. 6. Etude de quelques lois de probabilités continues utiles pour l interprétation de données expérimentales a) Loi de Gauss (Loi Normale et Loi Normale Réduite) Expression de la densité de probabilité La loi Normale est une fonction continue dépendant des deux paramètres m et σ g(x) = σ 1 2π e (x m) 2 2σ 2 Loi Normale Réduite N(0,1) Si on remplace x par la variable aléatoire réduite x m σ la fonction g devient : g(x) = 1 2π e x 2 2 C est l équation de la loi Normale Réduite. On a évidemment E(x) = 0, V(x) = 1, β = 0 et γ = 3 Paramètres statistiques Loi Normale N(m,σ) Loi Normale réduite N(0,1) E(X) = m E(X) = 0 V(X) = σ 2 V(X) = 1 La loi est donc symétrique et le mode et la médiane sont égaux à la moyenne. L aplatissement prend une valeur caractéristique, γ = 3 qui est prise comme référence lorsqu on veut comparer les autres lois statistiques à la loi Normale.
13 13 Fig.10 Représentation graphique de la loi Normale réduite et valeur des surfaces S(u) Valeurs remarquables de g(x) et de la surface comprises entre u et u S(u) = +u -u f(x)dx = F(u) - F(-u) F est la fonction de répartition de g(x). Ces valeurs ont une importance majeure pour la compréhension des tests statistiques. u g(u) S(u) Remarque Maximum de la courbe Erreur équiprobable Point d'inflexion 2ln Largeur à mi-hauteur Intervalle de confiance à 95 % Intervalle de confiance à 99 % Intervalle de confiance à 99.5 % Intérêt de la Loi Normale Beaucoup de mesures physiques se distribuent suivant une loi Normale. Il existe des tests statistiques permettant de prouver le caractère normal d un ensemble de mesures et la normalité d'une distribution expérimentale est souvent une condition nécessaire pour l'application des tests statistiques sur les moyennes ou sur les variances.
14 14 b) Loi de Student Sa densité de probabilité dépend d un paramètre ν, appelé "nombre de degrés de liberté". Elle est symétrique et a pour représentation graphique la famille de courbes dont quelques unes sont représentées ci-dessous : Fig. 11 représentation graphique de la loi de Student Les courbes présentent la même allure qu une courbe de Gauss mais elles sont plus aplaties. Lorsque ν (en pratique lorsque ν > 40) la loi de Student est quasiment équivalente à la loi de Gauss. Fractiles de la loi de Student Les valeurs des fractiles t(ν,α) et t(ν,1-α) de la loi de Student sont données dans les tables de Student-Fisher. Puisque la loi est symétrique t(ν,α) = -t(ν,1-α). Comme pour toute loi statistique, la valeur t(ν,1-α) à ν constant augmente lorsque α diminue, mais à α constant les valeurs de t(ν,1-α) augmentent sensiblement lorsque ν diminue (voir fig 11 et 12). Ceci s explique facilement par l augmentation de l aplatissement de la courbe. En effet, plus une courbe est aplatie, plus il faut prendre une abscisse t(1-α) élevée pour que l intégrale : t(1 α ) f(x)dx ait une valeur donnée. Lorsque ν = 0, la valeur de t est infinie pour toutes les valeurs de α, sauf pour α = 100 %.
15 15 Fig. 12 Fractiles de la loi de Student (dispersion bilatérale) en fonction de ν pour α = 10%, 5% et 1% et 0,5% Remarque : Les tables de Student-Fisher sont présentées de différentes manières : les tables de fractiles appelées encore "tables unilatérales" donnent t(1-α, ν) en fonction de 1-α et de ν pour des valeurs α < 0,5. Généralement on pose P = 1 - α (P > 0,5) et on donne la table en fonction de P. On trouve également des tables donnant la valeur de t(p) de façon que : t(p) t(p) f(x)dx = P = 1 α Ces tables sont appelées "tables bilatérales de Student-Fisher" Intérêt de la loi de Student On peut montrer que pour un échantillon de n observations indépendantes d une grandeur X distribuée aléatoirement suivant une loi Normale N(m,σ) ( ) 2 x m xi m i la grandeur où s = suit une loi de Student à ν = n - 1 degrés de liberté. s n 1 n Cette loi présente donc un intérêt considérable dans tous les tests statistiques relatifs aux moyennes de petits échantillons.
16 16 c) Loi de Fisher-Snédecor Expression de la densité de probabilité C est la loi d une variable aléatoire continue appelée F dont la densité de probabilité dépend de deux paramètres ν 1 et ν 2 (nombre de degrés de liberté) : Les représentations graphiques sont données à la figure 13 en fonction de ses deux paramètres ν 1 et ν 2. La loi est dissymétrique et d autant plus aplatie que ν 1 et ν 2 sont petits. Fig.13 Représentation graphique de la loi de Fisher-Snedecor Fractiles de la loi de Fisher Les tables donnent les valeurs des fractiles supérieurs F(ν 1, ν 2, 1-α) pour une valeur donnée de α, c est à dire que les deux entrées de la table sont ν 1 et ν 2. On prend généralement α = 0,05 ou α = 0,01 et on a toujours P = 1 - α 1 Les fractiles inférieurs peuvent être calculés sachant que F( ν2, ν1, α ) = F( ν1, ν2,1 α ) (attention à l échange des degrés de liberté ν 1, et ν 2 ) Comme pour toutes les lois statistiques, les fractiles deviennent infinis lorsque ν 1 et ν 2 sont nuls. Numériquement, les valeurs sont très élevées lorsque ν 2 < 3. Intérêt de la loi de Fisher-Snedecor Par conséquent, la loi de Fisher-Snedecor intervient dans tous les problèmes qui font intervenir des comparaisons de variances, c est à dire les problèmes de précision et de qualité des mesures physico-chimiques.
17 17 d) Loi du Khi-deux Densité de probabilité La densité de probabilité dépend d un paramètre ν appelé "nombre de degrés de liberté". La loi de Khi-deux, appelée aussi loi de Pearson, a pour représentation graphique en fonction de ν, une famille de courbes représentées à la figure 14 : fig.14 Représentation graphique de la loi du khi-deux E(χ 2 ) = ν V(χ 2 ) = 2ν Elle est dissymétrique et d autant plus aplatie que ν est plus élevé (évolution contraire par rapport aux autres lois.) Fractiles de la loi du χ 2 Comme pour la loi de Fisher, α représente la surface de la courbe entre χ 2 et l infini. On représente les fractiles soit en fonction de P, soit en fonction de α = 1 - P (α < 0,5 et P > 0,5). Intérêt de la loi de Khi-deux Dans le cas d un échantillon de ν observations indépendantes d une grandeur X qui suit une loi Normale N(m, σ), la somme : n 2 x i m suit une loi de χ 2 à ν degrés de liberté. σ 1 La somme ci-dessus est d autant plus petite que les valeurs de x i sont proches de la moyenne. La loi du χ 2 est donc utilisée dans les problèmes d adéquation, c est à dire lorsqu il faut prouver que des valeurs expérimentales x i sont proches de valeurs modèles (x i (théoriques).
18 18 EXCEL. 7. Calcul des lois de probabilités, Fonctions de répartition et fractiles à l aide du logiciel Le logiciel EXCEL permet de calculer toutes les lois de probabilités classiques, leurs fonctions de répartition et leurs fractiles. Toutefois les explications concernant ces lois sont souvent incomplètes ou erronées. On accède à ces fonctions par : Insertion d une fonction/fonctions statistiques Fonctions Paramètres Significations Loi.Binomiale k, n, p VRAI/FAUX n : nombre de tirages, p : probabilité d un tirage Si VRAI on renvoie la probabilité cumulée de 0 à k, valeur P(X=k) comprise. Si FAUX, on renvoie la probabilité, P(X=k) Loi.Poisson X, E(X), VRAI/FAUX Si VRAI on renvoie la probabilité cumulée de 0 à X (entier), valeur P(X) comprise. Si FAUX, on renvoie la probabilité, P(X) Loi.Normale X, E(X), σ, VRAI/FAUX Si VRAI on renvoie la fonction de répartition pour l abscisse X. Si FAUX, on renvoie l ordonnée de la loi Normale pour l abscisse x Loi.Normale Standard z Renvoie la fonction de répartition de la loi Normale réduite pour l abscisse z. Loi.Normale.Inverse P, E(x), σ Fractile de la loi Normale d espérance E et d écarttype σ pour la probabilité P Loi.Normale Standard.Inverse P Fractile de la loi Normale réduite pour la probabilité P Loi.Student X, ν, 1 ou 2 Renvoie la probabilité cumulée de X à l infini pour une loi de Student à ν degrés de liberté. Si 1 : distribution unilatérale, si 2 : distribution bilatérale, la fonction renvoie la probabilité totale extérieure Loi.Student.Inverse P, ν ATTENTION, cette fonction renvoie le fractile bilatéral d une loi de Student à ν degrés de liberté, P étant la probabilité extérieure à l intervalle X, +X. Pour le fractile unilatéral introduire 2P Loi.F X, ν 1, ν 2 Renvoie la probabilité cumulée de X à l infini pour une loi de Fisher à ν 1, et ν 2 degrés de liberté. Inverse.loi.F P, ν 1, ν 2 Renvoie le fractile unilatéral d une loi de Fisher à ν 1, et ν 2 degrés de liberté pour la probabilité 1-P. Loi.Khideux ν, X Renvoie la probabilité cumulée de X à l infini pour une loi de Pearson à ν degrés de liberté. Khideux.inverse P, ν Renvoie le fractile unilatéral d une loi de Pearson à ν degrés de liberté pour la probabilité 1-P
19 19 STATISTIQUES PROBABILISTES CE QU IL FAUT ABSOLUMENT RETENIR Calcul de l Espérance mathématique Calcul de la variance Variable centrée réduite Propriétés d additivité de l espérance et de la variance E (αx + βy) = αe(x) + βe(y) V(αX) = α 2 V(X) V(X ± Y) = V(X) + V(Y) (X et Y : variables indépendantes) Loi de probabilité Fonction de répartition Fractiles unilatéraux, Fractiles bilatéraux Allure générale des lois Binomiale, Poisson, Normale, Student, Fisher-Snedecor, Khi-deux Signification de: u(α), u(1-α), u(α/2), u(1-α/2) t(α), t(1-α), t(α/2), t(1-α/2) F(α), F(1-α), χ 2 (α), χ 2 (1-α), χ 2 (α/2), χ 2 (1-α/2) Savoir lire les tables statistiques
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 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 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 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 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 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 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 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 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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
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 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 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en 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 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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailProbabilités 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 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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en 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 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 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 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 détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en 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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
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 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 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 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 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 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 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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en 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 détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en 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 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 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 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 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en 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 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 détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en 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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 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 détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en 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 détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
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 détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
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 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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en 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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détail16 Chapitre 16. Autour des générateurs pseudoaléatoires
Chapitre 16 Chapitre 16. Autour des générateurs pseudoaléatoires Hasard et informatique peuvent paraître antinomiques. Car enfin, comment le circuit imprimé d un ordinateur ou d une calculatrice, parfaitement
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 détail