Академический Документы
Профессиональный Документы
Культура Документы
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
3
5
7
7
7
8
9
10
11
2 Statistique descriptive
12
.
.
.
.
.
.
.
.
.
14
15
15
16
16
16
17
17
18
18
.
.
.
.
.
.
.
.
20
20
21
21
22
22
22
22
23
4 Statistique infrentielle
4.1 Estimations et intervalles de confiance .
4.1.1 Estimations ponctuelle . . . . . .
4.1.2 Intervalles de confiance . . . . . .
4.1.3 Simulations . . . . . . . . . . . .
4.2 Test du 2 . . . . . . . . . . . . . . . . .
4.2.1 Ajustement par la loi binomiale .
4.2.2 Ajustement par la loi de Poisson .
4.2.3 Ajustement par la loi normale . .
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Chapitre 1
Introduction Matlab
1.1
1.2
Matlab
La fonction sqrt donne la racine carre ("square root"). La variable spciale ans
contient la dernire rponse de Matlab qui na pas t affecte une variable. On
peut lister les variables actuellement dfinies avec la commande whos. On voit que
pour Matlab, les variables a et A sont des matrices 1 1.
whos
Pour une liste plus succincte, on peut utiliser la commande who. On peut dtruire
une variable au moyen de la commande clear.
clear a % destruction de la variable a
Vrifions que la variable a nexiste plus.
who
On peut aussi dtruire toutes les variables laide de la commande clear. Pour
obtenir de laide (en anglais !) sur une commande, on peut utiliser la commande
help.
help who
La commande helpwin permet dobtenir une liste des commandes Matlab classe
par thme. Nous pouvons tre amen rencontrer certaine valeurs particulires.
Tester les commandes suivantes.
1/0
-1/0
0/0
0*Inf
1/Inf
pi
help
i
help
pi
i
%
%
%
%
%
%
%
%
%
1.3
Les tableaux suivants indiquent diffrents calculs possibles sur les matrices.
Commande
A=[3,4;1,0]
B=(A>0)
V=[5;5]
length (V)
size(A)
Sens
Matrice 2 2
B = matrice tq Bij =1 si Aij >0 et 0 sinon
Vecteur colonne de dimension 2, scrit aussi [5,5]
Renvoie la longueur du vecteur V
La fonction size renvoie la taille de A
Figure 1.1 Quelques exemples.
A
A*B
A+B
A^99
expm(A)
inv(A)
sqrtm(A)
logm(A)
A*V
V*A
A\V
help slash
transpose de A
Multiplication matricielle de A et B
Addition matricielle de A et B
Puissance matricielle
Exponentielle matricielle
Matrice inverse
Racine carre matricielle (cf. help sqrtm)
Logarithme matriciel (cf. help logm)
Image du vecteur colonne V par la matrice carre A
Devinez...
Solution du systme linaire AX=V (par pivot, et pas par inv(A))
Aide explicative sur la division matricielle prcdente
Figure 1.2 Oprations matricielles classiques.
A=ones(n,n)
B=zeros(n,n)
C=eye(n,n)
[A,B,C]
[A;B;C]
N=0*J
sparse
C=A.*B
C=A./B
C=A.3
C=3+A
C=3*A
C=A./3
C=cos(A)
C=log(A)
G=sqrt (A)
C=exp(A)
C=abs(A)
C(i,j)=A(i,j)*B(i,j)
C(i,j)=A(i,j)/B(i,j)
C(i,j)=A(i,j)*3
C(i,j)=3+A(i,j)
C(i,j)=3*A(i,j)
C(i,j)=A(i,j)/3
C(i,j)=cos(A(i,j))
C(i,j)=log(A(i,j)). Ne pas confondre avec logm(A) !
C(i,j)=sqrt(A(i,j)). Ne pas confondre avec sqrtm(A) !
C(i,j)=exp(A(i,j)). Ne pas confondre avec expm(A) !
C(i,j)=|A(i,j)|
1.4
Le tableau 1.4 prsente des oprations matricielle plus labores que les prcdentes. Remarquons que les oprateurs de type sum servent trs souvent lorsquil
sagit dviter les boucles.
det(M)
rank(M)
trace(M)
D=eig(M)
[P,D]=eig(M)
sum(V)
sum(M)
sum(M,2)
sum(sum(M)
cumsum(V)
cumsum(M)
cumprod(V)
cumprod(M)
max(M)
max(max(M))
Dterminant
Rang
Trace
Renvoie le vecteur colonne des valeurs propres de M
Diagonalise M=P*D*P1 avec D diagonale
Somme des lments du vecteur V
Somme des colonnes de la matrice M (renvoie un vecteur ligne)
Somme les lments de la matrice M selon la dimension 2
Somme totale des lments de la matrice M
Sommes cumulatives des entres du vecteur V
Matrice des sommes cumulatives des colonnes de M
Produits cumulatifs des entres du vecteur V
Matrice des produits cumulatifs des colonnes de M
Renvoie un vect. ligne = au max sur chaque col . de M
Maximum des entre de la matrice M.
Figure 1.5 Calculs matriciels labors
Pour laide sur les oprations matricielles lmentaires et sur les fonctions
matricielles, on peut utiliser helpwin elmat ainsi que helpwin matfun
1.5
Graphiques
1.6
Entres et sorties
Moyenne arithmtique
Mdiane
cart type normalis en N 1
Trac du vecteur Y. Abscisses ? Ordonnes ?
Autre trac avec couleur et type de ligne
Vous comprenez
Histogramme (10 classes par dfaut, cf. help hist)
Histogramme 50 classes de Matlab
Cration dune nouvelle fentre graphique
Titre de la figure
Titre des abscisses
Titre des ordonnes
Trace la matrice, couleurs = valeurs relatives
On ne va pas utiliser la mme fentre graphique
Trace les lignes de niveau
1.7
Pour Matlab, tout nombre peut tre considr comme une valeur logique, en
identifiant les nombres non nuls vrai (not 1) et le nombre zro faux (not
0). La commande boolean permet dobtenir le boolen associ un nombre vu
comme une valeur logique. Les principales oprations sur les valeurs logiques sont :
la ngation logique ~ ,
le "ou" logique | ,
le "et" logique &.
On peut galement utiliser respectivement les fonctions or, not et and. Il y en
a dautres, faites donc un help ops. On peut crer des valeurs logiques partir
de nombres avec les oprations de comparaisons, qui activent automatiquement
la nature logique de leurs arguments :
"a gal b" scrit a == b
"a diffrent de b" scrit a ~= b
"a suprieur strictement b" scrit a > b
"a suprieur ou gal b" scrit a >= b
"a infrieur strictement b" scrit a < b
"a infrieur ou gal b" scrit : a <= b
On peut galement utiliser respectivement les fonctions eq, ne, gt, ge, lt et leq.
Le code Matlab R=randn(5,5);M=(R>=2.1) cre une matrice M de mme taille
que R qui contient des 0 l o R est infrieure 2.1 et des 1 l o R est suprieure
ou gale 2.1. Cest donc une matrice "boolenne". La commande any(V) renvoie
1 si au moins lun des lments du vecteur V est non nul, et 0 sinon. La fonction
all(V) renvoie 1 si tous les lments du vecteur V sont non nuls, et 0 sinon. Enfin
la fonction find(V) renvoie les indices correspondants aux lments non nul du
vecteur V. Ainsi, V(find(V>2)) renvoie les valeurs suprieures 2 du vecteur V.
Les commandes Matlab isreal, ischar, issparse, isnan, isinf, isfinite
permettent de tester la nature des variables. Ainsi, isreal(a) renverra 1 si la
variable a est un rel et 0 sinon.
Le langage Matlab comprend les boucles du type for et while ainsi que les
structures dexcutions conditionnelles du type if. Largument dun if et dun
while est de type logique, ce qui nest pas le cas de celui dun for, qui est de
type matriciel. La commande break permet de sortir de la boucle while ou for
la plus interne.
1.8
Fonctions et fichiers .m
Les commandes Matlab peuvent toutes tre considres comme des fonctions,
cest--dire des entites nommes, qui prennent des paramtres ventuels (arguments) et qui renvoient des rsultats (valeurs de retour). Beaucoup de fonctions
Matlab, comme mean par exemple, sont en ralit crites en Matlab, et le code
Matlab correspondant est stock dans un fichier dont le nom se termine par .m.
Pour mean, il sagit de mean.m. Pour ajouter de nouvelles fonctions Matlab, il
nous suffit dcrire de nouveaux fichiers de ce type. Vous aurez compris quun
fichier .m ne contient quune seule fonction, qui a le mme nom que le fichier, au
suffixe .m prs.
Voici un code qui dfinit une fonction stat, qui prend comme paramtre un
vecteur x et qui renvoie sa moyenne et son cart type. Ce code devra tre stock
dans le fichier nomm stat.m pour que Matlab fasse le lien avec la fonction
stat. Le commentaire de la deuxime ligne constitue laide qui est affiche lorsque
lutilisateur tape help stat.
function [moyenne,ecartype]=stat(x)
%STAT Renvoie la moyenne et l\{e}cart type
du vecteur pass\{e} en argument."
n=length(x);
moyenne=sum(x)/n;
ecartype=sqrt(sum((x-moyenne)/n);
return % En fait, inutile en fin de fonction
Le fichier stat.m devra tre plac dans un rpertoire que Matlab scrutera.
En gnral, Matlab cherche automatiquement dans le rpertoire en cours. Pour
afficher le rpertoire en cours, utilisez la fonction pwd, pour lister son contenu,
10
1.9
Rcursivit
11
% la factorielle de n.
if (n<=0), fn=1; else fn=n*fact(n-1); end
Exercice 1.5 En utilisant la fonction prod, crire une fontion calculant n! de
faon non rcursive (et beaucoup plus efficace).
1.10
Fonctions en ligne
Pour des fonctions trs lgres, on peut procder autrement que par la cration
dun fichier .m : la directive inline permet de crer des fonction nouvelles la
vole. Voici un exemple :
On dfinit une nouvelle fonction trisin qui prend 3 paramtres a, b et c
trisin=inline(sin(a)*sin(b)*sin(c));
On teste notre nouvelle fonction :
trisin(pi/2,pi/4,pi/2)
Matlab dtermine automatiquement le nombre de paramtres de la fonction.
Bien entendu, une fois que vous quitterez Matlab, cette fonction sera perdue car
elle nest pas sauvegarde dans un fichier.
Exercice 1.6 Apprenez utiliser la fonction fplot pour tracer les graphes de
fonctions dfinies avec inline.
Chapitre 2
Statistique descriptive
Exercice 2.1 On se donne les sries statistiques suivantes. crire un programme
donnant pour chacune dentre elles une reprsentation graphique des donnes (diagramme en baton ou histogramme selon les cas), tracant la fonction de rpartition,
et indiquant les caractristiques de positions (mode, mdiane, moyenne, quartiles)
et de dispertion (tendue, variance, cart-type).
Mnages
1 personne
2 personnes
3 personnes
4 personnes
5 personnes
6 personnes ou plus
Somme
Effectifs
5 845 140
6 366 948
3 821 700
3 371 484
1 439 144
695 736
21 542 152
Frquences
0,2713
0,2957
0,1774
0,1565
0,0668
0,0323
1,0000
12
Classes dge
[15,17[
[17,19[
[19,21[
[21,23[
[23,25[
[25,271
[27,29[
Effectifs
800
7 000
14 350
28 000
44 000
54 800
56000
Classes dge
[29,31[
[31,33[
[33,35[
[35,37[
[37,391
[39,41[
13
Effectifs
51200
32 000
23 200
16 000
8 000
2 400
Classes dge
[41,43[
[43,45[
[45,47[
[47,49[
Effectifs
800
200
80
40
CA
860
713
563
526
441
412
377
359
356
355
331
317
298
290
289
281
279
273
271
260
251
243
Firmes
Nestl
FIAT
Sony
Honda Motor
Elf Aquitaine
NEC
Daewoo
Du Pont de Nemours
RWE
Japan Tobacco
Philips
Mitsubishi Motors
Texaco
EDF
Renault
Fujitsu
Mitsubishi Electric
ENI
Chevron
Hoeschst
Procter & Gamble
Alcatel Alsthom
CA
231
226
216
215
208
205
197
194
191
190
186
185
185
183
179
177
176
174
172
170
168
168
Firmes
PSA
BASF
ABB
Pepsico
PEMEX
Nippon Steel
Mitsubishi Heavy I.
Amoco
Bayer
Nippon Oil
BMW
Hewlett-Packard
Kansai Electric P.
Total
Conagra
Motorola
Petroleos de Venezuela
Bat industries
Boeing
Mazda Motor
Thyssen
Figure 2.3 Chiffres daffaires (en milliards de francs), en 1994, des principaux
groupes industriels mondiaux.
Xi
Yi
29
26
4
4
69
65
65
66
98
90
55
56
40
43
19
26
62
66
73
76
37
35
0
2
41
45
75
68
79
86
CA
166
159
158
158
156
156
155
150
148
144
144
139
138
137
131
123
123
122
122
120
119
Chapitre 3
Simulation de variables alatoires
Considrons une suite de chiffres x1 , x2 , ..., xn de lintervalle [0, 1] ou dentiers
entre 0 et 9. Quand peut-on dire quelle est constitue de ralisations indpendantes dune loi uniforme sur [0, 1] (resp. sur {0, ..., 9}) ? Et bien dans tout les
cas bien sr. Cependant, lintuition nous indique que ce sont les proprits "statistiques" des suites qui sont importantes, et pas celles dune suite donne... Pour
certains, une suite qui peut tre gnre par un algorithme nest pas alatoire. De
ce point de vue, une suite finie nest jamais alatoire !
Pour nous, simuler une loi de probabilit L consistera crire un programme
informatique pouvant gnrer des suites finies dont on considrera que ce sont
des ralisations indpendantes de loi L. Bien entendu, comme nous ferons appel
le plus souvent des algorithmes dterministes, les suites gnres ne seront pas
du tout alatoires et encore moins indpendantes. On parlera de suites pseudoalatoires. Cependant, elles se montrent suffisantes dans la pratique et lon pourra
vrifier exprimentalement quelles ont de "bonnes" proprits en utilisant les tests
statistiques.
La loi uniforme est la premire loi que lon simule. Diverses mthodes permettent ensuite de simuler partir de la loi uniforme, un grand nombre de lois,
plus ou moins quelconques. Dans la pratique, on met en uvre des algorithmes
rapides de gnration de suites pseudo-alatoires.
Matlab permet de simuler une loi uniforme (resp. normale) via la fonction
rand (resp. randn).
rand
randn
rand(4,4)
randn(4,4)
rand(1000,1)
3.1
15
Les gnrateurs de nombres alatoires sont trs importants dans les applications. Ils permettent dune part de simuler des phnomnes dont la modlisation
fait appel des lois de probabilits et dautre part de scuriser les changes de
donnes, dans les rseaux tlinformatiques par exemple. Dans la pratique, les gnrateurs alatoires sont bass sur des algorithmes dterministes ou encore sur une
source d"entropie" extrieure difficilement prdictible lie au fonctionnement de
la machinerie informatique (par exemple le temps sparant deux interruptions du
processeur), ces deux approches pouvant tre combines dans un mme processus.
Simuler la loi uniforme consiste produire une suite de nombres qui peuvent
tre considrs comme autant de ralisations indpendantes de variables alatoires
uniformes sur [0, 1]. Bien entendu, un algorithme est toujours dterministe lorsquon le connat, et il vaut donc mieux parler de gnrateur pseudo-alatoire de
la loi uniforme. Mathmatiquement, les n sorties successives dun tel gnrateur
seront considres comme la donne de U1 (), ..., Un () pour un o les Ui
sont des v.a.r. i.i.d. Ui : (, F, P ) [0, 1] de loi uniforme.
La mmoire des ordinateurs tant finie, il est impossible de stocker des suites
infinies. En consquence, les nombres rels sont toujours approxims, avec une
certaine prcision. Soit donc p N? qui va jouer le rle de prcision. Un rel
xn dans [0,1] scrira yn /p o yn est un entier dans {0, ..., p}. Un algorithme trs
usit pour gnrer les yn consiste utiliser la relation de rcurrence xn yn /p o
yn+1 ayn [m], a et m sont des entiers et m est assez grand.
En gnral, la priode de (yn )n est plus petite que m. Plus prcisment, si a et
m sont premiers entre eux, et si 0 < y0 < m, alors yn nest jamais nul et la priode
de (yn )n nest rien dautre que lordre de a dans Zm . On rappelle que daprs le
(petit) thorme de Fermat-Euler, lordre de a divise lindicateur dEuler de a (qui
vaut m 1 quand m est premier).
Matlab 4 utilise un algorithme de ce type pour implmenter la fonction rand
mais les versions plus rcentes de Matlab utilisent un algorithme diffrent et plus
performant. Dans certaines bibliothques de calcul scientifique, on utilise (a, m) =
(1313 , 259 ) ou encore (a, m) = (75 , 231 1).
3.2
Soit p1 , ..., pn des nombres dans [0, 1] tels que p1 + +pn = 1. En partitionnant
lintervalle [0, 1] en morceaux adjacents de longueurs p1 , ..., pn , il vient :
Thorme 3.1 (Simulation dune loi discrte support fini) Soit U une
v.a.r. de loi uniforme sur [0, 1] et P := p1 x1 + + pn xn une loi discrte o
les xi sont tous diffrents. Alors la v.a.r.
x1 I{U <p1 } + x2 I{p1 6U 6p1 +p2 } + + xn I{p1 +pn1 6U 61}
suit la loi P.
16
Exercice 3.2
(1) crire une fonction implmentant le rsultat du Thorme 3.1.
(2) Simuler, sans utiliser dinstruction conditionnelle, la loi uniforme discrte sur
{1, ..., 10}.
(3) Idem pour la loi binomiale B(n, p).
(4) Montrer que la mthode issue du Thorme 3.1 stend sans difficult aux lois
discrtes support dnombrable. Donnez un programme dillustration.
(5) Simuler la loi de Poisson.
(6) Illustrer graphiquement la convergence de la loi binomiale B(n, p) vers la loi
de Poisson P() lorsque np .
(7) Illustrer graphiquement la convergence de la loi binomiale B(n, p) vers la loi
normale N (np, p(1 p)) (thorme de Movre-Laplace).
3.3
On attribue parfois cette mthode J. von Neumann. Soit une loi L de densit
f sur R, que lon dsire simuler. Supposons que f est continue et support compact [a, b]. Le graphe de f est donc contenu dans un rectangle [a, b] [0, M ]. On
considre alors des vecteurs alatoires indpendants ((Xn , Yn ))n de loi uniforme
sur [a, b] [0, M ]. On dfinit ensuite T comme le plus petit n tel que f (Xn ) 6 Yn .
Alors on montre que T est fini presque srement et que XT a pour loi L.
Exercice 3.3 Simuler la loi uniforme sur le disque unit dans R2 par la mthode
du rejet.
3.4
3.4.1
17
3.4.2
Mthode polaire
Proposition 3.6 Soient (U1 , U2 ) un couple de loi uniforme sur le disque unit.
Posons
2 ln(U12 + U22 )
,
X
=
U
1
1
U12 + U22
s
2 ln(U12 + U22 )
X
=
U
.
2
2
U12 + U22
Alors X1 et X2 sont deux v.a.r. indpendantes de loi normale centre rduite
N (0, 1).
Exercice 3.7 En utilisant la Proposition 3.6, crire une fonction de paramtre
n simulant n ralisations de la loi normale centre rduite N (0, 1) (Indication :
simuler dabord la loi uniforme sur le disque unit par la mthode du rejet).
3.4.3
Quelques prcisions
Ces mthodes sont la fois trs classiques et... trs lentes, si bien que dans
la pratique, on utilise les mthodes du type "Marsaglia", qui semblent tre de
loin les plus performantes. Il est prfrable dutiliser la fonction Matlab randn
qui est dj toute programme et qui fait appel une mthode plus efficace. En
effet, la mthode de simulation de Box-Mller
est coteuse en temps de calcul car
elle ncessite lvaluation des fonctions log,
et cos. On peut se passer du cos
en faisant appel la mthode polaire, qui est celle utilise dans Matlab 4 pour
implmenter la fonction randn. Elle demeure cependant assezlente, en raison
la fois des 21% de rejet et de lvaluation des fonctions log et
.
Les versions 5 et 6 de Matlab utilisent plutt une mthode due Marsaglia,
appele "algorithme du Ziggurat". Elle consiste utiliser la mthode du rejet
conjointement des tables donnant une approximation de la densit gaussienne
par des rectangles. Ces tables tant prcalcules, la gnration de nombres alatoires gaussiens est trs rapide, quasiment aussi rapide que celle des nombres
alatoires uniformes.
3.5
18
3.6
La planche de Galton est une planche verticale sur laquelle sont plantes n
lignes de clous disposs en pyramide : 1 clou sur la premire ligne, 2 clous sur la
deuxime ligne,..., n clous sur la n-ime ligne. Des billes sont lches lune aprs
lautre partir du sommet. A chaque clou rencontr, la bille a
une probabilit p = 1/2 de passer droite (succs),
une probabilit 1 p = 1/2 de passer gauche (chec).
Sous la planche, les billes tombent dans n + 1 compartiments, numrots de 0
n de gauche droite, dans lesquels elles sempilent.
Soit X la variable alatoire qui chaque bille associe le numro du compartiment atteint. Ainsi, lvnement (X = k) est ralis quand la bille passe k fois
droite des clous (k succs). Il est vident que la v.a. X suit la loi binomiale
B(n, p).
Exercice 3.10
19
Chapitre 4
Statistique infrentielle
4.1
Soit X une variable alatoire sur une population dont on ne peut faire une
tude complte. On suppose que la variable alatoire X est de moyenne et de
variance finie, et on note
V [X] = 2 .
E[X] = ;
Notons que ces paramtres sont inconnues a priori. On se propose dune part, de
donner une estimation ponctuelle de ces paramtres ; dautre part, de donner un
intervalle de confiance de au niveau de confiance 1 . Pour cela, nous nous
appuyerons sur les deux rsultats thoriques suivants.
Thorme 4.1 (Loi faible des grands nombres) Soit (Xn )nN une suite de
variables alatoires indpendantes de mme loi et desprance finie. Alors
X1 + + Xn
en probabilit lorsque n +.
n
Remarque 4.2 On dit quune suite (Sn )n de v.a. converge en probabilit vers
lorsque
> 0 lim P(|Sn | > ) = 0.
n+
Thorme 4.3 (Thorme central-limite) Soit (Xn )nN une suite de variables
alatoires indpendantes de mme loi, desprance et de variance 2 finies. Posons
X1 + + Xn
n
?
X n :=
et
Zn :=
(X n ).
n N
n
Alors la suite (Zn )n converge en loi vers la loi normale N (0, 1).
Remarque 4.4 On dit quune suite (Zn )n de v.a. converge en loi vers la loi
normale lorsque
Z b
1
2
a, b R tel que a < b, on a lim P (a < Zn < b) =
ex /2 dx.
n+
2 a
20
4.1.1
21
Estimations ponctuelle
Le problme qui se pose est de donner, partir dun n-chantillon (x1 , ..., xn ),
une estimation des valeurs caractristiques dune v.a. dfinie sur une population.
Le tableau suivant donne une premire approche du problme.
valeur thorique
Moyenne
Variance
valeur empirique
n
1X
xi
me =
n i=1
n
1X
2
(xi me )2
e =
n i=1
Moyenne
valeur thorique
Variance
"meilleur" estimateur
rme
n
e2
n1
4.1.2
Intervalles de confiance
tout n-chantillon (x1 , ..., xn ) de moyenne empirique me on associe lintervalle de confiance au niveau de confiance 1 de la moyenne suivant :
In := me t , me + t ,
n
n
o t est le rel dfini par (t ) = 1 2 , avec la fonction de rpartition de la
2
loi normale N (0, 1). Noter que
r si la variance est inconnue on la remplace par
n
son "meilleur" estimateur e2
. Remarquons que lingalit de Bienaymn1
Tchebychev permet galement de trouver des intervalles de confiance, mais de
faon bien moins prcise que le thorme central-limite.
Remarque 4.5 Le rel t sobtient par le code Matlab sqrt(2)*erf(inv(1-a)).
4.1.3
22
Simulations
4.2
4.2.1
Test du 2
Ajustement par la loi binomiale
Effectifs observs
28
40
21
7
4
4.2.2
23
2. Peut-on supposer que le nombre dobjets vols suit une loi de Poisson de
paramtre = 1 ?
3. Si la rponse est oui pour la question 1., donner une estimation exprimentale
du paramtre ?
4.2.3
Exercice 4.9 A lcole X, il est connu que grce aux diffrentes notes (dont on
fait une moyenne pondre) on dtermine pour chaque tudiant sa note finale. Sur
lensemble de la promotion, la moyenne est de 10 sur 20 (prcisment) ; mais cela
cache bien des disparits :
Note finale
Moins de 5
De 5 moins de 7.5
De 7.5 moins de 9.75
De 9.75 moins de 10.25
De 10.25 moins de 12.5
De 12.5 moins de 15
15 et plus
Nombre dtudiants
2
21
36
30
37
23
1
Nb tudiants
2
21
36
30
37
23
1
Effectifs cumuls
24
Frquences cumules
ti
(b) Tracer le nuage de points (xi , ti ) : (5, t1 ), (6.25, t2 ), ..., (15, t6 ) (on prend
les milieux des classes sauf pour les extrmits).
(c) Dterminer la droite de Henry qui nest autre que la droite de rgression
de la srie (xi , tj ) (Pour cela, on peut utiliser la commande Matlab
polyfit ; voir help). En dduire les caractristiques de la loi normale
suppose : m = E(X) et = (X) (graphiquement ou (et) par calcul).
3. Tester laide du 2 la validit de cette hypothse (loi normale) en utilisant
la moyenne et lcart type obtenus ci-dessus. Noublier pas de dterminer
le degr de libert de la loi 2 et de regrouper les classes de faible effectif
(moins de 5).