PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS
|
|
- Yvonne Delorme
- il y a 8 ans
- Total affichages :
Transcription
1 PRINCIPALES DISTRIBUTIONS DE PROBABILITÉS INTRODUCTION De ombreuses situatios pratiques peuvet être modélisées à l aide de variables aléatoires qui sot régies par des lois spécifiques. Il importe doc d étudier ces modèles probabilistes qui pourrot ous permettre par la suite d aalyser les fluctuatios de certais phéomèes e évaluat, par exemple, les probabilités que tel évéemet ou tel résultat soit observé. La coaissace de ces lois théoriques possède plusieurs avatages sur le pla pratique : Les observatios d u phéomèe particulier peuvet être remplacées par l expressio aalytique de la loi où figure u ombre restreit de paramètres (1 ou, raremet plus). La loi théorique agit comme modèle (idéalisatio) et permet aisi de réduire les irrégularités de la distributio empirique. Ces irrégularités sot souvet iexplicables et provieet de fluctuatios d échatilloage, d imprécisio d appareils de mesure ou de tout autre facteur icotrôlé ou icotrôlable. Des tables de probabilités ot été élaborées pour les lois les plus importates. Elles simplifiet cosidérablemet les calculs. Ce cours présete trois distributios discrètes : la distributio biomiale, la distributio géométrique et la distributio de Poisso. Puis il aborde deux distributios cotiues : la distributio expoetielle et la distributio ormale. Il importe de bie compredre quelles sot les situatios cocrètes que l o peut modéliser à l aide de ces distributios. Vieet efi trois distributios théoriques dot la foctio est pas de modéliser mais de servir d outils das les problèmes d estimatio et de test. 1. DISTRIBUTION BINOMIALE ( distributio discrète fiie) 1.1. VARIABLE DE BERNOULLI OU VARIABLE INDICATRICE Défiitio : Ue variable aléatoire discrète qui e pred que les valeurs 1 et 0 avec les probabilités respectives p et q = 1- p est appelée variable de BERNOULLI. Exemple : Ue ure cotiet deux boules rouges et trois boules vertes. O tire ue boule de l ure. La variable aléatoire X = ombre de boules rouges tirées est ue variable de Beroulli. O a : P(X = 1) = /5 = p P(X = 0) = 3/5 = q J-P LENOIR Page 37
2 Plus gééralemet, o utilisera ue variable de Beroulli lorsqu o effectue ue épreuve qui a que deux issues : le succès ou l échec. Ue telle expériece est alors appelée épreuve de Beroulli. O affecte alors 1 à la variable e cas de succès et 0 e cas d échec Distributio de probabilités x 0 1 f(x) = p(x = x) q p Paramètres de la distributio E(X) = 0.q + 1.p = p. V(X) = E(X ) - E(X) = (0 q + 1 p) - p = p - p = pq. E(X) = p V(X) = pq 1.. DISTRIBUTION BINOMIALE Situatio cocrète a) O effectue ue épreuve de Beroulli. Elle a doc que deux issues : le succès avec ue probabilité p ou l échec avec ue probabilité q. b) O répète fois cette épreuve. c) Les épreuves sot idépedates etre elles, ce qui sigifie que la probabilité de réalisatio de l évéemet «succès» est la même à chaque épreuve et est toujours égale à p. Das cette situatio, o s itéresse à la variable X = ombre de succès au cours des épreuves Distributio de probabilités Appelos X i les variables de Beroulli associées à chaque épreuve. Si la i ème épreuve doe u succès X i vaut 1. Das le cas cotraire X i vaut 0. La somme de ces variables comptabilise doc le ombre de succès au cours des épreuves. O a doc : X = X 1 + X X. X peut predre ( + 1) valeurs : 0,1,...,. Cherchos la probabilité d obteir k succès, c est-à-dire p(x = k ). La probabilité d'avoir k succès suivis de (-k) échecs est p k q k sot idépedats les us des autres. car ces résultats J-P LENOIR Page 38
3 La probabilité d'avoir k succès et (-k) échecs das u autre ordre de réalisatio est toujours p k q k. Doc tous les évéemets élémetaires qui composet l évéemet (X =k) ot même probabilité. J-P LENOIR Page 39
4 Combie y e a-t-il? Autat que de faços d ordoer les k succès par rapport aux (-k) échecs? Il suffit de choisir les k places des succès parmi les possibles et les (-k) échecs predrot les places restates. Or il y a C k maières de choisir k places parmi. Fialemet, o obtiet pour 0 k : p(x = k) =C k p k q k O dit que la variable aléatoire X suit ue loi biomiale de paramètres et p. O ote : X > B(,p). Remarque : L'adjectif biomial viet du fait que lorsqu'o somme toutes ces probabilités, o retrouve le développemet du biôme de Newto : k= 0 k k k p( X = k) = C p q = ( p + q) = k= 0 1 NB : La loi biomiale est tabulée e foctio des paramètres et p Paramètres descriptifs de la distributio Nous savos que : X = X X avec E (X i ) = p pour 1 i. Doc : E(X) = E(X 1 ) E(X ) = p. Les variables X i sot idépedates et Var(X i ) = pq pour 1 i. Doc : Var(X) = Var(X 1 ) +...+Var(X ) = pq. E(X) = p Var(X) = pq σ(x) = pq Remarque : La formule doat l espérace semble assez aturelle. E effet, le ombre moye de succès (qui correspod à la sigificatio de l espérace) est ituitivemet égal au produit du ombre d essais par la probabilité de réalisatio d u succès Propriétés de la distributio biomiale Forme de la distributio biomiale La représetatio graphique de la distributio de la loi biomiale est habituellemet présetée sous la forme d u diagramme e bâtos. Puisque la loi déped de et p, ous auros diverses représetatios graphiques si ous faisos varier et/ou p comme c est le cas pour les figures suivates. J-P LENOIR Page 40
5 O peut effectuer plusieurs remarques à propos de ces diagrammes. a) La forme de la distributio est symétrique si p = 1/, quelque soit. b) Elle est dissymétrique das le cas où p 1/. Si p est iférieur à 0.50, les probabilités sot plus élevées du côté gauche de la distributio que du côté droit (asymétrie positive). Si p est supérieur à 1/, c est l iverse (asymétrie égative). c) La distributio ted à deveir symétrique lorsque est grad. De plus, si p 'est pas trop voisi de 0 ou 1, elle s'approchera de la distributio de la loi ormale que l'o verra plus loi das ce chapitre. Somme de deux variables biomiales Si X Si X Si X B(, p) B(, p) et X sot idépedates alors X 1 + X > B( 1 +, p). Cette propriété s iterprète facilemet: si X 1 représete le ombre de succès e 1 épreuves idetiques idépedates et X e épreuves idépedates etre elles et J-P LENOIR Page 41
6 idépedates des premières avec la même probabilité de succès que les premières, alors X 1 + X représete le ombre de succès e 1 + épreuves idetiques et idépedates. J-P LENOIR Page 4
7 . DISTRIBUTION GÉOMÉTRIQUE ( distributio discrète déombrable).1. SITUATION CONCRÈTE a) O effectue ue épreuve de Beroulli. Elle a doc que deux issues : le succès avec ue probabilité p ou l échec avec ue probabilité q = 1 - p. b) O répète l épreuve jusqu à l apparitio du premier succès. c) Toutes les épreuves sot idépedates etre elles, ce qui sigifie que la probabilité de réalisatio de l'évéemet «succès» est la même à chaque épreuve et est toujours égale à p. Das cette situatio, o s itéresse à la variable X = ombre de fois qu il faut répéter l épreuve pour obteir le premier succès. Remarque : O est doc das les mêmes hypothèses que pour la loi biomiale, mais le ombre d épreuves est pas fixé à l avace. O s arrête au premier succès... DISTRIBUTION DE PROBABILITÉS L esemble des valeurs prises par X est : 1,, 3,... O cherche la probabilité d avoir recours à épreuves pour obteir le premier succès : Ce succès a ue probabilité de réalisatio de p. Puisque c est le premier, il a été précédé de (-1) échecs qui ot chacu eu la probabilité q de se produire. État doé l idépedace des épreuves, o peut dire que la probabilité de réalisatio de (-1) échecs suivis d u succès est le produit des probabilités de réalisatio de chacu des résultats. Doc : p(x = ) = q -1 p O dit que la variable aléatoire X suit ue loi géométrique de paramètre p. O ote : X > G(p). Remarque : l'appellatio géométrique viet du fait qu'e sommat toutes les probabilités, o obtiet ue série géométrique. E effet : N 1 1 p p( 1 p) = p ( 1 p) = = 1 ( 1 p) PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION O admet que : J-P LENOIR Page 43
8 E( X ) = 1 1 p Var( X ) = = p p q p Remarque : O peut iterpréter l expressio de l espérace de faço ituitive. E effet e épreuves, o s atted à obteir p succès et par coséquet, le ombre moye d épreuves etre deux succès devrait être : p = 1. p.4. PROPRIÉTÉ REMARQUABLE DE LA DISTRIBUTION GÉOMÉTRIQUE La propriété la plus importate de la loi géométrique est sas doute d'être "sas mémoire ". E effet, la loi de probabilité du ombre d'épreuves à répéter jusqu'à l'obtetio d'u premier succès das ue suite d épreuves de Beroulli idetiques idépedates est la même quel que soit le ombre d'échecs accumulés auparavat. O compred ituitivemet que cela découle de l idépedace des épreuves qui sot toutes idetiques. C'est la seule loi discrète qui possède cette propriété. 3. DISTRIBUTION DE POISSON ( distributio discrète déombrable) La loi de Poisso est attribuée à Simeo D. Poisso, mathématicie fraçais ( ). Cette loi fut proposée par Poisso das u ouvrage qu il publia e 1837 sous le titre : «Recherche sur la probabilité de jugemets e matière crimielle et e matière civile» SITUATION CONCRÈTE Beaucoup de situatios sot liées à l étude de la réalisatio d'u évéemet das u itervalle de temps doé (arrivée de cliets qui se présetet à u guichet d'ue baque e ue heure, apparitios de paes d'u réseau iformatique e ue aée, arrivée de malades aux urgeces d'u hôpital e ue uit,...). Les phéomèes aisi étudiés sot des phéomèes d'attete. Pour décrire les réalisatios das le temps d'u évéemet doé, o peut : soit chercher le ombre de réalisatios de l évéemet das u itervalle de temps doé qui est distribué suivat ue loi de Poisso. soit chercher le temps etre deux réalisatios successives de l évéemet qui est distribué suivat ue loi expoetielle ( voir 4 ). La loi de Poisso peut être iterprétée comme u cas limite d'ue loi biomiale et la secode comme u cas limite d'ue loi géométrique. Formulos les hypothèses suivates relativemet à la réalisatio de l évéemet qui ous itéresse. J-P LENOIR Page 44
9 (1) Les ombres de réalisatios de l évéemet au cours d itervalles de temps disjoits sot des variables aléatoires idépedates, c est-à-dire que le ombre de réalisatios au cours d u itervalle de temps est idépedat du ombre de réalisatios au cours d itervalles de temps atérieurs. () La probabilité pour que l évéemet se réalise ue fois, au cours d u petit itervalle de temps Δt, est proportioelle à l amplitude de l itervalle et vaut αδt, où α est ue valeur positive que l o suppose costate tout au log de la période d observatio. (3) Il est très rare d observer plus d ue fois l évéemet au cours d u petit itervalle de temps Δt, c est-à-dire que la probabilité pour que l évéemet se réalise plus d ue fois au cours de l itervalle de temps Δt est égligeable. Les hypothèses (1), (), (3) caractériset ce qu'o appelle u processus de Poisso. α est ue costate du processus qui représete le ombre moye de réalisatios par uité de temps et que l o appelle l itesité du processus. Sous ces hypothèses, la variable aléatoire X = «ombre de fois où l évéemet cosidéré se réalise au cours d u itervalle de temps de durée t» est distribuée suivat ue loi de Poisso de paramètre λ = αt. 3.. DISTRIBUTION DE PROBABILITÉS Nous cherchos à détermier la loi de probabilité de la variable X = «ombre de réalisatios d u évéemet doé pedat u itervalle de temps t», sachat que le ombre moye de réalisatios de cet évéemet par uité de temps est α. Or, ous coaissos déjà la loi de probabilités de la variable Y = «ombre de réalisatios d u évéemet de probabilité p doé au cours de essais». Il s agit d ue loi biomiale B(, p). Pour compredre la relatio etre ces deux lois, divisos l itervalle de temps de logueur t, e t petits itervalles de temps disjoits de logueur Δt = pour assez grad. L hypothèse (3) du processus ous permet d affirmer que das chacu de ces petits itervalles il y a pricipalemet que deux possibilités : l évéemet se réalise ue fois ou e se réalise pas (cela sera d autat plus vrai que est grad). Das chaque itervalle, la variable «ombre de réalisatios de l évéemet» est ue variable de Beroulli. L hypothèse () du processus ous permet d affirmer que das chacu de ces petits itervalles, la probabilité de réalisatio de l évéemet est costate et égale à t t αδt = α. Les variables de Beroulli ot doc toutes le même paramètre p = α. J-P LENOIR Page 45
10 L hypothèse (1) du processus ous permet d affirmer que les variables de Beroulli sot idépedates. La somme de ces variables de Beroulli idépedates de même paramètre α t est ue variable qui suit la loi biomiale B(, α t ) et qui représete approximativemet le ombre de réalisatios de l évéemet das l itervalle de temps t. Si o choisit de plus e plus grad, o a de plus e plus d'itervalles, la probabilité de réalisatios de évéemet das chaque itervalle est de plus e plus petite et la distributio B(, α t ) se rapproche de plus e plus de la distributio que l o cherche à détermier, c est- à-dire de la distributio de Poisso de paramètre αt. Coclusio : O peut cosidérer la loi de Poisso de paramètre λ comme la loi limite d ue loi biomiale B(, α t t ) lorsque ted vers l ifii, le produit des paramètres α restat toujours costat égal à αt = λ. Nous allos ous appuyer sur cette caractérisatio pour détermier sa foctio de desité. Si Y suit ue loi B(, λ ), o sait que : p Y k C k λ k λ k ( = ) = ( ) ( 1 ). λ k! λ ( 1 ) + k 1 k 1 λ λ [... ] ( 1 ) doc : p( Y = k) = k = k! ( k)! k! λ λ k k ( 1 ) ( 1 ) - Chaque terme du produit etre crochets ted vers 1 lorsque ted vers l ifii. Il y a k termes, c est-à-dire u ombre fii. Doc le crochet ted vers 1. - lim ( 1 λ k ) = 1 doc : lim ( 1 λ ) = λ λ l( 1 ) -De plus : lim ( ) lim e λ 1 = = e + + (e utilisat la cotiuité de l expoetielle et lim l( 1 λ ) = lim ( λ ) = λ) + + Doc pour assez grad : p( Y = k) k λ e k! λ. Défiitio : La distributio de Poisso de paramètre λ est celle d ue variable discrète X qui pred ses valeurs das N selo la foctio de desité : O écrit : X > P(λ). e λ k λ f( k) = p( X = k) = k N k! J-P LENOIR Page 46
11 Remarque : Il existe des tables doat la foctio de desité et la foctio de répartitio de la loi de Poisso e foctio des différetes valeurs de λ (pour λ 15). J-P LENOIR Page 47
12 3.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION La loi P(λ) est la loi limite de la loi B(, λ ) lorsque ted vers l ifii. Or l espérace mathématique de la loi B(, λ )est λ = λ. λ λ Sa variace est (1- ), quatité qui ted vers λ lorsque ted vers l ifii. O aura doc lorsque X > P(λ) : E( X) = λ Var(X) = λ σ(x) = λ 3.4. PROPRIÉTÉS DE LA DISTRIBUTION DE POISSON Allure de la distributio O effectuer plusieurs remarques à propos de ces diagrammes. E gééral, le diagramme est dissymétrique par rapport à λ avec étalemet vers la droite. Les valeurs élevées d ue variable de Poisso sot peu recotrées. A mesure que λ augmete, la forme de la distributio ted à deveir symétrique et s approche de celle de la loi ormale que ous traiteros plus loi das ce chapitre. Cela est vérifié pour λ 10 et même acceptable pour λ 5. J-P LENOIR Page 48
13 3.4.. Approximatio de la loi biomiale par la loi de Poisso La loi biomiale déped de deux paramètres et p. Bie qu il existe quelques tables, elle est est pas simple à utiliser. La loi de Poisso e déped que d u paramètre ce qui la red doc plus pratique. Il faut doc avoir toujours préset à l esprit que, lorsque les coditios le permettet, o peut avoir itérêt à remplacer ue loi biomiale par ue loi de Poisso. Lorsque est grad et p petit, de telle faço que le produit p = λ reste petit par rapport à, la loi biomiale B(, p) peut être approchée par la loi de Poisso P(λ)(revoir ce qui a été dit sur ce sujet das le paragraphe : «Distributio de probabilités»). Cette approximatio s appliquat lorsque p est petit, la loi de Poisso est appelée la loi des évéemets rares. E pratique, l'approximatio est valable si : >0 et p 0.1 et p 5. > 0 O approche la loi B(,p) par la loi P(p) dès que p 5 p 01. RÈGLE IMPORTANTE : Lorsqu o approche ue loi par ue autre, o choisit le ou les paramètres de la loi approchate de maière que l espérace (et la variace lorsqu o a suffisammet de paramètres)de la loi approchate soit égale à l espérace (et la variace)de la loi approchée. Comparaiso des distributios J-P LENOIR Page 49
14 Somme de deux lois de Poisso Si X Si X Si X P( λ ) 1 1 P( λ et X sot idépedates 1 ) alors X 1 +X > P(λ + λ ) IMPORTANCE PRATIQUE DE LA LOI DE POISSON Le physicie et le techologue recotret la loi de Poisso das de ombreuses circostaces Le comptage e radioactivité, microaalyse x, aalyse sims 1... U détecteur compte le ombre de particules qu il reçoit pedat u temps de comptage t 0. Ce ombre k obéit à ue loi de Poisso dot le paramètre λ est le produit du flux moye de particules α pedat le temps de comptage t 0. X > P(αt 0 ) k t ( t ) p( X = k) = e α α 0 0 k! Coséquece : L espérace mathématique de X est αt 0 et l écart-type sur X est αt 0. Il e résulte que la variabilité de X (quotiet de l'espérace sur l écart-type) deviet très grade quad le ombre moye de coups est petit. Si les valeurs prises par X sot proches de 10 correspodat à ue espérace αt 0 proche de 10, l écart-type valat αt 0 est proche de 3, ce qui doe ue variabilité de 30%. Ceci est parfaitemet visible sur le «profil SIMS» préseté sur le graphique de la page suivate. Le bruit deviet importat lorsque X est etre 10 et 15. Das la mesure du possible, l expérimetateur sera alors ameé à augmeter le temps de comptage pour augmeter les valeurs de X Cotrôle de qualité O effectue u cotrôle de qualité sur des composats fabriqués par ue uité de productio. U composat est réputé bo (ou mauvais) lorsqu il satisfait (ou o) à des spécificatios. Le critère de choix est doc qualitatif. Le taux moye de rebuts (pièces mauvaises) est appelé p. O effectue u tirage de pièces. La probabilité de trouver k pièces mauvaises das cet échatillo de taille est doée par ue loi de Poisso (il s agit ici de la loi des évéemets rares : la loi biomiale est approchée par la loi de Poisso). X > P(p) 1 S.I.M.S. : Secodary Ios Mass Spectrometry : méthode permettat ue aalyse quatitative des impuretés das ue masse solide. U faisceau d ios primaires abrase le matériau. Parmi les atomes arrachés à la cible, certais sot ioisés (ios secodaires). Ils sot triés e masse au moye d ue diflexio magétique et comptés pedat des itervalles de temps t 0 au cours du processus d abrasio. O obtiet aisi le profil de cocetratio de l impureté das le matériau. J-P LENOIR Page 50
15 p X k e p k ( p) ( = ) = k! σ X p Lorsque p est petit, le rapport E( X) = p = 1 deviet grad et la variabilité sur p k red le cotrôle imprécis. Ceci explique que, das u cotrôle de qualité, la taille des échatillos tirés de la populatio des pièces fabriquées doit être au mois de l ordre de Déombremet d évéemets surveat das u espace délimité La loi de Poisso permet de modéliser aussi bie le ombre d évéemets surveat pedat u temps doé que le ombre d évéemets surveat das u espace délimité. Par exemple, si o appelle X le ombre de particules bombardat ue cible de surface S soumise à ue irradiatio de fluece F( e m - ) : X > P(FS) p X k e FS FS k ( ) ( = ) = k! FS est doc aalogue au αt 0 du paragraphe La loi de Poisso sert doc aussi à décrire des phéomèes de localisatio spatiale et o plus seulemet temporelle, c est-à-dire qu elle modélisera aussi bie le ombre d accidets qui peuvet surveir e ue matiée que le ombre d accidets qui peuvet surveir sur ue sectio doée d autoroute. PROFIL S.I.M.S. ombre de particules détectées par secode temps J-P LENOIR Page 51
16 4. DISTRIBUTION EXPONENTIELLE (distributio cotiue) 4.1. SITUATION CONCRÈTE d abrasio ( m ) O se place das le cas d'u phéomèe d'attete décrit au paragraphe 3 et o s itéresse à la variable aléatoire qui représete le temps d'attete pour la réalisatio d u évéemet ou le temps d'attete etre la réalisatio de deux évéemets successifs. Si o se place das le cas où l itesité α du processus de Poisso est costate, ce temps d attete suit ue loi expoetielle de paramètre α. Exemple : Lorsque l évéemet attedu est la mort d u idividu (ou la pae d u équipemet), α s appelle le taux de mortalité (ou le taux de pae). Dire qu il a ue valeur costate, c est supposer qu il y a pas de vieillissemet (ou pas d usure s il s agit d u équipemet), la mort ou la pae iterveat de faço puremet accidetelle. 4.. DISTRIBUTION DE PROBABILITÉS O veut détermier la loi de la variable T= «temps d attete etre la réalisatio de deux évéemets successifs» où le ombre moye de réalisatios de l évéemet par uité de temps est α. Pour cela, ous allos procéder comme das le paragraphe 3 : Si t est la logueur de l itervalle de temps sur lequel dure otre étude, ous le divisos e petits itervalles de logueur t. Appelos X la variable aléatoire représetat le ombre d itervalles de temps que l o doit laisser s écouler pour obteir la réalisatio de l évéemet suivat. Chaque itervalle possédat la même probabilité α t de voir l évéemet se produire, X suit, par défiitio, la loi géométrique de paramètre α t. Le temps d attete T est alors le produit de ce t ombre d itervalles par le temps de chaque itervalle. T = X O cherche p(t>t 0 )= p(x> t t 0 )...et lorsque ted vers l ifii o obtiet + αt 0 αu p( T > t ) = e = α e du. 0 t0 Ceci ous permet d affirmer que la foctio de desité de la variable T est f ( x) = αe αx si x>0. Défiitio : La loi expoetielle de paramètre α décrit la distributio d'ue variable cotiue X qui e pred que des valeurs positives selo la foctio de desité : f( x) = αe αx x > 0 J-P LENOIR Page 5
17 O ote X > Exp(α) 4.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION O viet de voir que la loi expoetielle est la loi limite d ue loi géométrique. O a : T t X où X suit la loi géométrique de paramètre α t. t Or E T E X t 1 1 ( ) = ( ) = = αt α et V ( ) = t ar T Coclusio : αt 1 αt ( ) 1 α si est grad E(T) = 1 α Var(T) = 1 α σ( T ) = 1 α Remarque : O peut très facilemet retrouver ces résultats e effectuat u calcul direct à partir de la foctio de desité e utilisat les formules de défiitio de l espérace et la variace (peut-être pourriez-vous le faire à titre d exercice?) 4.4. PROPRIÉTÉS DE LA DISTRIBUTION EXPONENTIELLE a) Comme la loi géométrique, la loi expoetielle est sas mémoire. C'est la seule loi cotiue qui possède cette propriété. Elle proviet bie etedu du fait que le paramètre α est costat. b) Ue somme de variables idépedates de même loi expoetielle de paramètre α 'est pas ue variable de loi expoetielle mais ue variable qui suit ue loi gamma de paramètres et α. Ue telle loi est aussi appelée loi d ERLANG d'ordre. Elle représete le temps d'attete requis avat qu'u évéemet se réalise fois. c) La loi expoetielle est aussi courammet utilisée das les problèmes de datatio e géochroologie. 5. DISTRIBUTION NORMALE ( distributio cotiue) Du poit de vue historique, la ature et l importace exceptioelle de cette loi furet presseties e 1773 par Abraham de Moivre lorsqu il cosidéra la forme limite de la loi biomiale. E 177, Simo Laplace l étudia das sa théorie des erreurs. Mais c est seulemet e 1809 pour Carl Friedrich Gauss et e 181 pour Simo Laplace qu elle prit sa forme défiitive. C est aisi qu o l appelle tatôt loi de Laplace, tatôt loi de Gauss, tatôt loi de Laplace- J-P LENOIR Page 53
18 Gauss. O trouve aussi l expressio, cosacrée à ue logue traditio, de loi ormale (ce qui e sigifie pas pour autat que les autres lois soiet «aormales»). Elle jouit d ue importace fodametale car u grad ombre de méthodes statistiques repose sur elle. Ceci est lié au fait qu elle iterviet comme loi limite das des coditios très géérales. Pour faire ressortir toute so importace et sa forme, W.J. Youde, du Natioal Bureau of Stadards, a eu l igéieuse idée de la préseter telle qu elle apparaît ci-dessous SITUATION CONCRÈTE O recotre souvet des phéomèes complexes qui sot le résultat de causes ombreuses, d effet faible, et plus ou mois idépedates. U exemple typique est celui de l erreur commise sur la mesure d ue gradeur physique. Cette erreur résulte d u grad ombre de facteurs tels que : variatios icotrôlables de la température ou de la pressio, turbulece atmosphérique, vibratios de l appareil de mesure, etc...chacu des facteurs a u effet faible, mais l erreur résultate peut e pas être égligeable. Deux mesures faites das des coditios que l expérimetateur cosidère comme idetiques pourrot alors doer des résultats différets. Doc dès que ous serot das ue situatio où la distributio déped de causes e grad ombre et idépedates dot les effets s'additioet dot aucue 'est prépodérate alors ous seros e présece de la distributio ormale. C est le cas, par exemple: E métrologie, pour la distributio des erreurs d observatio. J-P LENOIR Page 54
19 E météorologie, pour la distributio de phéomèes aléatoires tels que la température et la pressio. E biologie, pour la distributio de caractères biométriques comme la taille ou le poids d idividus apparteat à ue populatio homogèe. E techologie, pour la distributio des cotes des pièces usiées. E écoomie, pour les fluctuatios accidetelles d'ue gradeur écoomique (productio, vetes,...) autour de sa tedace, etc... J-P LENOIR Page 55
20 5.. DISTRIBUTION DE PROBABILITÉS Défiitio : Ue variable aléatoire cotiue suit ue loi ormale si l expressio de sa foctio de desité de probabilités est de la forme : 1 x m ( ) 1 f ( x) = e σ x R σ π La loi déped des deux réels m et σ appelés paramètres de la loi ormale. O ote : X > N(m, σ). Remarques : 1. Ue foctio de desité de probabilité état toujours positive, le paramètre σ est doc u réel strictemet positif.. O démotre que f est bie ue foctio de desité de probabilité + car f ( x) dx = 1. Pour le démotrer o utilise que: e dx = π (c est l itégrale de Gauss). 3. La loi ormale état tabulée, cette expressio ous sera de peu d utilité. Il est importat éamois de préciser à quoi correspodet m et σ. + x 5.3. PARAMÈTRES DESCRIPTIFS DE LA DISTRIBUTION O démotre sas problème grâce à l itégrale de Gauss (pourquoi e pas effectuer le calcul à titre d exercice?) que : E(X) = m Var(X) = σ σ(x) = σ 5.4. PROPRIÉTÉS DE LA DISTRIBUTION NORMALE Forme de la distributio ormale La foctio de desité de probabilités de la loi ormale a la forme d'ue «courbe e cloche». E fait il e s agit pas d ue courbe uique mais plutôt d ue famille de courbes dépedat de m et σ. J-P LENOIR Page 56
21 O peut effectuer quelques remarques à propos de ces courbes. a) La distributio est symétrique par rapport à la droite d'équatio x = m. Doc l aire sous la courbe de part et d autre de cette droite est égale à 0.5. b) La distributio est d'autat plus étalée que σ est grad. c) L axe des abscisses est ue asymptote et l aire sous la courbe à l extérieur de l itervalle [m-3σ, m+3σ] est égligeable. Pour fixer les idées, o peut idiquer que: p(m-σ<x<m+σ) = p(m-σ<x<m+σ)= p(m-3σ<x<m+3σ) = Cela peut être visualisé sur le graphique ci-après. Loi N ( 0, 1 ) J-P LENOIR Page 57
22 d) σ représete la différece des abscisses etre le sommet de la courbe et le poit d iflexio. e) La logueur à mi-hauteur de la courbe (L.M.H. ou e aglais F.W.H.M. Full Width Half Maximum) vaut.35σ. Cette distace est souvet employée par le spectroscopiste pour détermier expérimetalemet σ. Cette méthode doit cepedat être utilisée avec précautio car il faut s assurer que les «bruits» permettet d observer correctemet le «pied»de la courbe Somme de deux variables ormales Si Si Si X et N(m, σ ) X N(m, σ ) X X sot idepedates alors X 1 +X > N(m 1 + m, σ 1 + σ ) Loi ormale cetrée réduite ou loi ormale stadardisée Nous avos vu das le chapitre qu à toute variable aléatoire X,o pouvait associer ue variable dite stadardisée X E ( X ) d espérace ulle et de variace uité (ceci résultait σ( X ) des propriétés de traslatio et de chagemet d échelle). O motre assez facilemet que si o effectue cette trasformatio sur ue variable suivat ue loi ormale, la variable stadardisée suit ecore ue loi ormale mais cette fois-ci de paramètres 0 et 1. La loi stadardisée est appelée loi ormale cetrée réduite otée N(0,1). X m Doc si X > N(m, σ), o pose T = et T > N(0,1). σ O peut résumer la correspodace de la faço suivate: Variable ormale X > N(m, σ) esemble des valeurs prises : R X m T = σ Variable ormale cetrée réduite T > N(0,1) esemble des valeurs prises : R Paramètres : E(X) = m Var(X) = σ Paramètres : E(T) = 0 Var(T) =1 J-P LENOIR Page 58
23 Il faut garder à l esprit que cocrètemet T est le ombre d écarts-type etre la valeur de X et la moyee. J-P LENOIR Page 59
24 La loi N(0,1) est tabulée à l aide la foctio de répartitio des valeurs positives ; Elle u 1 doe les valeurs de Φ( t) = p( 0 T t) = e du t 0 π pour t>0. Ce ombre représete l aire sous la courbe représetative de la distributio et au dessus de l itervalle [0,t]. Pour cette raiso la table de la loi ormale est aussi appelée table d aires. Cette table e déped d'aucu paramètre, mais permet cepedat de détermier les probabilités de importe quelle distributio ormale! Commet utiliser la table d aires? La première coloe de la table idique les uités et les dixièmes des valeurs de T alors que les cetièmes des valeurs de T se liset sur la lige supérieure de la table. La valeur trouvée à l itersectio de la lige et de la coloe adéquates doe l aire cherchée. a) Je cherche la valeur de p( 0 T 05. ). A l itersectio de la lige «0.5» et de la coloe «0.00» je lis b) Je cherche la valeur de p( 05. T 0 ). J utilise la symétrie de la courbe par rapport à l axe des ordoées et j e coclus que p( 0. 5 T 0 ) = p( 0 T 05. ) = Et que pesez-vous de la valeur de p( 0. 5 < T < 0 )? c) Je cherche la valeur de p(. 4 T 11. ). L aire cherchée correspod à la somme suivate : p(. 4 T 11. ) = p(. 4 T 0) + p( 0 T 11. ) = = d) Je cherche la valeur de p( 10. T. 0). L aire cherchée correspod à la différece suivate : p( 1 T ) = p( 0 T. 0) p( 0 T 10. ) = = e) Je cherche la valeur t de T telle que p( 0 T t) = C est le problème iverse de celui des exemples précédets. Il s agit de localiser das la table l aire doée et de détermier la valeur de T correspodate. Je trouve : t = Remarque : Si la valeur de l aire e peut se lire directemet das les valeurs de la table, o pourra toujours effectuer ue iterpolatio liéaire etre deux valeurs adjacetes ou predre la valeur la plus proche. J-P LENOIR Page 60
25 5.5. APPROXIMATIONS PAR DES LOIS NORMALES Théorème cetral-limit (ou de tedace ormale) Théorème : Hypothèses : Soit ue suite de variables aléatoires X 1,X,...,X vérifiat les coditios suivates: (1) Les variables sot idépedates. () Leurs espéraces mathématiques m 1, m,...,m et leurs variaces VarX 1, VarX,..., VarX existet toutes. (3) Pour tout k etre 1 et lim + VarX i= 1 k VarX i = 0. Coclusio : La distributio de la variable somme X= X 1 + X +...+X se rapproche de la distributio ormale lorsque ted vers l ifii. Remarque : C est ce théorème très importat qui ous permet d affirmer que la situatio cocrète éocée au début de ce paragraphe ous met e présece d ue loi ormale. E effet : X 1,X,...,X correspodet aux différets facteurs de fluctuatios. Le grad ombre de causes est assuré par le fait que +. L idépedace parle d elle-même. Additioer les effets reviet à cosidérer la variable somme. Dire qu aucu facteur est prépodérat est traduit par l hypothèse (3) du théorème. E pratique, ceci se vérifie dès que Approximatio de la loi biomiale par la loi ormale Toute variable qui suit ue loi biomiale B(,p) peut toujours être cosidérée comme ue somme de variables de Beroulli idépedates de même paramètre p. X = X X où X i sot des variables de Beroulli. Les hypothèses du théorème cetral-limit état vérifiées, o peut affirmer que, lorsque ted vers l ifii, la loi biomiale B(,p) ted vers ue loi ormale. La loi ormale qui l approche le mieux est celle qui possède la même espérace p et le même écart-type pq. J-P LENOIR Page 61
26 Or la distributio biomiale est asymétrique sauf lorsque p = 1/. La distributio ormale, elle, est symétrique. L approximatio sera valable lorsque p 'est pas trop voisi de 0 ou 1 et sera d autat meilleure que p est proche de 1/ et que est grad. J-P LENOIR Page 6
27 E pratique: 30 O approche la loi B(,p) par la loi N(p, pq ) dès que p 15 q 15 Les problèmes recotrés par cette approximatio et leurs solutios : 1) O remplace ue distributio cocerat u ombre fii de valeurs par ue distributio sur R tout etier. État doé qu'à l'extérieur d'u certai itervalle([m-3σ, m+3σ]) la distributio ormale est presque ulle, cela e pose pas de problèmes. ) O remplace ue distributio discrète par ue distributio cotiue. Il ous faut doc appliquer ce qu'o appelle ue "correctio de cotiuité" : Si o omme X la variable biomiale et Y la variable ormale, o remplacera ue valeur k de X par u itervalle de Y cetré sur k et d amplitude 1, ce qui sigifie que 1 1 l o écrit : p( X = k) = p( k < Y < k + ) Das la pratique lorsque est très grad, cette correctio est pas écessaire. O l effectuera cepedat si o souhaite ue grade précisio. Remarque : Remplacer ue loi biomiale par ue loi ormale simplifie cosidérablemet les calculs. E effet les tables de la loi biomiale dépedet de deux paramètres et les valeurs de das ces tables sot limitées supérieuremet par 0. La loi ormale, elle, après stadardisatio e déped d aucu paramètre Approximatio de la loi de Poisso par la loi ormale O démotre qu o peut aussi approcher la loi de Poisso par la loi ormale pour les grades valeurs du paramètre de la loi de Poisso.. La seule qui puisse coveir est celle qui a même espérace et même variace. O approche doc la loi P(λ) par la loi N(λ, λ ). E pratique, cela s applique dès que λ 16. O approche la loi P(λ) par la loi N(λ, λ ) dès que λ 16. J-P LENOIR Page 63
28 Remarque : La loi de Poisso état elle aussi ue loi discrète, o peut avoir à appliquer la correctio de cotiuité. J-P LENOIR Page 64
29 6. QUELQUES CONSEILS POUR RÉSOUDRE LES PROBLÈMES Voici, lorsqu elle s applique, ue méthode de travail qui peut guider votre démarche : 1. Suite à l éocé du problème, idetifier correctemet à l aide de mots la variable aléatoire que vous allez cosidérer.. Préciser les valeurs possibles que peut predre cette variable. 3. Idetifier correctemet la loi de probabilité qu elle suit e essayat de recoaître das le problème ue situatio type. 4. Détermier les paramètres de la loi. 5. Utiliser les formules théoriques ou les tables pour détermier les probabilités demadées. Face à de logs calculs et e l absece de tables correspodat à vos ou votre paramètre, peser à approcher votre loi par ue autre. Quelques exercices types : Exercice 1: Supposos qu'ue tetative pour obteir ue commuicatio téléphoique échoue (par exemple, parce que la lige est occupée) avec la probabilité 0.5 et réussisse avec la probabilité O suppose que les tetatives sot idépedates les ues des autres. Quelle est la probabilité d obteir la commuicatio si l o peut effectuer trois tetatives au maximum? Solutio : Nous ous itéressos à la variable X = «ombre de tetatives écessaires pour obteir la commuicatio», ce que l o peut cosidérer comme le ombre d essais à faire pour obteir le premier succès. X suit ue loi géométrique de paramètre p = 0.75 O cherche à détermier p( X 3) = p( X = 1) + p( X = ) + p( X = 3) O peut obteir la commuicatio au 1 er essai. O a pour cela ue probabilité p(x = 1) = O peut obteir la commuicatio au ème essai. O a pour cela ue probabilité p(x = ) = = O peut obteir la commuicatio au 3 ème essai. O a pour cela ue probabilité p(x = 3) = = Fialemet la probabilité d obteir la commuicatio e trois essais maximum est p( X 3 ) = = soit 98.5 %. Exercice : U fabricat de pièces de machie préted qu'au plus 10% de ses pièces sot défectueuses. U acheteur a besoi de 10 pièces. Pour disposer d'u ombre suffisat de boes pièces, il e commade 140. Si l'affirmatio du fabricat est valable, quelle est la probabilité que l'acheteur reçoive au mois 10 boes pièces? Solutio : Appelos X la variable aléatoire correspodat au «ombre de boes pièces das le lot de 140 pièces». X pred ses valeurs etre 0 et 140. De plus pour chaque pièce, o a que deux évetualités : elle est boe ou elle est défectueuse. La probabilité qu ue pièce soit défectueuse est 0.1. Par coséquet elle est boe avec la probabilité 0.9. O est doc das ue situatio type : X suit la loi biomiale de paramètres = 140 et p = 0.9. J-P LENOIR Page 65
30 X > B(140,0.9) O veut détermier la probabilité que l acheteur reçoive au mois 10 boes pièces sur les 140, soit p( X 10 ). A priori, il ous faudrait calculer la somme des probabilités p(x = 10) + p(x = 11) p(x = 140) ce qui serait épouvatablemet log. O essaie doc d approcher la loi biomiale par ue loi tabulée : 30 Comme : p = 16 doc p > 10, o pourra approcher la loi biomiale par ue loi q = 14 doc q > 10 ormale. O choisit la loi ormale qui a la même espérace et le même écart-type. Doc X qui suit la loi B(140, 0.9) sera approchée par Y qui suit la loi N(16, 3.55). Pour remplacer ue loi discrète par ue loi cotiue, il est préférable d utiliser la correctio de cotiuité : p( X 10) p( Y > ). O se ramèe efi à la loi ormale cetrée réduite : T = Y p Y p Y ( > ) = ( > ) = p( T > 183. ) = p( T < 183. ) = Φ( 183. ) = Coclusio : l acheteur a 97 chaces sur 100 de recevoir 10 boes pièces sur les 140 achetées. Exercice 3 : Les statistiques atérieures d'ue compagie d'assuraces permettet de prévoir qu'elle recevra e moyee 300 réclamatios durat l'aée e cours. Quelle est la probabilité que la compagie reçoive plus de 350 réclamatios pedat l'aée e cours? Solutio : La variable X qui ous itéresse est le «ombre de réclamatios reçues pedat ue aée». Il s agit du ombre de réalisatios d u évéemet pedat u itervalle de temps doé. X suit doc ue loi de Poisso. Le ombre moye de réalisatios das ue aée est 300. Cette valeur moyee est aussi le paramètre de la loi de Poisso. Doc X suit la loi P(300). O cherche à détermier p(x > 350). Il y a pas de table de la loi de Poisso pour cette valeur du paramètre λ. Il ous faut doc approcher X qui suit la loi de Poisso P(300) par Y qui suit la loi ormale de même espérace et de même écart-type, c està-dire N(300, 300). Ici aussi, o remplace ue loi discrète par ue loi cotiue. Il faut doc appliquer la correctio de cotiuité : p( X > 350) = p( X 351) p( Y > ). O se ramèe fialemet à la loi ormale cetrée réduite : T = Y p( Y > ) = p( T > ) = p( T >. 9) = 05. Φ (. 9) = J-P LENOIR Page 66
31 La compagie d assuraces a doc / 00 de chaces de recevoir plus de 350 réclamatios e u a. J-P LENOIR Page 67
32 Exercice :4 Le ombre moye de cliets qui se présetet à la caisse d'u supermarché sur u itervalle de 5 miutes est de 10. Quelle est la probabilité qu'aucu cliet e se présete à la caisse das u itervalle de deux miutes?(deux méthodes possibles) Solutio 1 : Cosidéros la variable aléatoire X = «ombre de cliets se présetat à la caisse das u itervalle de deux miutes». Nous recoaissos ue situatio type et la variable X suit ue loi de Poisso. Vu qu e moyee 10 cliets se présetet e 5 m, l itesité du processus α est de cliets par miute : α =. Or le paramètre de la loi de Poisso est λ = αt 0 t 0 état ici miutes. D où λ = 4. O cherche à calculer : p(x = 0). D après la formule du cours : 4 0 e 4 4 p( X = 0) = = e = ! Solutio : Cosidéros à préset la questio sous u autre agle e s itéressat au temps d attete Y etre deux cliets. Le cours ous dit que la loi suivie par ue telle variable est ue loi expoetielle. So paramètre α est l itesité du processus de Poisso soit ici α =. Y suit doc la loi Exp(). Sa foctio de desité est f( x) = e x pour x positif exprimé e m.o e déduit + que x x [ ] + 4 p( Y ) = e dx = e = e = DISTRIBUTIONS DÉRIVANT DU MODÈLE GAUSSIEN Les distributios que ous allos étudier sot importates o pas pour représeter des modèles théoriques de séries statistiques comme les précédetes, mais e raiso du rôle qu'elles jouet das les problèmes d'estimatio ou de tests que ous verros par la suite. Pour l istat leurs défiitios peuvet sembler complexes, otammet parce que la otio de «degrés de liberté» a pas ecore été précisée. Pour le momet, il importe simplemet de coaître leur défiitio et de savoir lire les tables correspodates LA DISTRIBUTION DU χ DE PEARSON Elle a été découverte e 1905 par le mathématicie britaique Karl Pearso ( ) qui travailla égalemet sur les problèmes de régressio avec le gééticie Sir Fracis Galto. Cette distributio (qui se prooce khi-deux) est très importate pour tester l'ajustemet d'ue loi théorique à ue distributio expérimetale( test du χ ) et pour détermier la loi de la variace d u échatillo. J-P LENOIR Page 68
33 Défiitio Si X 1,X,...,X sot variables aléatoires idépedates qui suivet toute la loi ormale cetrée réduite, alors la quatité X = X 1 +X +...+X = X i est ue variable aléatoire distribuée selo la loi de χ à degrés de liberté. O ote : X > χ Forme de la distributio i= 1 L expressio de la desité de probabilités état très compliquée et d aucu itérêt pour ous, ous e la doos pas ici. La distributio du χ est cotiue à valeurs positives et présete u étalemet sur le côté supérieur. Elle e déped que du ombre de degrés de liberté Paramètres descriptifs E(X) = V(X) = Somme de deux variables qui suivet ue loi du χ Si X Si X Si X 1 χ χ p et X sot idépedates 1 alors X 1 +X > χ + p J-P LENOIR Page 69
34 Approximatio par ue loi ormale A mesure que augmete, la loi du χ costater sur le graphique ci-dessous. ted vers la loi ormale, comme o peut le E pratique, o peut cosidérer que pour 30 o peut remplacer la loi du khi- deux à degrés de liberté χ par la loi ormale N (, ) Utilisatio de la table de χ Pour des raisos de commodité, au lieu de doer la table des foctios de répartitio des variables aléatoires χ pour les différetes valeurs de, o doe, e foctio de (ombre de degrés de liberté) et d ue probabilité α que l o peut choisir, la valeur χ α, défiie par : P( χ > χ α, ) = α; α est u seuil et a e fait ue sigificatio particulière das les problèmes d estimatio et de tests. Il sera défii ultérieuremet. 7.. LA DISTRIBUTION DE FISCHER-SNEDECOR Cette distributio fut découverte par l aglais Fisher e 194 puis tabulée par Sédecor e Elle iterviedra lors des comparaisos des variaces de deux échatillos (test d'hypothèse F) Défiitio Si χ 1 et χ sot deux variables aléatoires idépedates qui suivet toutes les deux χ1 1 ue loi de khi-deux de degrés de liberté respectifs 1 et, alors la quatité F = est ue χ variable aléatoire qui suit la loi de Fischer-Sedecor à 1 et degrés de liberté. J-P LENOIR Page 70
35 O ote : F > F 1,. Cette variable e pred que des valeurs positives Forme de la distributio O 'écrit pas ici l'expressio de la foctio de desité, compliquée et iutile pour ous. Les formes de distributio dépedet de 1 et et sot dissymétriques. A mesure que les valeurs 1 et augmetet, la loi de Fischer ted vers ue loi ormale Utilisatio de la table de la distributio de Fisher Les valeurs tabulées de la variable F dépedet d u seuil α que l o peut choisir et des ombres de degré de liberté 1 et. La table doe la valeur F α, 1, défiie par : p( F > Fα,, ) = α 1. Remarque : Il faut faire attetio à l ordre de 1 et. 1 représete le ombre de degrés de liberté du umérateur et celui du déomiateur et e peuvet être itervertis LA DISTRIBUTION DE STUDENT ( pseudoyme de V.S GOSSET ) Défiitio Soiet X et Y deux variables aléatoires idépedates, la première état distribuée selo ue loi ormale cetrée réduite N(0,1) et la deuxième selo ue loi de khi-deux à degrés de liberté χ. J-P LENOIR Page 71
36 X La quatité T = est ue variable aléatoire qui suit ue loi de Studet à degrés de Y liberté. O écrit T > T J-P LENOIR Page 7
37 7.3.. Allure de la distributio. La desité de probabilité est de forme complexe et ous 'e auros jamais besoi. La distributio est symétrique par rapport à l'origie et u peu plus aplatie que la distributio ormale cetrée réduite.elle e déped que de la valeur qui est so ombre de degrés de liberté Paramètres descriptifs O a E(T) = 0 si >1 et Var(T) = si > Approximatio par la loi ormale A mesure que augmete, la distributio de Studet à degrés de liberté se rapproche de plus e plus de celle de celle de la loi ormale cetrée réduite. E pratique : si T > T pour 30, o pourra écrire que T > N(0,1) Tables de la loi de Studet Les valeurs tabulées de la variable T dépedet d u seuil α que l o peut choisir et du ombre de degré de liberté. La table doe la valeur t α, défiie par : p( T > t α, ) = α. J-P LENOIR Page 73
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 détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détail20. 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 détailSTATISTIQUE : 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 détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détailII 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. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailSÉRIES 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 détailPrincipes 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 détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailDénombrement. 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 détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailChap. 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 détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailDeuxième 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 détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailChapitre 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 détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailc. 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 détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailÉchantillonnage 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 détailOne Office Voice Pack Vos appels fixes et mobiles en un seul pack
Uique! Exteded Fleet Appels illimités vers les uméros Mobistar et les liges fixes! Oe Office Voice Pack Vos appels fixes et mobiles e u seul pack Commuiquez et travaillez e toute liberté Mobistar offre
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailDonnez de la liberté à vos données. BiBOARD. www.biboard.fr
Doez de la liberté à vos doées BiBOARD www.biboard.fr Le décisioel pour tous Le décisioel évolue. L etreprise quelle que soit sa taille, a besoi de piloter so activité à l aide d outils simples, fiables,
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailComment les Canadiens classent-ils leur système de soins de santé?
Novembre Les sois de saté au Caada, c est capital bulleti o 4 Commet les Caadies classet-ils leur système de sois de saté? Résultats du sodage iteratioal du Fods du Commowealth sur les politiques de saté
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détailRECHERCHE DE CLIENTS simplifiée
RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailCOMMENT ÇA MARCHE GUIDE DE L ENSEIGNANT 9 E ANNÉE
GUIDE DE L ENSEIGNANT 9 E ANNÉE TROUSSE PÉDAGOGIQUE 9 E ANNÉE Le préset Guide de l eseigat, qui accompage la trousse pédagogique COMMENT ÇA MARCHE : PRODUCTION D ÉLECTRICITÉ 9 e aée a été coçu à l itetio
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailLe Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html
Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailLorsque la sécurisation des paiements par carte bancaire sur Internet conduit à une concurrence entre les banques et les opérateurs de réseau
Lorsque la sécurisatio des paiemets par carte bacaire sur Iteret coduit à ue cocurrece etre les baques et les opérateurs de réseau David Bouie Das cet article, ous ous iterrogeos sur l issue de la cocurrece
Plus en détailNeolane Message Center. Neolane v6.0
Neolae Message Ceter Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord.
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
Plus en détailUne action! Un message!
Ue actio! U message! Cotact Master est u service exclusif de relaces automatiques de vos actes vers vos cliets, par SMS, messages vocaux, e-mails, courrier... Il se décleche lorsque vous réalisez ue actio
Plus en détailLogiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd
easylab Le logiciel de gestio de fichiers pour baladeurs et tablettes Visualisatio simplifiée de la flotte Gestio des baladeurs par idividus / classes / groupes / activités Activatio des foctios par simple
Plus en détailTélé OPTIK. Plus spectaculaire que jamais.
Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise
Plus en détailMécanismes de protection contre les vers
Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat
Plus en détail