Cours 2: Variables aléatoires continues, loi normale
|
|
- Étienne Beaudin
- il y a 7 ans
- Total affichages :
Transcription
1 Lois à densité classiques (autre que la ) Cours 2: Variables aléatoires continues, loi normale Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Cours 2: Variables aléatoires continues,
2 Lois à densité classiques (autre que la ) 1 Loi d une v.a continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue 2 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle 3 La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Student, Fisher-Snedecor Cours 2: Variables aléatoires continues,
3 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue 1 Loi d une v.a continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue 2 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle 3 La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Student, Fisher-Snedecor Cours 2: Variables aléatoires continues,
4 Lois à densité classiques (autre que la ) Définition Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Definition Une variable aléatoire est une application de l univers Ω dans R X : Ω R ω X(ω) Une variable aléatoire est généralement désignée par une lettre majuscule X, Y, etc. La variable aléatoire est dite continue si l ensemble X(Ω) est un intervalle (ou une réunion d intervalles) de R. Exemple : X :=taille d un individu Cours 2: Variables aléatoires continues,
5 Lois à densité classiques (autre que la ) Définition Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Definition Une variable aléatoire est une application de l univers Ω dans R X : Ω R ω X(ω) Une variable aléatoire est généralement désignée par une lettre majuscule X, Y, etc. La variable aléatoire est dite continue si l ensemble X(Ω) est un intervalle (ou une réunion d intervalles) de R. Exemple : X :=taille d un individu Cours 2: Variables aléatoires continues,
6 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Problemes que soulévent cette définition La description d une loi continue diffère de celles des lois discrètes puisque pour une variable aléatoire continue X, la probabilité que X prenne une valeur bien précise x est nulle, P[X = x] = 0. Il y a en effet une infinité de valeurs dans R ou dans un intervalle, et au regard de toutes ces valeurs précises, le poids de la valeur particulière est tellement insignifiant qu il en est nul! Ex : si X =taille d un individu, alors P(X = 1, ) = 0 Il n est ainsi pas possible de définir la loi de X par la donnée des probabilités des événements élémentaires. Par contre, il est possible de déduire les probabilités que X prenne ses valeurs dans une partie de R à partir de la fonction de répartition definie par : F(x) = P[X x] = P[X < x]. Cours 2: Variables aléatoires continues,
7 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Problemes que soulévent cette définition La description d une loi continue diffère de celles des lois discrètes puisque pour une variable aléatoire continue X, la probabilité que X prenne une valeur bien précise x est nulle, P[X = x] = 0. Il y a en effet une infinité de valeurs dans R ou dans un intervalle, et au regard de toutes ces valeurs précises, le poids de la valeur particulière est tellement insignifiant qu il en est nul! Ex : si X =taille d un individu, alors P(X = 1, ) = 0 Il n est ainsi pas possible de définir la loi de X par la donnée des probabilités des événements élémentaires. Par contre, il est possible de déduire les probabilités que X prenne ses valeurs dans une partie de R à partir de la fonction de répartition definie par : F(x) = P[X x] = P[X < x]. Cours 2: Variables aléatoires continues,
8 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Problemes que soulévent cette définition La description d une loi continue diffère de celles des lois discrètes puisque pour une variable aléatoire continue X, la probabilité que X prenne une valeur bien précise x est nulle, P[X = x] = 0. Il y a en effet une infinité de valeurs dans R ou dans un intervalle, et au regard de toutes ces valeurs précises, le poids de la valeur particulière est tellement insignifiant qu il en est nul! Ex : si X =taille d un individu, alors P(X = 1, ) = 0 Il n est ainsi pas possible de définir la loi de X par la donnée des probabilités des événements élémentaires. Par contre, il est possible de déduire les probabilités que X prenne ses valeurs dans une partie de R à partir de la fonction de répartition definie par : F(x) = P[X x] = P[X < x]. Cours 2: Variables aléatoires continues,
9 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Quelques propriétés de la fonction de répartition Proposition On a les propriétés suivantes : 1 F est une continue, 2 lim x F(x) = 0 et lim x + F(x) = 1, 3 F est une fonction croissante, 4 Pour tous a, b R et a < b, F(b) F(a) = P[a < X b]. Cours 2: Variables aléatoires continues,
10 Lois à densité classiques (autre que la ) Densité Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Definition Une variable aléatoire possède une densité si sa fonction de répartition F est dérivable. La dérivée notée f est appelée densité de probabilité de la variable aléatoire X. Proposition De ce fait, P[a X b] = b a f (t)dt, et la probabilité de trouver X dans un intervalle [a, b] donné, apparaît comme l aire d une partie du graphique située entre la courbe de la densité f et l axe des abscisses. Cours 2: Variables aléatoires continues,
11 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Cours 2: Variables aléatoires continues,
12 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Origine de ces points de vue : histogramme des fréquences d une série regroupée par classe dont l amplitude des classes devient "petites"... Cours 2: Variables aléatoires continues,
13 Lois à densité classiques (autre que la ) Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Origine de ces points de vue : histogramme des fréquences d une série regroupée par classe dont l amplitude des classes devient "petites"... Cours 2: Variables aléatoires continues,
14 Lois à densité classiques (autre que la ) Quelques propriétés de la densité Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Proposition 1 x R, f (x) f (x)dx = 1. P[a < X b] = F(b) F(a) = b a f (x)dx. Cours 2: Variables aléatoires continues,
15 Lois à densité classiques (autre que la ) Paramètres d une loi continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Proposition Soit X une variable aléatoire continue de Ω dans R de densité f. On calcule espérance et variance à l aide des formules suivantes : E(X) = t f (t) dt, et var(x) = E[(X E(X)) 2 ] = (t E(X)) 2 f (t) dt R = E(X 2 ) E(X) 2 = t 2 f (t) dt ( t f (t) dt) 2. Comparer ces formules avec le cas discret... R R R Cours 2: Variables aléatoires continues,
16 Lois à densité classiques (autre que la ) Paramètres d une loi continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue Proposition Soit X une variable aléatoire continue de Ω dans R de densité f. On calcule espérance et variance à l aide des formules suivantes : E(X) = t f (t) dt, et var(x) = E[(X E(X)) 2 ] = (t E(X)) 2 f (t) dt R = E(X 2 ) E(X) 2 = t 2 f (t) dt ( t f (t) dt) 2. Comparer ces formules avec le cas discret... R R R Cours 2: Variables aléatoires continues,
17 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle 1 Loi d une v.a continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue 2 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle 3 La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Student, Fisher-Snedecor Cours 2: Variables aléatoires continues,
18 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Loi uniforme Cette loi modélise un phénomène uniforme sur un intervalle donné. Definition La v.a. X suit une loi uniforme sur l intervalle borné [a; b] si elle a une densité f constante sur cet intervalle et nulle en dehors. Elle est notée U([a; b]). Sa densité est alors, { 1/(b a) si x [a; b], f (x) = 0 sinon Cette loi est l équivalent continue de la loi discréte equirépartie. Son espérance est E[X] = (b + a)/2 et sa variance est Var(X) = (b a) 2 /12. Cours 2: Variables aléatoires continues,
19 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Loi uniforme Cette loi modélise un phénomène uniforme sur un intervalle donné. Definition La v.a. X suit une loi uniforme sur l intervalle borné [a; b] si elle a une densité f constante sur cet intervalle et nulle en dehors. Elle est notée U([a; b]). Sa densité est alors, { 1/(b a) si x [a; b], f (x) = 0 sinon Cette loi est l équivalent continue de la loi discréte equirépartie. Son espérance est E[X] = (b + a)/2 et sa variance est Var(X) = (b a) 2 /12. Cours 2: Variables aléatoires continues,
20 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Proposition Si X est une v.a de loi uniforme sur [a; b] alors pour tout intervalle I de R : P(X I) = l([a; b] I), l([a; b]) où l(j) désigne la longueur de l intervalle J (ex : l([a ;b])=b-a). Cours 2: Variables aléatoires continues,
21 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Loi exponentielle Definition Soit α un réel strictement positif. La v.a X suit une loi exponentielle de paramètre α, notée E(α), si elle admet pour densité : f (x) = αe αx 1 [0;+ [ (x). Son espérance est E(X) = 1/α et sa variance est var(x) = 1/α 2. Cours 2: Variables aléatoires continues,
22 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Loi exponentielle Definition Soit α un réel strictement positif. La v.a X suit une loi exponentielle de paramètre α, notée E(α), si elle admet pour densité : f (x) = αe αx 1 [0;+ [ (x). Son espérance est E(X) = 1/α et sa variance est var(x) = 1/α 2. Cours 2: Variables aléatoires continues,
23 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Les lois exponentielles sont souvent utilisées pour modéliser des temps d attente ou des durées de vie. Par exemple, les temps d attente à partir de maintenant du prochain tremblement de terre, de la prochaine panne d un appareil, de la prochaine désintégration dans un réacteur nucléaire suivent des lois exponentielles. Le paramètre α désigne alors l inverse du temps d attente moyen. Cours 2: Variables aléatoires continues,
24 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Les lois exponentielles sont souvent utilisées pour modéliser des temps d attente ou des durées de vie. Par exemple, les temps d attente à partir de maintenant du prochain tremblement de terre, de la prochaine panne d un appareil, de la prochaine désintégration dans un réacteur nucléaire suivent des lois exponentielles. Le paramètre α désigne alors l inverse du temps d attente moyen. Cours 2: Variables aléatoires continues,
25 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle Les lois exponentielles sont souvent utilisées pour modéliser des temps d attente ou des durées de vie. Par exemple, les temps d attente à partir de maintenant du prochain tremblement de terre, de la prochaine panne d un appareil, de la prochaine désintégration dans un réacteur nucléaire suivent des lois exponentielles. Le paramètre α désigne alors l inverse du temps d attente moyen. Cours 2: Variables aléatoires continues,
26 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude 1 Loi d une v.a continue Définition Problématique Densité et calcul de probabilité d événements Paramètres d une loi continue 2 Lois à densité classiques (autre que la ) Loi uniforme Loi exponentielle 3 La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Student, Fisher-Snedecor Cours 2: Variables aléatoires continues,
27 Lois à densité classiques (autre que la ) Introduction La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude La est apparu naturellement (d où son nom) comme limite de certains processus. Ce point sera developpé dans le chapitre "Théorème central limite" C est la loi la plus connue des probabilités, parfois sous le vocable loi de Laplace-Gauss et caractérisée par une célèbre "courbe en cloche". Cours 2: Variables aléatoires continues,
28 Lois à densité classiques (autre que la ) Introduction La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude La est apparu naturellement (d où son nom) comme limite de certains processus. Ce point sera developpé dans le chapitre "Théorème central limite" C est la loi la plus connue des probabilités, parfois sous le vocable loi de Laplace-Gauss et caractérisée par une célèbre "courbe en cloche". Cours 2: Variables aléatoires continues,
29 Lois à densité classiques (autre que la ) Définition, centrée réduite La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition La centrée réduite est une la loi continue, d une v.a. X à valeurs dans X(Ω) = R tout entier, définie à partir de la densité f (x) = 1 e x2 2 2π Il n existe par contre pas d expression simple de sa fonction de répartition autre que la formule intégrale a R, F(a) = a f (t)dt Cours 2: Variables aléatoires continues,
30 Lois à densité classiques (autre que la ) Définition, centrée réduite La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition La centrée réduite est une la loi continue, d une v.a. X à valeurs dans X(Ω) = R tout entier, définie à partir de la densité f (x) = 1 e x2 2 2π Il n existe par contre pas d expression simple de sa fonction de répartition autre que la formule intégrale a R, F(a) = a f (t)dt Cours 2: Variables aléatoires continues,
31 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Allure de la densité normale centrée réduite Cours 2: Variables aléatoires continues,
32 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Remarque Dans les pratiques, les probabilités d événements de v.a. suivant une s sont répertoriées dans des tables facilement manipulables. Cours 2: Variables aléatoires continues,
33 Lois à densité classiques (autre que la ) Table de la centrée réduite La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On lit par exemple P(X 0, 64) = 0, Cours 2: Variables aléatoires continues,
34 Lois à densité classiques (autre que la ) Table de la centrée réduite La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On lit par exemple P(X 0, 64) = 0, Cours 2: Variables aléatoires continues,
35 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Remarque Il existe des tables "inverses" qui à un nombre r [0, 1] associe u r tel que P(X u r ) = r (cf TD) Cours 2: Variables aléatoires continues,
36 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Paramètres de la centrée réduite Un calcul intégral plus élaboré donne : Proposition (Espérance et variance) E[X] = 0, V (X) = 1. Exo : Vérifier la valeur de l espérance!!! Cours 2: Variables aléatoires continues,
37 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Paramètres de la centrée réduite Un calcul intégral plus élaboré donne : Proposition (Espérance et variance) E[X] = 0, V (X) = 1. Exo : Vérifier la valeur de l espérance!!! Cours 2: Variables aléatoires continues,
38 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On dit que X suit une N (µ, σ), si la densité est : f (x) = 1 σ 2π e (x µ) 2 2σ 2 L usage d un changement de variable t = (x µ) σ permet de se ramener à un calcul d intégrale à partir de la loi N (0, 1), ce qui nous permettra de consulter les tables existant pour la loi standard précédente. On a le théorème suivant : Cours 2: Variables aléatoires continues,
39 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On dit que X suit une N (µ, σ), si la densité est : f (x) = 1 σ 2π e (x µ) 2 2σ 2 L usage d un changement de variable t = (x µ) σ permet de se ramener à un calcul d intégrale à partir de la loi N (0, 1), ce qui nous permettra de consulter les tables existant pour la loi standard précédente. On a le théorème suivant : Cours 2: Variables aléatoires continues,
40 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On dit que X suit une N (µ, σ), si la densité est : f (x) = 1 σ 2π e (x µ) 2 2σ 2 L usage d un changement de variable t = (x µ) σ permet de se ramener à un calcul d intégrale à partir de la loi N (0, 1), ce qui nous permettra de consulter les tables existant pour la loi standard précédente. On a le théorème suivant : Cours 2: Variables aléatoires continues,
41 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Théorème Soit X une variable aléatoire de N (µ, σ) et Z la variable aléatoire définie par Z = X µ, σ alors Z suit une centrée réduite N (0, 1). Attention, certains auteurs utilisent la notation N (µ, σ 2 ) et pas N (µ, σ). Cours 2: Variables aléatoires continues,
42 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Théorème Soit X une variable aléatoire de N (µ, σ) et Z la variable aléatoire définie par Z = X µ, σ alors Z suit une centrée réduite N (0, 1). Attention, certains auteurs utilisent la notation N (µ, σ 2 ) et pas N (µ, σ). Cours 2: Variables aléatoires continues,
43 Lois à densité classiques (autre que la ) Paramètres La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude On a également : Proposition (Espérance et variance) E[X] = µ, V (X) = σ 2. Cours 2: Variables aléatoires continues,
44 Lois à densité classiques (autre que la ) Allure de la densité en fonction de µ et σ La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Cours 2: Variables aléatoires continues,
45 Lois à densité classiques (autre que la ) Manipulation de la La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Considérons X une v. a. qui suit une loi N (6, 2) (σ(x) vaut donc ici 2 et E(X) = 6) Et soit Z une v.a. de loi N (0, 1), on a par exemple P[X 7] = P [ X ] 2 2 = P [ Z 1 ] 2 = Cours 2: Variables aléatoires continues,
46 Lois à densité classiques (autre que la ) Manipulation de la La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Considérons X une v. a. qui suit une loi N (6, 2) (σ(x) vaut donc ici 2 et E(X) = 6) Et soit Z une v.a. de loi N (0, 1), on a par exemple P[X 7] = P [ X ] 2 2 = P [ Z 1 ] 2 = Cours 2: Variables aléatoires continues,
47 Lois à densité classiques (autre que la ) Manipulation de la La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Considérons X une v. a. qui suit une loi N (6, 2) (σ(x) vaut donc ici 2 et E(X) = 6) Et soit Z une v.a. de loi N (0, 1), on a par exemple P[X 7] = P [ X ] 2 2 = P [ Z 1 ] 2 = Cours 2: Variables aléatoires continues,
48 Lois à densité classiques (autre que la ) Manipulation de la La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Considérons X une v. a. qui suit une loi N (6, 2) (σ(x) vaut donc ici 2 et E(X) = 6) Et soit Z une v.a. de loi N (0, 1), on a par exemple P[X 7] = P [ X ] 2 2 = P [ Z 1 ] 2 = Cours 2: Variables aléatoires continues,
49 Lois à densité classiques (autre que la ) Concentration autour de la moyenne La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Dans l intervalle [m σ, m + σ] de longueur 2σ et centré autour de la moyenne, on peut calculer qu il y a 68% des individus, lorsque qu une v.a. suit une loi N (m, σ) : P[m σ X m + σ] = 0.68 On établit aussi que 95% d un échantillon représentatif d une loi normale N (m, σ) est approximativement situé entre m 2σ et m + 2σ. Plus exactement, P[m 1.96σ X m σ] = 0.95 et on a mème 99, 7% des individus entre m 3σ et m + 3σ : P[m 3σ X m + 3σ] = Cours 2: Variables aléatoires continues,
50 Lois à densité classiques (autre que la ) Concentration autour de la moyenne La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Dans l intervalle [m σ, m + σ] de longueur 2σ et centré autour de la moyenne, on peut calculer qu il y a 68% des individus, lorsque qu une v.a. suit une loi N (m, σ) : P[m σ X m + σ] = 0.68 On établit aussi que 95% d un échantillon représentatif d une loi normale N (m, σ) est approximativement situé entre m 2σ et m + 2σ. Plus exactement, P[m 1.96σ X m σ] = 0.95 et on a mème 99, 7% des individus entre m 3σ et m + 3σ : P[m 3σ X m + 3σ] = Cours 2: Variables aléatoires continues,
51 Lois à densité classiques (autre que la ) Concentration autour de la moyenne La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Dans l intervalle [m σ, m + σ] de longueur 2σ et centré autour de la moyenne, on peut calculer qu il y a 68% des individus, lorsque qu une v.a. suit une loi N (m, σ) : P[m σ X m + σ] = 0.68 On établit aussi que 95% d un échantillon représentatif d une loi normale N (m, σ) est approximativement situé entre m 2σ et m + 2σ. Plus exactement, P[m 1.96σ X m σ] = 0.95 et on a mème 99, 7% des individus entre m 3σ et m + 3σ : P[m 3σ X m + 3σ] = Cours 2: Variables aléatoires continues,
52 Lois à densité classiques (autre que la ) Concentration autour de la moyenne La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Autrement dit, lorsque l on a une variable aléatoire qui suit une N (m, σ), on est "pratiquement sûr" que la valeur se situera entre m 3σ et m + 3σ. Cours 2: Variables aléatoires continues,
53 Lois à densité classiques (autre que la ) Concentration autour de la moyenne La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Autrement dit, lorsque l on a une variable aléatoire qui suit une N (m, σ), on est "pratiquement sûr" que la valeur se situera entre m 3σ et m + 3σ. Cours 2: Variables aléatoires continues,
54 Lois à densité classiques (autre que la ) La comme limite en loi La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Proposition Soit S n binomiale B(n; p) et U N (0; 1). On a : S n np npq L n U, qui peut également s écrire S n L n N (np; npq). Dans la pratique, on considère que l approximation est bonne lorsque n 30, p 0.1 et n p > 15 Cours 2: Variables aléatoires continues,
55 Lois à densité classiques (autre que la ) La comme limite en loi La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Cette propriété est une conséquence du Théoréme central limite que l on abordera au chapitre suivant. Ne pas confondre l approximation de la loi de poisson par une binomiale et celle de la!!! Cours 2: Variables aléatoires continues,
56 Lois à densité classiques (autre que la ) La comme limite en loi La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Cette propriété est une conséquence du Théoréme central limite que l on abordera au chapitre suivant. Ne pas confondre l approximation de la loi de poisson par une binomiale et celle de la!!! Cours 2: Variables aléatoires continues,
57 Lois à densité classiques (autre que la ) Loi du Khi-deux La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition Soient X 1,..., X n des v.a indépendantes de même loi N (0, 1). Posons Z = Xi 2, i=1...n par définition la v.a. Z suit une loi du khi-deux à n degré(s) de liberté (abréviation d.d.l.). On la note χ 2 (n). Quelques Propriétés : - Z 0, cette loi n est donc pas symétrique, - Z admet une densité, - E(Z ) = n et Var(Z ) = 2n Cours 2: Variables aléatoires continues,
58 Lois à densité classiques (autre que la ) Loi du Khi-deux La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition Soient X 1,..., X n des v.a indépendantes de même loi N (0, 1). Posons Z = Xi 2, i=1...n par définition la v.a. Z suit une loi du khi-deux à n degré(s) de liberté (abréviation d.d.l.). On la note χ 2 (n). Quelques Propriétés : - Z 0, cette loi n est donc pas symétrique, - Z admet une densité, - E(Z ) = n et Var(Z ) = 2n Cours 2: Variables aléatoires continues,
59 Lois à densité classiques (autre que la ) Allure de la densité d un χ 2 La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude FIGURE: Densité de la loi χ 2 (k). Cours 2: Variables aléatoires continues,
60 Lois à densité classiques (autre que la ) Loi de Student La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition Soient X N (0, 1) et Y χ 2 (n). Posons T = X. Alors T Y /n suit une loi de Student à n degré de liberté et on la note T (n) ou Student(k) Cours 2: Variables aléatoires continues,
61 Lois à densité classiques (autre que la ) Allure de la densité de Student La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude FIGURE: Densité de la loi de Student(n). Cours 2: Variables aléatoires continues,
62 Lois à densité classiques (autre que la ) Loi de Fisher-Snedecor La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Definition Soient X et Y deux variables aléatoires indépendantes telles que X χ 2 (n) et Y χ 2 (m). Alors, on dit que la variable Z = X n Y m suit une loi de Fisher-Snedecor(n, m). On la note F(n, m) Cours 2: Variables aléatoires continues,
63 Lois à densité classiques (autre que la ) Allure de la densité de Fisher-Snedecor La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude FIGURE: Densité de la loi de Fisher-Snedecor F(d 1, d 2 ). Cours 2: Variables aléatoires continues,
64 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Ces trois derniéres lois seront utiles dans la théorie des tests. L expression explicite des densités de ces lois n est pas à connaître (sauf pour la ). Des tables statistiques et des logiciels permettent de les manipuler. Cours 2: Variables aléatoires continues,
65 Lois à densité classiques (autre que la ) La comme limite en loi Quelques lois classiques dérivées de la : χ 2, Stude Ces trois derniéres lois seront utiles dans la théorie des tests. L expression explicite des densités de ces lois n est pas à connaître (sauf pour la ). Des tables statistiques et des logiciels permettent de les manipuler. Cours 2: Variables aléatoires continues,
Moments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en 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 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 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 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 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 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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en 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 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 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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 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 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 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 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 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 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 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 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 détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en 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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
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 détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
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 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 détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
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 détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailNombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
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 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 détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
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 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 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 détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 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 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 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 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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en 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 détailChapitre 4: Dérivée d'une fonction et règles de calcul
DERIVEES ET REGLES DE CALCULS 69 Chapitre 4: Dérivée d'une fonction et règles de calcul Prérequis: Généralités sur les fonctions, Introduction dérivée Requis pour: Croissance, Optimisation, Études de fct.
Plus en détailAxiomatique de N, construction de Z
Axiomatique de N, construction de Z Table des matières 1 Axiomatique de N 2 1.1 Axiomatique ordinale.................................. 2 1.2 Propriété fondamentale : Le principe de récurrence.................
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 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 détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
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 détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailDÉRIVÉES. I Nombre dérivé - Tangente. Exercice 01 (voir réponses et correction) ( voir animation )
DÉRIVÉES I Nombre dérivé - Tangente Eercice 0 ( voir animation ) On considère la fonction f définie par f() = - 2 + 6 pour [-4 ; 4]. ) Tracer la représentation graphique (C) de f dans un repère d'unité
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 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailGénéralités sur les fonctions 1ES
Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :
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 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 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 détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 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 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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en 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 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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détail