Cours de Probabilités et statistiques L Maths-PC-SVT

Dimension: px
Commencer à balayer dès la page:

Download "Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT"

Transcription

1 Cours de Probabilités et statistiques L Maths-PC-SVT Université d Avignon Fichier dispo sur

2 Une étude statistique dans la population montre que le Q.I. est réparti de la manière suivante:

3 Les billes qui tombent sur la planche de Galton s amassent en faisant un curieux dessin...

4 Le lien entre ces deux phénomènes sans rapport semble être cette courbe en cloche :

5 La courbe en cloche, encore appelée Gaussienne, est une découverte du mathématicien allemand Carl Friedrich Gauss ( ). On lui doit beaucoup de travaux sur les probabilités, notamment sur le Théorème Central Limite qui est le sujet principal de ce cours...

6 Combinatoire et dénombrements Faire des calculs de probabilités, c est d abord compter...le but de ce court chapitre est de faire quelques rappels de combinatoire. Soit E un ensemble fini, par exemple E = {1, 2,..., n}. On appelle cardinal de E le nombre d éléments de E, noté Card(E). Ici on a Card(E) = n.

7 Arrangements avec répétition. C est le nombre de facons de choisir k objets, ordonnés, que l on peut répéter, parmi un ensemble E de n objets. C est aussi Card(E } E {{... E } ) et c est n k. k fois Exemple 1: le nombre de mots de 5 lettres pris dans un alphabet de 26 c est 26 5 = Ici E = {a, b, c, d,..., x, y, z}. Exemple 2: On jette un dé à 6 faces 3 fois, il y a 6 3 = 108 possibilités. Ici E = {1, 2, 3, 4, 5, 6}.

8 Arrangements sans répétition. C est le nombre de facons de choisir k objets, ordonnés, sans répétition, parmi un ensemble E de n objets. on le note A k n et on a A k n = n(n 1)(n 2)... (n k + 1). En utilisant la notation factorielle, n! = n(n 1)(n 2) , on a aussi A k n = n! (n k)!. Exemple: le nombre de tiercés possibles: 20 chevaux au départ, il y a A 3 20 = = 6840 possibilités. E = {1, 2,..., 20}.

9 Permutations. C est le nombre de facons d ordonner un ensemble à n éléments, et c est n!. C est aussi le nombre de bijections E E. Exemple: le nombre de facons d attribuer des chaises à 10 convives autour d une table est 10! = La fonction n! croit très vite. Une bonne approximation est la formule de Stirling: n! ( n ) n 2πn. e

10 Combinaisons. C est le nombre de facons de choisir k éléments, sans répétitions et sans ordre parmi n éléments. On le note Cn k et on a Cn k n! = k!(n k)!. Exemple 1: au loto il y a C49 6 tirages possibles, C 6 49 = = Exemple 2: le nombre de facons de choisir 3 boules dans une urne (sans remise et sans ordre) en comprenant 6 est C 3 6 = 20.

11 Les coefficients C k n sont aussi appelés coefficients binomiaux. Ils vérifient la formule de récurrence C k 1 n + C k n = C k n+1. Cette formule sert à remplir le Triangle de Pascal :

12 Formule du binome de Newton. Les coefficients C k n interviennent dans le développement de (a + b) n. On a la formule dite du Binome: (a + b) n = n Cn k a k b n k k=0 = b n + C 1 nab n 1 + C 2 na 2 b n C n 1 n a n 1 b + a n. Par exemple en lisant le triangle de Pascal on a (a + b) 4 = b 4 + 4ab 3 + 6a 2 b 2 + 4a 3 b + a 4.

13 Probabilités Pour faire des probabilités il faut commencer par décrire l ensemble des événements ou espace fondamental Ω. Si ω Ω, on dit que ω est un événement élémentaire ou atome. Un événement A est une partie de Ω, A Ω. Exemple: On lance un dé a six faces. L espace fondamental décrit l ensemble des lancés possibles: Ω = {1, 2, 3, 4, 5, 6}. A = {1, 2} Ω est l événement "obtenir 1 ou 2".

14 Opérations sur les événements. Si A Ω est un événement, on note A le complémentaire dans Ω de A: A = {ω Ω : ω A}. Si A, B sont des événements, A B est l union de A et B. A B = {ω Ω : ω A ou B}. Si A, B sont des événements, A B est l intersection de A et B. A B = {ω Ω : ω A et B}.

15 Mesure de probabilité. Une mesure de probabilité est une application P qui à un événement A Ω associe un réel P(A) [0, 1], appelé probabilité de A. On impose qu elle vérifie: P(Ω) = 1. Pour tout A, B Ω avec A B =, P(A B) = P(A) + P(B). Par conséquent, on a toujours P(A) = 1 P(A), et donc P( ) = 0. On dit que deux événements A et B sont indépendants si P(A B) = P(A)P(B).

16 Probabilité combinatoire. Si l espace fondamental Ω est fini: Ω = {ω 1, ω 2,..., ω N }, on peut définir une mesure de probabilité sur Ω en posant P(A) := Card(A) Card(Ω) Nombre de cas favorables =. Nombre total de cas Exemple 1: On lance un dé à six faces. Quelle est la probabilité d avoir un chiffre pair? On a Ω = {1, 2, 3, 4, 5, 6}, et donc P( chiffre pair ) = Card({2, 4, 6}) Card(Ω) = 1 2.

17 Exemple 2: On choisit 4 cartes dans un jeu de 52. Quelle est la probabilité d avoir au moins un roi? Ici Ω est l ensemble des tirages de 4 cartes parmi 52. On a Card(Ω) = C Pour calculer P( au moins un roi ), on passe à l événement complémentaire: P( au moins un roi ) = 1 P( Aucun roi ) = 1 C4 48 C 4 52 = = 0,

18 Probabilités conditionnelles. Soit P une mesure de probabilité sur un espace fondamental Ω. Soient A, B des événements. On appelle probabilité conditionnelle de A sachant B, noté P(A B) la quantité: P(A B) = P(A B). P(B) Bien sur on suppose que P(B) 0.

19 Exemple: On jette deux dés. Quelle est la probabilité que la somme fasse 5 sachant que l un des deux marque 3? On pose A = la somme fait 5, B = un des dés marque 3. On a Ω = {1,..., 6} {1,..., 6}, A = {(1, 4); (2, 3); (3, 2); (4, 1)}, B = {(3, 1); (3, 2);... ; (3, 6)} {(1, 3); (2, 3);... ; (6, 3)}, Ainsi on a A B = {(2, 3); (3, 2)}. P(A B) = P(A B) P(B) = Card(A B) Card(B) = 2 = 0,

20 Formule de Bayes. Soient A, B deux événements de probabilités non nulles. On a alors P(A B) = P(B A) P(A) P(B). Ceci permet de calculer P(A B) connaissant P(B A) ou vice-versa.

21 Exemple: Un test de dépistage T est effectué sur une population dont 15% présente une affection A non apparente. Le test donne 20% de résultats positifs. On sait que ce test donne 95% de résultats positifs sur les personnes présentant A. Quelle est la probabilité d être atteint si T est positif? Posons A = les malades, T + = Test positif. On écrit: P(A T + ) = P(T + A) P(A) P(T + ) = = 0, 7125.

22 Formule des probabilités totales. Si Ω = N i=1 A i et A i A j = pour tout i j, on dit que la famille d événements (A i ) 1 i N forme une partition de Ω. Pour tout événement B Ω on a la formule: P(B) = N P(A i )P(B A i ) i=1 = P(A 1 )P(B A 1 ) + P(A 2 )P(B A 2 ) +... P(A N )P(B A N ). Cas particulier: si A Ω, on a Ω = A A et P(B) = P(A)P(B A) + P(A)P(B A).

23 Variables aléatoires Soit Ω un espace fondamental équipé d une mesure de probabilité P. On appelle variable aléatoire X toute application X : Ω R. Exemples : La somme des chiffres dans le lancer de deux dés. La température d une molécule dans un gaz. Le nombre de "pile" obtenus dans n lancers d une pièce. Rappel: si I R, et X : Ω R est une variable aléatoire, on note X 1 (I) l ensemble X 1 (I) = {ω Ω : X(ω) I}. C est "l image réciproque de I par X".

24 Notations : Si x R, P(X = x) := P(X 1 ({x})). Si I R, P(X I) := P(X 1 (I)). Un exemple. On lance deux dés. Soit X la variable aléatoire "somme des valeurs obtenues". Calculer P(X = 3). On a Ω = {1,..., 6} {1,..., 6}, X 1 ({3}) = {(1, 2); (2, 1)}, d où P(X = 3) = 2 36 = 1 18 = 0,

25 Variables discrètes Une variable aléatoire X est dite discrète si son image X(Ω) est finie ou infini dénombrable: X(Ω) = {x 1, x 2,..., x n,...}. La loi de probabilité de X est la donnée de P(X = x 1 ), P(X = x 2 ),..., P(X = x n ). On a toujours P(X = x 1 ) P(X = x n ) = 1. La fonction de répartition de X est par définition: F(x) := P(X x) = x j x P(X = x j ).

26 Exemple. On joue trois fois à pile ou face. Soit X la variable aléatoire "nombre de pile obtenus". Ici Ω = {0, 1} 3, et donc X(Ω) = {0, 1, 2, 3}. On a Card(Ω) = 2 3 = 8. On a de plus P(X = 0) = 1 8, P(X = 1) = 3 8, P(X = 2) = C2 3 8 = 3 8, P(X = 3) = 1 8. La fonction de répartition de X est donc donnée par: 0 0 < x 1/8 0 x < 1 F(x) = 1/2 1 x < 2 7/8 2 x < x

27 1,5 Fonction de répartition F(x) 1 0,5 0 0,5 1 1,5 2 2,5 3 3,5-0,5

28 Espérance. Soit X une v.a. discrète, on note X(Ω) = {x 1,..., x n }. L espérance de X, notée E(X) est par définition E(X) := n x i P(X = x i ) i=1 = x 1 P(X = x 1 ) + x 2 P(X = x 2 ) x n P(X = x n ). C est la valeur "moyenne" de la variable X. Exemple. On joue 3 fois à pile ou face. Soit X = nombre de pile. Quelle est l espérance de X? On a X(Ω) = {0, 1, 2, 3} et donc E(X) = = 1, 5.

29 Ecart type. Soit X une v.a. discrète, on note X(Ω) = {x 1,..., x n }. La variance de X, notée V(X) est par définition ( V(X) := E (X E(X)) 2) = n (x i E(X)) 2 P(X = x i ) i=1 = (x 1 E(X)) 2 P(X = x 1 ) + (x 2 E(X)) 2 P(X = x 2 ) (x n E(X)) 2 P(X = x n ). L écart type σ(x) est par définition σ(x) := V(X). C est une mesure de la "dispersion" de la variable X autour de sa moyenne E(X).

30 Exemple. On joue 3 fois à pile ou face. Soit X = nombre de pile. Calculer l écart type σ(x)? On rappelle que l on a X(Ω) = {0, 1, 2, 3} et E(X) = 1, 5. V(X) = (1.5) (1 1, 5) (2 1, 5) (3 1, 5)2 1 8 = 3 4, d où σ(x) = 3 2 = 0,

31 Variables continues Une variable aléatoire X est dite continue si son image X(Ω) est un intervalle de R, borné ou non. X(Ω) = I R. On dit que cette variable X est à densité si sa loi de probabilité est donné par une fonction densité f. Autrement dit, la fonction de répartition F(x) := P(X x) se calcule suivant la formule F(x) = P(X x) = x f (t)dt, où la densité f est une fonction continue par morceaux, positive.

32 Formules et remarques. On a P(X [a, b]) = b a f (t)dt. On a toujours la condition de "normalisation" P(Ω) = P(X R) = + f (t)dt = 1. Pour tout a R, on a P(X = a) = 0. On a toujours P(X < a) = P(X a). On a aussi lim x + F(x) = 1 et lim x F (x) = 0. La fonction de répartition x F(x) est croissante.

33 Espérance et écart type. Soit X une v.a. continue, de loi donnée par une densité f. L espérance de X, notée E(X) est par définition E(X) := + uf (u)du. C est la valeur "moyenne" de la variable X. La variance V(X) est par définition ( V(X) := E (X E(X)) 2) = L écart type σ(x) est par définition + σ(x) := V(X). (u E(X)) 2 f (u)du.

34 Un exemple. Lors d une alerte, une population de canards quitte la surface de l étang. A t = 0, l étang est vide. On note X la variable aléatoire X = temps mis par un canard pour revenir. Une étude empirique montre que X a pour densité f (u) = 2e u 2e 2u, pour u 0 et 0 si u 0. Ainsi P(X t) = t 0 ( 2e u 2e 2u) du.

35 Densité f (u) 2 1,5 1 0,5-1 -0,5 0 0,5 1 1,5 2 2,5 3 3,5-0,5

36 Fonction de répartition F(t) := P(X t) 1,5 1 0,5-0,4 0 0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4 4,4-0,5-1

37 Le calcul de l espérance donne: E(X) = La variance est donc V(X) = d où l écart type u(2e u 2e 2u )du = 3 2. (u 3/2) 2 (2e u 2e 2u )du = 5 4, σ(x) = V(X) = 5 2 1,

38 Encore des Formules... Soient a, b R, et X une v.a. discrète ou continue. On a les formules suivantes. E(aX + b = ae(x) + b. V(aX + b) = a 2 V(X). Si X 1, X 2,..., X n sont n variables, on a toujours E(X 1 + X X n ) = E(X 1 ) + E(X 2 ) E(X n ). Par contre, en général, on a V(X 1 + X X n ) V(X 1 ) + V(X 2 ) V(X n ).

39 Soient X 1, X 2,..., X n, n variables aléatoires. On dit qu elles sont indépendantes si pour tout I 1, I 2,..., I n intervalles de R on a P((X 1 I 1 ) (X 2 I 2 )... (X n I n )) = P(X 1 I 1 ) P(X 2 I 2 )... P(X n I n ). Si X 1, X 2,..., X n, sont indépendantes, on a la formule remarquable V(X 1 + X X n ) = V(X 1 ) + V(X 2 ) V(X n ), ainsi on a σ(x X n ) = V(X 1 ) V(X n ).

40 Exemple. On lance une pièce non truquée n fois. Soit X i la variable aléatoire "résultat du lancé numéro i". On a X i (Ω) = {0, 1}, E(X i ) = 1 2 et V(X i) = 1 4. Supposons les lancés indépendants, considérons la variable Y n = "moyenne du nombre de pile", Y n = X X n. n D après les formules précédentes on a E (Y n ) = 1 2, V (Y n) = 1 4n, σ(y n) = 1 2 n. On constate que σ(y n ) tend vers 0 quand n tend vers l infini. C est la "loi des grands nombres".

41 L inégalité de Tchebychev Soit X une variable aléatoire (discrète ou continue) sur un espace fondamental Ω. On note E(X) et V(X) l espérance et la variance. Pour tout ɛ > 0, on a l inégalité suivante. P( X E(X) ɛ) V(X) ɛ 2. Cette formule montre quantitativement que "plus l écart type est faible, plus la probabilité de s écarter de la moyenne est faible".

42 Lois de probabilité usuelles La loi de Bernoulli. C est la plus simple des lois de probabilité. Une variable aléatoire X est dite de Bernoulli si X(Ω) = {0, 1}. On note p := P(X = 1); q = 1 p = P(X = 0). L espérance d une variable de Bernoulli est E(X) = p. La variance est V(X) = pq = p(1 p) et l écart type est σ(x) = pq. Exemple. Le jeu de pile ou face (non truqué, p = 0.5, truqué, p 0.5).

43 La loi Binomiale. Une variable aléatoire S suit une loi binomiale si S(Ω) = {0, 1, 2,..., n}, et pour 0 k n, on a où p [0, 1], q = 1 p. P(S = k) = C k n p k q n k, L espérance d une variable binomiale est E(S) = np. La variance est V(S) = npq et l écart type est σ(s) = npq. C est la loi d une somme de n variables X i de Bernoulli, indépendantes et de même paramètre p.

44 Exemple. On joue n fois à pile ou face avec une pièce non truquée. On suppose les lancés indépendants. Soit S la variable "nombre de pile obtenus". Si on note X i la variable définie par X i = 1 si "pile" au i-ème lancé, on a S = X 1 + X X n. Les variables X i sont de Bernoulli, indépendantes, et S suit une loi Binomiale de paramètre p = 1/2.

45 La loi hypergéométrique. Une variable aléatoire S suit une loi hypergéométrique si S(Ω) = {0, 1, 2,..., n}, et pour 0 k K, on a P(S = k) = Ck K Cn k N K CN n, où 0 K N sont des entiers, avec n N. L espérance d une variable hypergéométrique est E(S) = n K N. La variance est V(S) = n N n ( K ) ( N K ) N 1 N N. Exemple. Une urne contient N boules avec K blanches et N K noires. On tire n N boules sans remise. Alors la variable S = "nombre de boules blanches" suit une loi hypergéométrique.

46 La loi de Poisson. Une variable X suit une loi de Poisson si X(Ω) = {0, 1, 2,..., n,..., + } et on a pour k = 0, 1,..., + P(X = k) = µk k! e µ, où µ > 0 est le paramètre de la loi. L espérance d une variable de Poisson est E(X) = µ. La variance est aussi V(X) = µ. Exemple type. Le nombre de pannes d un systême mécanique durant une période donnée: µ est le taux moyen de pannes la durée de la période.

47 La loi uniforme. Une v.a. X continue suit une loi uniforme si sa fonction de répartition a pour densité f où { 1/h si µ h/2 < u < µ + h/2 f (u) = 0 sinon, avec µ R, h > 0. L espérance d une variable uniforme est E(X) = µ. La variance est V(X) = h2 12. L écart type est σ(x) = h 2 3.

48 Densité uniforme f (u) avec h = µ = ,5-0,5 0 0,5 1 1,5 2 2,5-0,5

49 La loi exponentielle. Une v.a. X continue suit une loi exponentielle si sa fonction de répartition a pour densité f où avec λ > 0. { f (u) = 0 si u < 0 λe λu si u 0, L espérance d une variable exponentielle est E(X) = 1 λ. La variance est V(X) = 1 λ 2. L écart type est σ(x) = 1 λ. Exemple. Le temps τ de désintégration d un noyau radioactif dans un échantillon d uranium.

50 Densité exponentielle f (u) avec λ = ,5-0,5 0 0,5 1 1,5 2 2,5-0,5

51 La loi normale. Une v.a. X continue suit une loi normale N (µ, σ) si sa fonction de répartition a pour densité f où avec µ R et σ > 0. f (u) = 1 σ (u µ) 2 2π e 2σ 2, L espérance d une variable normale est E(X) = µ. La variance est V(X) = σ 2. L écart type est σ(x) = σ. C est la loi de probabilité la plus importante de ce cours.

52 Les lois normales N (0, 1) et N (1/2, 1/2). 0,5-2,5-2 -1,5-1 -0,5 0 0,5 1 1,5 2 2,5

53 Calculs de probabilités avec les lois normales Pour calculer numériquement P(a < X < b) où X suit une loi normale N (µ, σ), on commence par se ramener à la loi centrée réduite N (0, 1). En effet, on a ( a µ P(a < X < b) = P σ < X µ σ < b µ ), σ et Y = X µ σ a pour loi N (0, 1). Les calculs avec la loi N (0, 1) se font en utilisant les remarquables propriétés suivantes.

54 Soit X une variable normale centrée réduite. On pose F(x) = P(X x). Cette probabilité s interprète comme "l aire sous la courbe en cloche": 0,5-2,5-2 -1,5-1 -0,5 0 0,5 1 1,5 2 2,5 On a F( x) = P(X x) = 1 F (x) (parité). On a P( X x) = 2F(x) 1.

55 Exemple. Soit X une v.a. de loi normale N (1, 2). Calculer P(X 2). On a P(X 2) = P(Y 1/2), où Y = X 1 2 est centrée réduite. On a donc P(Y 1/2) = 1 P(Y 0, 5) = 1 F(0, 5). La table numérique de N (0, 1) (voir TD) donne F(0, 5) 0, 695. La réponse est donc P(X 2) 0, 3085.

56 Table de la loi centrée réduite N (0, 1). x

57 Loi des grands nombres et TCL Epreuves répétées. Soit Ω un espace fondamental muni d une probabilité P. Soient X 1, X 2,..., X n,... une suite de variables aléatoires indépendantes, de même espérance µ et de même écart type σ. On définit alors la somme S n par S n := X 1 + X X n, et la moyenne par M n = Sn n. On a les formules (rappel chapitre v.a.) E(M n ) = µ; σ(m n ) = σ. n

58 Loi faible des grands nombres. Si X 1, X 2,..., X n,... est une suite de variables aléatoires indépendantes, de même espérance µ et de même écart type σ, alors pour tout ɛ > 0, on a lim P( M n µ ɛ) = 0. n Interprétation: la probabilité que la variable M n dévie de son espérance µ d une valeur au moins ɛ tend vers 0 lorsque n tend vers l infini. Plus précisément, on a par l inégalité de Tchebychev, P( M n µ ɛ) σ2 nɛ 2.

59 Théorème central limite. Soit X 1, X 2,..., X n,... une suite de variables aléatoires indépendantes, de même loi. On note µ l espérance et σ l écart type. Posons Z n = n M n µ. σ On a donc E(Z n ) = 0 et σ(z n ) = 1. Pour tout x R, on a lim P(Z n x) = 1 x e t2 /2 dt. n 2π Autrement dit, la fonction de répartition de Z n tend vers celle d une loi normale N (0, 1).

60 Interprétation du TCL. La loi limite de Z n ne dépend pas de la loi commune des X n! C est ce qui fait de la loi normale une loi universelle. En pratique ce résultat montre que l on peut approcher la loi de S n (inconnue en général) pour n grand par N (nµ, nσ). De même, on peut approcher pour n grand la loi de M n par N (µ, σ n ). La vitesse de convergence dans le TCL dépend beaucoup de la régularité de la loi initiale. On considère toutefois que celle ci est toujours bonne pour n 100.

61 Exemple. On jette une pièce 500 fois, on suppose les lancers indépendants. Soit X = "nombre de piles". Calculer P(X 260). Posons X i = 1 si "pile" au i-ème lancer, 0 si "face". C est une variable de Bernoulli et X = X 1 + X X 500. On a E(X i ) = 1/2, et σ(x i ) = 1/2. Le TCL dit que N ( 500 approche bien la loi de X. Ainsi P(X 260) P(N ), 2, ) où N = 2(X 250) 500 est centrée réduite. Le calcul donne P(X 260) 0, 1867.

62 Rudiments de statistique descriptive Le but des statistiques est d établir des modèles probabilistes à partir de données expérimentales: sondages, enquêtes d opinion. Le concept fondamental est celui de caractère qui désigne une grandeur ou un attribut variable que l on va observer afin de constituer une série statistique à analyser. Il y a une correspondance entre concepts statistiques et probabilités. Probas Espace fondamental Variable aléatoire Epreuve répétée Stats Population Caractère Echantillonnage

63 Indicateurs numériques. Soit X une v.a. (un caractère) que l on veut étudier. On sélectionne un échantillon {ω 1, ω 2,..., ω n } Ω de taille n, et on note x 1 = X(ω 1 ), x 2 = X(ω 2 ),..., x n = X(ω n ). La moyenne observée est par définition m obs := x x n. n La variance observée est par définition var obs := (x 1 m obs ) (x n m obs ) 2. n

64 La moyenne observée m obs n est pas (a priori) E(X). De même, rien ne dit que var obs converge vers V(X). Toute la problématique des statistiques consiste à construire des estimateurs qui permettent d approcher les paramètres de la loi de X quand la taille n de l échantillon est grande.

65 Estimateurs. Soit X un caractère à étudier. Soient X 1, X 2,..., X n, des variables aléatoires indépendantes de même loi que X. On cherche à reconstituer un paramètre θ (par exemple E(X), V(X)) à l aide d une variable Y n (X 1,..., X n ) appelé estimateur de θ. L estimateur Y n est dit convergent si pour tout ɛ > 0, lim P( Y n θ > ɛ) = 0. n L estimateur Y n est dit sans biais si E(Y n ) = θ pout tout n.

66 Estimateur de l espérance : La moyenne observée M n = X 1+X X n n est un estimateur convergent et sans biais de E(X), c est la loi des grands nombres. Ainsi si l échantillon {ω 1, ω 2,..., ω n } Ω est assez grand, la moyenne m obs est, avec une forte probabilité, proche de E(X). Estimateur de la variance : L estimateur S n donné par S n := (X 1 M n ) (X n M n ) 2, n 1 est convergent et sans biais. Ainsi si l échantillon {ω 1, ω 2,..., ω n } Ω est assez grand, la variance observée débiaisée s obs = (x 1 m obs ) (x n m obs ) 2 n 1 est proche de V(X).

67 Intervalle de confiance. Lors de l estimation de E(X) et V(X) par le calcul de m obs et s obs, il faut être capable d évaluer l erreur commise, la "fourchette". Méthode pour l espérance : Echantillon de taille n. Moyenne observée m obs, variance observée débiaisée s obs. On pose σ = s obs. On a alors E(X) [m obs t α σ n, m obs + t α σ n ] avec probabilité 1 α. le paramètre t α est déterminé par P( N (0, 1) t α ) = α si n 30 et par la loi de student avec degré de liberté n 1 si n < 30.

68 Un exemple. Un sondage portant sur 400 électeurs à la sortie des urnes révèle 212 votes pour le candidat A. Donner, à 95% de chance, un intervalle de confiance des votes en faveur de A sur la population entière (des votants). Il s agit d étudier la variable de Bernoulli X qui vaut 1 si on vote pour A et 0 sinon. On veut estimer E(X) = P(X = 1) qui donne la proportion des gens qui votent pour A.

69 Le calcul donne puis m obs = 212 0, s obs = (1 m obs) m 2 obs , 249. La table de la loi normale N (0, 1) donne pour α = 0, 05, une valeur t α = 1, 96. Ainsi, E(X) [0, 481; 0, 579] avec une probabilité d au moins 95%, soit une fourchette entre 48% et 57% de votes pour le candidat A.

70 Un autre exemple. Une étude portant sur une population de 100 fumeurs donne les résultats suivants. Consommation quotidienne 0,5 1 1,5 2 3 Nombre de réponses Donner un intervalle de confiance de l espérance du "nombre de paquets fumés" à 95%. Le calcul de la moyenne observée donne m obs = tandis que 26 0, , et donc σ 0, 628. s obs = 39, , 3943, 1, 14,

71 Une lecture de la table de la loi normale donne P( N (0, 1) t α ) = 0, 05 pour t α = 1, 96. D où l intervalle E( Nombre de paquets ) [1, 017; 1, 263] avec 95% de chance.

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

Cours de Probabilités et de Statistique

Cours de Probabilités et de Statistique Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles

Plus en détail

COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1

COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1 COURS DE PROBABILITE 2ième année d économie et de gestion Semestre 1 Laurence GRAMMONT Laurence.Grammont@univ-st-etienne.fr Les solutions des exercices posés dans ce polycopié ne sont pas rédigées. October

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Moments des variables aléatoires réelles

Moments 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 détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

1. Probabilités élémentaires

1. Probabilités élémentaires 1. Probabilités élémentaires MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: probabilités 1/48 Plan 1. Expériences aléatoires et événements 2. Probabilités 3. Analyse combinatoire

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen

Cours de DEUG Probabilités et Statistiques. Avner Bar-Hen Cours de DEUG Probabilités et Statistiques Avner Bar-Hen Université Aix-Marseille III 3 Table des matières Table des matières i Analyse combinatoire 1 1 Arrangements................................ 1 1.1

Plus en détail

Feuille d exercices 1

Feuille d exercices 1 Université Paris 7 - Denis Diderot L2 - Probabilités PS4 Année 2014-2015 Feuille d exercices 1 Exercice 1 Combien y a-t-il de paires d entiers non consécutifs compris entre 1 et n (n 1)? Exercice 2 1.

Plus en détail

Dénombrement, opérations sur les ensembles.

Dénombrement, opérations sur les ensembles. Université Pierre et Marie Curie 2013-2014 Probabilités et statistiques - LM345 Feuille 1 (du 16 au 20 septembre 2013) Dénombrement, opérations sur les ensembles 1 Combien de façons y a-t-il de classer

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

Cours de Probabilités. Jean-Yves DAUXOIS Cours de Probabilités Jean-Yves DAUXOIS Septembre 2013 Table des matières 1 Introduction au calcul des probabilités 7 1.1 Espace probabilisable et loi de variable aléatoire........ 8 1.1.1 Un exemple

Plus en détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités

MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités MESURES ET ANALYSES STATISTIQUES DE DONNÉES Probabilités Master Génie des Systèmes Industriels, mentions ACCIE et RIM Université du Littoral - Côte d Opale, La Citadelle Laurent SMOCH (smoch@lmpa.univ-littoral.fr)

Plus en détail

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.

LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,

Plus en détail

Correction des exemples. Mathieu EMILY

Correction des exemples. Mathieu EMILY Correction des exemples Mathieu EMILY Novembre 2005 Table des Matières Exemple_Exercice 1 Page 2 Exemple_Exercice 2 Page 3 Exemple_Exercice 3 Page 5 Exemple_Exercice 4 Page 6 Exemple_Exercice 5 Page 7

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Couples de variables aléatoires discrètes

Couples de variables aléatoires discrètes Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

Lois de probabilité 3/3. Anita Burgun

Lois de probabilité 3/3. Anita Burgun Lois de probabilité 3/3 Anita Burgun Contenu des cours Loi binomiale Loi hypergéométrique Loi de Poisson Loi normale Loi du Chi2 Loi de Student Loi normale VA continue X Densité de probabilité de X" Loi

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Nouveaux programmes de terminale Probabilités et statistiques

Nouveaux programmes de terminale Probabilités et statistiques Nouveaux programmes de terminale Probabilités et statistiques I. Un guide pour l'année II. La loi uniforme : une introduction III. La loi exponentielle IV. De la loi binomiale à la loi normale V. Échantillonnage

Plus en détail

Analyse combinatoire

Analyse combinatoire Mathématiques Générales B Université de Genève Sylvain Sardy 6 mars 2008 Le but de l analyse combinatoire (techniques de dénombrement est d apprendre à compter le nombre d éléments d un ensemble fini de

Plus en détail

Dénombrement Probabilité uniforme sur un ensemble fini

Dénombrement Probabilité uniforme sur un ensemble fini UPV - MathsL1S1 1 II Dénombrement Dénombrement Probabilité uniforme sur un ensemble fini I Dénombrement 1) Factorielles : Pour n entier 1, il y a : n! = n.(n - 1). (n - 2) 2.1 façons d aligner n objets

Plus en détail

Cours de probabilités Terminale S. Paul Milan

Cours de probabilités Terminale S. Paul Milan DERNIÈRE IMPRESSION LE 27 juillet 2014 Cours de probabilités Terminale S Pour aller plus loin... Paul Milan Table des matières 1 Espace probabilisé 2 1.1 Cas où l univers est fini..........................

Plus en détail

Cours de Probabilités

Cours de Probabilités Licence 2-S3 SI-MASS Année 2013 Cours de Probabilités Pierre DUSART 2 Chapitre 1 Éléments d analyse combinatoire 1.1 Quelques définitions Disposition sans répétition : c est une disposition où un élément

Plus en détail

Calculs de probabilités conditionelles

Calculs de probabilités conditionelles Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile

Plus en détail

CHAPITRE II NOTIONS DE PROBABILITES

CHAPITRE II NOTIONS DE PROBABILITES CHAPITRE II NOTIONS DE PROBABILITES II.1. Un exemple : le poker Distribuer une main de poker (5 cartes sur 52) revient à tirer au hasard 5 cartes parmi 52. On appelle expérience aléatoire une telle expérience

Plus en détail

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités

Préparation à l écrit Année 2008-2009. Liste des fiches de probabilités Capes de Mathématiques Université Joseph Fourier Préparation à l écrit Année 2008-2009 Liste des fiches de probabilités Probabilités 1 : Introduction aux espaces probabilisés Probabilités 2 : Variables

Plus en détail

Fiche méthodologique Les pièges dans les dénombrements

Fiche méthodologique Les pièges dans les dénombrements Fiche méthodologique Les pièges dans les dénombrements BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Dans cette fiche, on résume quelques points techniques sur les dénombrements et la théorie des probabilités.

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Fiche de révision sur les lois continues

Fiche de révision sur les lois continues Exercice 1 Voir la correction Le laboratoire de physique d un lycée dispose d un parc d oscilloscopes identiques. La durée de vie en années d un oscilloscope est une variable aléatoire notée X qui suit

Plus en détail

PROBABILITÉS. I Vocabulaire des événements 2 I.1 Vocabulaire... 2 I.2 Intersection et réunion d événements... 2 I.3 Représentation des évenements...

PROBABILITÉS. I Vocabulaire des événements 2 I.1 Vocabulaire... 2 I.2 Intersection et réunion d événements... 2 I.3 Représentation des évenements... PROBABILITÉS Table des matières I Vocabulaire des événements 2 I.1 Vocabulaire.............................................. 2 I.2 Intersection et réunion d événements................................ 2

Plus en détail

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3

1 Variable aléatoire discrète... 1. 1.1 Rappels... 1. 1.2 Exemple... 2 2 Couples de variables aléatoires... 3. 2.1 Définition... 3 CHAPITRE : LOIS DISCRÈTES Sommaire Variable aléatoire discrète................................... Rappels........................................... Exemple......................................... Couples

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Estimation. Anita Burgun

Estimation. Anita Burgun Estimation Anita Burgun Estimation Anita Burgun Contenu du cours Sondages Mesures statistiques sur un échantillon Estimateurs Problème posé Le problème posé en statistique: On s intéresse à une population

Plus en détail

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007 Introduction aux probabilités Série n 3 Exercice 1 Une urne contient neuf boules. Quatre de ces boules portent le numéro

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Espérances et variances

Espérances et variances [http://mp.cpgedupuydelome.fr] édité le 29 décembre 201 Enoncés 1 Espérances et variances Exercice 1 [ 04018 ] [Correction] Soit X une variable aléatoire discrète à valeurs dans [a ; b]. a Montrer que

Plus en détail

Exercices corrigés de probabilités et statistique

Exercices corrigés de probabilités et statistique Exercices corrigés de probabilités et statistique Université Paris 1 Panthéon-Sorbonne Cours de deuxième année de licence de sciences économiques Fabrice Rossi Cette œuvre est mise à disposition selon

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Variables Aléatoires Continues

Variables Aléatoires Continues Novembre 2010 Plan du Chapitre 1. Généralités 2. Variables Continues Usuelles 3. Espérance et Variance 4. Couple de Variables Aléatoires 5. Covariance et Corrélation 6. Autres Variables Continues Usuelles

Plus en détail

2 36. k 2 3 4 5 6 7 8 9 10 11 12

2 36. k 2 3 4 5 6 7 8 9 10 11 12 Chapitre 2 : Variables aléatoires discrètes Les variables aléatoires qui apparaissent dans ce chapitre (et son appendice) sont des exemples de variables aléatoires discrètes. I- Variables aléatoires. 1.

Plus en détail

Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles

Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles Cours de Probabilités 1. Dénombrement 2. Probabilités 3. Variables aléatoires réelles Pour BCPST 1 Année scolaire : 2004/2005 16 juin 2005 Mohamed TARQI Table des matières 1 Dénombrement 3 1.1 Généralités.

Plus en détail

TD 1 & 2 Rappels de probabilités

TD 1 & 2 Rappels de probabilités Master IF, ENS de Lyon Évaluation de performance 5 & 22 septembre 20 TD & 2 appels de probabilités lionel.rieg@ens-lyon.fr Probabilités discrètes. Calcul de probabilités Exercice Soient A et B des événements

Plus en détail

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités

UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités 1 UNIVERSITÉ DE CERGY Année 2013-2014 U.F.R. Économie & Gestion Licence d Économie et Finance / Licence de Gestion MATH201 : Probabilités Chapitre II : Espaces probabilisés 1 Notions d événements 1.1 Expérience

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J.

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J. Année 2013-2014 UNIVERSIÉ DE CERGY LICENCE d ÉCONOMIE et FINANCE LICENCE de GESION Seconde année - Semestre 3 PROBABILIÉS Cours de M. J. Stéphan ravaux Dirigés de Mme M. Barrié, M. J-M. Chauvet et M. J.

Plus en détail

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

Plus en détail

Probabilité mathématique et distributions théoriques

Probabilité mathématique et distributions théoriques Probabilité mathématique et distributions théoriques 3 3.1 Notion de probabilité 3.1.1 classique de la probabilité s Une expérience ou une épreuve est dite aléatoire lorsqu on ne peut en prévoir exactement

Plus en détail

Probabilités discrètes : exercices

Probabilités discrètes : exercices Université de Strasbourg Probabilités Département de mathématiques Agreg interne 2015-2016 Probabilités discrètes : exercices Vous pouvez me contacter à l adresse nicolas.juilletatmath.unistra.fr. J ai

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Espérance conditionnelle

Espérance 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 détail

CONCOURS 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) 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

Cours de mathématiques Partie IV Probabilités MPSI 4

Cours de mathématiques Partie IV Probabilités MPSI 4 Lycée Louis-Le-Grand, Paris Année 2013/2014 Cours de mathématiques Partie IV Probabilités MPSI 4 Alain TROESCH Version du: 30 mai 2014 Table des matières 1 Dénombrement 3 I Combinatoire des ensembles

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

GEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau

GEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles

Plus en détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Indépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles

Indépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention

Plus en détail

Thème 3 : ensembles, espaces de probabilités finis

Thème 3 : ensembles, espaces de probabilités finis Thème 3 : ensembles, espaces de probabilités finis Serge Cohen, Monique Pontier, Pascal J. Thomas Septembre 2004 1 Généralités : ensembles et parties d un ensemble Définition 1.1 On appelle ensemble une

Plus en détail

Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch

Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

Variables Aléatoires. Chapitre 2

Variables Aléatoires. Chapitre 2 Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,

Plus en détail

Contrôle de statistiques Sujet 2 Corrigé

Contrôle de statistiques Sujet 2 Corrigé Contrôle de statistiques Sujet 2 Corrigé L2 d économie - Université Paris 1 Panthéon-Sorbonne Nom : Prénom : Les exercices sont indépendants. Le barème est indicatif. L utilisation de documents, calculatrices,

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Exercices corrigés de SQ20

Exercices corrigés de SQ20 1 Exercices corrigés de SQ2 Corrigés TD 1 à 4 Printemps 215 responsable de l'uv : André Turbergue SQ2 TD1 : espaces probabilisés TD1 : espaces probabilisés 1 Énoncés Exercice 1. Calculer si possible une

Plus en détail