Séminaire de Statistique
|
|
- Achille Robert
- il y a 8 ans
- Total affichages :
Transcription
1 Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam /2014 Faculté de Sciences Economiques et de Gestion Université Lumière Lyon 2, Campus Berges du Rhône Rafik.abdesselam@univ-lyon2.fr
2 Différents types de variables aléatoires Variable aléatoire Discrète Finie ou infinie dénombrable de valeurs généralement entières Continue Infinité de valeurs réelles
3 Exemples Variable aléatoire discrète Nombre fini ou infini de valeurs, généralement entières Exemple 1 : Nombre d entreprises défaillantes n ayant pas remboursé leurs émissions obligataires ces 15 dernières années ( ) Valeurs possibles : 0, 1, 2, 3 Exemple 2 : Nombre de pièces prélevées jusqu à l obtention d une pièce défectueuse Valeurs possibles : 1, 2, 3, 4,.
4 Exemples Variable aléatoire continue Nombre infini de valeurs réelles Exemple 1 : Rendements de l indice CAC40 Valeurs possibles : IR = ]-, + [ ou un intervalle de IR Exemple 2 : Cours du titre France Telecom Valeurs possibles : IR+ = [ 0, + [
5 Loi de probabilité Loi de probabilité d une v.a.r. Discrète (finie ou infinie) - Distribution de probabilité : ( x i ; p i = P(X = x i ) ) (Diagramme en bâtons) Loi de probabilité d une v.a.r. Continue n (+ ) - Fonction de répartition : F(x) = P(X x) = p i i = 1 (Courbe en escaliers) - Fonction densité de probabilité : ( x ; f(x) ) (Courbe de la fonction densité f ) x - Fonction de répartition : F(x) = P(X x) = f(x) dx - (Courbe de la fonction de répartition F) F est la primitive de la fonction densité f de X.
6 Lois de probabilité usuelles Discrète Loi de probabilité Loi Hypergéométrique Loi Binomiale Loi de Poisson Continue Normale Log-Normale Exponentielle
7 Caractéristiques d une variable aléatoire Espérance mathématique Variance V(X) = E(X) = n (+ ) n (+ ) p i x i i = 1 + x f(x) dx - p i ( x i E(X) )² i = 1 E(X²) E(X)² v.a.r. discrète v.a.r. continue v.a.r. discrète + ( x E(X) )² f(x) dx - Ecart-type : x = V(X) v.a.r. continue CV : x / E(X)
8 Propriétés Si X est une variable aléatoire Alors Y = a X b est une variable aléatoire ( a, b constantes non nuls ) Espérance mathématique : E(Y) = E(aX b) = E(aX) E(b) = a E(X) b Variance mathématique : V(Y) = V(aX b) = V(aX) V(b) = a² V(X) 0
9 Exemples d application Soit f : IR IR la fonction définie par : ke x si x < 0 f(x) = x si 0 x 1 0 si x > 1 Déterminer la valeur de la constante k pour que f soit une densité de probabilité d une v.a.r. absolument continue X. Conditions à vérifier : Exemple de fonction densité de probabilité 1) x IR f(x) 0 : si x < 0 alors k e x 0 k 0 ; si 0 x 1 alors f(x) = x 0 si x > 1 alors f(x) = ) f(x) dx = 1 : f(x) dx = k e x dx + x dx + 0 dx = k [e x ] [x²/2] = k (1 0) + (1/2) (1-0) = 1 = k + 1/2 = 1 k = 1/2. e x /2 si x < 0 Fonction densité de probabilité f : IR IR f(x) = x si 0 x 1 0 si x > 1 9
10 Exemples d application Exemple de fonction de répartition Déterminer la fonction de répartition F de la v.a.r. X continue, caractérisée par sa fonction densité de probabilité f : IR IR e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > 1 x x 0 1 x Si x > 1 : F(x) = P(X x) = f(x) dx = e x /2 dx + x dx + 0 dx x Si x < 0 : F(x) = P(X x) = f(x) dx = e x /2 dx = (1/2) [e x ] - = (1/2) (e x 0) = e x /2 - - x 0 x Si 0 x 1 : F(x) = P(X x) = f(x) dx = (e x /2) dx + x dx = (1/2) [e x ] - + [x²/2] 0 x = (1/2) (1 0) + (1/2) (x² - 0) = (1/2) + (1/2) x² = (1 + x²) /2 = (1/2) [e x ] [x²/2] = (1/2) (1 0) + (1/2) (1-0) = 1 x 0 e x /2 si x < 0 Fonction de répartition F : IR IR F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 10
11 Espérance mathématique Exemples d application Calculer l espérance mathématique de la v.a.r. X 1) discrète et finie caractérisée par sa distribution de probabilité : x i P i = P(X = x i ) F(x) = P(X x ) 0 p 0 = 1/4 p 0 = 1/4 1 p 1 = 1/2 p 0 + p 1 = 3/4 2 p 2 = 1/4 p 0 + p 1 + p 2 = 1 2 p i x i = (1/4)x0 + (1/2)x1 + (1/4)x2 = 3/4. i = 0 2) Continue, caractérisée par sa fonction de répartition F : e x /2 si x < 0 F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 fonction densité de probabilité f : e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > E(X) = x f(x) dx = (x e x )/2 dx + x 2 dx + x.0 dx = - 1/ Intégration par parties 11
12 Variance mathématique Exemples d application Calculer la variance de la v.a.r. X dans les 2 cas de l'application précédente. 1) discrète et finie caractérisée par sa distribution de probabilité : x i P i = P(X = x i ) F(x) = P(X x i ) 0 p 0 = 1/4 p 0 = 1/4 1 p 1 = 1/2 p 0 + p 1 = 3/4 2 p 2 = 1/4 p 0 + p 1 + p 2 = 1 E(X) = 3/4 2 E(X²) = p i x i 2 = (1/4)x0 2 + (1/2)x1 2 + (1/4)x2 2 = 5/4 i = 0 V(X) = E(X²) E(X)² = (5/4) (3/4)² = 11/16. 2) Continue, caractérisée par sa fonction de répartition F : e x /2 si x < 0 fonction densité de probabilité f : F(x) = (1 + x 2 ) / 2 si 0 x 1 1 si x > 1 e x /2 si x < 0 f(x) = x si 0 x 1 0 si x > E(X) = - 1/6 ; E(X 2 ) = x 2 f(x) dx = (x 2 e x )/2 dx + x 3 dx + x 2.0 dx = 5/ V(X) = E(X²) E(X)² = (5/6) (-1/6)² = 11/9. 12
13 Variable aléatoire réelle centrée réduite V.A.R. Centrée et réduite Si E(X) = 0 alors la v.a.r. X est dite centrée. Si x = 1 alors la v.a.r. X est dite réduite. On pose Y = X - E(X), Y est la v.a.r. centrée associée à la v.a.r. X. En effet, E(Y) = E [(X E(X)] = E(X) E(E(X)) = E(X) E(X) = 0 L espérance mathématique est un opérateur linéaire. X - E(X) On pose U =, U est la v.a.r. centrée réduite associée à X ( x 0). x En effet, E(U) = E [(X E(X))/ x ] = (E(X) E(X) / x = 0 V(U) = V [(X E(X))/ x ] = (1/ x 2 ) V [X E(X)] = (1/ x 2 ) V(X) = 1 13
14 Paramètres Loi de probabilité discrète finie Loi Binomiale X B( n ; p ) n : Nombre de répétitions ( mêmes conditions ) d une expérience à 2 résultats «événements» possibles. Taille de l échantillon p : Probabilité de l un des 2 événements possibles q = 1 - p : Probabilité de l autre événement possible
15 Loi de probabilité discrète finie Loi Binomiale X B( n ; p ) Distribution de probabilité Fonction Excel : LOI.BINOMIALE( x i ; n ; p ; FAUX) Caractéristiques p i = P(X = x i ) = C n x i E(X) = n p pour tout x i = 0, 1, 2,...,n p x i (1 - p) n - x i V(X) = npq = np(1 p) Représentation graphique : Diagramme en bâtons
16 Loi Binomiale X B( n ; p ) Fonction de répartition Fonction Excel : LOI.BINOMIALE( x i ; n ; p ; VRAI ) Propriété : F(x) = P( X x ) = P(X = x i ) { x i / x i x } Représentation graphique :: Courbe en escaliers Si X B( n 1 ; p) et Y B( n 2 ; p) deux v.a.r. aléatoires indépendantes alors : Alors S = X + Y B( n 1 + n 2 ; p )
17 Exemples d application Exemple d application 1 : D après un représentant de la compagnie aérienne Lyon Air, 15% des clients réservent un siège en première classe. Parmi les 10 prochaines réservations, - Quelle est la loi de probabilité suivie par la v.a.r. X associée au nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations. X B (n = 10, p = 0.15) ; P(X = k) = C 10 k p k (1-p) 10-k k = 0,1,,10 - Quelle est la probabilité qu'aucune personne ne réserve en première classe? P(X = 0) = C = = 19.69% - Quelle la probabilité d'avoir exactement une réservation en première classe? P(X = 1) = C = 34.74% - Quelle est la probabilité d'avoir au plus une réservation en première classe? P(X 1) = F(1) = P(X = 0) + P(X = 1) = 54.43% - Quelle est la probabilité d'avoir plus une réservation en première classe? P(X > 1) = 1 - P(X 1) = 1 - F(1) = 45.57% 17
18 Exemples d application Exemple d application 1 : X : nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations. X B (n = 10, p = 0.15) - Quelle est la probabilité d'avoir un nombre de réservations en première classe compris entre la moyenne plus ou moins un écart-type? E(X) = np = 1.5 ; V(X) = npq = et X = 1.13 P[ E(X) - X X E(X) + X ] = P( 0.37 X 2.63 ) = P(X = 1) + P(X = 2) = 62.33% - Parmi ces 10 prochaines réservations, quel est le nombre le plus probable de réservations en première classe? x i p i F(x) 0 0, , , , , , , , , , , , , , , , ,3326E-06 0, ,2677E-07 0, ,7665E-09 1 Mode = 1 : c est le nombre de réservations en 1 ère classe le plus probable parmi les 10 prochaines réservations : P(X = 1) = 34.74% Médiane = 1 : F(1) = 54.43% 18
19 F(x) = P(X <= x) p i = P(X = x i ) Exemples d application 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Diagramme en bâtons - Distribution de probabilité "Nombre de clients qui réservent en 1 ère classe parmi les 10 prochaines réservations 20% 35% 28% 13% 4% 1% 0% 0% 0% 0% 0% x i : nombre de clients qui réservent en 1 ère classe Courbe en escalier - Fonction de répartition 100% 75% 50% 25% 0% xi : nombre de clients qui réservent en 1ère classe 19
20 Exemples d application Exemple d application 2 : Une société de location de voitures a calculé que la probabilité qu'une de ses voitures louées ait un accident dans une journée est de l'ordre de 3% ( la probabilité qu'une voiture louée ait plus d'un accident par jour est supposée nulle ). Les accidents sont supposés indépendants les uns des autres. Chaque jour, 20 voitures de la société sont en circulation. On notera par X : '' Le nombre d'accidents par jour enregistré par cette société '' a) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, qu'un accident dans la journée? b) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, jusqu'à 2 accidents dans la journée? c) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, plus de 2 accidents dans la journée? d) Quelle est la probabilité d'observer, parmi les 20 voitures en circulation, de 1 à 2 accidents dans la journée? e) Quelle est en moyenne, le nombre d'accidents par jour que peut enregistrer cette société?
21 Loi de probabilité discrète infinie dénombrable Loi de Poisson X P( ) Loi des événements rares : (assurance : sinistres, accidents, files d attente, etc.) Distribution de probabilité Fonction Excel : LOI.POISSON( x i ; ; FAUX) p i = P(X = x i ) = e - x i / x i! pour tout x i = 0, 1, 2,...,+ Caractéristiques : E(X) = V(X) = Représentation graphique : Diagramme en bâtons
22 Loi de Poisson X P( ) Fonction de répartition Fonction Excel : LOI.POISSON( x i ; ; VRAI ) Propriété : F(x) = P( X x ) = P(X = x i ) { x i / x i x } Représentation graphique : Courbe en escalier Si X P( 1 ) et Y P( 2 ) deux v.a.r. aléatoires indépendantes alors : Alors S = X + Y P( )
23 Exemples d application Exemple d application 1 : Le responsable d'une compagnie d'assurances a effectué une compilation du nombre de sinistres qui se sont produits ces dernières années. Ceci a permis d'établir que le taux moyen de sinistres enregistrés par la compagnie a été de 2,5 sinistres par jour. En admettant que le nombre de sinistres en une journée obéit à la loi de Poisson, X : le nombre de sinistres / jour ; E(X) = = 2.5 sinitres / jour X P ( = 2.5 ) ; P(X = k) = e k / k! k = 0, 1,, + - Quelle est la probabilité que cette compagnie n enregistre aucun sinistre dans la journée? P(X = 0) = e / 0! = e -2.5 = 8.21% - Quelle est la probabilité que cette compagnie enregistre plus de 3 sinistres par jour? P(X > 3) = 1 P(X 3) = 1 F(3) = 1 [ P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) ] = = 24.24% - Sur une période d'une année, quel est vraisemblablement le nombre de jours où la compagnie n'a enregistré aucun sinistre? 1 année = 365 jours ; 365 x P(X = 0) = 365 x 8.21% = jours 1 mois 23
24 Probabilité P(X = k) Exemples d application Exemple d application 1 : - Calculer la probabilité d'avoir un nombre de sinistres compris entre le taux moyen de sinistres plus ou moins un écart-type. E(X) = V(X) = = 2.5 ; X = V(X) = 1.58 P[ E(X) - X < X < E(X) + X ] = P[ < X < ] = P( 0.92 < X < 4.08 ) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) = 80.91% - Quel est le nombre de sinistres par jour le plus probable et quelle est sa probabilité? Mode = 2 ; P(X = 2) = 25.65% - Représenter graphiquement la distribution de probabilité de X. 0,3 Distribution de probabilité du nombre d'accidents / jour 0,25 0,2 0,15 0,1 0, k : nombre d'accidents / jour 24
25 Exercice d application Le responsable d'une compagnie d'assurances a effectué une compilation du nombre de sinistres qui se sont produits ces dernières années. Ceci a permis d'établir que le taux moyen de sinistres enregistrés par la compagnie a été de 2,5 sinistres par jour. On associera à la variable aléatoire X : '' Le nombre de sinistres/jour enregistré par cette compagnie ''. En admettant que le nombre de sinistres en une journée obéit à la loi de Poisson, a) Quelle est la probabilité que cette compagnie enregistre plus de 3 sinistres par jour? b) Sur une période d'une année, quel est vraisemblablement le nombre de jours où la compagnie n'a enregistré aucun sinistre? c) Calculer la probabilité d'avoir un nombre de sinistres compris entre le taux moyen de sinistres plus ou moins un écart-type. d) Sachant que le coût moyen de l'indemnisation d'un sinistre est de l'ordre de 15 M, calculer la probabilité que la compagnie ait à débourser plus 80 M par jour?
26 Approximation X B( n ; p ) Conditions d approximation : Si n 30, p 10% et n p 5 Alors X P( = n p ) Plus la taille d échantillon n est grande et plus la probabilité p est petite, meilleure sera l approximation
27 X Loi de probabilité continue Loi de probabilité continue Normale, log-normale, Exponentielle, etc Fonction densité de probabilité + Conditions : f(x) 0 et f(x) dx = 1 pour tout x IR - Fonction de répartition Propriété : F(x) = P(X x) = f(x) dx x - pour tout x IR P( a < X < b) = P( a X b) = F(b) F(a) = P( a X < b) = P( a < X b)
28 Loi de probabilité continue Loi normale X N( m ; ² ) Fonction densité de probabilité Fonction Excel : LOI.NORMALE( x ; m ; ; FAUX) Caractéristiques : 1 f(x) = exp{- [(x m)/ ]² / 2} 2 pour tout x ] -, + [ = IR E(X) = m et V(X) = ² Représentation graphique : Courbe en cloche centrée en m
29 Loi de probabilité continue Loi normale X N( m ; ² ) Fonction de répartition Fonction Excel : LOI.NORMALE( x ; m ; ; VRAI ) x F(x) = P(X x) = f(x) dx - pour tout x ] -, + [ = IR Représentation graphique F(- ) = 0 Courbe bornée 1 = F(+ ) Fonction inverse Fonction Excel : LOI.NORMALE.INVERSE( F(x) ; m ; ) x =? connaissant F(x) = P(X x)
30 Courbe en cloche Aire sous la cloche = 1 Caractéristiques d une loi normale Fonction densité de probabilité N( m ; ² ) 0,2 0,18 0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 50% m- m m+ + x 50% 1/ 2 Axe de symétrie (parfaite) Fonction paire : f(-x) = f(x) Mode = Médiane = m Coefficient d asymétrie = 0 x F(x) = P(X x) = f(x) dx - Fonction de répartition N( m ; ² ) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 F(m) = P(X m) = 1/ m + x 30
31 Caractéristiques d une loi normale Remarques 0,2 0,15 0,1 0,05 Distributions normales m 1 < m2 & 1 = 2 Distributions normales m 1 = m 2 & 2 > 1 0,2 0,15 0,1 0, CV 1 < CV 2 la distribution 2 est plus homogène que la distribution Plus la variance est élevée, plus la courbe sera aplatie Propriétés 3) La somme ou la différence de 2 lois normales indépendantes suit une loi normale. X 1 N(m 1 ; 1 ²) S = X 1 + X 2 N( m 1 + m 2 ; ( 1 ²+ 1 ² )² ) X 2 N(m 2 ; 2 ²) X 1 et X 2 indépendantes D = X 1 - X 2 N( m 1 - m 2 ; ( 1 ²+ 1 ² )² ) 31
32 Loi de probabilité continue Loi normale : fonction densité de probabilité X N( ; ² )
33 Loi de probabilité continue Loi normale : fonction de répartition
34 Loi de probabilité continue Loi normale centrée réduite U = (X m)/ N( 0 ; 1 ) Fonction de répartition Fonction Excel : LOI.NORMALE.STANDARD( u ) u F(u) = P(U u) = f(u) du - pour tout u ] -, + [ = IR Fonction inverse Fonction Excel : LOI.NORMALE.STANDARD.INVERSE( F(u) ) u =? connaissant F(u) = P(U u)
35 Caractéristiques d une loi normale centrée réduite : Fonction densité de probabilité N( 0 ; 1 ) 0,2 Courbe en cloche 1/ 2 Aire sous la cloche = 1 0,15 0,1 Symétrie - Fonction paire : f(-u) = f(u) Points d inflexion : u = -1 et u = 1 + 1/2 = (1/ 2 ) e -u²/2 du 50% 0,05 50% = P(U 0) = (0) = 1/ u (0) = 1/2 : Fonction de répartition N( 0 ; 1 ) 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 (u) = P(U u) (valeurs tabulées) (-u) = 1 - (u) Point d inflexion : u = 0 ; (0) = 1/ u 35
36 Table statistique de la loi normale centrée-réduite : N(0, 1) Fonction de répartition de la loi normale centrée réduite : U N( 0, 1). Probabilité de trouver une valeur inférieure à u. (u) = P(U u) ; (-u) = P(U - u) = 1 - (u) u Exemples : P(U 1.26) = (u) (1.26) = 89.62% P(U ) = (-1.51) = 1 - (1.51) = = 6.55% 36
37 Exemples d application Exemple d application 1 : 1- Usage de la table N(0, 1) : Soit X une v.a.r. qui suit une N(5, 4²). a) Calculer les probabilités suivantes : P(X 10), P(X > 2) et P(2 < X 10). F(10) = P(X 10) = P[ (X-m)/ (10 5)/4 ] = P(U 5/4) = (1.25) = = 89.44%. P(X > 2) = 1 - P(X 2) = 1 - P[ (X-m)/ (2 5)/4 ] = P(U -3/4) = (-0.75) = 1 - (0.75) = = 22.66%. P(2 < X 10) = P[ (2 5)/4 < (X-m)/ (10 5)/4 ] = P(-0.75 < U 1.25) = (1.25) - (-0.75) = (1.25) - (1 - (0.75)) = (1.25) + (0.75) 1 = = 66.78%. b) Déterminer x de telle sorte que F(x) = P(X x) = 0,77 ; F(x) = P(X x) = 0,39 x =? / P(X x ) = 0.77 P[(X-m)/ (x 5)/4 ) = P(U (x 5)/4 ) = 0.77 [(x 5)/4] = (u) = 0.77 cf. table N(0;1) u = (x 5)/4 = x = 4 x = x =? / P(X x ) = 0.39 P[(X-m)/ (x 5)/4 ) = P(U (x 5)/4 ) = 0.39 [(x 5)/4] = (u) = 0.39 [- (x 5)/4 ] = (- u) = 1 - (u) = = u = - (x 5)/4 = x = 5-4 x =
38 Exemple d application 1 : Exemples d application 2- Soit X N(m, ²), déterminer la probabilité des intervalles suivants : [m - ; m + ] ; [m - 1,96 ; m + 1,96 ] ; [m - 2,58 ; m + 2,58 ]. P(m - X m + ) = P[ -1 (X-m)/ 1 ] = P(- 1 < U 1) = P(- 1 < U 1) = (1) - (-1) = (1) - (1 - (1)) = 2 (1) 1 = 2 x = 68.26%. P(m 1.96 X m ) = P[ (X-m)/ 1.96 ] = P( < U 1.96) = P( < U 1.96) = 2 (1.96) 1 = 2 x = 95%. P(m 2.59 X m ) = P[ (X-m)/ 2.58 ] = P( < U 2.58) = P( < U 2.58) = 2 (2.58) 1 = 2 x = 99%. 38
39 Exemple d application 1 : Exemples d application 2- Soit X N(m, ²), déterminer la probabilité des intervalles suivants : [m 1 ; m + 1 ] ; [m 1.96 ; m ] ; [m 2.58 ; m ]. P(m 1 X m + 1 ) = 68.26% P(m 1.96 X m ) = 95% P(m 2.58 X m ) = 99% U N( 0 ; 1) f(u) u 68.26% 95% 99% 39
40 Exemples d application Exemple d application 2 : Le service comptable d'une compagnie d'assurances a évalué la montant de la cotisation annuelle d'un contrat d'assurance complémentaire proposé depuis plusieurs années, et en a établi que cette cotisation était distribuée normalement avec une moyenne m = 500 et un écart-type = 50. On notera par X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) a) Déterminer puis interpréter la valeur du coefficient de variation du montant de la cotisation annuelle des assurés? CV% = 50 / 500 = 10% ; la distribution du montant de la cotisation est très homogène b) Quelle est la probabilité qu'un contrat d'assurance, choisi au hasard, ait une cotisation annuelle inférieure à 440? P(X 440 ) = P[ U ( ) / 50 ] = P(U -1.2) = (-1.2) = 1 - (1.2) = = 11.51%. c) Quelle est la probabilité qu'un contrat d'assurance, choisi au hasard, ait une cotisation annuelle supérieure à 560? P(X > 560 ) = P[ U > ( ) / 50 ] = P(U > 1.2) = 1 - P(X 1.2 ) = 1 - (1.2) = = 11.51%. 40
41 Exemples d application Exemple d application 2 : X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) d) Sur les 3600 assurés de cette compagnie, combien auront une cotisation annuelle comprise entre 440 et 560? P(440 < X 560) = P[ ( )/50 < U ( )/50 ] = P(-1.2 < U 1.2) = (1.2) - (-1.2) = 2 (1.2) - 1 = 2 x = 76.98%. Nombre d assurés : 76.98% x3600 = assurés. e) 25% des contrats de cette compagnie, ont une cotisation annuelle inférieure ou égale à quelle valeur? x =? / P(X x ) = 0.25 P[ U (x 500)/50 ] = [u = (x 500)/50 ] = 0.25 u = (x 500)/50 = x = f) Les 10% des contrats ayant des cotisations les plus élevées, ont une cotisation supérieure à quelle valeur? x =? / P(X > x ) = 0.10 F(x) = P(X x ) = P[ U (x 500)/50 ] = 0.90 [u = (x 500)/50 ] = 0.90 u = (x 500)/50 = x =
42 Exemple d application 2 : Exemples d application X : '' Le montant de la cotisation annuelle des assurés'' X N( m = 500 ; ² = 50² ) h) Entre quelles valeurs autour de la moyenne se situe la cotisation des 95% des assurés de cette compagnie? [ m 1.96 ; m ] : [ 402 ; 598 ] En effet, P(-x < X - m x ) = P(-x < X - m x ) = 0.95 = P[ -x / 50 < U x / 50 ] = (x/50) - (-x/50) = 2 (x/50) - 1 = 0.95 (x/50) = u = x/50 = 1.96 x = 98. i) En supposant que l écart-type reste inchangé, à quel montant moyen doit être fixée la cotisation de sorte que seulement 5% des assurés auront une cotisation annuelle supérieure à 564,08? m* =? / P(X > ) = 0.05 P(X ) = 0.95 = P[ U ( m*)/50 ] [u = ( m*)/50 ] = 0.95 u = ( m*)/50 = m* =
43 Approximations Discrète finie Continue Si X B( n ; p ) Conditions d approximation : n 30, np 15 et n pq > 5 Alors X N( m = n p ; ² = n pq ) Discrète infinie Continue X P( ) Conditions d approximation : Si > 20 Alors X N( m = ; ² = )
44 Loi de probabilité continue Loi log-normale Y LN( m x ; x ² ) 1 g(y) = exp{-[(lny m x )/ x ]² / 2} pour tout y > 0 y x 2 = f( lny ) / y Si lny = X N( m x ; x ² ) Fonction densité de probabilité Fonction Excel : LOI.NORMALE( lny ; m x ; x ; FAUX) / y
45 Loi de probabilité continue Loi log-normale Y LN( ; ² )
46 Domaines d application Loi de probabilité continue Loi exponentielle X Exp( ) Industrie, génie industriel, recherche opérationnelle ( file d attente, durée de service, etc. ) Exemple : Durée de vie d un composant électronique Analyse de la fiabilité du composant afin de mesurer son aptitude à fonctionner sans défaillance. Paramètres : taux moyen de défaillance du composant = 1/ : Moyenne des Temps de Bon Fonctionnement Temps moyen entre défaillances
47 Loi de probabilité continue Loi exponentielle X Exp( ) Fonction densité de probabilité : Fonction Excel : LOI.EXPONENTIELLE( x ; ; FAUX) f(x) = e - x si x 0 0 sinon Caractéristiques : E(X) = 1 / et V(X) = 1 / ² Représentation graphique : Courbe exponentielle
48 Fonction de répartition : Loi de probabilité continue Loi Exponentielle X Exp( ) Fonction Excel : LOI.EXPONENTIELLE( x ; ; VRAI) F(x) = P(X x) = 1 - e - x si x 0 0 sinon F(- ) = 0 Courbe bornée 1 = F(+ )
49 Exemple d application 1 : Exemples d application Un composant électronique a une durée de vie qui est distribuée selon une loi exponentielle dont la durée de vie moyenne est de 500 heures. - Quelle est alors la valeur du paramètre? Que représente ce paramètre dans ce contexte? X : la durée de vie d un composant électronique ; E(X) = 500 = 1/ = 1/500 = X Exp ( = 0.002) ; f(x) = e - x si x 0 ; f(x) = 0 sinon F(x) = 1 - e - x si x 0 ; F(x) = 0 sinon = 1/500 = composant / h, il représente le taux moyen de défaillance - Quelle est la probabilité qu un composant ait une durée inférieure à 250 heures? P(X < 250) = F(250) = 1 e -250/500 = 39.35% - Quelle est la probabilité qu un composant ait une durée inférieure à la durée de vie moyenne? P(X < E(X) = 500) = F(500) = 1 e -500/500 = 1 e -1 = 63.21% - Sur 1000 composants, combien auront vraisemblablement une durée de vie supérieure à 345 heures? P(X > 345) = 1 P(X 345) = 1 - F(345) = 1 e -345/500 = 50.20% Sur 1000 composants 502 composants qui auront une durée de vie supérieure à 345 h. 49
50 F(x) f(x) Exemples d application 0,0025 0,002 0,0015 Densité de probabilité Durée de vie d'un composant électronique 0,001 0, x : durée de vie en heures 1 Fonction de répartition Durée de vie d'un composant électronique 0,8 0,6 0,4 0, x : durée de vie en heures 50
51 Exemple d application 1 : Exemples d application X : la durée de vie d un composant électronique ; E(X) = 500 = 1/ = 1/500 = si x < 0 0 si x < 0 X Exp ( = 0.002) ; f(x) = F(x) = 0.002e x si x e x si x 0 -Quelle est la probabilité qu un composant ait une durée vie comprise entre 250 et 500 heures? P(250 < X < 500) = F(500) F(250) = 63.21% % = 23.86% - Quelle est la probabilité qu un composant ait une durée de vie inférieure à 500 heures sachant qu il a duré plus de 250 heures? P (X > 250) (X < 500) = P[(X < 500)/(X > 250)] = P[(X < 500) (X > 250)] / P(X > 250) = P(250 < X < 500) / [1 - P(X 250)] = [F(500) F(250)] / [1 F(250)] = / = 39.34% 51
52 Exemple d application 2 : Exemples d application Dans un magasin de pièces détachées, le temps nécessaire pour servir des clients est distribué selon une loi exponentielle avec une durée moyenne de service de 5 minutes par client. Quelle est alors la valeur du paramètre lambda? X : la durée de service d un client ; X Exp ( = 0.2) E(X) = 1/ = 1/E(X) = 1/5 = 0.2, il représente le taux moyen de service f(x) = 0.2e -0.2x si x 0 F(x) = 1 - e -0.2x si x 0 0 si x < 0 0 si x < 0 - Quelle est la probabilité que la durée de service soit supérieure à 6 minutes? P(X > 6) = 1 - P(X 6) = 1 - F(6) = e -0.2x6 = 30.12% Comprise entre 3 et 8 minutes? P(3 < X < 8) = F(8) F(3) = (1 e -0.2x8 ) - (1 e -0.2x3 ) = 34.69% Inférieure à 8 minutes sachant qu elle est supérieure à 3 minutes? P (X > 3) (X < 8) = P[(X < 8) / (X > 3)]= P[(X < 8) (X > 3)] / P(X > 3) = P(3 < X < 8) / P(X > 3) = [F(8) F(3)] / [1 P(X 3) ] = [F(8) F(3)] / [1 F(3)] = / e -0.2x3 = 63.21% - Est-ce exacte de dire qu il y a 50% de chances pour que la durée de service d un client soit inférieure à la durée moyenne de service? Non, P(X < E(X) = 5) = F(5) = 1 e -0.2x5 = 63.21% (loi asymétrique à gauche) 52
53 Exemple d application 3 : Exemples d application Un fabricant de moniteur-vidéo veut déterminer la période de garantie qu il devrait associer aux tubes-écran qu il commercialise. Des essais en laboratoire ont indiqué que la durée de vie utile (en années) de ce composant est distribué selon une loi exponentielle avec un taux moyen de défaillance de 0,20 tube/an. - Quelle est la durée de vie moyenne des tubes? X : la durée de vie (en années) d un tube-écran ; X Exp ( = 0.2 ) E(X) = 1/ = 5 ans ; durée de vie moyenne d un tube - Quelle est la probabilité qu un tube opère sans défaillance pour une période excédant sa durée de vie espérée? P(X > E(X) = 5) = 1 - P(X 5) = 1 - F(5) = e -0.2x5 = 36.79% - 50% des tubes fonctionnent sans défaillance pendant combien de temps? x =? / P(X > x ) = 50% 1 P(X x) = 1 F(x) = 50% F(x) = 1 - e -0.2 x = 0.5 e -0.2x = 0.5 ln e -0.2 x = ln x = ln 0.5 x = - ln 0.5 / 0.2 = 3,47 3 ans et demi. On veut donner une période de garantie à ces tubes ; toutefois, on ne veut pas remplacer plus de 18% de tubes au cours de cette période de garantie. Quelle devrait être la période de garantie? x =? / P(X x ) 18% F(x) = 1 - e -0.2 x 0,18 e -0.2x 0.82 ln e -0.2 x ln x ln 0.82 x - ln 0.82 / 0.2 = ans. 53
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 détail3. 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 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 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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
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 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 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 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 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 détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
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 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 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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 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 détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailEstimation 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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 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 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 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 détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
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 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 détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
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 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 détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6 ARTHUR CHARPENTIER 1 Supposons que le nombre X de coups de téléphone durant une heure suive une loi de Poisson avec moyenne λ. Sachant que P (X = 1 X 1) = 0.8, trouver
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailmathématiques mathématiques mathématiques mathématiques
mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
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 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 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 détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
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 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 détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
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 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 détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
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 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 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 détailProbabilités 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 détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
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 détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailExposing a test of homogeneity of chronological series of annual rainfall in a climatic area. with using, if possible, the regional vector Hiez.
Test d homogéné$é Y. BRUNET-MORET Ingénieur hydrologue, Bureau Central Hydrologique Paris RÉSUMÉ Présentation d un test d homogénéi.té spécialement conçu pour vérijier Z homogénéité des suites chronologiques
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 détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
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 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 détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailPLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailProbabilités 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 détailProbabilité. 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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
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 détailmathématiques mathématiques mathématiques mathématiques mathématiques mathématiques SÉRIE ES ANNALES DES SUJETS DE MATHÉMATIQUES SESSION 2013
mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques
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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détail