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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Les lois discrètes Réalisatios déombrables Poits portet probabilités P(X> ) = f(..) + f(...).. MAIS si o e sait pas le max à -P(X< )* P(X< )= f(..) + f(...).. P(X> ) = *-P(X< ) = F( ) è soit f( ) f( ) f( ) ou F( ) /F( ) = f( )+f( ) P(X< ) = f(..) + f( ).. P(X= ) = f( ) Type de doée Ex Mai Excel Loi biomiale = tirage avec remise à = ombre total d épreuves idividuelles à p = probabilité de succès = épreuves avec ou sas succès = variable aléatoire X comptat le ombre de succès Poser X ~B( ;p). Poser la formule géérale : x f x P X x C i xi xi ( ) = ( = ) = p ( p) x =,,!, i i 3. Poser la probabilité cumulée, les coditios de succès, etre combie et combie? (p. ex au mois 5 sur : P ( X 5) = f (5) + f (6) + f (7) + f (8) + f (9) + f ()) 4. Calculer la probabilité de succès des épreuves idividuelles idépedates (avec le même exemple : = C ( ) ( ) + C!! ( ) ( ) + C! ( ) ( ) + C! ( ) ( ) + C! ( ) ( ) + C! ( ) ( ) ! 3! C r = Si r et sot idetiques =, si r est =, si r est = ( r)! r! Ø Si N est pas défii, ou est u grad ombre, comme das l ex. 3 et 5b, au lieu de faire de 6 à N car P(X>6), faire l iverse, càd rapporter à - P(X<5) i Excel : toujours rameer formule à P X x ) ( i Doc si das otre ex c était au mois 5, doc = ou + que 5, alors c est de toute maière plus grad que 4 : P(X>5)=P(X>4)=- P(X<4) = F(4) Formule = loi.biomiale.(4;;/ 3;) (X i ; ;p ; si ue probabilité et si plusieurs cumulée) Patricia Fly

2 Coefficiet de variatio avec Biomiale (expliquer différeces etre probabilités, comparer la dispersio de plusieurs distributios) Espérace mathématique E(X) Et variace Var(X) pour la loi hypergéométrique P. ex motrer pourquoi H est plus précis que B 5c 8e 8c 8d 9 Ø Si la probabilité se situe das u itervalle, comme das l ex 4 o avait itervalle de 5'8 et 6', alors trasformer P( 5'8 X 6') = P(5'799 < X 6') = F(6') F(5'799) Soit F(b)-F(a), bie trop log à calculer à la mai Si mois gros chiffres : P(3< X > 5) = f(3) + f(4) + f(5) Attetio : P(3< X > 5) = f(4) où variace Var(X) = p(-p) et espérace mathématique E(X) = p = moyee Plus la valeur du coefficiet de variatio est élevée, plus la dispersio autour de la moyee est grade aisi, mois cocetrée autour de sa moyee, ce qui permet des probabilités plus fortes E ( X ) = p et N Var ( X ) = p( p). N Si o compare les résultats obteus etre B et H, o peut calculer leur variaces respectives puis de quel % ue des deux est plus élevée, p. ex celle de B (var(x)b var(x)h / var(x)h Si x < = LOI.BINOMIALE.N( x i ; ; p; ) =LOI.BINOMIALE.N(b ; ;p ;)- LOI.BINOMIALE.N(a ; ;p ;) Patricia Fly

3 Loi hypergéométrique = tirage sas remise à = échatillo aléatoire à N = populatio totale à k = ombre possédat la caractéristiques, soit succès X ~H(N ; ;p) xi xi Ck CN k f ( xi ) = P( X = xi ) = xi =,,,!,. CN 3. Quelle probabilité cherche-t-o? Combie sur doivet être u succès = f(x i ) et calculer si P(X<) o calcule P(x=) + P(x=) Suit les mêmes règles que la Biomiale, soit si P(x>7) o fait F(7) Plus N est grad, plus la variable aléatoire hypergéométrique X ted à se comporter comme ue variable aléatoire biomiale à si N est grad et est petit par rapport à N => utilisatio loi biomiale, car tirages avec / sas remises sot proches =LOI.HYPERGEOMETRIQUE.N(x i ; ;k ;N ;O) si ue probabilité et si plusieurs cumulée) loi.hypergeometrique.( x i ; ;k ;N ;) à p = probabilité d avoir la caractéristique lors du premier tirage = k/n Loi de poisso = prévisio du ombre d évéemets susceptibles de se produire sur ue période de temps détermiée (trafic, files d attetes) 3. X ~ P( λ) xi λ -λ. f ( xi ) = P( X = xi ) = e λ >, xi =,,,! x! 4 coditios : i à λ, ombre moye de succès das l itervalle ], t] est cou seul paramètre à probabilité d avoir plus d u succès das u itervalle très petit est presque ulle = LOI.POISSON.N( x ;λ; ) i Patricia Fly 3

4 = variable aléatoire X compte le ombre de fois où l évéemet (succès) se produit das u itervalle de temps Les lois cotiues Réalisatios o déombrables Itervalles portet probabilités à probabilité d obteir u succès das u petit itervalle est proportioelle à la logueur de l itervalle àsuccès aléatoires et idépedats les us des autres Foctio de desité sur l axe horizotal ous idique où la variable aléatoire a le plus de chace de tomber f ( x) f ( x) dx = ((la surface sous le graphe de la foctio de desité égale (ou %)) Probabilité que X tombe exactemet sur u poit de l itervalle = ulle. Doc calculer P(X=,89889) si X obéit à ue loi cotiue (ormale) =! a P ( X = a) = f ( x) dx = P ( a X b) = f ( x) dx a Mode de la variable aléatoire cotiue X = maximum de la foctio de desité Médiae de X (Md ou C 5 ) = ombre réel Q défii par l itégrale b a Type de doée Ex Mai Excel Loi ormale à Paramètres : E(X) µ et Var(X) σ Si de ombreuses variables aléatoires idépedates s additioet, leur somme est ue Courbe de la desité ormale à ue cloche qui s éted idéfiimet à gauche et à droite de µ. Foctio de desité : f(x) = σ e π E (X ) = µ et (x µ) σ x R Var ( X ) = σ (σ =écart-type) R = esemble des ombres réels - La courbe s approche de plus e plus de l axe horizotal sas jamais l atteidre Cette loi e possède pas de foctio de répartitio explicite et o e peut procéder à la mai. Probabilités : X ~ N( µ, σ ) et a est u ombre réel quelcoque (u pt quelcoque sur l axe horizotale) : = LOI.NORMALE.N(a ; µ ; σ ;) = c est la foctio de répartitio Patricia Fly 4

5 variable aléatoire dot la loi de probabilité est ormale Elle est symétrique par rapport à µ ; qui lui est le cetre de la distributio, la médiae, la moyee et l espérace mathématique - poits d iflexio d abscisses : µ σ et µ + σ - Aire totale sous la courbe = - Si µ dimiue, courbe se déplace horizotalemet vers la gauche, si µ augmete, vers la droite - Siσ dimiue, courbe se codese, si σ augmete, courbe se disperse Calculer ue probabilité : das u itervalle etre poits P(a< X < b) : a µ X µ b µ. Poser X ~ N( µ, σ ) -- > P ( a < X < b) = P( < < ) σ σ σ µ. Cetrer et réduire la variable aléatoire ormale : Z = X pour avoir σ ue variable aléatoire stadard. ; µ = et σ = a µ 3. doc Z ~ N(,) = ( ) ( µ b P a < X < b = P < Z < ) σ σ 4. O a os ouvelles valeurs a et b pour calculer avec Excel Calculer ue probabilité : X > a. P(X > a) =P( > ) = P(Z > résultat*) Trouver la valeur du cetile Z : La cetile d ordre tat = poit sur l axe horizotal tel que tat de % est à sa gauche. Si o ous dit que P(Z < Z ) =. par exemple, cela veut dire que % de la surface sous la courbe ormale se situe à gauche de Z. Et cela veut dire aussi que Z = C. à doc Excel C. =LOI.NORMALE.INVERSE.N(. ; ;) qui doe u résultat égatif. F(X) = P(X<a) qui est évaluée au poit a et o pas la foctio de desité f(x). Ce qui calcule la probabilité F(a) = P(X<a) (= P ( < X < a) ). Ce P(X<a) représete la surface sous le graphe de la foctio de desité f(x), à gauche du poit a. C est aussi le rag de cetile de a. P(a< X < b) : =LOI.NORMALE.N( b; µ ; σ ;) - LOI.NORMALE.N( a ; µ ; σ ;) P(X>a) = P(X<a) = F(a) doc : =-LOI.NORMALE.N( a* ; µ ; σ ;) Cetiles : X ~ N( µ, σ ) et o veut le cetile d ordre a : (C a ) =LOI.NORMALE.INVERSE.N ( α ; µ ; σ ) Patricia Fly 5

6 5 6 Si P(Z> Z ) =.44 par exemple, cela veut dire que 44% de la surface sous la courbe ormale est à droite de Z et aisi comme c est la surface à sa gauche qui ous itéresse et qu o sait que la surface totale est de %, o fait -.44=.56 et o cherche doc C.56 Si P(Z < Z < ) =. alors c est la zoe etre Z et qui fait %, comme le est la moitié de la cloche, les deux parties à gauche et droite de fot 5% chacue. Et Z C. mais 5-=8% doc il s agit de C.8 que l o cherche. Doc si o cherche u poit précis (par ex résultat miimal d u exame pour réussir, ote, durée, etc, o cherche la cetille et si o veut ue proportio, u itervalle, o cherche la probabilité. Patricia Fly 6

7 Echatilloage et equête Echatillo Processus d equête pour collecter doées relatives à échatillo = equête d échatilloage Méthode de base assurat la représetativité d u échatillo : tirages équiprobables avec/sas remise das la populatio = Echatilloage aléatoire simple Processus de faire estimatios et tests d hypothèses sur caractéristiques d ue populatio à partir d u échatillo = iférece statistique Populatio d échatillos = pour doé, l esemble éorme de tous les échatillos possibles de taille das ue populatio Esemble de tous les échatillos possibles pour ue taille doée = populatio d échatillo Gradeur caractérisat u échatillo = statistique = toute foctio des X, X etc Moyee = Ecart-type = Proportio = à biomiale Distributio d échatilloage de la moyee X O e coaît i la distributio de X (variable statistique de départ) i la moyee ou la variace. Pour l estimatio de la moyee, o utilise la moyee échatilloale (= estimateur). Pour mesurer la précisio Populatio Processus d equête pour collecter doées relatives à populatio = recesemet Gradeur caractérisat ue populatio = paramètre Moyee = Ecart-type = Proportio = Pour le calcul des probabilités cocerat P X das le cas où 3, P = et X est biomiale à se référer à la loi biomiale! Patricia Fly 7

8 de cet outil, o s itéresse à la variace : plus elle est faible, plus l outil est précis. Avec remise = = Sas remise = plus précis Mais quad la taille de la populatio est ettemet plus élevée que celle de l échatillo, le facteur de correctio (N- sur N-) est très proche de, doc peu importe que l échatilloage se fasse avec ou sas remise, mais utiliser avec remise. Distributio de X lorsque X est ormale = théorème de la ormalité exacte Avec remise σ = X σ Sas remise 9 σ X = σ N N Patricia Fly 8

9 Doc pour trouver ue probabilité, il ous faut : - La moyee de x µ x - La variace de X Var(X) σ ECHANTILLONNAGE AVEC REMISE - et Grads échatillos - Puis - Se référer à la loi ormale mais avec les valeurs de X Distributio de X lorsque est grad >3 = théorème cetral limite 3 (ormale) Itervalle de cofiace pour la moyee x ± marge d erreur (Erreur d Estimatio Maximale) à x ± z α / s s = zα / avec remise X Très semblable au théorème de ormalité exacte sauf que la variable X de départ est pas supposée ormale et peut répodre à importe quelle loi. Quad la taille de l échatillo ted vers l ifii, la distributio de X est ormale (>3 alors ormale) Avec remise σ X ~ N( µ, ) Sas remise σ X ~ N( µ, N ) N INTERVALLES DE CONFIANCES Comme o a pas les doées pour calculer les moyees et variaces exactes, o évalue approximativemet par ue statistique adéquate ommée estimé. Itervalle de cofiace avec remise EEM = s s x zα /, x + zα / pour z, α / predre la valeur du cetile calculé! s zα / avec remise EEM avec remise = INTERVALLE.CONFIANCE.NORMAL(α ; s ; ) a = risque d erreur, s = écart-type O estime doc : Si pas idiqué avec ou sas, faire avec remise Patricia Fly 9

10 - La moyee échatilloalle par - La proportio échatilloale par - La variace échatilloale σ par s ECHANTILLONNAGE SANS REMISE Estimatio poctuelle θ = u paramètre de la distributio de X( µ σ π ) Doc faire ue estimatio poctuelle de θ est faire ue approximatio de θ par l estimé θˆ. Mais le problème : e doe pas d iformatio sur l erreur d estimatio ˆ θ θ (distace etre θˆ et θ ). (doc o met u chapeau pour dire que c est l estimé) Estimatio par itervalle θ = paramètre d ue populatio sur laquelle est défiie ue variable statistique x L itervalle de cofiace est u itervalle [ a, b] (bores aléatoires) qui cotiet la cible avec ue probabilité élevée de α. Niveau de cofiace = Risque d erreur = α α Cetiles de la loi ormale - z = à C α / -a/ - la surface de -a/ sous la foctio de desité N(,) se trouve à gauche de z α / - - z = C α / a/ Itervalle de cofiace sas remise x z α / s N, x + z N α / s N N Doe u itervalle plus petit, car plus précis! Costruire u itervalle de cofiace :. Poser les ifos qu o a :, s, -a, a, etc. Poser les ormes de la loi ormale : X ~ N( µ, σ ) 3. Calculer : a/= z =C α / -a/ 4. =loi.ormale.iverse(cetille ; ;) 5. Créer l itervalle de cofiace (plus haut avec / sas remise) Patricia Fly

11 Petits échatillos (studet) Itervalle de cofiace pour la moyee x ± marge d erreur (Erreur d Estimatio Maximale) à ± t s x α / X Distributio de X lorsque est petit = loi de Studet - variable aléatoire = T - paramètre l = degré de liberté - plus le degré de liberté l augmete, desité de Studet ted vers desité de la loi ormale stadard - distributio det est E ( T ) = ( ) - variace Var( T ) = ( > 3) 3 - foctio de desité est aussi e forme de cloche et est symétrique autour de ; de fortes réalisatios positives ou égatives ot des chaces d être prises par T T ~ Studet( l) Degré de liberté : l = - Cetiles : t α/ : cetile d ordre α / = à C -a/ Itervalle de cofiace avec remise x t s x + t α /, α / s s EEM = t α /. avec remise EEM avec remise = INTERVALLE.CONFIANCE.STUDENT(α ; s ; ) Si pas idiqué avec ou sas, faire avec remise Itervalle de cofiace sas remise x t α / s N, x + t N α / s N N Costruire u itervalle de cofiace :. Poser les ifos qu o a :, s, -a, a,, degré de liberté (-). Calculer : a/= t α/ =C -a/ 3. Calcul du cetile t α/ : 4. =LOI.STUDENT.INVERSE.N(cetille; degré de liberté) 5. Créer l itervalle de cofiace (plus haut avec / sas remise) Patricia Fly

12 Itervalle de cofiace pour la proportio p ± marge d erreur à p ± zα / s 3, π 5 et ( π) 5 p 4a Itervalle de cofiace avec remise p z α / p( p), p + z α / p( p) p( p) s P = = estimé de l écart-type de la proportio échatilloale Itervalle de cofiace sas remise p( p) N p zα /, p + zα / N p( p) N N Costruire u itervalle de cofiace :. Poser les ifos qu o a et détermier p (ceux qui ot la caractéristique/ total). Calculer : a/= t ou z α/ =C -a/ 3. Calcul du cetile t ou z α/ : 6. Petit échatillo =LOI.STUDENT.INVERSE.N(cetille; degré de liberté) et grad échatillo =loi.ormale.iverse(cetille ; ;) 4. Créer l itervalle de cofiace (avec / sas remise) s P = p( p) N N z = cetile d ordre α / de la loi ormale stadard. α / Plus l échatillo est grad, plus l estimatio est précise. O vérifie doc la taille d échatillo miimale pour ue précisio défiie à l avace : :. Estimer s avec u pré-échatillo d ue 3aie de doées. Avec ce s, détermier le défiitif avec les équatios : (calculer Cetile) Patricia Fly

13 Taille de l échatillo (>3) avec remise La taille de l échatillo : s EEM = z α / à Doc : EEM = zα / z s z s α / α / = = EEM EEM pred la valeur supérieure) Plus a dimiue, plus gradit. s (Et si tombe sur chiffre avec virgule, o sas remise La taille de l échatillo : N z s α / = ( N ) EEM + z s α / avec remise 4b 6 5 avec remise. Estimer avec u pré-échatillo d ue 3aie de doées. Avec ce, détermier le défiitif avec les équatios (calculer Cetile) : La taille de l échatillo : p( p) EEM = z α à / EEM p( p) Doc : = z + α / EEM o pred la valeur supérieure) = z α p( p) / (Et si tombe sur chiffre avec virgule, Patricia Fly 3

14 Tests d hypothèse. Affirmatio mise sur la sellette : hypothèse ulle H. Affirmatio cotraire : hypothèse alterative H O accepte de rejeter H que si otre échatillo recueille assez de preuve cotre elle et das ce cas c est H qui est acceptée (mais H est jamais «acceptée», juste coservée. - Outil du test = statistique à S = f ( X, X,..., X ) - S se calcule à partir de l échatillo - La loi L de S lorsque H est vraie est coue - L peut être loi ormale, de studet ou du khi-carré - Si la valeur de S est icompatible avec les réalisatios que la loi L produit, H a des chaces d être fausse - Pour être compatible, la distributio de S doit être das ue zoe de forte desité de L Erreur de première espèce = rejeter H quad H est vraie (à tort) Probabilité de commettre l erreur de première espèce = iveau de sigificatio = α, habituellemet fixé à 5% (si o veut vérifier foctioemet actuel, o peut baisser α à %) Erreur de secode espèce = coserver H à tort, alors qu elle est fausse. Probabilité de commettre cette erreur : β «Les doées récoltées grâce à l échatilloage aléatoire sot-elles compatibles avec ue hypothèse d itérêt faite sur la populatio dot proviet l échatillo?»! Plus α est petit, plus β augmete! Doc, il faut augmeter taille de l échatillo pour réduire β sas que α augmete à o augmete la puissace sas que α augmete! - β = puissace du test et puissace = P(Rejeter H quad H est vraie, à bo esciet). 7 7, 8,9 Probabilité critique / valeur p (p-valeur) de H = degré de cocordace etre H et les doées à dispositio à plus elle est petite, mois H est plausible! Iférieure à 5% : H peu plausible, devrait être rejetée et mois d % : fort rejet de H Patricia Fly 4

15 Procédure classique Procédure modere 7, 4. Détermier variable X. Formuler H et H au iveau de la populatio 3. Choisir le iveau α (arbitrairemet, par ex.5) et calculer Z a (grads échatillos) / t a (petits échatillos) à cetile -a / -a/ pour bilatéral 4. Détermier la zoe de rejet R α 5. Se reseiger sur la statistique du test S à utiliser (coaître la distributio de S sous H ) (S ~ ) 6. Calculer S à partir de l échatillo 7. Rejeter H si S tombe das la zoe de rejet. Détermier variable X. Formuler H et H au iveau de la populatio 3. Se reseiger sur la statistique du test S à utiliser (coaître la distributio de S sous H ) 4. Calculer S 5. Calculer la probabilité critique à partir de S 6. Rejeter H si p-valeur α, coserver H Avatage de la modere : évite tâtoemet et probabilité critique ous doe directemet le plus petit iveau de sigificatio a auquel H serait rejetée. Patricia Fly 5

16 Test sur la moyee 3 faços de ier l hypothèse ulle : H : µ = µ cotre : H : µ < µ µ > µ µ µ (test à gauche) (test à droite) (test bilatéral) Le choix de gauche ou droite déped des circostaces. Si rie e ous permet à priori de détermier das quel ses la moyee s éloige de o fait u test bilatéral. Grads échatillos >3 8 X µ S = S est vraie ~ N(,) de maière approximative lorsque H Test à droite : H : > Probabilité critique : Probabilité critique à droite : =-LOI.NORMALE.N( S ; ; ;) p-valeur = S f ( x) dx et f = desité de N(,) H rejetée au iveau de α si : S Zα ( S R α, DONC R a = [ Zα, [) ou si p-valeur α. Patricia Fly 6

17 Test à gauche : H : < Probabilité critique : S P-valeur = f ( x) dx et f = desité de N(,) H rejetée au iveau de α si : S Zα (S R α, DONC R a = ], Zα ]) ou si p-valeur α. Probabilité critique à gauche : =LOI.NORMALE.N(S ; ; ;) 7 4 Test bilatéral : H à à gauche et à droite Cette fois, ce est plus a mais a/. S peut être égative ou positive, alors o pred la valeur absolue Les deux zoes de rejet sot symétriques. Probabilité critique : S f ( x) dx + f ( x) dx Doc : * S S f ( x) dx, f = desité de N(,) H rejetée au iveau de α si S Zα/ (S R α, DONC R a = ]-, - Zα/ ] [ Zα/, [)ou si p-valeur α. Probabilité critique bilatérale : =*( - loi.ormale.(abs(s ) ; ; ;) ) Patricia Fly 7

18 Petits échatillos S = X µ s S ~ Studet ( ) lorsque H est vraie Zoe de rejet à droite : Surface sous la courbe à droite : P(T l > α) = -F(α) = LOI.STUDENT.DROITE(α ; l) Probabilité critique à droite : Test à droite : H : > Probabilité critique : p-valeur = S f ( x) dx f = desité de studet à - degré de liberté = LOI.STUDENT.DROITE(S ; -) α de liberté p valeur α Distributio de S sous Studet à -degrés H H rejetée au iveau de α si : S tα (S R α, DONC R a = [ tα, [) ou si p-valeur α. t α S α Zoe de rejet Z 7 Test à gauche : H : < Probabilité critique : Zoe de rejet à gauche : Surface sous la courbe à gauche : F(α) = P(T l < α) S P-valeur = f ( x) dx f = desité de studet à - degré de liberté H rejetée au iveau de α si : S tα (S R α, DONC R a = ], tα ]) ou si p-valeur α. Test bilatéral : H à à gauche et à droite =LOI.STUDENT.N(α ;l ;) Probabilité critique à gauche : =LOI.STUDENT.N(S ; - ;) Distributio de S sous Studet à degrés de liberté H Probabilité critique : * f ( x) dx, p-valeur α S t α Z S Zoe de rejet H rejetée au iveau de α si S tα/ (S R α, DONC R a = ]-, - tα/ ] [ tα/, [)ou si p-valeur α. Probabilité critique bilatérale : =*loi.studet.droite(abs(s ) ;-) ) Patricia Fly 8

19 α p-valeur/ α / α/ α / S t α / S t α / Loi de S Studet à Zoe de rejet Zoe de rejet Test sur ue proportio Grad échatillo 3, π 5 et ( π) H : π = π cotre : H : S = π < π π > π π π ( (test à gauche) (test à droite) (test bilatéral) P π ~ N(,) de maière approximative lorsque H est vraie π π ) R a et valeur p sot détermiés comme das le cas des tests de la moyee sur grads échatillos. H est rejetée au iveau α si : test à gauche : R α = ], Zα ] ou valeur p = S f ( x) dx Patricia Fly 9

20 test à droite : R α = [ Zα, [ ou valeur p = S f ( x) dx test bilatéral : R α = ], Zα/ ] [ Zα/, [ ou valeur p = S f ( x) dx ou si p-valeur α! Populatio P P Test sur la différece de deux moyees Cela sert à tester si la moyee d ue populatio est égale, iférieure ou supérieure à la moyee d ue autre populatio. échatillos aléatoires sot tirés, das chaque populatio, puis o compare les deux moyees d échatilloage et : la différece est-elle suffisammet importate pour coclure à différece réelle? Oui à différece = sigificative (structurelle et o due au hasard), discerable. Hypothèses géérales H : H : µ µ = d (d = ombre réel cou) cotre : µ µ < d µ µ > d µ µ d (test à gauche) (test à droite) (test bilatéral) moyee de X µ µ Ecart-type de X σ σ Valeurs icoues au début Echatillo E E Taille ( 3 ) ( 3 ) Moyee x x Ecart-type s s «Différece etre les moyees = valeur test» Patricia Fly

21 Hypothèses fréquetes à d = H : µ = µ ( + = ) H : µ < µ µ > µ µ µ S = X X s (test à gauche) (test à droite) (test bilatéral) s + d S ~ N(,) de maière approximative lorsque H est vraie. R a et valeur p sot détermiés comme das le cas des tests de la moyee sur grads échatillos. Populatio Proportio de «succès» das la populatio P P π π Test sur la différece de deux proportios Cela sert à tester si la proportio des idividus possédat ue certaie caractéristique varie d ue populatio par rapport à ue autre populatio. échatillos aléatoires sot tirés, das chaque populatio et proportios sot comparées. La différece est-elle suffisammet importate pour coclure à différece réelle? à différece = sigificative, discerable. Echatillo E E Taille ( 3 ) ( 3 ) Proportio de «succès» das l échatillo P P Patricia Fly

22 Hypothèses géérales H : π - π = d ou: π = π (d = ombre réel cou, gééralemet ) cotre : π π < d H : π π > d π π d (test à gauche) (test à droite) (test bilatéral) P P d S =, P ( P ) P ( P ) + S ~ N(,) de maière approximative lorsque H est vraie. R a et valeur p sot détermiés comme das le cas des tests de la moyee sur grads échatillos. Patricia Fly

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Opérations sur les variables aléatoires Lois limites

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

Plus en détail

i la moyenne empirique de X n n v =

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

Plus en détail

Convergences et approximations

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

Plus en détail

Estimation par intervalle de confiance

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

Plus en détail

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

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

Plus en détail

Statistiques inférentielles

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Chapitre 6 Théorèmes de convergence

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

Plus en détail

STATISTIQUES - ESTIMATION

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

Plus en détail

Estimation de paramètres

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

Plus en détail

Master Eseec Statistique pour l expertise - partie2

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Introduction aux théorèmes limites et aux intervalles de confiance

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

Plus en détail

Annexe : Leçon 10 - Échantillonnage

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

Plus en détail

Biostatistiques Sciences FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Sciences FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fudp.ac.be/biostats Module 80 80 DISTRIBUTION T DE STUDENT...2 80.1 UTILITE...2 80.2 PRINCIPE...2 80.3 TABLES ET GRAPHIQUES...3 80.4 EXEMPLE...5 17/10/08 Module 80-1 80 Distributio t de Studet 1 80.1

Plus en détail

II - Estimation d'un paramètre par intervalle de confiance

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

Plus en détail

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

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

Plus en détail

1. Notion de «série statistique» 2. VRAI ou FAUX. Corrigé des exercices du chapitre 10 : SECTION «ON S ENTRAÎNE» (P.

1. Notion de «série statistique» 2. VRAI ou FAUX. Corrigé des exercices du chapitre 10 : SECTION «ON S ENTRAÎNE» (P. Corrigé des exercices du chapitre 10 : SECTION «ON S ENTRAÎNE» (P. 351-355) Page 1 1. Notio de «série statistique» Il s agit d ue série de doées recueillies auprès des différetes uités statistiques d u

Plus en détail

CONVERGENCE ET APPROXIMATION

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

Plus en détail

Résumé de statistique inductive

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

Plus en détail

ANOVA avec un facteur aléatoire

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

Plus en détail

Échantillonnage. I Rappels sur les lois usuelles 2

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

Plus en détail

Loi binomiale. Loi de Bernoulli

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

Plus en détail

Chapitre 9 La loi binomiale

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

Plus en détail

Corrigé Fiche 6 Septembre 2016

Corrigé Fiche 6 Septembre 2016 Corrigé Fiche 6 Septembre 2016 1. Estimatio de la moyee, variace coue, cas gaussie O dispose d u -échatillo X 1,..., X i.i.d. tel que X i suit ue loi ormale N µ, σ 2 ). L objectif est d estimer µ. Supposos

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

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

Plus en détail

TD10. Loi des grands nombres, théorème central limite.

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

Plus en détail

Techniques d enquête

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

Plus en détail

Chapitre II: Notions sur les fautes et les erreurs.

Chapitre II: Notions sur les fautes et les erreurs. Chapitre II: Notios sur les fautes et les erreurs. Chapitre II: Notios sur les fautes et les erreurs.. Gééralités Mesurer c'est l'actio de comparer ue gradeur (quatité) par rapport à ue gradeur de même

Plus en détail

MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimanche 15 mars 2009 de 14h00 à 17h00

MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimanche 15 mars 2009 de 14h00 à 17h00 MAT 2080 MÉTHODES STATISTIQUES EXAMEN INTRA HIVER 2009 Date : Dimache 15 mars 2009 de 14h00 à 17h00 INSTRUCTIONS 1. Détachez la feuille-réposes à la fi de ce cahier et iscrivez-y immédiatemet votre om,

Plus en détail

Probabilités générales

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

Plus en détail

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

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

Plus en détail

1 Un peu de vocabulaire

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

Plus en détail

DISTRIBUTIONS D'ECHANTILLONNAGE et INTERVALLES DE VARIATION

DISTRIBUTIONS D'ECHANTILLONNAGE et INTERVALLES DE VARIATION Chapitre 4 DISTRIBUTIONS D'ECHANTILLONNAGE et INTERVALLES DE VARIATION Bases de la statistique iféretielle PLPSTA0 119 Chapitre 4 (suite ) 1. Itroductio. Estimatio d'ue moyee Distributio d'échatilloage

Plus en détail

10ème cours Une variable numérique : indices de localisation

10ème cours Une variable numérique : indices de localisation 10ème cours Ue variable umérique : idices de localisatio Das ce cours, o fait u rappel sur les idices de localisatio, médiae, quatiles et moyee, et o étudie la faço de les utiliser pour comparer les distributios

Plus en détail

Corrigé du baccalauréat ES Asie 23 juin 2016

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

Plus en détail

Calcul des probabilités 2 (M-2.1)

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

Plus en détail

TS Devoir Commun de Mathématiques N 3 Lundi17/11/2014

TS Devoir Commun de Mathématiques N 3 Lundi17/11/2014 TS Devoir Commu de Mathématiques N Ludi7//04 La présetatio, la rédactio et la rigueur des résultats etrerot pour ue part sigificative das l évaluatio de la copie Le sujet est composé de 4 eercices idépedats

Plus en détail

CORRIGE DES EXERCICES : Distributions d'échantillonnage - Intervalles de variation

CORRIGE DES EXERCICES : Distributions d'échantillonnage - Intervalles de variation U.F.R. S.P.S.E. Licece de psychologie L3 PLPSTA0 Bases de la statistique iféretielle UNIVERSITE PARIS X NANTERRE CORRIGE DES EXERCICES : Distributios d'échatilloage - Itervalles de variatio Exercice 1

Plus en détail

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

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

Plus en détail

Éléments de correction de la feuille d exercices # 3

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

Plus en détail

Correction de l exercice 1

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

Plus en détail

EXERCICES de Statistiques

EXERCICES de Statistiques EXERCICES de Statistiques Aette Corpart lycée Jea Zay de Thiers EXERCICES sur la LOI NORMALE La variable aléatoire X suit la loi ormale N ( 12 ; 4 ). Calculer les probabilités suivates : P ( X 15 ) ; P

Plus en détail

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

LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE LA LOI DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE MATTHIEU KOWALSKI 1. INTRODUCTION La démarche statistique cosiste à observer ue expériece aléatoire das le but de mieux coaître ses caractéristiques.

Plus en détail

Convergence en loi. Théorème de la limite centrale.

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

Plus en détail

Corrélation et régression linéaires

Corrélation et régression linéaires Corrélatio et régressio liéaires Corrélatio liéaire Situatio evisagée: u échatillo de sujets, deux variables umériques observées (ou ue variable observée das deux coditios). Doées : X Y s 1 x 1 y 1 s 2

Plus en détail

Cours sur les lois usuelles

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

Plus en détail

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber

Résumé : Probabilités Niveau : Bac Sciences de l informatique Réalisé par : Prof. Benjeddou Saber Résumé : Niveau : Bac Scieces de l iformatique Réalisé par : Prof. Bejeddou Saber Tableau récapitulatif sur le déombremet: Type du tirage : Simultaé Successif sas remise Successif avec remise U tirage

Plus en détail

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3

3.1 Loi de Bernouilli Loi Binomiale Loi géométrique Loi de Pascal (loi négative binomiale)...3 3- Lois de distributio discrètes -1 Chapitre 3 : Lois de distributio discrètes 3.1 Loi de Berouilli...1 3. Loi Biomiale...1 3.3 Loi géométrique... 3.4 Loi de Pascal (loi égative biomiale)...3 3.5 Loi hypergéométrique...4

Plus en détail

Chapitre 7. Tests d hypothèse. Sommaire. 1. Introduction Principe des tests...3

Chapitre 7. Tests d hypothèse. Sommaire. 1. Introduction Principe des tests...3 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (8/0/003) Chapitre 7 Tests d hypothèse Sommaire. Itroductio.. 3. Pricipe des tests......3.. Choix de l hypothèse à tester.4... Hypothèse

Plus en détail

Physique Numérique TP4 Intégration Numérique

Physique Numérique TP4 Intégration Numérique Physique Numérique TP4 Victor Lavi Itroductio Das ce TP, o s itéresse aux méthodes umériques de calcul d itégrales. O étudiera plus précisémet la méthode des trapèzes, e ue et deux dimesios. Das u premier

Plus en détail

ESTIMATION Exercices

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

Plus en détail

Baccalauréat S Centres étrangers 10 juin 2016

Baccalauréat S Centres étrangers 10 juin 2016 Baccalauréat S Cetres étragers 0 jui 206 Exercice I (4 poits) Pour chacue des quatre affirmatios suivates, idiquer si elle est vraie ou fausse, e justifiat la répose. il est attribué u poit par répose

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Centres étrangers Enseignement spécifique. Corrigé

Centres étrangers Enseignement spécifique. Corrigé EXERCICE 1 Partie A Cetres étragers 13. Eseigemet spécifique. Corrigé 1) La durée de vie moyee d ue vae est l espérace de la variable aléatoire T. O sait que l espérace de la loi expoetielle de paramètre

Plus en détail

Chapitre 1 : Statistique descriptive univariée

Chapitre 1 : Statistique descriptive univariée Biostatistiques Licece Chapitre : Statistique descriptive uivariée Itroductio Statistique : esemble de méthodes scietifiques destiées à la collecte, la présetatio et l aalyse de doées. Jeux de doées Applicatio

Plus en détail

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i }

Z = 1 4i. z = On multiplie par le conjugué du dénominateur S = 5. = b + i. z 2 = z 1. 2 = 3 i 2. = 6 + 2i 4. { 3 + i. 2 ; 3 i } Nom :........................ DS Préom :..................... Devoir o 7 Mars 6.../... Le soi et la rédactio serot pris e compte das la otatio. Faites des phrases claires et précises. Le barème est approximatif.

Plus en détail

Corrigé du DS n 1. Exercice 1 (6 points)

Corrigé du DS n 1. Exercice 1 (6 points) Exercice 1 (6 poits) Corrigé du DS 1 Das cet exercice, les probabilités demadées serot doées sous forme décimale, évetuellemet arrodies à 10 - près. Lors d ue equête réalisée par l ifirmière auprès d élèves

Plus en détail

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

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

Plus en détail

ANOVA Analyse de la Variance

ANOVA Analyse de la Variance Chapitre 8 ANOVA Aalyse de la Variace. Obectif de la méthode Chap 8.. Obectif de la méthode. Approche ituitive 3. Décompositio de la variace 4. ANOVA: le test et le modèle statistique sous-acet O s itéresse

Plus en détail

Tests statistiques en pratique

Tests statistiques en pratique Tet tatitique e pratique Tet du Chi- et de Studet pour érie o appariée Loïc Dequilbet Départemet de Sciece Biologique et Pharmaceutique Ecole Natioale Vétériaire d Alfort loic.dequilbet@vet-alfort,fr Module

Plus en détail

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ Pla du cours 3 RFIDEC cours 3 : Itervalles de cofiace, tests d hypothèses, loi du χ Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Itervalles de cofiace Tests d hypothèses 3 La loi du χ Itervalles

Plus en détail

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

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

Plus en détail

Éléments de probabilités

Éléments de probabilités Chapitre 1 Élémets de probabilités 1.1 Notio d expériece aléatoire Défiitio 1 Ue expériece, dot o coait les issues possibles, est appelé expériece aléatoire s il est impossible de savoir à l avace quelle

Plus en détail

LES STATISTIQUES DESCRIPTIVES

LES STATISTIQUES DESCRIPTIVES Chapitre 1 LES STATISTIQUES DESCRIPTIVES A. Statistiques a ue variable 1. Vocabulaire de la statistique U esemble d objets ou de persoes d ue étude statistique est appelé populatio. U élémet de cette populatio

Plus en détail

Distributions d échantillonage

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

Plus en détail

BASES DE LA STATISTIQUE INFERENTIELLE

BASES DE LA STATISTIQUE INFERENTIELLE Polytech Paris-UPMC Probabilités-statistiques Chapitre 4 BASES DE LA STATISTIQUE INFERENTIELLE Ue equête statistique est ue étude gééralemet réalisée sur u petit groupe d objets, d uités, de persoes que

Plus en détail

MAP 311: Aléatoire PC 8 Marc Lelarge 20 juin 2016

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

Plus en détail

. En déduire la limite de f 1 en +. F 1 (x) = e 2 2 4

. En déduire la limite de f 1 en +. F 1 (x) = e 2 2 4 Atilles-Guyae septembre 5 EXERCICE 6 POINTS Commu à tous les cadidats 6 poits Soit u etier aturel o ul. O cosidère la foctio f défiie et dérivable sur l esemble des ombres réels par f (x) = x e x O ote

Plus en détail

Divers exercices de probabilité

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

Plus en détail

Corrigé : EM Lyon 2005

Corrigé : EM Lyon 2005 Corrigé : EM Lyo 5 Optio écoomique Eercice :. Par défiitio de E, la famille (I,J,K) est ue famille géératrice de E. Cette famille est-elle libre? O cherche tous les réels a, b et c tels que : ai +bj +ck

Plus en détail

Amérique du Nord. Terminale S mai 2014

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

Plus en détail

Quelques notions élementaires de probabilités et statistiques

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

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 0-03 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5. Pricipe des tests 6.a. Méthodologie

Plus en détail

C.1- Lois discrètes- Loi uniforme

C.1- Lois discrètes- Loi uniforme C- Lois usuelles C.1- Lois discrètes- Loi uiforme Loi d ue variable aléatoire X preat ses valeurs das {1,,} avec la même probabilité: 1 P ( X = x ) = x {1,,... } Ex : E=«lacer d u dé régulier» X=uméro

Plus en détail

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

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

Plus en détail

Statistiques à deux variables

Statistiques à deux variables Statistiques à deux variables. Approche des séries statistiques à deux variables.. Nuage de poits Sur ue classe de BTSA, le professeur a relevé les moyees de élèves e mathématiques et e agroomie. Les otes

Plus en détail

Covariance et ajustement affine par la méthode des moindres carrés

Covariance et ajustement affine par la méthode des moindres carrés Uiversité de Poitiers - 205-206 A. Moreau Algèbre - Géométrie M MEEF Covariace et ajustemet affie par la méthode des moidres carrés Das tout le documet, la lettre désige u etier aturel o ul. Les deux parties

Plus en détail

IREM Martine Quinio. 5 février 2013

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

Plus en détail

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

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

Plus en détail

Intervalles de confiance

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

Plus en détail

Proposition : la droite d équation «y= 4» est asymptote horizontale à la courbe de f en. . Calculer : a) lim f( x) h( x) xlim

Proposition : la droite d équation «y= 4» est asymptote horizontale à la courbe de f en. . Calculer : a) lim f( x) h( x) xlim NOM : Termiale S- ABC S3 ludi ovembre 06 La présetatio, la rédactio et la rigueur des résultats etrerot pour ue part sigificative das l évaluatio de la copie. Le sujet est composé de 5 eercices idépedats.

Plus en détail

Estimation Intervalle de Confiance

Estimation Intervalle de Confiance Estimatio Itervalle de Cofiace Pr Roch Giorgi roch.giorgi@uiv-amu.fr SESSTIM, Faculté de Médecie, Aix-Marseille Uiversité, Marseille, Frace http://sesstim-orspaca.org Itroductio Coaître des valeurs de

Plus en détail

Utilisation en modélisation. Régression linéaire

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

Plus en détail

Autour de la loi de Poisson

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

Plus en détail

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

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

Plus en détail

Intervalle de confiance - Données censurées

Intervalle de confiance - Données censurées Itervalle de cofiace - Doées cesurées Durées de vie expoetielles: Echatillo complet Supposos que ous avos eregistré u échatillo complet de durées de vie T,T 2,,T qui sot i.i.d. suivat ue expoetielle dot

Plus en détail

B E et Bi Bj pour i j et si A est un evenement de E alors p(a) p(a B ) p(a B )... p(a B ) p(b ) p(a /B ) p(b ) p(a /B )... p(b ) p(a /B ).

B E et Bi Bj pour i j et si A est un evenement de E alors p(a) p(a B ) p(a B )... p(a B ) p(b ) p(a /B ) p(b ) p(a /B )... p(b ) p(a /B ). Rappel : (E,p(E),p) est u espace probabilisé fii. O a: p(e), p( ), p(a) p(a), p(a B) p(a) p(b) p(a B) Probabilité coditioelle : A et B sot deux évèemets tels que p(b). p(a B) p(a / B) et doc p(a B) p(b)

Plus en détail

IICT BAS еissn: Lecture Notes in Computer Science and Technologies. Statistique inférentielle. Vera Angelova. eisbn:

IICT BAS еissn: Lecture Notes in Computer Science and Technologies. Statistique inférentielle. Vera Angelova. eisbn: IICT BAS еissn: 367-8666 Lecture Notes i Computer Sciece ad Techologies Statistique iféretielle Vera Agelova eisbn: 978-619-730-00-8 The series Lectures Notes i Computer Sciece ad Techologies of the Istitute

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont autorisées. * * * SESSION 006 EPREUVE SPECIIQUE ILIERE MP MATHEMATIQUES Durée : 4 heures Les calculatrices sot autorisées * * * NB : Le cadidat attachera la plus grade importace à la clarté, à la précisio et à la cocisio

Plus en détail

Séance 5 : Exercices récapitulatifs sur l estimation ponctuelle

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

Plus en détail

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques

CHAPITRE 2 : Estimation non-paramétrique 1. Estimateurs empiriques CHAPITRE 2 : Estimatio o-paramétrique 1. Estimateurs empiriques Soit u échatillo i.i.d. de durées T i i1,..., de foctio de survie S Défiitio: L estimateur empirique de la foctio de survie est S x 1 i1

Plus en détail

Exercices sur le chapitre «Variables aléatoires»

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

Plus en détail