PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

Dimension: px
Commencer à balayer dès la page:

Download "PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION"

Transcription

1 Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1

2 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats obteus sur échatillo à la populatio) 2

3 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 1- LA LOI DES GRANDS NOMBRES Exemple: Lacer d ue pièce équilibrée 10 lacers idépedats fréquece de Pile = 3 10 Nombre de lacers deviet de plus e plus grad fréquece de Pile «coverge» vers 1 2 F p 3

4 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 1- LA LOI DES GRANDS NOMBRES F statistique p probabiliste La loi des grads ombres relie la Statistique aux Probabilités 4

5 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 1- LA LOI DES GRANDS NOMBRES Loi des grads ombres: si des v.a. X 1,,X, suivet des lois de Beroulli idépedates et de même paramètre p alors F X1... X p F sera cosidérée comme u estimateur de p 5

6 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 1- LA LOI DES GRANDS NOMBRES Loi des grads ombres (gééralisatio): si des v.a. X 1,,X, sot idépedates et de même loi et si E(X 1 ) existe alors: X X 1... X E( X ) 1 Coséquece: X est u estimateur de EX1 ( ) 6

7 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 2- LE THEOREME CENTRAL LIMITE Si les v.a. X 1,,X sot idépedates de lois de Beroulli B(p) alors S = X 1 + +X suit ue loi B(, p). Doc: E( S ) p et V( S ) p(1 p) De plus, S p p(1 p) N(0,1) si 0,03 (Théorème de Moivre-Laplace) 0,025 0,02 0,015 0,01 0,

8 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 2- LE THEOREME CENTRAL LIMITE Coditios de l approximatio E pratique o cosidère que l approximatio d ue loi Biomiale par ue loi Normale est satisfaisate si les coditios suivates sot réuies: 30, p 5, (1-p) 5 8

9 DEUX RESULTATS FONDAMENTAUX EN PROBABILITES 2- LE THEOREME CENTRAL LIMITE S p p(1 p) N(0,1) si F p p(1 p) N(0,1) si Gééralisatio: Si les v.a. X 1,,X sot idépedates et de même loi et si V(X 1 ) existe alors: S E( X1) N(0,1) si (T.C.L) V( X ) 1 9

10 STATISTIQUE INFERENTIELLE Populatio Proportio p Echatilloage (paramètre p cou) Echatillo Fréquece f Estimatio (paramètre p icou) Ex: p proportio d idividus possédat u smartphoe 10

11 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE / ESTIMATION Théorie de l échatilloage : coaissat les propriétés d ue populatio, détermier les propriétés d échatillos prélevés das la populatio. Itervalle de fluctuatio Théorie de l estimatio : o dispose de reseigemets sur u échatillo et o cherche à e déduire des iformatios sur la populatio totale. Estimatio poctuelle Estimatio par itervalle de cofiace 11

12 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE Théorie de l échatilloage : coaissat les propriétés d ue populatio, détermier les propriétés d échatillos prélevés das la populatio. Itervalle de fluctuatio Populatio de taille N: idividus possédat u téléphoe portable Das cette populatio o sait que l o a ue proportio p d idividus qui possèdet u smartphoe Populatio Proportio p p cou N idividus 12

13 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE Si l o prélève u échatillo, de taille, das cette populatio S ombre d idividus das l échatillo possédat u smartphoe S suit la loi B (, p) Si 30, p 5, (1-p) 5 alors (TCL) S p p(1 p) S suit approximativemet la loi N (0,1) suit approximativemet ue loi N (p, p(1-p)) Exemple: échatillo de taille =600, p=0,4 alors S600 suit approximativemet ue loi N(240,144) 13

14 Soit F STATISTIQUE S INFERENTIELLE ECHANTILLONNAGE la fréquece des idividus possédat u smarphoe das u échatillo Sur u échatillo particulier F va predre ue valeur f Echatillo1 Populatio Proportio p Fréquece f 1 Echatillo 2 Fréquece f 2... Echatillos O chage d échatillo, f chage : c est la fluctuatio d échatilloage 14

15 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE F Variable aléatoire Echatillo f ombre réel apparteat à [0,1] 15

16 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE Si 30, p 5, (1-p) 5 alors F suit approximativemet la loi N p(1- p) ( p, ) F p p(1 p) suit approximativemet la loi N (0,1) Exemple: F100 0,40 F100 0,40 0, 40(1 0, 40) 0,02 suit approximativemet la loi N (0,1)

17 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE Si o se doe u seuil 1-a (par exemple 0,95 ou 0,90 ) O cherche das la table de la loi N (0,1) le ombre u a tel que O e déduit P( u F p u p(1 p) ) 1 a a a p(1 p) p(1 p) P( p u F p u ) 1 a a a L itervalle de fluctuatio (d échatilloage) est doc au seuil 1-a : p(1 p) p(1 p) p ua, p ua 17

18 STATISTIQUE INFERENTIELLE ECHANTILLONNAGE rappel Exemple p(1 p) p(1 p) p ua, p ua 0,400,60 0,400,60 0, 40 1,96, 0, 40 1, ,3608 ; 0,4392 Ce qui sigifie: Si das ue populatio possédat u téléphoe portable o sait qu il y a 40% d idividus qui possèdet u smartphoe: e preat u échatillo (quelcoque) de 600 idividus, o a 95 chaces sur 100 que la fréquece de ceux qui possèdet u smartphoe soit comprise etre 36% et 44% 95% des échatillos serot tels qu il y ait etre 36% et 44% d idividus qui possèderot u smartphoe 18

19 STATISTIQUE INFERENTIELLE ESTIMATION Théorie de l estimatio : o dispose de reseigemets sur u échatillo et o cherche à e déduire des iformatios sur la populatio totale. Estimatio poctuelle Estimatio par itervalle de cofiace Populatio de taille N idividus possédat u téléphoe portable Populatio Proportio p p icou Das cette populatio o e coait pas la proportio p d idividus possédat u smartphoe 19

20 STATISTIQUE INFERENTIELLE ESTIMATION Soit F S la fréquece des idividus possédat u smartphoe das u échatillo Nous sommes ecore das les coditios 30, p 5, (1-p) 5 P( u F p u p(1 p) ) 1 a a a p(1 p) p(1 p) P( F u p F u ) 1 a a a Problème!!! 20

21 STATISTIQUE INFERENTIELLE ESTIMATION p(1 p) 1 Comme O e déduit P( F u p F u ) a a a Disposat d u échatillo observé, o dira qu u itervalle de cofiace, au iveau de cofiace 1-a, pour p est doé par : ff uau p; f u a f ua a Remarque: u itervalle de cofiace est pas aléatoire, il est «certai» 21

22 STATISTIQUE INFERENTIELLE ESTIMATION Ne jamais écrire: 1 1 P( f u p f u ) a a a Ceci a aucu ses!!! 22

23 STATISTIQUE INFERENTIELLE ESTIMATION Itervalle de cofiace pour p au iveau de cofiace de 1- a ff uau p; f u a f ua a Par exemple au iveau de cofiace de 0,95, l itervalle de cofiace pour p sera approximativemet: 1 1 f 1 p f 1 f ; f (1,96 2) 23

24 STATISTIQUE INFERENTIELLE ESTIMATION Exemple : échatillo de taille =600 sur lequel f = 0,3 f 1 1 ; f C est à dire: [0,26 ; 0,34], avec u iveau de cofiace de plus de 95% p est-il das l itervalle de cofiace??? 24

25 STATISTIQUE INFERENTIELLE ESTIMATION Itervalles de cofiace (à 95%) Proportio p Fréquece f 1 a b 1, 1 p icou... Fréquece f 2 Fréquece f k a2, b2... a, b k k Au mois 95% des itervalles vot coteir p 25

26 STATISTIQUE INFERENTIELLE ESTIMATION Commet détermier la taille d u échatillo? L itervalle de cofiace (au iveau de cofiace 1- a ) f f u au ; p f u a f ua a ous idique que 2u a 1 2 u est l amplitude de l itervalle a 1 est la précisio pour p 2 Coclusio : Si l o se doe ue précisio d sur p alors u 2 a /2 2 4d 26

27 STATISTIQUE INFERENTIELLE ESTIMATION Exemple : o devra iterroger 2 2 ua /2 1, d 4 (0,03) persoes possédat téléphoe portable pour estimer le pourcetage p de ceux qui possèdet u smartphoe avec ue précisio de 3% au iveau de cofiace de 95% 27

28 Comme est grad, STATISTIQUE INFERENTIELLE ESTIMATION u et 2 u a a sot très petits, l itervalle de cofiace se réduit alors à: f (1 f ) f (1 f ) f ua ; f ua Exemple: échatillo de taille =600 sur lequel f = 0,3 alors 0,263<p<0,337 au iveau de cofiace 95%. Itervalle plus étroit que précédemmet! 28

29 APPLICATIONS 29

30 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Objectif: Détermier la cosommatio d u véhicule à partir de certaies caractéristiques (puissace, poids, logueur ) 30

31 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Le modèle: Y a0 a1 X1 a2 X2 a3 X3 a4 X4 a5 X5 a6 X6 a7 X7 Y est la cosommatio du véhicule (e l/100km) X puissace X vitesse max X poids X logueur X largeur X volume du coffre X prix résidu aléatoire 31

32 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Le but est d estimer poctuellemet et par itervalle de cofiace les paramètres du modèle sous l hypothèse de Normalité et d idépedace des résidus. 32

33 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Nous disposos d u échatillo de 28 véhicules (u extrait des doées figure das le tableau suivat) Modèle Puissace Vitesse max Poids Logueur Largeur Coffre Prix Cosom Citroe C ,44 1, ,2 4,5 Smart Fortwo ,7 1, ,7 4,2 Nisa Micra ,78 1, Reault Clio ,06 1, ,8 3,6 Peugeot ,5 1, ,35 5,3 Peugeot ,69 2, ,45 4,9 Mercedes C ,59 1, ,7 5,3 BMW ,7 1, ,75 5,1 Jaguar XF ,9 1, ,5 5,4 BMW AH ,89 1, ,5 6,4 33

34 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Matrice des corrélatios Puissace Vitesse max Poids Logueur Largeu r Coffre Pri x Cosom Puissace 1,00 Vitesse max 0,89 1,00 Poids 0,79 0,78 1,00 Logueur 0,60 0,72 0,89 1,00 Largeur 0,41 0,52 0,74 0,80 1,00 Coffre 0,32 0,39 0,71 0,77 0,62 1,00 Prix 0,96 0,84 0,86 0,66 0,44 0,40 Cosom 0,72 0,63 0,57 0,41 0,34 0,27 1,0 0 0,6 3 1,00 34

35 1- ETUDE DE LA CONSOMMATION D UN VEHICULE puiss moy puiss vit max moy vit max Cosom 5,65 0,34 0, 287 puiss vit max poids moy poids log moy log larg moy l arg 0,152 0,047 0,042 poids log l arg coffre moy coffre puiss moy prix 0,09 0,316 prix coffre prix 35

36 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Prévisio de la cosommatio d u véhicule à partir du modèle: Cosom 2,81 0, puiss 0, vit max 0, poids 0, 09 log 0, 42 larg 0, coffre 0, 013 prix Le modèle cotiet les estimatios poctuelles des paramètres 36

37 1- ETUDE DE LA CONSOMMATION D UN VEHICULE Les itervalles de cofiace pour les paramètres du modèle sot : (au iveau de cofiace de 0,95) Pour a1 Pour a2 Pour a [0,0002-0,0006] Pour a4 [0,08-0,10] 3 [0,0028-0,0048] [0,0091-0,0154] Pour a [-0,44; -0,40] Pour a6 [-0,00012;-0,023] 5 Pour a 7 [0,012-0,014] 37

38 2- PREVISION D UNE SERIE TEMPORELLE Objectif: Détermier la prévisio de la puissace électrique (e millios de Kwh) cosommée mesuellemet pour l éclairage des rues et des routes pour l aée

39 2- PREVISION D UNE SERIE TEMPORELLE Observatio mesuelle de la cosommatio de 2005 à

40 2- PREVISION D UNE SERIE TEMPORELLE 40

41 2- PREVISION D UNE SERIE TEMPORELLE ) Le modèle utilisé est u SARIMA 12 0, 0,5) 0,1,1 ) B ) X t 2, ,0880B 1,1012 B 1,0204 B 0,8088B 0,5005B ) 12 10,23B ) t où suit ue loi Normale N (0 ; 10,51) t 41

42 2- PREVISION D UNE SERIE TEMPORELLE 42

43 2- PREVISION D UNE SERIE TEMPORELLE 43

44 3- ETUDE D UN CREDIT SCORING Objectif: Etablir le profil de risque d u demadeur de crédit 44

45 3- ETUDE D UN CREDIT SCORING Critères (variables exogèes) - âge - catégorie socio-professioelle - statut familial - ombre d efats - reveu - capacité de remboursemet - défauts de remboursemet sur des prêts atérieurs ou e cours - ombres de prêts atérieurs -.. (o cosidère k critères) 45

46 3- ETUDE D UN CREDIT SCORING Y est ue variable biaire 1 si défaut de paiemet 0 sio Pour ue certaie valeur des variables exogèes o ote par p(x) la probabilité que Y =1 p( x1, x2,..., xk ) PX 1x1,..., X ( 1) kx Y k x 46

47 3- ETUDE D UN CREDIT SCORING Le modèle utilisé est u modèle de régressio logistique p( x, x,..., x ) 1 2 x k a0 a1x 1 akxk) a a x a x ) exp... 1 exp k k ) p x l a0 a1x 1... akx 1 px ( ) k But: estimer les paramètres a0, a1,..., ak du modèle 47

48 3- ETUDE D UN CREDIT SCORING Nous disposos d u échatillo de 2300 empruteurs Echatillo d appretissage 1150 empruteurs 2/3 de bos empruteurs 1/3 de mauvais empruteurs Echatillo test 1150 empruteurs (sert à tester le modèle) (sert à établir le modèle) 48

49 3- ETUDE D UN CREDIT SCORING Les variables exogèes sigificatives sot les suivates - Temps d attete (TIME) - Nombre de prêts atérieurs (NBPANT) - Degré de ratioemet (DEGRAT) - Coditios fiacières (RATIO) - Taux d itérêt aualisé ( TXINT) p l ,1TXINT 19,8RATIO 1,08 DEGRAT 0,7NBPANT 0,04TIME 1 p 49

50 3- ETUDE D UN CREDIT SCORING p l ,1TXINT 19,8RATIO 1,08 DEGRAT 0,7NBPANT 0,04TIME 1 p Exemple: TIME= 10 NBPANT= 2 DEGRAT=0 RATIO= 32% TXINT= 10% Probabilité de défaut est estimée à 0,48 50

51 3- ETUDE D UN CREDIT SCORING E preat u «poit de coupure» à 0,5 sur l échatillo test o prédit correctemet 74,7% des cas (doc 25,3% de mauvaises prédictios) 51

52 Statistique -Probabilités : gestio des risques Assurace-actuariat (tarifs - clietèles- risques) Fiace (baques, assuraces, sociétés fiacières, cabiet de coseil) Files d attetes Gestio de stock Sodages - marketig Cotrôle de fabricatio-cotrôle qualité Fiabilité Prévisios 52

53 Actuariat Coceptio de produits. Défiitio de produits : aalyser les risques défiir les garaties élaborer les lois probabilité (mortalité siistre) cocevoir les tarifs et les ormes défiir les méthodes de calcul et les procédures - prévoir les résultats. Adaptatio de produits : cocevoir les outils d aalyse réaliser les études techiques sur le portefeuille - évaluer l évolutio des risques proposer des adaptatios e termes de tarificatio et/ ou de garaties évaluer l évolutio des résultats. Marketig : cibler les produits segmeter la clietèle. 53

54 Actuariat Gestio de bila/fiace. Comptes : défiir les méthodes d élaboratio des comptes mettre aux ormes les comptes réaliser et suivre les comptes mesuels provisioer les egagemets. Cotrôle de gestio : élaborer des modèles de retabilité faire des études de retabilité aalyser la retabilité cotrôler les prévisios de résultats. Actif / passif : suivre l évolutio des provisios mathématiques évaluer les fods propres suivre les placemets réaliser des scéarios de résultats proposer des stratégies de gestio, aalyser les risques. Etudes: aalyser les tedaces des différets marchés évaluer les portefeuilles cocevoir des systèmes de pilotage cocevoir des modèles de prévisio 54

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

Plus en détail

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates Ae.Philippe@uiv-ates.fr 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

ÉCHANTILLONNAGE ESTIMATION

ÉCHANTILLONNAGE ESTIMATION Chapitre 16 ÉCHANTILLONNAGE ESTIMATION Vous vous ferez estimer e supportat les ijustices. Cicéro 1 ÉCHANTILLONNAGE 1.1 Itroductio O cosidère ue populatio (par exemple la populatio fraçaise) et u certai

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a.

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a. Échatilloage 9 Pour repredre cotact Les réposes exactes sot : Répose c. Répose a. Répose c. 3 Répose a. 4 Répose b. Répose c. Activité. La populatio étudiée est la productio d automobiles. Le caractère

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES VARIABLES ALEATOIRES TABLE DES MATIÈRES. Loi de probabilité.. Exemple... Calcul de probabilités sur u uivers Ω... Variable aléatoire à valeurs réelles...3. Probabilité image défiie par ue variable aléatoire..4.

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

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

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

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

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

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

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

Notions de base pour l analyse d un tableau de contingence

Notions de base pour l analyse d un tableau de contingence Uiversité de Bordeaux - Master MIMSE - 2ème aée Notios de base pour l aalyse d u tableau de cotigece Marie Chavet http://wwwmathu-bordeauxfr/ machave/ 204-205 Notatios et défiitios U tableau de cotigece

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Estimation par intervalle de confiance

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

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information.

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information. BACCALAURÉAT TECHNOLOGIQUE STG Spécialités : Mercatique, Comptabilité et Fiace d Etreprise, Gestio des systèmes d iformatio. SESSION 2012 ÉPREUVE DE MATHÉMATIQUES Mercatique, comptabilité et fiace d etreprise

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

Exercices - Lois discrètes usuelles : corrigé

Exercices - Lois discrètes usuelles : corrigé www.almohadiss.com Exercice - Avio - L2/Prépa Hec - O ote X la variable aléatoire du ombre de moteurs de A qui tombet e pae, et Y la variable aléatoire du ombre de moteurs de B qui tombet e pae. X suit

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire Séquece 9 Lois ormales, itervalle de fluctuatio, estimatio Sommaire 1. Prérequis. Lois ormales 3. Itervalles de fluctuatio 4. Estimatio 5. Sythèse de la séquece Séquece 9 MA0 1 Ced - Académie e lige Das

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

Formulaire de statistiques

Formulaire de statistiques Formulaire de statistiques E. Depiereux G. Vicke B. De Hertogh Javier 009 Formulaire de statistiques I. Statistiques descriptives : Moyee arithmétique : (populatio: m x = µ) (échatillo = x = M x ) 1 i

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

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

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

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

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3.

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3. T ale S Correctio Exercices type bac de Probabilités. Mars Exercice : Ue ure cotiet au départ 0 boules blaches et 0 boules oires idiscerables au toucher. O tire au hasard ue boule de l ure : Si la boule

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

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

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

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

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1 1 Statistique iferetielle. Relatios Iteratioales Lucya Firlej Pl. E.Bataillo, Bat.11, cc.06 34095 Motpellier cedex 5 Frace lucya.firlej@umotpellier.fr S3. Statistics. 30 h d eseigemet: 10 cours, 10 TD,

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Questions Chapitre 2 L approche statistique de la réalité 1

Questions Chapitre 2 L approche statistique de la réalité 1 Questios Chapitre 2 L approche statistique de la réalité 1 Expliquer la otio de variable et défiir les différets types de variables Décrire les échelles de classificatio et trasformer les doées pour passer

Plus en détail

CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE

CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE J. 3 398 CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE ANNÉE 04 ÉPREUVE ÉCRITE D ADMISSIBILITÉ N 3 Durée : 3 heures

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé :

Le montant des intérêts acquis est la différence entre la valeur acquise et le capital placé : http://maths-scieces.fr OPÉRATIONS FINANIÈRES A INTÉRÊTS OMPOSÉS I) Itérêts et valeur acquise Défiitio U capital est placé à itérêts composés lorsque le motat des itérêts produits à la fi de chaque période

Plus en détail

Mathématiques : statistiques et simulation

Mathématiques : statistiques et simulation PAF Amies - Eseigemet des Mathématiques : Statistiques et simulatio 8 javier 0 Uiversité de Picardie Jules Vere 0-0 UFR des Scieces - LAMFA CNRS UMR 640 PAF Amies - Formatio Eseigemet des Mathématiques

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

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

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

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

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

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

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

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

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Commet utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Survol du compte Mauvie U La majorité des Caadies gèret leurs fiaces comme suit : 1. Ils déposet leur reveu et autres actifs à court

Plus en détail

Intervalles de fluctuations et intervalles de confiance

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

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

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

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

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

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS LES PREVISIONS DES CONSOMMATIONS Les logiciels utilisés pour la gestio des stocks itègret de ombreuses foctios de calcul. L ue des plus importates est l exécutio des prévisios des cosommatios futures d

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos

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

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

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

Plus en détail

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

EPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)

EPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) CYCLE DESS-A 02 JUILLET 200 20 ème Promotio 200 / 202 CONCOURS D ENTREE A L IIA EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 2 h 00 (Heure de Yaoudé, TU + ) Le cadidat traitera au choix l ue des

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités.

PROBABILITÉS. A cette expérience aléatoire, on associe l ensemble des résultats possibles appelé univers. Ses éléments sont appelés éventualités. PROBABILITÉS I. PROBABILITÉS ( RAPPELS) a. Expérieces aléatoires et modèles Le lacer d ue pièce de moaie, le lacer d u dé sot des expérieces aléatoires, car avat de les effectuer, o e peut pas prévoir

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

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

le billet vert Autocall EUR/USD investir n Profiter d une possible appréciation du dollar américain

le billet vert Autocall EUR/USD investir n Profiter d une possible appréciation du dollar américain ivestir Autocall EUR/USD Feu vert pour le billet vert Profiter d ue possible appréciatio du dollar américai U coupo uique évetuel de 8% brut la 1 re aée à 40% brut la 5 e aée U capital garati à 100% à

Plus en détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux 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

Lois normales et autres lois dérivées

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

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail