Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
|
|
- Anne Joseph
- il y a 8 ans
- Total affichages :
Transcription
1 Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques gaussiens, dont l étude fait l objet de ce chapitre, constituent un volet incontournable de la statistique. 7.1 Projection de vecteurs gaussiens Toutes les variables aléatoires de cette section sont implicitement définies sur un espace probabilisé (Ω,A,P). A l instar des échantillons, X signifie que la variable aléatoire X suit la loi. Dans le monde des vecteurs gaussiens, orthogonalité et indépendance se confondent. Ce lien entre la géométrie et les probabilités a pour conséquence le théorème ci-dessous, qui constitue la pierre angulaire de toute la statistique des échantillons gaussiens. Dans la suite, les vecteurs considérés sont implicitement des vecteurs colonnes. Théorème [COCHRAN] Soient σ > 0, X N n (0,σ 2 Id) et V 1 V p une décomposition de R n en sous-espaces vectoriels orthogonaux de dimensions r 1,,r p. Alors les projections orthogonales π 1,,π p de X sur 85
2 86 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS V 1,,V p sont des vecteurs gaussiens indépendants, et pour chaque i = 1,, p: 1 σ 2 π i 2 χ 2 r i. Preuve. Soit (e i j ) i, j une base orthonormée de R n telle que pour chaque i = 1,, p, (e i j ) j=1,,r i est une base orthonormée de V i. Si i = 1,, p, π i = M i X où M i est la matrice symétrique de format n n définie par M i =(e i 1 ei r i )(e i 1 ei r i ). Noter que puisque les vecteurs (e i j ) i, j sont normés et orthogonaux, M i est idempotente et de plus M i M k = 0 pour tout i = k. Montrons tout d abord la première assertion du théorème. Tout d abord, X étant gaussien, toute combinaison linéaire de ses composantes est gaussienne, donc (π 1,,π p ) est gaussien. De plus, la covariance entre les vecteurs aléatoires π i et π k est nulle pour tout i = k. En effet, ces vecteurs aléatoires étant centrés, C(π i,π k )=E(π i Eπ i )(π k Eπ k ) = Eπ i π k, C et E désignant respectivement la matrice de covariance et l espérance sous la probabilité P. Il vient, C(π i,π k )=EM i X(M k X) = M i EXX M k = σ 2 M i M k = 0. Par suite, π 1,,π p sont des vecteurs gaussiens indépendants, d où le premier point. Pour montrer la deuxième assertion du théorème, fixons i = 1,, p et remarquons que comme M i est symétrique et idempotente : π i N n 0,σ 2 M i IdM i = Nn (0,σ 2 M i ). En notant E i la matrice de format n r i définie par E i =(e i 1 ei r i ), on a donc π i σe i N ri (0,Id). Or, si Z est un vecteur aléatoire de loi N ri (0,Id), E i Z 2 = Z 2 χ 2 r i car E i E i = Id, d où le théorème.
3 7.1. PROJECTION DE VECTEURS GAUSSIENS 87 A l instar des échantillons, notons pour une suite X =(X 1,,X n ) de variables aléatoires réelles : X n = 1 n n i=1 X i et S 2 n(x)= 1 n 1 n i=1 (X i X n ) 2. Rappelons (cf section 2.3) que lorsque X =(X 1,,X n ) est un échantillon d une loi produit, X n et S 2 n(x) sont des estimateurs sans biais de la moyenne et de la variance de X 1. Le théorème ci-dessous met en évidence le rôle tenu par la loi de Student T n dans le cadre des modèles gaussiens. Théorème [FISHER] Soient σ > 0, m R et X 1,,X n des variables aléatoires indépendantes et de même loi N (m,σ 2 ). Alors, si X =(X 1,,X n ) : (i) X n et S n (X) sont indépendantes ; (ii) (n 1)S 2 n(x)/σ 2 χ 2 n 1 ; (iii) n( X n m)/s n (X) T n 1. Remarques. Dans ce théorème, noter que (iii) est à comparer à la propriété classique n( X n m)/σ N(0,1) d un échantillon gaussien. De plus, comme S 2 n(x)= 1 n 1 n i=1 X 2 i n 2, X n n 1 S n (X) converge en probabilité vers σ d après la loi des grands nombres. Par suite, le lemme de Slutsky et (iii) montrent que la loi de Student T n converge vers la loi N (0,1) lorsque n. Preuve. Pour simplifier les écritures, considèrons le cas m = 0 et σ = 1. Soit V le sous-espace vectoriel de R n engendré par e =(1 1) et, par abus, X =(X 1 X n ). Le projecteur orthogonal P sur V est la matrice n n dont tous les coefficients valent 1/n. De ce fait, PX = X n e et (Id P)X = X 1 X n. X n X n.
4 88 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS Comme (Id P)X est la projection orthogonale de X sur l orthogonal de V et X suit la loi N n (0,Id), on déduit du théorème de Cochran (Théorème 7.1.1) que PX est indépendant de (Id P)X, et donc en particulier que X n est indépendant de S 2 n(x), d où (i). De plus, comme V est de dimension 1, (n 1)S 2 n(x)=(id P)X 2 χ 2 n 1 d après le théorème de Cochran, d où (ii). Enfin, (iii) se déduit des résultats précédents, car n X n et (n 1)S 2 n(x) sont indépendantes, et de lois respectives N (0,1) et χ 2 n Tests sur les paramètres d un échantillon Soit (x 1,,x n ) une observation provenant de répétitions indépendantes d une même expérience modélisée par une loi gaussienne sur R. Le modèle statistique qui lui est associé est R n,{n (m,σ 2 ) n } m R,σ>0. L objectif est de construire des tests sur la valeur des paramètres de la loi dont l observation (x 1,,x n ) est issue. Dans la suite de cette section, on note P m,σ = N (m,σ 2 ) n pour m R et σ > 0, et X =(X 1,,X n ) P m,σ. Test de Student On veut construire un test pur de niveau α ]0,1[ dans le problème de test unilatère : H 0 : m m 1 contre H 1 : m < m 1, avec m 1 un réel fixé. En notant comme d habitude, pour une suite de réels u =(u 1,,u n ) : ū n = 1 n n i=1 une région de rejet naturelle pour ce problème de test est de la forme {u R n :ū n s} avec s un seuil à préciser, car H 0 est rejetée lorsque la moyenne u i,
5 7.2. TESTS SUR LES PARAMÈTRES D UN ÉCHANTILLON 89 des observations prend une valeur anormalement petite. Cependant, une telle région de rejet n est pas utilisable car la loi de la statistique X n, en l occurence N (m/n,σ 2 /n), fait intervenir les paramètres inconnus m et σ. On adapte la construction du test à cette contrainte : si t est le quantile d ordre α de la loi T n 1, alors sous H 0 i.e. m m 1 : P m,σ X n m 1 +t S n(x) P m,σ X n m +t S n(x), n n et donc d après le théorème de Fisher (Théorème 7.1.2), P m,σ X n m 1 +t S n(x) n X n m P m,σ n S n (X) t = α, avec égalité lorsque m = m 1. Ainsi, si s n (u) 2 = 1 n 1 n i=1 (u i ū n ) 2, pour la suite de réels u =(u 1,,u n ), le test pur de région de rejet R Student = u R n :ū n m 1 +t s n(u) n, appelé test de Student, est de niveau α. La procédure de décision consiste donc à rejeter H 0 au niveau α lorsque (x 1,,x n ) R Student. Test de Fisher On veut construire un test pur de niveau α ]0,1[ dans le problème de test unilatère de H 0 : σ σ 1 contre H 1 : σ < σ 1, avec σ 1 > 0 fixé. Une région de rejet naturelle pour ce problème de test est de la forme {u R n : s n (u) s} avec s un seuil à préciser, car H 0 est rejetée lorsque la variance empirique prend une valeur anormalement faible. Soit χ le quantile d ordre α de la loi χ 2 n 1. Sous H 0 i.e. σ σ 1 : P m,σ S 2 n(x) χ n 1 σ 1 2 P m,σ Sn(X) 2 χ n 1 σ 2.
6 90 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS D après le théorème de Fisher (Théorème 7.1.2), P m,σ Sn(X) 2 χ n 1 σ 1 2 P m,σ (n 1) S2 n(x) σ 2 χ = α, avec égalité lorsque σ = σ 1. Le test de Fisher est le test pur de région de rejet R Fisher = u R n : s 2 n(u) < χ n 1 σ 1 2. Ce test est de niveau α, et la procédure de décision consiste à rejeter H 0 au niveau α lorsque (x 1,,x n ) R Fisher. 7.3 Test d égalité des moyennes Soient k jeux indépendants x (1),,x (k) d observations réelles et indépendantes, chaque jeu d observation x (i) étant issu de la répétition n i fois d une même loi gaussienne sur R. Supposons que le modèle associé à ces observations vérifie l hypothèse d homoscédasticité, i.e. les variances des k jeux d observations sont les mêmes. L objectif de cette section est de construire un test portant sur l égalité des moyennes dans ces jeux d observations. Dans la suite, chaque vecteur sera implicitement représenté sous la forme d un vecteur colonne ; en particulier, un échantillon de taille n sera un vecteur colonne de R n. Modèle statistique Le modèle statistique décrivant l expérience ci-dessus est un exemple de modèle linéaire gaussien : R n, N (m 1,σ 2 ) n 1 N(m k,σ 2 ) n k m 1,,m k R,σ>0,. Le modèle linéaire gaussien représente une expérience dont l observation de R n est la somme d un effet moyen et d un bruit gaussien. Il s écrit sous la forme : R n,{n n (µ,σ 2 Id)} µ F,σ>0, avec F un sous-espace vectoriel de R n. En général, ce modèle est écrit sous la forme équivalente X = µ + ε, avec µ F, σ > 0 et ε N n (0,σ 2 Id).
7 7.3. TEST D ÉGALITÉ DES MOYENNES 91 si n = n n k. Nous allons en donner une formulation probabiliste plus habituelle. Soient n 0 = 0 et, pour tout i = 1,,k, I i = n 1 + +n i e j, j=n 1 + +n i 1 +1 où e j est le j-ème vecteur de la base canonique de R n. Si m 1,,m k R, notons alors µ = k i=1 m i I i, et X (1),,X (k) des échantillons gaussiens indépendants, de lois respectives N (m 1,σ 2 ) n 1,,N (m k,σ 2 ) n k, avec σ > 0. Chaque échantillon X (i) étant par convention identifié à un vecteur colonne de R n i, le vecteur aléatoire X de R n défini par X = X (1). X (k) suit donc une loi N n (µ,σ 2 Id). Si E est l espace vectoriel engendré par les vecteurs I 1,,I k, on trouve la représentation probabiliste suivante du modèle statistique considéré : X = µ + ε, avec ε N n (0,σ 2 Id), pour µ E et σ > 0. Problème de test Le problème de test portant sur l égalité des moyennes des jeux d observations x (1),,x (k) se formule ainsi : H 0 : m 1 = = m k contre H 1 : il existe i = j tel que m i = m j. Notons V l espace vectoriel de dimension 1 engendré par le vecteur (1 1) de R n. Avec cette écriture, le problème de test ci-dessus s écrit de manière équivalente : H 0 : µ V contre H 1 : µ E \V. La construction du test s appuie sur cette formulation vectorielle du problème de test.
8 92 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS Test d égalité des moyennes Dans la suite, u F désigne la projection orthogonale de u R n sur le sousespace vectoriel F de R n. Pour le problème de test de H 0 contre H 1, une région de rejet naturelle est de la forme {u R n : u E u V s} avec s un seuil à préciser, car H 0 est rejetée lorsque les projections orthogonales de x = x (1). x (k) sur E et V sont significativement différentes, chaque observation x (i) étant par convention identifiée à un vecteur colonne de R n i. Le calcul du seuil s est basé sur la loi de la statistique X E X V sous H 0. Par linéarité de la projection orthogonale, X E = µ + ε E car µ E. De plus, sous H 0, X V = µ + ε V car µ V d où X E X V = ε E ε V. Le théorème de Cochran (Théorème 7.1.1) appliqué au vecteur gaussien ε donne, sous H 0 : X E X V 2 σ 2 χ 2 k 1. Il n est donc pas possible d utiliser directement ce test car la loi sous H 0 de la statistique X E X V dépend de la quantité inconnue σ. Adaptons la construction du test défini ci-dessus à cette contrainte. Comme X X E = ε ε E, le théorème de Cochran appliqué au vecteur gaussien ε montre que X X E 2 σ 2 χ 2 n k. Sous H 0, le théorème de Cochran appliqué au vecteur gaussien ε montre de plus que X X E = ε ε E est indépendant de X E X V = ε E ε V. Notons alors, pour u R n : F(u)= u E u H 2 /(k 1) u u E 2 (n k). Sous H 0, la statistique F(X) suit donc une loi de Fisher : F(X) F(k 1,n k).
9 7.4. RÉGRESSION LINÉAIRE MULTIPLE 93 Reprenant l idée de la région de rejet définie plus haut, on note R moy = u R n : F(u) f, avec f le quantile d ordre (1 α) de la loi F(k 1,n k). Si P µ,σ désigne la loi de X, sous H 0, P µ,σ Rmoy = Pµ,σ F(X) f = α. Par suite, R moy définit un test pur de niveau α dans le problème de test de H 0 contre H 1. La procédure de décision consiste à rejeter H 0 au niveau α si x R moy. 7.4 Régression linéaire multiple Pour motiver le modèle de régression linéaire multiple, considérons le cas d une observation (x 1,,x n ), chaque x i représentant la consommation de l individu i = 1,,n. En première approximation, cette quantité est influencée par de nombreuses causes comme par exemple, l âge de l individu, sa catégorie socio-professionnelle, le cours du pétrole... et, pourquoi pas, la température sur la planète Krypton. Dans ce contexte, chaque x i est la somme d une combinaison linéaire de paramètres influents connus, appelés régresseurs, et de perturbations non observables que l on résume par des variables aléatoires réelles gausiennes. Modèle statistique De manière générale, il s agit de modéliser une expérience dont chaque observation est influencée par des régresseurs, représentés par k vecteurs de R n connus notés R 1,,R k. On impose l hypothèse d homoscédasticité du modèle selon laquelle la matrice de variance de la loi dont l observation est issue est proportionnelle à la matrice identité. En désignant par R =(R 1 R k ) la matrice des régresseurs de format n k, le modèle statistique admet la formulation suivante : X = Rθ + ε,. La convention de la section précédente est adoptée : tout vecteur est implicitement représenté comme un vecteur colonne ; en particulier, un échantillon ou une observation de taille n est un vecteur colonne de R n.
10 94 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS avec ε N n (0,σ 2 Id), θ R k et σ > 0. Il s agit à nouveau (cf section 7.3) d un cas particulier de modèle linéaire gaussien. En réduisant au besoin leur nombre, on peut toujours considérer que les régresseurs sont linéairement indépendants et que, par conséquent, la matrice des régresseurs R est de rang k. Estimation des paramètres Dans ce qui suit, E désigne l espace vectoriel engendré par les vecteurs R 1,,R k. Puisque X E est dans E, il s écrit X E = R ˆθ avec ˆθ un estimateur de θ. On peut décrire explicitement ˆθ en remarquant que, comme X R ˆθ est dans l orthogonal de E, pour tout u R k : Ru,X R ˆθ = 0. Par suite, u,r X R R ˆθ = 0 pour tout u R k et donc R X = R R ˆθ. Puisque R est de rang plein, la matrice R R est inversible, d où ˆθ =(R R) 1 R X. L estimateur ˆθ est sans biais car, si E θ,σ désigne l espérance sous la loi de X : E θ,σ ˆθ = (R R) 1 R E θ,σ X = (R R) 1 R Rθ = θ. Construisons maintenant un estimateur de σ 2. Comme X E = Rθ + ε E, X X E = ε ε E d où X X E 2 σ 2 χn k 2 d après le théorème de Cochran (Théorème 7.1.1). La moyenne de la loi χn k 2 valant n k, l estimateur de σ 2 est donc sans biais. Test de l utilité des régresseurs σˆ 2 = X X E 2 n k
11 7.4. RÉGRESSION LINÉAIRE MULTIPLE 95 Reprenons le problème de modélisation du début de la section : x i, qui représente alors la consommation de l individu i = 1,,n, est influencé par son âge, sa catégorie socio-professionnelle, le cours du pétrole,... et la température sur la planète Krypton. En fait, l influence de la planète Krypton sur la consommation peut l égitimement être contestée... Dans le cadre d une modélisation trop complète, tous les régresseurs n ont pas la même influence, et certains n ont qu une contribution mineure. Nous allons construire un test dans le but de supprimer ces régresseurs à l influence réduite. Pour q = 0,,k 1, on veut tester l utilité des (k q) derniers régresseurs. Cela nous mène au problème de test suivant : H 0 : i = q + 1,,k : θ i = 0 contre H 1 : i = q + 1,,k : θ i = 0. Sous H 0, la matrice des régresseurs utiles R =(R 1 R q ) est la restriction de R à ses q premiers régresseurs. L effet moyen Rθ se trouve alors dans l espace vectoriel V engendré par R 1,,R q, dont la dimension est q car R 1,,R q sont linéairement indépendants par hypothèse. Avec ces notations, le problème de test se réécrit de la manière suivante : H 0 : Rθ V contre H 1 : Rθ E \V. Le principe de construction d un tel test est de rejeter H 0 lorsque les projections orthogonales de l observation sur E et sur V sont significativement différentes. Selon ce principe, une région de rejet naturelle est de la forme {u R n : u E u V s} avec s un seuil à préciser. Mais la loi de X E X V dépend du paramètre inconnu σ. En effet, sous H 0, X V = Rθ + ε V car Rθ V et donc, d après le théorème de Cochran (Théorème 7.1.1) appliqué au vecteur gaussien ε, X E X V 2 = ε E ε V 2 σ 2 χ 2 k q. Or, le théorème de Cochran montre aussi que sous H 0, le vecteur aléatoire ε E ε V = X E X V est indépendant de ε ε E = X X E. Enfin, X X E 2 σ 2 χ 2 n k. En réunissant ces observations, et en notant pour u Rn : F(u)= u E u V 2 /(k q) u u E 2 /(n k), on trouve F(X) F(k q,n k) sous H 0. Si f désigne le quantile d ordre (1 α) de la loi de Fisher F(k q,n k) alors, sous H 0 : P θ,σ F(X) f = α
12 96 CHAPITRE 7. STATISTIQUE DES ÉCHANTILLONS GAUSSIENS avec P θ,σ la loi de X. La région de rejet R regress = u R n : F(u) f nous donne donc un test pur de niveau α pour le problème de test de H 0 contre H 1. Pour l observation x R n, la procédure de décision consiste à rejeter H 0 au niveau α si x R regress.
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailPEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS?
PEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS? Pierre Baumann, Michel Émery Résumé : Comment une propriété évidente visuellement en dimensions deux et trois s étend-elle aux autres dimensions? Voici une
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détail