Chapitre 13. - Statistiques et probabilités
4.3 Exemple de calcul utilisant les lois géométriques. se trouve ici en présence d'une variable aléatoire suivant une loi hypergéométrique de paramètres.
5. Quelques lois discrètes
Loi hypergéométrique. 5. Loi de Poisson Comme le calcul de FX(x) est fastidieux lorsque que n est grand ... Loi binomiale : calcul avec des logiciels.
Lois de probabilités avec la calculatrice graphique Graph 35+ USB
Appuyer sur CALC à l'aide de la touche q pour lancer le calcul. En 10 lancers la probabilité d'atteindre 3 fois le centre est d'environ 0.057. b) Loi binomiale
Loi hypergéométrique et loi normale. Comparaison dans les grands
19 août 2017 ligne 3e colonne
Note sur lapproximation de la loi hypergéométrique par la formule
28 nov. 2012 par Charles Muller et qui est ici comparée avec la loi hypergéométrique. Deux applications sont examinées : le calcul de l'accroissement du ...
? = ? = ? xn? p yp ? =
Histogramme : Deux exemples d'histogramme de loi hypergéométrique : a) Montrer que lors du calcul de P(X = 3) la réponse peut être con-.
Utiliser sa calculatrice graphique pour LES PROBABILITES - Le
Les différentes lois étudiées notamment en classe de BTS
Probabilités et statistiques Utilisation de la TI-NSPIRE dans le cadre
Dans une fenêtre de calcul on peut obtenir chacune des quantités obtenues par l'opération La loi hypergéométrique n'est pas configurée dans la TI.
Note sur lapproximation de la loi hypergéométrique par la formule
28 nov. 2012 par Charles Muller et qui est ici comparée avec la loi hypergéométrique. Deux applications sont examinées : le calcul de l'accroissement du ...
Mathématiques 2 PSI
Calculatrice autorisée. 2021 La partie I introduit la notion de suites et séries hypergéométriques. ... V Loi hypergéométrique.
[PDF] 5 Quelques lois discrètes - GERAD
Loi de Bernoulli 2 Loi binomiale 3 Loi géométrique 4 Loi hypergéométrique 5 Loi de Poisson MTH2302D: Lois discr`etes
[PDF] Chapitre 6 : Quelques lois discrètes - JavMathch
On considère que la loi hypergéométrique X = H(N ; n ; p) est presque identique à la loi binomiale B(n ; p) si 20n ? N Dans un village de 5'000 habitants on
[PDF] Probabilités - Université de Limoges
3 2 Loi de probabilité d'une variable aléatoire 4 4 Loi hypergéométrique H (Nn p) Le calcul de la variance est aussi très direct :
[PDF] Probabilités et statistique
Sa loi est déterminée par sa fonction de masse conjointe : p(xkyj) = P{? : X(?) = xkY (?) = yj} Les fonctions de masse marginales des composantes sont alors
[PDF] Note sur lapproximation de la loi hypergéométrique par la formule
28 nov 2012 · Deux applications sont examinées : le calcul de l'accroissement du vocabulaire dans des corpus et le prélèvement aléatoire d'un grand nombre d'
[PDF] Loi hypergéométrique et loi normale Comparaison dans les - HAL
19 août 2017 · Nous avons pu calculer que le coût de la loi hypergéométrique est en effet 100 fois supérieur à celui de la loi normale et le tableau ci-dessous
[PDF] Probabilités et Statistique
19 sept 2018 · Ce lemme montre qu'il est possible de remplacer la loi hypergéométrique de paramètres Nb et n par une loi binomiale de paramètres n et p
Loi hypergéométrique - Wikipédia
Calcul de la loi de probabilitéModifier Il s'agit d'un tirage simultané (c'est-à-dire non ordonné et sans remise même si la
[PDF] Chapitre - Cours
Le deuxième écran montre le calcul de l'espérance mathématique de la loi géométrique de paramètre p l'utilisation de geomPdf ne permet pas ici d'obtenir le
[PDF] Probabilités de base
4 5 1 Approximation de la loi hypergéométrique par la binomiale 88 vent à des calcul de cardinaux d'ensembles c-à-d à des problèmes de dénom- brement
Comment utiliser la loi hypergéométrique ?
En théorie, c'est la loi hypergéométrique qui devrait être utilisée dans la plupart des situations concrètes. Par exemple, si l'on effectue un contrôle de qualité sur une tonne de patates, on ne remet pas dans le tas une patate qui vient d'être contrôlée avant d'en tirer au sort une deuxième…Quand peut considérer que l'approximation d'une loi binomiale par une loi normale est satisfaisante ?
Approximation d'une loi binomiale par une loi normale. Lorsque le paramètre n est grand, et que p est ni trop proche de 0, ni trop proche de l, on peut approcher la loi binomiale de paramètres n et p par la loi normale de paramètres np et -Jnp( l-p).Quels sont les lois discrètes ?
La loi uniforme discrète décrit un tirage aléatoire à n résultats possibles équiprobables : pile ou face, dé, roulette de casino, tirage d'une carte. La loi triangulaire discrète décrit la somme de deux uniformes indépendantes de même paramètre : résultat du jet de deux dés.- Une variable aléatoire X est une variable aléatoire de Bernoulli lorsqu'elle est à valeurs dans {0;1} où la valeur 1 est attribuée au succès. On dit alors que X suit la loi de Bernoulli de paramètre p. Autrement dit, on a P(X=1)=p et P(X=0)=1?p.
École de technologie supérieure
Service des enseignements généraux
Local B-2500 514-396-8938
Site internet: http://www.seg.etsmtl.ca
MAT350
Probabilités et statistiques
Utilisation de la TI-NSPIRE
dans le cadre du cours MAT350Par Sylvie gervais
Rédigé en juin 2012
Table des matières1 PREMIÈRE PARTIE1
1.1 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 1
1.1.1 Données présentées en série . . . . . . . . . . . . . . . . . . . . . .. . . . 1
1.1.2 Données groupées par valeurs ou en classes . . . . . . . . . .. . . . . . . 4
1.2 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 7
1.3 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 8
1.3.1 Variables aléatoires générales . . . . . . . . . . . . . . . . . .. . . . . . . 8
1.3.2 Quelques modèles discrètes . . . . . . . . . . . . . . . . . . . . . .. . . . 10
1.3.3 Quelques modèles continus . . . . . . . . . . . . . . . . . . . . . . .. . . 14
2 DEUXIÈME PARTIE17
2.1 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 17
2.2 Tests d"hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 21
2.3 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . 35
2.3.1 Régression linéaire simple . . . . . . . . . . . . . . . . . . . . . .. . . . . 35
2.3.2 Régression linéaire multiple . . . . . . . . . . . . . . . . . . . .. . . . . . 50
Annexe55
A.1 Classeurs, activités et pages . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . 55 A.2 Quelques commandes de base . . . . . . . . . . . . . . . . . . . . . . . . .. . . . 55Bibliographie57
Index57
iii Partie 1PREMIÈRE PARTIE1.1 Statistiques descriptives1.1.1 Données présentées en série Voyons à partir d"un exemple comment obtenir les statistiques descriptives lorsque les données sont présentées en série.Exemple 1.1
Étude des résultats obtenus par un groupe d"étudiants: 74, 80, 35, 71, 100, 75, 68, 81, 77 et 70.
1. Ouvrir unTableur & listes: [CTRL] [doc] [4]
2. Entrer les résultats dans une colonne et nommer cette colonne "notes" tel qu"illustré ci-
dessous:3. Les fonctions de cette sections se trouvent dans le menuStatistiques/Calcul statistique/
Statistiques à une variable: [menu] [4] [1] [1] 12PARTIE 1. PREMIÈRE PARTIE
4. Remplir les informations demandées tel qu"illustré ci-dessous:
5. On obtient alors les mesures échantillonnales suivantes:
6. Dans une fenêtre de calcul, on peut obtenir chacune des quantités obtenues par l"opération
précédente. Ouvrir une fenêtreCalculs: [CTRL] [doc] [1] et en appuyant sur la touche [var], on retrouve la terminologie utilisée par défaut pour ces quantités. Par exemple, si on veutobtenir la variance des notes, qui est l"écart-type au carré, on procède de la façon suivante:
1.1. STATISTIQUES DESCRIPTIVES3
Remarques:
• On aurait pu aussi obtenir les différentes statistiques descriptives précédentes à partir d"une
feuille de calculs. Une fois les données entrées dans une liste, à partir d"une feuille de calculs,
sélectionner [menu] [6] [1] [1].• Il sera commode éventuellement dans le cours de trier une colonne de données. Pour ce faire,
il suffit de placer le curseur dans la cellule titre de la colonne et de sélectionner [menu] [1] [6] tel qu"illustré ci-dessous. Voyons maintenant comment obtenir un graphique pour illustrer ces données.1. Ouvrir unDonnées & statistiques: [CTRL] [doc] [5]
2. Placer le curseur dans le rectangle "Cliquer pour ajouterune variable". Sélectionner la
variable "notes".4PARTIE 1. PREMIÈRE PARTIE
3. Pour faire une boîte à moustaches, sélectionnerMenu/Type de tracé/Boîte à moustaches:
[menu] [1] [2]4. Pour rajouter un titre:Menu/Actions/Insérer du texte: [menu] [3] [3]
5. Pour modifier l"échelle du graphique:Menu/Fenêtre & Zoom/Réglage de la fenêtre: [menu]
[5] [1]1.1.2 Données groupées par valeurs ou en classes
Exemple 1.2
On s"intéresse au nombre d"erreurs d"assemblage d"un échantillon de 396 appareils. On a observé
les résultats suivants:Nombre d"erreurseffectifs
0751123
294
360
435
59
Total396
1. Ouvrir unTableur & listes: [CTRL] [doc] [4]
2. Entrer les résultats dans deux colonnes et les nommer "x" et "effectifs" tel qu"illustré ci-
dessous:1.1. STATISTIQUES DESCRIPTIVES5
3. Les fonctions de cette sections se trouvent dans le menuStatistiques/Calcul statistique/
Statistiques à une variable: [menu] [4] [1] [1]4. Remplir les informations demandées tel qu"illustré ci-dessous:
5. On obtient alors les mesures échantillonnales suivantes:
6PARTIE 1. PREMIÈRE PARTIE
6. Pour faire un graphique illustrant ces données, ouvrir unDonnées & statistiques: [CTRL]
[doc] [5]7. Pour tenir compte qu"il ne s"agit que d"une variable avec ses effectifs associés, sélectionner
[CTRL] [menu] et choisir "Ajouter une variable X avec liste récapitulative".8. Remplir les informations demandées tel qu"illustré ci-dessous. On obtient alors par défaut
un histogramme, graphique qu"il faudra modifier pour obtenir un diagramme à bâtons.9. Pour obtenir un diagramme à bâtons, il faut ajuster la largeur des rectangles en sélection-
nantMenu/Propriétés du tracé/Propriétés de l"histogramme/Réglage des rectangles: [menu] [2] [2] [2]10. Et on obtient alors le diagramme à bâtons illustrant ces données.
1.2. PROBABILITÉS7
11. Pour transférer des données à partir d"Excel sur la Nspire, brancher la calculatrice sur un
poste sur lequel le logiciel est installé. Par la suite, copier le fichier dans le répertoire de la
calculatrice via l"onglet "Contenu".1.2 Probabilités
1. Ouvrir une feuilleCalculs: [CTRL] [doc] [1]
2. Les fonctions de cette sections se trouvent dans le menuprobabilités: [menu] [5]
Formules de dénombrement
8PARTIE 1. PREMIÈRE PARTIE
1. Unepermutationdenobjets distincts représente le nombre de façons différentesde
disposer cesnobjets et se calcule de la façon suivante: n! =n(n-1)(n-2)···2·1 Menu de la TIDirectement dans la feuille de calculs [menu] [5] [1]n!2. Le nombre decombinaisonsdekobjets parmin, notéCnk, représente le nombre de façons
de choisirkobjets parminobjets distinctsen ne tenant pas compte de l"ordre. On calculeCnkde la façon suivante: C nk=n! k!·(n-k)! Menu de la TIDirectement dans la feuille de calculs [menu] [5] [3]nCr(n,x)3. Le nombre d"arrangementsdekobjets parmin, notéAnk, représente le nombre de façons
de choisirkobjets parminobjets distinctsen tenant compte de l"ordre. On calcule A n kde la façon suivante: A n k=n! (n-k)! Menu de la TIDirectement dans la feuille de calculs [menu] [5] [2]nPr(n,x)Exemple 1.3
a) Considérons un jeu de cartes de 52 cartes (sans les jokers). On choisit 5 cartes au hasard. De combien de façons différentes peut-on disposer les 5 cartes choisies dans nos mains? b) Combien de mains de 5 cartes différentes est-il possible d"obtenir?c) On veut étiqueter les pièces produites par un robot à l"aide d"un code comprenant 4 lettres
différentes (de A à Z). De combien de codes différents dispose-t-on?Solution :
1.3. VARIABLES ALÉATOIRES9
BONUSSi on revient au problème de cartes et que le tirage se fait avec remise, combien de mains de 5 cartes est-il maintenant possible d"obtenir?1.3 Variables aléatoires
1.3.1 Variables aléatoires générales
On peut utiliser la TI pour calculer l"espérance et la variance d"une variable aléatoire générale
discrète. Pour illustrer la procédure, considérons l"exemple suivant.Exemple 1.4
Considérons un dé truqué de façon telle que la probabilité d"obtenir un 6 est deux fois plus élevée
que celle d"obtenir chacune des autres faces. Calculer l"espérance et la variance du résultat du
lancé de ce dé.Solution :
1. Ouvrir unTableur & listes: [CTRL] [doc] [4]
2. Entrer le support deXdans une colonne et la fonction de masse dans une autre colonne.
3. Calculer l"espérance et l"écart-type de la variable aléatoireXà partir de l"utilitaire de
calculs statistiques: [menu] [4] [1] [1]10PARTIE 1. PREMIÈRE PARTIE
4. Dans la colonne qui contient les résultats (identifiée à lafenêtre précédente), on obtient
l"espérance (μ) et l"écart-type (σ) de la variable aléatoireXaux endroits identifiés ci-
dessous:5. Dans la fenêtre de calcul, on peut obtenir chacune des quantités obtenues par l"opération
précédente. En appuyant sur la touche [var], on retrouve la terminologie utilisée par défaut
pour ces quantités. On peut ainsi calculer la variance de la façon suivante:1.3. VARIABLES ALÉATOIRES11
1.3.2 Quelques modèles discrètes
1. Ouvrir une feuilleCalculs: [CTRL] [doc] [1]
2. Les fonctions de cette sections se trouvent dans le menuprobabilités: [menu] [5] [5]
Tableau 1.1Quelques modèles discrets
LoisProbabilité
recherchéeMenu TIAppel direct de la fonctionBinomiale
X≂B(n,p)
P(X=c)[menu] [5] [5] [D]binomPdf(n,p,c)
Poisson
X≂P(λ)
P(X=c)[menu] [5] [5] [H]poissPdf(λ,c)
Géométrique
X≂Geom(p)
P(X=c)[menu] [5] [5] [F]geomPdf(p,c)
12PARTIE 1. PREMIÈRE PARTIE
Remarques:
1. Si la TI est configurée en français, on trouvera les noms suivants dans les menus (DdP au
lieu de Pdf et FdR au lieu de Cdf). Cependant, lorsqu"on appelle directement la fonction, on doit utiliser le nom anglais, même si la calculatrice est configurée en français.2. Pour les lois discrètes, la TI ne prend pas∞dans les paramètres. Ainsi, pour calculer
P(X≥x), il suffit d"utiliser le fait queP(X≥x) = 1-P(X < x).3. La loi hypergéométrique n"est pas configurée dans la TI. Onpeut toujours faire les calculs
en utilisant la fonction de masse ou encore programmer les deux fonctions suivantes.3.1 Ouvrir l"éditeur de programmes et fonctions: [menu] [9][1] [1]
3.2 Créer la fonctionhpgPdf
3.3 Faire [CTRL] [6] pour ne plus avoir l"écran divisé en deux. Construire la fonction tel
qu"illustré ci-dessous. Ne pas oublier de vérifier la syntaxe et d"enregistrer la fonction [menu] [2] [1]1.3. VARIABLES ALÉATOIRES13
3.4 Construire la deuxième fonctionhpgCdffonction tel qu"illustré ci-dessous. Nouveau
programme [menu] [9] [1] [1], [CTRL] [6] pour ne plus avoir l"écran divisé en deux et [menu] [2] [1] pour vérifier la syntaxe et enregistrer la fonction.3.5 Il faut ensuite enregistrer le classeur dans Mylib [CTRL] [save] et rafraîchir les
bibliothèques pour avoir accès à la fonction dans le catalogue [doc] [6].3.6 Les deux fonctions seront maintenant disponibles dans le catalogue en tout temps
[catalogue] [6].14PARTIE 1. PREMIÈRE PARTIE
Exemple 1.5
Calculer les probabilités suivantes:
a)P(X= 3) siX≂B(10,1/3), b)P(X≥5) siX≂P(2),Solution :
1.3.3 Quelques modèles continus
1. Ouvrir une feuilleCalculs: [CTRL] [doc] [1]
2. Les fonctions de cette sections se trouvent dans le menuprobabilités: [menu] [5] [5]
1.3. VARIABLES ALÉATOIRES15
Tableau 1.2Quelques modèles continus
Normale
X≂N(μ,σ2)
Menu TI[menu] [5] [5] [2][menu] [5] [5] [3]
Estimation
tests d"hypothèsesStudent
X≂tν
Menu TI[menu] [5] [5] [5][menu] [5] [5] [6]
Estimation
tests d"hypothèsesFonctiontCdf(a,b,ν)invt(α,ν)
Khi-deux
X≂χ2ν
Menu TI[menu] [5] [5] [8][menu] [5] [5] [9]
Tests d"ajustementFisher
X≂Fν1,ν2
Menu TI[menu] [5] [5] [B][menu] [5] [5] [C]Test d"égalité des variancesRégression linéaire
ANOVARemarques:
1. La loi exponentielle n"est pas définie dans la TI. On peut construire une fonctionexpCdf
(voir la procédure présentée pour créer les fonctionshpgPdfethpgCdfdans la section des modèles discrets). On peut toutefois tout simplement utiliser le fait que siX≂Exp(θ), on a alors2. Pour les lois inverses, la quantitéαreprésente la surfaceà gauchedu point recherché.
Exemple 1.6
Supposons que la taille des étudiants de l"ÉTS est distribuée selon une loi normale de moyenne
168 cm et d"écart-type 10 cm. On veut former une équipe de basketball constituée des 10% des
étudiants les plus grands. À partir de quelle taille peut-onprétendre faire partie de l"équipe?
16PARTIE 1. PREMIÈRE PARTIE
Solution :
Partie 2DEUXIÈME PARTIE2.1 Estimation
1. Ouvrir unTableur & listes: [CTRL] [doc] [4]
2. Les outils utilisés pour l"estimation se trouvent dans lemenuStatistiques/Intervalles de
confiance: [menu] [4] [3] où chacun de ces choix représentent les intervalles de confiance dans les contextes suivants: 1718PARTIE 2. DEUXIÈME PARTIE
Utilitaire d"intervalles de confiance
1: Z-IntervalleI.C pour une moyenneμdans le cas oùσest connu
2: t-IntervalleI.C pour une moyenneμdans le cas oùσest inconnu
3: Z-intervalle sur 2 échantillonsI.C pour la différence de deux moyennesμ1-μ2dans le
cas où les écarts-typesσ1etσ2sont connus4: t-intervalle sur 2 échantillons
I.C pour la différence de deux moyennesμ1-μ2dans le cas où les écarts-typesσ1etσ2sont inconnus et supposés égaux (groupé = oui) ou non supposés égaux (groupé = non)5: Z-intervalle pour une proportionI.C pour une proportionp
6: Z-intervalle pour 2 proportionsI.C pour la différence de deux proportionsp1-p2(ce
sujet n"est pas couvert dans le cours)7: t-intervalles régression linéaire
I.C pour estimer la pente de la droite de régression linéaire simple ou pour estimer une prévision toujours dans le cadre de la régression linéaire simple (voir les détails dans le chapitre sur la régression)8: Intervalles régression multipleI.C dans le cadre de la régression multiple (voir les détailsdans le chapitre sur la régression)
Dans le cadre du cours, on utilise ces outils dans les différentes situations suivantes. Utilitaire d"intervalles de confiance dans le cadre du coursParamètresCasMenu TI
μσconnu[menu] [4] [3] [1]
σinconnu[menu] [4] [3] [2]
μ1-μ2
Les variancesσ21etσ22sont connues[menu] [4] [3] [3]Les variancesσ21etσ22sont inconnues mais
supposées égales[menu] [4] [3] [4]Groupé = OUI
Les variancesσ21etσ22sont inconnues mais
non supposées égales[menu] [4] [3] [4]Groupé = NON
pToujours[menu] [4] [3] [5]β1ou une
prévisiony0Dans le cadre de la régression (voir la section sur la régression)[menu] [4] [3] [7] Illustrons comment utiliser ces fonctions dans le cadre d"un exemple.2.1. ESTIMATION19
Exemple 2.1
Des essais sur la durée de vie en heures de 16 ampoules ont donné les résultats suivants:434, 405, 451, 423, 431 , 463, 418, 425, 423, 438, 422, 407, 394, 444, 419, 433.
a) Estimer par un intervalle de confiance de niveau 95% la durée de vie moyenne de ce type d"ampoules. b) Quelle est la marge d"erreur?c) Quelle aurait dû être la taille de l"échantillon pour que l"erreur d"estimation ne dépasse pas
6 heures dans 19 cas sur 20?
Solution :
Dans ce problème, on veut estimer unemoyennedans le cas où l"écart-type dans la populationestinconnu([menu] [4] [3] [2]). Pour répondre à ces questions, il faut d"abord exécuter l"utilitaire
d"intervalles de confiance de la façon suivante.1. Entrer les données dans une liste
2. Sélectionner: [menu] [4] [3] [2] et choisir l"optionDonnées
Lorsqu"on ne dispose que des résultats échantillonnaux (¯xets), on choisit l"optionStats.3. Remplir les informations demandées tel qu"illustré ci-dessous.
4. On obtient alors les résultats suivants
20PARTIE 2. DEUXIÈME PARTIE
On peut maintenant répondre aux questions demandées. a) L"intervalle de confiance est donné par [417.582;436.168]. b) La marge d"erreur estME=tn-1;α/2s
⎷n= 9.29256. c) Avec ces 16 ampoules, on a obtenu une marge d"erreur de 9.29heures. On cherche doncnME=tn-1;α/2s
Avec la fonctionsolvede la TI, on obtient
Remarques:
1. Cet utilitaire ne tient pas compte du facteur de correction. Il faut donc être en mesure de
construire les intervalles de confiance sans utiliser cet outil. Par exemple, si nous avionseu un facteur de correction dans l"exemple précédent, l"intervalle à calculer aurait été:
¯x±tn-1;α/2s
⎷n?1-nN. Toutes ces quantités s"obtiennent facilement avec la TI: ¯xetspeuvent être obtenus à partir de l"utilitaire decalculs statistiques[menu] [4] [1] [1] (voir la section des statistiques descriptives) ettn-1;α/2est tout simplement la fonctioninvt(1-α/2,n-1).2.2. TESTS D"HYPOTHÈSES21
2. Dans la fenêtre de calculs, on peut obtenir chacune des quantités obtenues par l"utilitaire
d"intervalles de confance. En appuyant sur la touche [var], on retrouve la terminologie utilisée par défaut pour ces quantités. On peut ainsi, par exemple, obtenir les bornes de l"intervalle de confiance directement dans une feuille de calculs de la façon suivante.2.2 Tests d"hypothèses
1. Ouvrir unTableur & listes: [CTRL] [doc] [4]
2. Les outils utilisés pour les tests d"hypothèses se trouvent dans le menuStatistiques/Tests
statistiques: [menu] [4] [4] où chacun de ces choix représentent les tests d"hypothèses dans les contextes suivants:22PARTIE 2. DEUXIÈME PARTIE
Utilitaire de tests statistiques
quotesdbs_dbs35.pdfusesText_40[PDF] nom resultat addition
[PDF] loi uniforme exemple
[PDF] variance loi uniforme démonstration
[PDF] fonction de répartition loi uniforme discrète
[PDF] variable statistique discrète
[PDF] la leçon (pièce de théâtre)
[PDF] ionesco la cantatrice chauve
[PDF] ionesco mouvement littéraire
[PDF] ionesco rhinocéros résumé
[PDF] fonction de service technologie 5ème
[PDF] fonction de service d'une maison
[PDF] fonction de contrainte
[PDF] différence entre fonction de service et fonction technique
[PDF] difference entre fonction de service et fonction d'usage