Formulaire de Probabilités et Statistiques
|
|
- Marie-Claire Lévesque
- il y a 8 ans
- Total affichages :
Transcription
1 Formulaire de Probabilités et Statistiques AD+JS 1 Rappels de combinatoire Arrangements avec répétitions Nombre d applications d un ensemble à k éléments dans un ensemble à n éléments : n k Arrangements (sans répétitions) Nombre d arrangements de k objets choisis parmi n: A k n = n! = n(n 1) (n k + 1) (n k)! Permutations Nombre de permutations de n objets : A n n = n! Combinaisons (sans répétitions) Nombre de combinaisons de k objets choisis parmi n (ou nombre de sous-ensembles à k éléments dans un ensemble à n éléments): ( ) n Cn k n! n(n 1) (n k + 1) = = = (coefficient binomial) k (n k)!k! k(k 1) 1 Combinaisons avec répétitions Nombre de répartitions de n boules indiscernables dans k urnes discernables: Cn+k 1 n = (n + k 1)! Ck 1 n+k 1 = n!(k 1)! Coefficients multinomiaux Nombre de répartitions de n boules discernables dans k urnes discernables avec n 1 boules dans la 1ère urne, n 2 boules dans la 2ème urne,..., n k boules dans la kème urne: C n 1 n C n 2 n n 1 C n k n n 1 n k 1 = ( ) n = n 1,...,n k n! n 1!n 2! n k! Propriétés élémentaires des coefficients binomiaux C k 1 n + C k n = C k n+1 (triangle de Pascal) C k n+m = k (x + y) n = (1 x) n = j=0 C j m Ck j n (formule de Vandermonde ) n Cnx k k y n k k=0 (formule du binôme) Cn+k 1 k xk (série géométrique généralisée ) k=0 (coefficient multinomial) 1
2 2 Probabilités élémentaires Modelè probabiliste L ensemble fondamental Ω est l ensemble des résultats possibles d une expérience. Un événement A est un sous-ensemble de Ω. Une distribution de probabilités P sur Ω associe à tout événement A un nombre P(A), tel que 0 P(A) 1, appelé probabilité de A. Ci-dessous, soient A, B, A 1, A 2,..., A n des événements. On note A c le complémentaire de A dans Ω. Une partition de Ω (un système complet d événements) {B i } n i=1 a les propriétés que l union des événements est Ω et qu ils sont disjoints deux á deux: n B i = Ω, B j B j =, i j. i=1 Propriétés élémentaires de P P(Ω) = 1 P(A c ) = 1 P(A) P(A B) = P(A) + P(B) P(A B) Formule d inclusion-exclusion à n termes ( n ) n P A i = ( 1) k+1 i=1 k=1 1 i 1 < <i k n Événements indépendants A et B sont indépendants ssi P(A B) = P(A)P(B) Événements indépendants deux à deux P(A i1 A ik ) P(A i A j ) = P(A i )P(A j ) i j Événements totalement indépendants P(A i1 A ik ) = P(A i1 ) P(A ik ) 1 i 1 < < i k n,k = 1,...,n Probabilités conditionnelles Si A est un événement quelconque et si l événement B vérifie P(B) > 0 alors la probabilité conditionnelle de A sachant B est P(A B) = P(A B). P(B) Conditionnement multiple P(A 1 A 2 A n ) = P(A 1 )P(A 2 A 1 ) P(A n A 1 A 2 A n 1 ) Formule des probabilités totales Soit (B i ) 1 i n une partition de Ω, avec P(B i ) > 0, i. Alors pour tout événement A, P(A) = P(A B 1 )P(B 1 ) + P(A B 2 )P(B 2 ) + + P(A B n )P(B n ). 2
3 Formule de Bayes Soit {B i } n i=1 une partition de Ω, avec P(B i) > 0, i. Alors pour tout événement A de probabilité non nulle P(B i A) = P(A B i )P(B i ) P(A B 1 )P(B 1 ) + P(A B 2 )P(B 2 ) + + P(A B n )P(B n ). 3 Variables aléatoires réelles Variables discrètes Une variable aléatoire réelle X est une fonction X : Ω E ou E est un sous-ensemble de nombres réels. Si E est discrèt, alors X est appelé variable aléatoire discrète. Dans ce cas la distribution de probabilités de X est la donnée des nombres : P(X = x k ). La fonction f X (x) = P(X = x) est appelée fonction de masse. Fonction de répartition F X (t) = P(X t) Quantile Pour une probabilité 0 < p < 1, la p quantile de F X est x p = inf{x : F X (x) p}. Très souvent on a F X (x p ) = p. Variables continues X est une variable aléatoire continue si sa fonction de répartition s écrit sous la forme F X (x) = x f X (t)dt, donc f X (x) = df X(x), dx où f X (x) est une fonction non négative, appelée densité de X. Couples de variables aléatoires On considère des événements relatifs à deux variables aléatoires X et Y. Fonction de répartition conjointe F X,Y (x,y) = P(X x,y y). Pour un couple (X,Y ) conjointement continu F X,Y (x,y) = x ds y dy f X,Y (s,t) = y x f X,Y (s,t)dsdt et f X,Y (x,y) = 2 x y F X,Y (x,y). Fonction de répartition marginale F X (x) = P(X x) = lim y F X,Y (x,y). Pour un couple (X,Y ) conjointement continu F X (x) = x f X (s)ds où f X (x) est la densité marginale de X donnée par f X (x) = f X,Y (x,y)dy. 3
4 Variables aléatoires indépendantes Deux variables aléatoires X et Y sont indépendantes si pour tous ensembles A et B, En particulier: Dans le cas de deux variables discrètes P(X A et Y B) = P(X A)P(Y B). F X,Y (x,y) = F X (x)f Y (y). P(X = x k et Y = y l ) = P(X = x k )P(Y = y l ), x k,y l R, et dans le cas de deux variables continues f X,Y (x,y) = f X (x)f Y (y), x,y R. Loi de probabilité d une fonction de variables aléatoires Changement de variables à une dimension Si X est une variable aléatoire continue de densité f X (x) et si Y = g(x) pour une fonction g réelle et inversible, on a F Y (y) = f X (x)dx. g 1 (,y) Si g(x) est strictement monotone et continûment dérivable, alors la variable aléatoire Y = g(x) est une variable aléatoire continue, avec densité { f f Y (y) = X (g 1 (y)) d g 1 (y) dy, si y = g(x) pour un x quelconque, 0, si y g(x) pour tout x. Changement de variables à deux dimension Si (X 1,X 2 ) sont deux variables aléatoires conjointement continues de densité f X1,X 2 (x 1,x 2 ) et si (Y 1,Y 2 ) = (g 1 (X 1,X 2 ),g 2 (X 1,X 2 )) pour une fonction g = (g 1,g 2 ) inversible, on a F Y1,Y 2 (y 1,y 2 ) = f X1,X 2 (x 1,x 2 )dx 1 dx 2 g 1 (x 1,x 2 ) y 1 g 2 (x 1,x 2 ) y 2 En particulier, si g(x) est une bijection continûment dérivable avec son inverse noté par h = (h 1,h 2 ), alors le couple aléatoire (Y 1,Y 2 ) est conjointement continu, avec densité où J(y 1,y 2 ) est le jacobien de h, et f Y1,Y 2 (y 1,y 2 ) = f X1,X 2 (h 1 (y 1,y 2 ),h 2 (y 1,y 2 )) J(y 1,y 2 ) 4 Espérance mathématique J(y 1,y 2 ) = h 1 y 1 h 2 y 2 h 1 y 2 h 2 y 1. Définition Soit X une variable aléatoire. On désigne par E[X] = xdf X (x) l espérance mathématique de X, definie quand E( X ) <. 4
5 Espérance d une fonction de variables aléatoires Soit g une fonction réelle. L espérance de g(x) se calcul par E[g(X)] = g(x)df X (x). En particulier, pour une variable discrète E[g(X)] = k K g(x k)p(x = x k ) pour une variable continue E[g(X)] = pour un couple (X, Y ) E[g(X, Y )] = Propriétés de l espérance g(x)f X (x)dx g(x,y)f X,Y (x,y)dxdy Espérance d une constante E[c] = c pour toute constante c réelle Linéarité E[a + bx + cy ] = a + be[x] + ce[y ] pour tous réels a,b,c Positivité E[X] 0 si X 0 Variance et covariance Soient X et Y variables aléatoires telles que E(X 2 ),E(Y 2 ) < +. On définit les quantités suivantes: Variance de X Covariance de X et Y var[x] = E[(X E[X]) 2 ] = E[X 2 ] E[X] 2 = E[X 2 ] E[X] 2 cov[x,y ] = E[(X E[X])(Y E[Y ])] = E[XY ] E[X]E[Y ] Coefficient de corrélation de X et Y corr[x,y ] = cov[x,y ] var[x] var[y ] Variance et covariance propriétés: var[x] = cov[x, X], et var[x] 0. (Bi-)Linéarité de la covariance Pour a,b,c réels, cov[a + bx 1 + cx 2,Y ] = b cov[x 1,Y ] + c cov[x 2,Y ]. Variance et covariance var[x + Y ] = var[x] + var[y ] + 2cov[X,Y ] Homogénéité de la variance Pour tout a réel, var[ax] = a 2 var[x]. 5
6 Transformée de Laplace et moments Soit X une variable aléatoire et t R. On appelle fonction génératrice des moments (FGM) (aussi transformée de Laplace) la fonction définie par M X (t)( (L X (t)) = E[e tx ], si elle est finie. Moment d ordre k Pour tout entier positif k, le moment d ordre k est E[X k ]. Moment centré d ordre k Pour tout entier positif k, le moment centré d ordre k est E[(X E[X]) k ]. En particulier, si k = 2, on a var[x]. Fonction génératrice des cumulants Soit X une variable aléatoire et t R. On appelle fonction génératrice des cumulants la fonction définie par si elle est finie. K X (t) = log M X (t) = log E[e tx ], Cumulant d ordre k Pour tout entier positif k, le cumulant d ordre k est κ k donné par K X (t) = k=1 κ k t k k! ; on a également κ k = d k K X (t)/dt k t=0. En particulier, E[X] = κ 1, var[x] = κ 2. Quelques inégalités classiques Inégalité de Cauchy Schwarz E[XY ] E[X 2 ] E[Y 2 ] Inégalité de Jensen Si g est une fonction convexe, i.e. pour t [0,1]: g(t x+(1 t)y) t g(x) + (1 t)g(y), alors g(e[x]) E[g(X)] Inégalité de Markov Si X 0 et si a > 0, alors P(X a) E[X]/a. Inégalité de Bienaymé Chebychev Pour tout a > 0, on a P( X E[X] a) var[x]/a 2. 6
7 5 Variables aléatoires Lois usuelles 5.1 Lois discrètes Nom Paramètres P(X = k) E[X] var[x] M X(t) Bernoulli 0 p 1 p k (1 p) 1 k p p(1 p) pe t + 1 p k = 0, 1 t Binomiale n Cnp k k (1 p) n k np np(1 p) `pe t + 1 p n 0 p 1 k {0, 1,..., n} t Géométrique 0 < p 1 p(1 p) k 1 1 p pour k {1, 2,...} si (1 p)e t < 1 1 p p 2 pe t 1 (1 p)e t pe t n p 2 1 (1 p)e t Binomiale n {2, 3,...} C n 1 k 1 pn (1 p) k n n n 1 p p négative 0 p 1 k {n, n + 1,...} si (1 p)e t < 1 CN k C n k Hyper- n, N 1, N 1 N 2 N 1 n nn 1 N 2 (N 1 +N 2 ) 2 C N n N 1 +N 1 +N 2 (N 1 +N 2 ) 2 (N 1 +N 2 1) 2 géométrique n N 1 + N 2 max(0, n N 2) k min(n, N 1) λ λk Poisson λ > 0 e λ λ e λ(et 1) k! k {0, 1,...} t 5.2 Lois continues Nom Paramètres Densité f(x) E[X] var[x] M X(t) Uniforme a < b 1/(b a) si x [a, b] (0 sinon) t 0 a+b 2 (b a) 2 12 e tb e ta t(b a) Exponentielle λ > 0 λe λx 1 λ pour x > 0 (0 sinon) 1 λ 2 λ λ t si t < λ Gamma λ > 0, n 1 λ n x n 1 e λx Γ(n) n λ n λ 2 ( λ λ t )n pour x > 0 (0 sinon) si t < λ Gaussienne µ R, σ 2 > 0 1 2πσ 2 e (x µ)2 2σ 2 µ σ 2 exp(µt + σ2 pour tout x t 2 t2 ) Student ν 1 Γ( ν+1 2 ) ν 0 πγ( 2 )(1+x2 ) (ν+1)/2 1 ν 2 (t ν) pour tout x si ν 2 si ν 3 Chi deux ν 1 x ν/2 1 e x/2 2 ν/2 Γ(ν/2) ν 2ν (1 2t) ν 2 (χ 2 ν) pour x > 0 (0 sinon) si t < 1 2 7
8 5.3 Théorèmes limites Loi hypergéométrique vers une loi binomiale Soit (X m ) une suite de variables hypergéométriques de paramètres N 1 (m),n 2 (m) et n, avec N 1 (m) N 1 (m)+n 2 (m) m p. Alors pour chaque valeur 0 k n: P(X m = k) m C k np k (1 p) n k. Loi binomiale vers une loi de Poisson Soit X n une variable aléatoire binomiale de paramètres (n,p). Si n et p 0 tel que np λ, alors λ λk P(X n = k) e n k!, k = 0,1,2,... Loi géométrique vers une loi exponentielle Soit T une variable aléatoire géometrique de paramètre p. Si n et p 0 tel que n p λ > 0, alors P(T/n > t) n e λt, t > 0. Loi binomiale vers une loi gaussienne Soit X n une variable aléatoire binomiale de paramètres (n, p). Théorème de Moivre-Laplace Si n et k np, alors 1 P(X n = k) e (k np)2 2np(1 p) 2πnp(1 p) Théorème central limite Si n,alors pour tout t réel P(X n np + np(1 p) t) 1 n 2π t e x2 2 dx 6 Variables indépendantes et théorèmes limites Indépendance de plusieurs variables aléatoires Les variables aléatoires X 1,...,X n sont indépendantes si et seulement si elles vérifient l une des conditions équivalentes suivantes: (i) Les fonctions de répartition respectives F X,F X1,...,F Xn de X = (X 1,...,X n ),X 1,...,X n vérifient pour tous x i réels, i = 1,...,n: F X (x 1,...,x n ) = F X1 (x 1 )F X2 (x 2 ) F Xn (x n ). (ii) Pour toutes fonctions g 1,...,g n, on a E[g 1 (X 1 ) g n (X n )] = E[g 1 (X 1 )] E[g n (X n )] Une ensemble de variables X 1,...,X n indepéndantes et identiquement distribuées (iid) est iid iid appelé un échantillon aléatoire. On note, par exemple X 1,...,X n F, ou X1,...,X n f. 8
9 Cas particuliers de (ii) Si X 1,...,X n sont des variables aléatoires indépendantes: E[X 1 X n ] = E[X 1 ] E[X n ], M X1 + +X n (t) = M X1 (t) M Xn (t) Indépendance et covariance Si X 1,...,X n sont indépendantes, alors Cov[X i,x j ] = 0, i j. Maximum et minimum de variables aléatoires indépendantes Soient X (n) = max(x 1,...,X n ) et X (1) = min(x 1,...,X n ). X (n) et X (1) ont pour fonctions de répartition respectives F X(n) (x) = F X1 (x) F Xn (x), F X(1) (x) = 1 (1 F X1 (x)) (1 F Xn (x)) Théorèmes limites pour les valeurs extrêmes de variables iid Soit X 1,...,X n,... iid F, et soient τ > 0, et (x n ) n 1, une suite de nombres réels vérifiant Alors lim n[1 F(x n)] = τ. n P(X (n) x n ) n e τ. Si une telle suite existe, alors il existent des suites (b n ) n 1, (a n > 0) n 1, telles que ( ) { [ ] X(n) b n exp P y a H(y) = {1 + ξ(y η)/τ } 1/ξ +, ξ 0, n n exp [ exp { (y η)/τ}], ξ = 0, où u + = u pour u > 0 et u + = 0 pour u 0, et η,ξ R, τ > 0. iid Statistique d ordre et vecteur des rangs Soient X 1,...,X n f, ceci étant une fonction de densité. Les variables ordonnées X (1) X (2) X (n) sont appelées statistique d ordre associé à X 1,...,X n. On appelle R j le rang de la valeur X j et (R 1,...,R n ) le vecteur des rangs associé à X 1,...,X n. Alors le vecteur des rangs et la statistique d ordre sont indépendantes et (R 1,...,R n ) a une distribution uniforme dans l ensemble des permutations de {1,... n}. La statistique d ordre a pour densité { n!f(x 1 )... f(x n ), x 1 x n, f X(1),...,X (n) (x 1,...,x n ) = 0, sinon. Loi limite des statistiques d ordre centrales Soient 0 < p < 1, X 1,...,X n iid F, F une loi continue avec densité f, et x p = F 1 (p). Alors si f(x p ) > 0, X ( np ) x p [p(1 p)/{nf(x p ) 2 }] 1/2 D N(0,1) lorsque n. En particulier la mediane, avec p = 0.5, a une loi limite normale, de même que les quartiles, avec p = 0.25, 0.75: pour n grand, ( ). p(1 p) X ( np ) N x p, nf(x p ) 2. 9
10 Sommes de variables indépendantes Soient X 1,...,X n des variables aléatoires indépendantes et S n = X X n. Somme de deux variables indépendantes discrètes P(S 2 = y) = P(X 1 = x (1) j )P(X 2 = x (2) k ) (j,k):y=x (1) j +x (2) k Somme de deux variables indépendantes continues La densité f S2 de S 2 = X 1 +X 2 est donnée par la convolution de f X1 et f X2, i.e. f S2 (y) = f X1 f X2 (y) = + f X1 (y x)f X2 (x)dx Somme de n variables indépendantes continues La densité f Sn de S n = X X n est donnée par la convolution des densités f Xj : f Sn = f X1 f Xn. Théorèmes de stabilité Loi binomiale Soient S m et S n deux variables aléatoires binomiales indépendantes de paramètres (m,p) et (n,p). Alors S m + S n suit une loi binomiale de paramètres (m + n,p). Loi de Poisson Soient X 1 et X 2 deux variables aléatoires de Poisson indépendantes de paramètres λ 1 et λ 2. Alors X 1 + X 2 suit une loi Poisson de paramètres λ 1 + λ 2. Loi normale Soient X 1,...,X n des variables aléatoires indépendantes avec X j N(µ j,σ 2 j ), et soient a,b 1,...,b n des constantes. Alors la combinaison linéaire a + b 1 X b n X n N(a + b 1 µ b n µ n,b 2 1 σ b2 n σ2 n ). Lois des grands nombres Soit X 1,...,X n,... une suite de variables aléatoires réelles iid d espérance µ et variance σ 2. Alors, la moyenne S n /n = (X X n )/n converge en probabilité vers µ (loi faible). La moyenne converge aussi presque sûrement vers E[X], i.e. la probabilité de l événement S n /n converge vers E[X] est égale 1 (loi forte). Théorème central limite Soit X 1,...,X n,...une suite de variables aléatoires réelles iid d espérance µ et variance σ 2. La suite des sommes partielles centrées et réduites Z n = X 1+ +X n nµ σ n converge en distribution vers une variable N(0,1) (normale standard): z 1 P(Z n z) n 2π e y2 /2 dy = Φ(z), z R. 10
11 7 Eléments de Statistique Biais et Risque d un estimateur Si θ = θ(x 1,...,X n ) est un estimateur du paramètre θ, on appelle biais de θ: B θ ( θ) = E θ [ θ] θ et risque (quadratique) ou erreur moyenne quadratique de θ l espérance du carré de θ θ: R θ ( θ) = E θ [( θ θ) 2 ] θ sera dit consistant si θ converge en probabilité vers θ lorsque n +, i.e. si Intervalles de confiance (IC) et tests P( θ θ > ǫ) n 0, ǫ > 0 (i) Cas d un échantillon gaussien Dans ce qui suit on considère n observations x 1,...,x n correspondant aux réalisations de n variables gaussiennes indépendantes X 1,...,X n iid N(µ,σ 2 ). 1. IC au niveau 1 α fixé (e.g. 1 α = 0,95 95%, α = 0,99 99%), pour l espérance µ lorsque σ 2 est connu: soit x = n 1 (x x n ), alors l IC est I α = [x z 1 α/2 σ n ;x z α/2 σ n ], où z p est le p-quantile d une variable gaussienne Z N(0,1), donc P(Z z p ) = p. 2. IC au niveau 1 α pour l espérance µ lorsque σ 2 est inconnu: J α = [ x t n 1 (1 α/2) s n ;x t n 1 (α/2) s n ], où (n 1)s 2 = (x i x) 2 et t ν (p) est le p-quantile d une variable de Student à ν degrés de liberté. 3. L IC au niveau 1 α pour la variance σ 2 s obtient à partir de la variance empirique s 2 comme: [ (n 1)s 2 /χ 2 n 1 (1 α/2);(n 1)s2 /χ 2 n 1 (α/2) ] où χ 2 ν (p) est le p-quantile de la loi de khi-deux à ν degrés de liberté. (ii) Estimateur de maximum de vraisemblance Soit y la réalisation d une variable aléatoire Y dont la loi est f(y;θ), avec scalaire paramètre θ inconnu, alors la log vraisemblance est l(θ) = log f(y;θ) et l information observée est J(θ) = d2 l(θ) dθ 2. Sous des conditions de régularité, un IC approximé au niveau 1 α pour θ est θ±z 1 α/2 J( θ) 1/2, où θ est l estimation de maximum de vraisemblance de θ, qui satisfait l( θ) l(θ), θ. Souvent y = (y 1,...,y n ) est supposé la réalisation d un échantillon aléatoire Y 1,...,Y n, et dans ce cas n n d 2 log f(y j ;θ) l(θ) = log f(y j ;θ), J(θ) = dθ 2, j=1 f(y j ;θ) étant la densité de Y j. 11 j=1
12 (iii) Tests d hypothèses Soit x 1,...,x n un échantillon correspondant aux réalisations iid X 1,...,X n Pθ (inconnue). On fait une hypothèse H 0 sur la distribution P θ (par exemple: θ = θ 0 ) et l on veut tester si les observations x 1,...,x n permettent de rejeter l hypothèse H 0. On choisi une statistique de test T, construit de telle manière que des grandes valeurs de T suggerent que H 0 soit fausse, et on calcul le niveau de signification p obs = Pr 0 (T t obs ), où t obs est la valeur observée de T, c est à dire sa valeur calculée avec les données x 1,...,x n, et Pr 0 représent une probabilité calculée sous H 0. Plus p obs est petite, plus on doubte H 0. Une autre possibilité est de fixer un niveau α à l avance (e.g. α = 0,05 5%, α = 0,01 1% ou α = 0,001 0,1%), de trouver le (1 α) quantile de la loi de T sous H 0, et de rejeter H 0 si t obs excede ce quantile. iid Dans le cas d un échantillon x 1,...,x n correspondant à des variables X 1,...,X n N(µ,σ 2 ), avec σ 2 connue et µ inconnue, on pourra rejeter l hypothèse H 0 : µ = µ 0 au niveau α si µ 0 / I α, où I α est l intervalle de confiance de niveau 1 α pour la moyenne µ, autrement dit: on rejettera l hypothèse H 0 : µ = µ 0 au niveau α si x µ 0 σ/ n > z 1 α/2 Si σ 2 est inconnue on rejettera l hypothèse H 0 : µ = µ 0 au niveau α si µ 0 J α, donc si x µ 0 s/ n > t n 1(1 α/2). 12
13 Distribution normale standard Φ(z) Φ(z) z Pour z < 0 on utilise symmetrie: P(Z z) = Φ(z) = 1 Φ( z), z R. z
14 Distribution χ 2 ν p χ 2 ν(p) Des quantiles χ 2 ν(p) pour la distribution en khi-carré à ν degrés de liberté. ν
15 Distribution t ν de Student p Des quantiles t ν (p) pour la distribution t de Student à ν degrés de liberté. t ν (p) Pour p < 0 on utilise la symmétrie: t ν (p) = t ν (1 p). ν
PROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 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 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
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 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 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 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 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 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 détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en 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 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 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 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
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 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 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 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 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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
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 détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
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 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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
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 détailProbabilités et Statistique
Ricco Rakotomalala Probabilités et Statistique Notes de cours Université Lumière Lyon 2 Avant-propos Ce document est un support de cours pour les enseignements des probabilités et de la statistique. Il
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 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 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 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. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
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 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 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 détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Plus en 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 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 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 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 détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en 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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
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 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 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 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 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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
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 détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailMarkov processes and applications to queueing/risk/storage theory and mathematical biology
Markov processes and applications to queueing/risk/storage theory and mathematical biology Florin Avram Contents 1 Introduction aux processus stochastiques/aléatoires 3 2 Marches aléatoires et récurrences
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
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 détailC1 : Fonctions de plusieurs variables
1er semestre 2012/13 CPUMP 3 U 11 : Abrégé de cours Compléments Analyse 3 : fonctions analytiques Les notes suivantes, disponibles à l adresse http://www.iecn.u-nancy.fr/~bertram/, contiennent les définitions
Plus en détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
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 détail