• Aucun résultat trouvé

Introduction `a la biostatistique – Mat 2779 L’´et´e 2010 Solutionnaire `a l’examen d’entraˆınement de mi-session (1) Oui, par exemple si on pose P {s

N/A
N/A
Protected

Academic year: 2022

Partager "Introduction `a la biostatistique – Mat 2779 L’´et´e 2010 Solutionnaire `a l’examen d’entraˆınement de mi-session (1) Oui, par exemple si on pose P {s"

Copied!
4
0
0

Texte intégral

(1)

Introduction `a la biostatistique – Mat 2779

L’´et´e 2010

Solutionnaire `a l’examen d’entraˆınement de mi-session

(1) Oui, par exemple si on pose

P{s1}=P{s3}=P{s7}=P{s4}=P{s6}= 0, P{s5}= 1

12, P{s8}= 1 6, P{s3}=P{s9}=P{s10}= 1

4. (2) (a) Discr`ete.

(b)

1 2 3 4 5 6

0.00.10.20.30.4

FIG. 1.

(c)µ=E(X) = 1·f(1) + 2·f(2) +. . .+ 6·f(6) = 3.85.

(d) var(X) = (1−µ)2·f(1) + (2−µ)2·f(2) +. . .+ (6−µ)2·f(6) = 2.1275.

(e)σ(X) = p

var(X) = 1.458595.

(f+g) On trouve d’abord la fonction de r´epartition : F(1) = P[X ≤ 1] = 0.1, F(2) = P[X ≤2] = 0.1 + 0.05 = 0.15, et cetera :

x 1 2 3 4 5 6

F(x) 0.1 0.15 0.35 0.75 0.8 1.0

1

(2)

2

Les valeurs de F dans les intervalles [n, n+ 1) sont constantes, voir la figure 2 dans (h) ci-dessous.

Maintenant il est clair que la valeur m´ediane est4:

P[X ≤4] = 0.75≥0.5, P[X ≥4] =P{4,5,6}= 0.65≥0.5.

Ici, la valeur m´ediane est unique. Par exemple, 3 n’est pas une m´ediane carP[X ≤ 3] = 0.35<0.5, tandis que5ne l’est pas carP[X ≥5] = 0.25<0.5.

(h)

0 2 4 6 8

0.00.20.40.60.81.0

fonction de distribution cumulative

x

F(x)

FIG. 2.

(i)0.65.

(j)0.65.

(k)Q1 = 3, randis que4et5satisfont tous les deux ma d´efinition deQ3. Pour cette raison, on poseQ3 = 4.5, leur moyenne arithm´etique. (Merci `a Marie-Pier pour avoir remarqu´e que 5est une valeur possible pourQ3et pas seulement4).

(l) La figure 3 montre la boˆıte `a moustache que j’ai produit sans utiliser R. C’est une boˆıte

`a moustache corr´espondant `a une variable al´eatoire discr`ete plutˆot qu’`a un ´echantillon de donn´ees. L’usage d’une telle boˆıte dans ce contexte n’est pas habituel.

(m) Il suffit de noter que les valeurs possibles de la v.a.X2 sont les carr´es des valeurs de X, et la probabilit´eP[X2 =a2]est ´egale `aP[X =a]. De cette mani`ere, on obtient :

x 1 4 9 16 25 36

f(x) 0.1 0.05 0.2 0.4 0.05 0.2

(n) var(2X) = 22var(X) = 4·2.1275 = 8.52. La variance est une fonction quadratique.

(o) Non : si on pose Y = X, o`u X est notre variable, on obtient que var(X +Y) = var(2X) = 4varX 6=varX+varX.

(3) Un calcul un peu fatiguant.Xa pour valeurs0,1,2,3. On a :

-P[X= 0]est la probabilit´e de tirer uniquement des g´elules blanches : 12 ·23 · 34 = 14.

(3)

3

1 2 3 4 5 6

FIG. 3.

-P[X = 1]est la probabilit´e de la r´eunion de trois ´ev`enements :RBB, BRB, BBR, qui est ´egale `a

1 2· 2

3 ·3 4 +1

2 · 1 3· 3

4 +1 2 ·2

3 · 1 4 = 11

24. Et cetera. La r´eponse :

X 0 1 2 3

f(x) 246 11 24

11 24

1 24

(4) (a) Non (comme on a not´e dans la classe d’hier).

(b) On utilise la formule de Bayes pour obtenir : P(MkB+) = 4

31.

(5) Soit X le nombre des r´eponses corr´ectes. La loi deX est binˆomiale, avec N = 6 et p = 13. Pour chaque probl`eme, le choix est entre une r´eponse correcte (avec la probabilit´e p= 1/3, car elle est choisie au hasard), et la r´eponse incorrecte (avec la probabilit´eq= 2/3).

La formule pour la probabilit´e de l’´ev`enement[X = i] peut ˆetre trouv´ee dans les notes de cours 6, page 3 (cf. exemple 5.2). On a donc,

P[X ≥3] = 1−P(0)−P(1)−P(2) = 1−(2/3)6−6·(1/3)(2/3)5−15·(1/3)2(2/3)4 = 0.3196159.

Ici,6 =C61et15 =C62sont les coefficients binomaux.

En effet,31%, c’est pas si mal que c¸a !

(6) La fonction gausienne est sym´etrique autour de sa moyenne. On en conclut que 160 et 172 sont deux valeurs sym´etriques autour de la moyenne, qui doit ˆetre ´egale `a

160 + 172

2 = 166.

De plus, nous avions mentionn´e que l’aire de la courbe sous l’intervalle [µ−σ, µ+σ] est environ 68%, qui indique que la diff´erence entreµ = 166est160 (ou bien 172) est ´egale `a l’´ecart-type :σ = 6.

(4)

4

(7) Ici on peut dire beaucoup. Il faut surtout payer attention `a la tendance centrale (c.`a.d. : qu’est-ce qui se passe avec les moyennes ?), ainsi qu’`a la tendence de dispersion (qu’est- ce qui se passe avec les dispersions des ´echantillons, comme exprim´ee par exemple par les I.I.Q.) ? Je vous laisse une analyse plus d´etaill´ee...

(8) Notons les diagrammes sur la figure 3 par (a) et (b), et sur la figure 4 par (c) et (d) (c’est ce que j’ai oubli´e `a faire). Alors, les diagrammes (a) et (b) sont plus ou moins sym´etriques ; (a), (c) et (d) sont assur´ement unimodales ; (b) est bimodale ; (c) est d´es´equilibr´e vers la gauche ; (d) est d´es´equilibr´e vers la droite.

(9) La r´eponse correcte est (g).

Références

Documents relatifs

Le test quantile-quantile, ou le test QQ, trace les points x i contre les n-quantiles cor- respondantes y i de la loi normale ayant la mˆeme moyenne et le mˆeme ´ecart-type que

Par contre, les r´esultats pour la distribution de la dur´ee du sommeil sans rˆeve (figure 2) favourisent l’hypoth`ese de normalit´e de la distribution. La normalit´e de

On a besoin d’un objet du type data.frame et pas une matrice parce que la fonction mean calcule la moyenne d’un data.frame colonne par colonne, en d’autres mots, pour

Mais la structure du test d’hypoth`ese, d´etermin´ee par le choix de H 0 et de H 1 , est telle que, mˆeme s’il est vrai que le moyen du tour de taille s’est r´eduit,

On veut rejeter l’hypoth`ese nulle H 0 , et avec ce but on en d´eduit une chose quasi impossible, improbable, en calculant la valeur p, qui est la probabilit´e d’observer une

Notons π 1 la proportion des employ´es qui arrˆetent de fumer chaque an de tous les entreprises (disons nord-am´ericaines) avec l’interdiction de fumer, et π 2 la proportion

Chaque ´echantillon est extrait d’une population dans laquelle la variable qui nous int´eresse a une valeur moyenne (la moyenne de la population) inconnue µ 1 , resp... Comme

(a) Si une personne est tir´e au hasard de cette population, quelle est la probabilit´e qu’elle soit test´ee positive pour cette type de cancer.. (b) Calculez la probabilit´e que