Chapitre 2 : Variables aléatoires
|
|
- Pascale Grondin
- il y a 5 ans
- Total affichages :
Transcription
1 Chapitre 2 : Variables aléatoires définition fonction de répartition variable aléatoire discrète variable aléatoire continue moyenne - variance - écart type espérance mathématique 1-22 TRANSFORMATION Y = φ () discrète à discrète continue à continue: transformation générale continue à continue: transformation monotone continue à discrète
2 2
3 3
4 Définition : variable aléatoire E : expérience aléatoire S : espace échantillonnal associé fonction de S dans les nombres réels ( R ) est une variable aléatoire ; ( o ) est un nombre réel Exemple : lancement d une pièce de monnaie 3 fois = nombre de fois «P I L E» =, 1, 2, 3 F : Face P : Pile S. FFF. FFP. FPF. PFF. FPP. PFP. PPF. PPP R Les probabilités sur S se transportent sur R 4
5 Exemple: chapitre probabilités assemblage 2 composants composant 1 : défauts composant 2 : défauts modèle proposé : probabilités assemblage dénouement = (i, j ) 2 cas 1 = i nombre défauts composant 1 2 = j nombre défauts composant 2 P (, ) =.5 assemblage défaut P ( i, j ) = k / ( i + j ) si ( i, j ) = (, 1),.. (3, 4) k =,5 / 6,91 =,723 i j i + j k / (i+j) -----,5 1 1 k / 1, k / 2, k / 3, k / 4, k / 1, k / 2, k / 3, k / 4, k / 5, k / 2, k / 3, k / 4, k / 5, k / 6, k / 3, k / 4, k / 5, k / 6, k / 7,1 somme k * 6,91 1. Prob { (i, j) } =,723 / (i + j) 5
6 Fonction de répartition F une variable aléatoire x une valeur (réelle) prise par Événement : { x } x F ( x ) = P ( x ) : fonction de répartition propriétés 1. F ( x ) 1 2. x - F (x) 1 F R 3. F x F (x) 1 (x) non décroissante 4. F (x) continue à droite discrète 1 F continue 6
7 VARIABLE ALÉATOIRE DISCRÈTE est une variable discrète si elle prend un nombre fini ou infini de valeurs distinctes généralement des entiers, 1, 2, 3, 4, Exemples (comptages) nombre de défauts de surface ; nombre de versions d'un dessin de définition pendant une année; nombre de pièces non conformes dans un lot de 5 ; nombre de pièces en attente devant une machine; Fonction de masse p (x) = P ( = x) p (x) Fonction de répartition F (x ) = p (u) u x Distributions importantes - Bernouilli - Binomiale - Géométrique - Poisson - Hypergéométrique MTH232 Probabilités et méthodes statistiques 7
8 Exemple variable discrète : loi binomiale essais de Bernoulli : expérience avec 2 dénouements possibles SUCCÈS ÉCHEC Prob(SUCCÈS) = θ Prob(ÉCHEC) = 1 - θ θ 1 observation (échantillonnage) d une suite de n essais n : taille de l échantillon : nombre de succès dans une suite de n essais valeurs possibles de x =, 1, 2,, n est une variable binomiale notation ~ bin(n,θ) p x (x) = [n! / x! (n- x)!] θ x (1 θ) n x k = x F (x) = [n! / k! (n- k)!] θ k (1 θ) n k k = étude détaillée : chapitre 5 x =, 1, 2,.., n x =, 1, 2,.., n MTH232 Probabilités et méthodes statistiques 8
9 Exemple : variable aléatoire discrète distribution binomiale n = 3 θ =,3,18 Bar/Column Plot of prob_binomiale,16,14,12,1,8,6,4,2, prob_binomiale 9
10 moyenne - variance - écart type Moyenne : E [ ] = μ = x p (x ) premier moment par rapport à l origine centre de masse Exemple : ~ bin(n, θ) E [ ] = n θ n = 3 θ =,3 E [ ] = 9 Variance : Var [ ] = σ 2 = ( x - μ ) 2 p (x ) = x 2 p (x ) - μ 2 Exemple : ~ bin(n, θ) σ 2 = n θ ( 1 - θ ) n = 3 θ =,3 Var [ ] = σ 2 = 6,3 Écart type : ET [ ] = σ = Var [ ] Exemple : ~ b i n ( n = 3, θ =,3 ) ET [ ] = σ = 2,51 MTH232 Probabilités et méthodes statistiques 1
11 VARIABLE ALÉATOIRE CONTINUE L'espace de la variable aléatoire est un intervalle sur les nombres réels (concept de support de ) sa fonction de répartition F ( x ) est dérivable La dérivée de F ( x ) notée f est la densité de Exemples (mesures) - volume d un réservoir d eau - temps requis pour finaliser une conception - tension d'un câble métallique MTH232 Probabilités et méthodes statistiques 11
12 VARIABLE ALÉATOIRE CONTINUE P lim ( = x) = x = x [ F ( x + x) F ( ) ] x d f ( x) = F ( x) ( x) = dx F f ( t) dt P ( a x b) = f ( x) dx f ( x) = Moyenne et Variance R b a f ( x) dx 1 x E ( ) = xf ( t) dt = µ [ ] + 2 VAR = ( x µ ) f ( x) dx + = x 2 f 2 ( x) dx µ MTH232 Probabilités et méthodes statistiques 12
13 Exemple : distribution uniforme (équiprobabilité) k f ( x ) = si a ou b k si a b k =? a b k = 1 / ( b a ) E () = ( a + b ) / 2 Var () = ( b a ) 2 / 12 F ( x ) = Application si a (x a) / ( b a ) si a b 1 si b a b générateurs de nombres (pseudo) aléatoires de la loi uniforme 1 méthode linéaire congruente : I i + 1 = ( a I i + b ) mod m i =, 1, 2, À choisir : a, b, m, I ( semence ) ; u i = I i / m u i 1 employé pour la SIMULATION : STATISTICA fonction Rnd 13
14 Exemple : simulation 1 observations distribution uniforme fonction RnD de STATISTICA 12 1 Histogram of U U = 1*,1*Beta(Shape1=1,469; Shape2=1,656) 19; 11% 11; 11% 11; 1% 13; 1% 15; 11% 99; 1% 99; 1% 98; 1% 89; 9% 87; 9% 8 No of obs ,1,,1,2,3,4,5,6,7,8,9 1, 1,1 U: N = 1; Mean =,55; StdDv =,2832; U Max =,9977; Min =,1 14
15 SUPPORT variable aléaloire TOUTE variable aléatoire discrète ou continue est définie sur toute la droite réelle R (-, ) variable (fonction) aléatoire transforme S dans R : S (espace probabilité) R (droite réelle) S R x support de : { x : p(x) ou f(x) > } p(x) fonction masse si discrète ou f(x) fonction densité si continue Exemple 1 : p(x) = [n! / x! (n- x)!] θ x (1 θ) n x x =, 1, 2,.., n distribution binomiale voir page 8 support de = {, 1, 2,.., n } Exemple 2 : loi uniforme sur l intervalle (,1) support de = (,1) page 12 Exemple 3 : chapitre probabilités / assemblage 2 composants 1: nombre défauts composant 1 support 1 = {, 1, 2, 3 } 2: nombre défauts composant 2 support 2 = {, 1, 2, 3, 4 } 15
16 Espérance mathématique va discrète va continue p (x): fonction de masse de f x (x) : densité de h fonction de R dans R h : R R espérance mathématique de h E(h()) E[h()] = h(x) p (x) si est discrète Cas particuliers de h = h(x) f x (x)dx si est continue h() = moyenne μ h () = 2 2 ième moment par rapport à l origine h () = ( μ) 2 variance h () = k k - ième moment par rapport à l origine h () = ( μ) k k ième moment par rapport à la moyenne μ MTH232 Probabilités et méthodes statistiques 16
17 Espérance mathématique Propriétés E(a + b) = a + b E() Var(a + b) = b 2 var() ET(a + b) = b ET() Variable centrée-réduite Z Z = ( E()) / ET() Alors E(Z) = ET(Z) = 1 MTH232 Probabilités et méthodes statistiques 17
18 Variable centrée-réduite Z Z = ( E()) / ET() Alors E(Z) = ET(Z) = ; 9% Histogram of U chap2.sta in MTH232B-global.stw 1v*1c U = 1*,1*Beta(Shape1=1,469; Shape2=1,656) 11; 1% 13; 1% 99; 1% 19; 11% 99; 1% 11; 11% 98; 1% 15; 11% 87; 9%... No of obs ,1,,1,2,3,4,5,6,7,8,9 1, 1,1 U: N = 1; Mean =,55; StdDv =,2832; Max = U,9977; Min =,1 MTH232 Probabilités et méthodes statistiques 18
19 Espérance mathématique Exemple : soumission pour la réalisation d'un travail d ingénierie v.a. «nombre de jours requis pour le travail» Vous estimez vos «probabilités» x < total p(x) 1/8 4/8 2/8 1/8 1 Y = profit net = φ () dépend du nombre de jours pour réaliser le travail x Y = φ (x) 1K$ 3K$,7K$ -1,5K$ ça vaut-il la peine? MTH232 Probabilités et méthodes statistiques 19
20 Espérance mathématique Exemple : soumission pour la réalisation d'un travail d ingénierie v.a. «nombre de jours requis pour le travail» Vous estimez vos «probabilités» x < total p(x) 1/8 4/8 2/8 1/8 1 Y = profit net = φ () dépend du nombre de jours faire le travail x Y = φ (x) 1K$ 3K$,7K$ -1,5K$ Profit net moyen =? E(Y ) = 1K$ *1/8 + 3K$ * 4/8 +,7K$ * 2/8 + (-1,5K$) * 1/8 = 2,73K$ Critère de décision basé sur profit net moyen si E(profit net Y) = profit net moyen on accepte le travail MTH232 Probabilités et méthodes statistiques 2
21 Exemple - vous achetez des billets du spectacle des «RS» à 4,$ dans l'espoir de les revendre 7,$ le soir du spectacle - votre estimation de la demande billets nombre billets x probabilité p(x),2,4,8,16,32,18,12,8 combien de billets S =? stocker pour minimiser les pertes (profit max) - perte = 4$/billet si vous stockez trop de billets: x S billets invendus = S - x - perte = 3$/billet si vous ne stockez pas assez de billets: x S+1 Fonction de perte L (x, s) L(x, s) = 4 (s - x) si 23 x s stock excessif L(x, s) = (7-4) (x s) si s+1 x 3 stock manquant perte moyenne E(L) E[ L(, s)] = s 4( s x) ( x) + x= 23 x= s+ 1 p 3 3 ( x s) p ( x) Quelle valeur de S minimise E(L)? 21
22 Exemple suite S 4(s x)p(x) 3(x s)p(x) E [ L(, s) ] 23, 124,2 124,2 24,8 94,8 95,6 25 3,2 66,6 69,9 26 8,8 4,8 49,6 27 2,8 19,2 4,6 minimum 28 45,6 6,2 51, ,6, 77, ,4, 114,4 profit net réalisé avec S = 27 : 27*3$ = 81$ Si on a une nouvelle distribution de probabilité pour x prob,3,2,15,12,1,8,4,1 solution optimale devient S = 24 MTH232 Probabilités et méthodes statistiques 22
23 Transformation variable aléatoire R Y = φ () R Y. x i1... x i2. x i3.. Y j.. p Y ( y j ) = P Y ( Y = y j ) = x i k Ω j P ( x i k ) MTH232 Probabilités et méthodes statistiques 23
24 Exemple 1 : fonction d une variable aléatoire discrète : nombre de pannes en une semaine x p (x) 4/9 2/9 1/9 1/9 1/9 Y : coût d un service de dépannage coût fixe 5$ + 2$ par panne Déterminer - masse de probabilité de Y : p Y (y) - moyenne et écart type de Y MTH232 Probabilités et méthodes statistiques 24
25 Exemple 1 : fonction d une variable aléatoire discrète : nombre de pannes en une semaine Y = 5 + 2* : coût ($) par semaine y p Y (y) 4/9 2/9 1/9 1/9 1/9 Moyenne de Y = E(Y) = 5*(4/9) + 7*(2/9) + 9*(1/9) + 11*(1/9) + 13*(1/9) = 67 / 9 = 744,44 Écart type de Y = [ E(Y 2 ) (E(Y)) 2 ].5 = 279,32 MTH232 Probabilités et méthodes statistiques 25
26 Exemple 2 : fonction d une variable aléatoire discrète : variable aléatoire discrète x p (x) 4/9 2/9 1/9 1/9 1/9 Y = 2 Déterminer - masse de probabilité de Y : p Y (y) - moyenne et écart type de Y MTH232 Probabilités et méthodes statistiques 26
27 Exemple 2 : fonction d une variable aléatoire discrète Y = 2 x y p (x) 4/9 2/9 1/9 1/9 1/9 p Y (Y=) = p (= ) = 1/9 p Y (Y=1) = p (= -1) + p ( = 1) = 2/9 + 1/9 = 3/9 p Y (Y=4) = p (= -2) + p ( = 2) = 4/9 + 1/9 = 5/9 y 1 4 p Y (y) 1/9 3/9 5/9 moyenne de Y = E(Y) = *(1/9) + 1*(3/9) + 4*(5/9) = 23/9 écart type de Y = ET(Y) = [ E(Y 2 ) ( E(Y)) 2 ].5 = [ 2 *(1/9) *(3/9) *(5/9) (23/9) 2 ].5 = 1,64 MTH232 Probabilités et méthodes statistiques 27
28 Fonction continue d une variable aléatoire continue cas : transformation non monotone Exemple 3 : variable aléatoire continue de densité f f (x) = ½ si -1 x 1 1/2 = sinon -1 1 x F (x) = Prob ( x) = si x < -1 = (x + 1) / 2 si -1 x 1 = 1 si x > 1 densité de Y = 2 < y < 1 y 1 Y Fonction de répartition de Y : F Y (y) = Prob( Y y) = Prob ( 2 y) = Prob( - y.5 y.5 ) = F ( y.5 ) F ( - y.5 ) = ( y.5 + 1) / 2 - (- y.5 + 1) / 2 = y.5 MTH232 Probabilités et méthodes statistiques 28
29 Fonction continue d une variable aléatoire continue cas : transformation non monotone Exemple 3 : suite densité de Y = 2 Fonction de répartition de Y F Y (y) = Prob( Y y) = Prob ( 2 y) = Prob( - y.5 y.5 ) 1/2-1 1?? = F ( y.5 ) F ( - y.5 ) = ( y.5 + 1) / 2 - (-y.5 + 1) / 2 = y.5 1 f? Y densité de Y : f Y (y) = (d/dy) F Y (y) =,5 y -.5 y 1 f Y (y) = ailleurs,5 1 29
30 Fonction continue d une variable aléatoire continue cas d une transformation monotone v.a.c. densité f x φ fonction continue Y = φ () Y est une v.a.c Densité f Y =? Pour trouver la densité il faut : 1. Obtenir F Y (y) = P( Y y ) par l'événement de R équivalent à (Y y) dans R y 2. Dériver F Y (y) par rapport à y pour obtenir la fonction de densité f y 3. Trouver l'espace image de cette v.a.c. THÉORÈME Si est une v.a.c. de densité f x telle que f x > pour a < x < b et y = φ (x ) est une fonction continue strictement monotone, alors la v.a.c Y = φ ( ) possède une densité f Y f Y ( y) = f ( x) dx dy x = φ - 1 (y ) exprimé en terme de y 3
31 Fonction continue monotone d une variable continue Exemple 4 : diamètre d un fil - distribution uniforme intervalle 1, à 1,1 f ( x ) = 1 1, x 1,1 = autrement 1 1, 1,1 Y = aire de la section = π (/2) 2 =,25 π 2 =, y =,7854 si x = 1, y =,8118 si x = 1,1 = 1,2732 Y,5 dx/dy =,5642 y -,5 f Y dx ( y) = f ( x) f y (y ) = 1 (,5642 y -,5 ) = 56,42 y -,5 dy 63,66 f y (y) 63,3,7854,
32 Exemple 5 : transformation continue à discrète loi exponentielle f x (x ) = λ e λ x x = x < E [ ] λ x λ x = xλ e dx = xe + λ x 1 e dx = λ Var [ ] = x 2 λ 1 λ e - dx λ 2 x = 1 / λ 2 Le temps jusqu'à la défaillance (ex, tube à rayons cathodiques) durée vie suit une loi exponentielle, λ taux de défaillance Posons : Y variable Bernoulli définie par le fait que excède ou non sa durée moyenne 1/ λ Y = si 1 / λ = 1 si > 1 / λ 32
33 Exemple 5 : (suite) transformation var. continue à var. discrète probabilités de Y p Y 1/ λ 1/ λ = λ t λ t ( ) λ e dt = e = 1 e p Y (1) = λ t λ t λ e dt = e = e 1/ λ 1/ λ ne dépend pas de λ MTH232 Probabilités et méthodes statistiques 33
34 34
35 35
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailLoi 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailMTH 2301 Méthodes statistiques en ingénierie. MTH 2301 Méthodes statistiques en ingénierie
VARIABLES ALÉATOIRES déo oco de réro vrble léore dscrèe moyee - vrce - écr ye esérce mhémque vrble léore coue oco d ue vrble léore : rsormo combso lére de vrbles léores Déo E : eérece léore S : esce échllol
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailLEÇON 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailProbabilités. 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailVariables 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détail6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCouples 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 détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailLicence 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailLois 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 détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailProbabilités 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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailGEA 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailModule d Electricité. 2 ème partie : Electrostatique. Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere
Module d Electricité 2 ème partie : Electrostatique Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere 1 Introduction Principaux constituants de la matière : - protons : charge
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détail