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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une famille de parties de Ω P : Application de probabilité définie sur A A Є A Є P(Ω) P(A) Il faut toujours déterminer en premier lieu l espace probabilisé de travail : (Ω, A, P) 2- Théorèmes généraux : A doit avoir une structure de tribu, c est-à-dire : L application P(.) est une probabilité si et seulement si : Quelques axiomes :

2 3- Probabilité conditionnelle : Et on admet que si P(C) 0 alors : 3.1- Théorème de Bayès : 3.2- Formule de probabilités totales : Soit Cn une partition de Ω Cas fini On a La formule de Bayès devient pour P(A) 0 : Cas dénombrable : On a La formule de Bayès devient pour P(A) 0 :

3 4- Indépendances d évènements : Deux évènements A et B sont dits indépendants si par définition : Ou encore, dans le cas d une famille d évènements : II- Variables aléatoires : 1- Variables aléatoires : Une variable aléatoire est une application définie à partir d une expérience aléatoire. Elle peut être continue, discrète, mixte ou singulière. On note X la variable aléatoire et x la valeur numérique prise par cette fonction. On définit la probabilité Px image de P par l application X par : Exemples : Loi de Bernouilli de paramètre p : Px{1} = p Px{0} = 1- p

4 Loi binomiale de paramètres n et p : B (n, p) Loi géométrique de paramètre p Loi de Poisson de paramètre λ : 2- Types de variables aléatoires : Discrète, est caractérisée par : - Sa loi : : { }, P (X = ) = - Sa fonction de répartition : Continue, est caractérisée par : - Sa fonction de répartition - Sa densité de probabilité (y) = (t) dt Mixte, est caractérisée par : - Sa fonction de répartition : F(x) = (x) + (x) Partie continue Partie discrète - Sa «densité» : f (x) = (x - ). + (x)

5 3- Fonction de répartition : o Définition : Dans le cas d une variable bidimensionnelle X : o Propriétés : Fx(x) (x) Є [0,1] puisque Fx(x) désigne la probabilité d un intervalle Fx(x) est monotone croissante, continue à gauche Fx(x) peut étre discontinue à droite et Fx(x+0) Fx(x) = Px({x}) Fx(x) n admet que des points de discontinuité de 1 ère espèce, ces points étant en nombre fini ou dénombrable. 4- La densité de probabilité : Lorsque est continue et par morceaux sur R, la fonction = est appelée densité de probabilité de X Propriétés : est positive ou nulle Cas général : Pour tout ensemble A A : (A) = Variables aléatoires vectorielles ( Cas général ) La variable aléatoire X=(, ) caractérisée par la densité de probabilité

6 La fonction de répartition de X vérifie : ( ) = ( = d d Les fonctions de répartitions marginales vérifient : ( ) =,, )d Les densités marginales sont définies par dérivation : ( ) =,...,,,,, )d d Pour tout AЄA d d 5- Variables aléatoires indépendantes : Soient les v.a X et Y définies de (Ω, A, P) dans (Ω, A ), typiquement (R,B ) sont indépendantes si : Conséquence : Si u et v sont des applications mesurables alors u(x) et v(y) sont des variables aléatoires indépendantes 6- Changement de variables aléatoires : (x(u,u), y(u,v)) (u,v) On pose : (u,v) = J(u,v) : le Jacobien La fonction qu on souhaite obtenir est fonction de u et v!!!!

7 Espérance mathématique : μ Valeur numérique mesurant le degré d équité d un jeu de hasard Est aussi appelée moyenne (théorique) Cas d une variable aléatoire continue : X : (Ω, B) dans R, positive ou P-intégrable E[X] = (x) ATTENTION : Il faut vérifier que X est intégrable!!!!!!!!!!!!!!!!! Si X admet une densité de probabilité alors : E[X] = (x) dx Théorème de transfert Pour toute fonction réelle g, positive ou P-mesurable : E [ g(x) ]= Linéarité de l espérance : E[ ax + b] = a.e[x] + b E [ X+Y ] = E[X] + E[Y] Si X et Y sont indépendantes alors l espérance du produit est le produit des espérances :

8 Caractéristiques de localisation d une variable aléatoire : Le maximum Le minimum L espérance La médiane Le mode La médiane : Le mode : Pour une variable aléatoire discrète : la valeur de X dont la probabilité est la plus grande Pour une variable aléatoire continue : la valeur pour laquelle la densité de probabilité atteint son maximum La variance : σ² C est une caractéristique de la dispersion de la v.a, c est la moyenne des carrés des écarts à la moyenne. Var [X] = E [(X E[X])²] Var [X] = E[X²] (E[X])²

9 ATTENTION : Bien vérifier que X² est intégrable!!!!!!! La variance n est pas linéaire : Var ( ax + b) = a² Var (X) Var (X+Y) = Var(X) + Var(Y) + 2 Cov(X,Y) Si X et Y sont indépendantes alors : Cov (X+Y) =E[XY] E[X].E[Y] = 0 Var (X+Y) = Var(X) + Var(Y) L écrat type : X = On peut mesurer la dispersion relative grace au coefficient de variation C.V : C.V = Inégalité de Bienaymé-Tchebychev : Soit X une v.a de moyenne μ et de variance finie σ² a 0, P( X μ a) P( - aσ < X μ < aσ) 1 1/a²

10 Régression linéaire : Consiste à trouver deux réels a et b tels que Y= ax+b minimise l erreur quadratique moyenne EQM c'est-à-dire : 1- On calcule EQM[a,b) = E[(X (Ax+b)²)] 2- On dérive par rapport à b, et on annule cette dérivée => équation1 3- On dérive EQM par rapport à a et on annule cette dérivée=> équation2 4- On implémente l équation1 dans l équation2 => conditions sur a et b 5- On remplace a et b dans EQMmin[a,b) = E[(X (Ax+b)²)] par les expressions trouvées 6-7- On pose : Coefficient de Corrélation linéaire 8- Finalement on a : EQMmin = Var(Y) ( 1 ) Généralisation pour les vecteurs aléatoires : Vecteur Espérance (thrm de transfert) : E[Xi]= Vecteur moyenne : M= E[X] = Variance : Var(Xi)= Covariance: Cov(Xi, Xj)= Var(X) = E [(X E(X)) ] )(Xi E[Xi]) dx1 dxn ) dx1 dxn )(Xi E[Xi]) (Xj E[Xj])dx1 dxn On note Σ la matrice de variance-covariance (matrice de covariance) Σ est une matrice inversible Σ = =

11 La loi normale : Propriétés : Loi continue, symétrique, en cloche La densité de proba. de la loi normale de paramètres (μ,σ²) : exp [ ] Méd(X) = Mod (X) = μ X suit une loi normale de paramètres (μ,σ²) => Y=aX + b (a>0) suit une loi normale de paramètres ((aμ+b), (a²σ²)) Z = réduite E[X] = μ Var[X] = σ² suit une loi normale, E[Z] = 0 et Var[ Z]= 1 : C est une loi normale centrée Fonction de répartition d une loi centrée réduite : C est la probabilité de trouver une valeur inférieure à u On se sert du tableau pour trouver la fdr Φ(-u) =1 ϕ(u) A retenir!!

12 La densité normale multivariée : ) = exp( (x M)) Cas bivarié : lorsque n=2 Densité conditionnelle (d une loi normale) Cas discret : Loi conditionnelle de Y sachant X=x : X et Y indépendantes x,y : P(Y=y X=x) = P(Y=y) L espérance conditionnelle de Y sachant X=x (l espérance par rapport à la loi conditionnelle)

13 Cas continu : (X,Y) un couple de densité (x,y) sur R² Loi conditionnelle de Y sachant X=x : X et Y indépendantes x,y : (y) = L espérance conditionnelle de Y sachant X=x (l espérance par rapport à la densité conditionnelle) Remarques et propriétés : g( x )= E [ Y X=x ] f( X ) = E [ Y X] Le calcul de l espérance conditionnelle peut être une étape intermédiaire dans le calcul de l espérance : E [ E[Y X] ] = E[Y] Linéarité de l espérance conditionnelle : E[ (a.y + b) X] = a.e[y X] + b L espérance conditionnelle a les mêmes propriétés que l espérance X et Y indptes => E [Y X] = E[Y] Soit h fonction mesurable et h(x) intégrable : E[ Y.h(x) X] = h(x).e [ Y X ]

14 La meilleure approximation au sens de l erreur quadratique moyenne est l espérance conditionnelle : Vecteur Gaussien Définition : VecteurX = ) X est gaussien si et seulement si toute combinaison linéaire des Xj est une variable aléatoire normale X suit une loi normale N (M, Σ) Propriétés : Si A est une matrice n colonnes et b un vecteur de alors : AX + b est un vecteur gaussien de loi normale N (AM+b, AΣ ) X gaussien => les variables marginales Xi sont gaussiennes (la réciproque est fausse) Si Xi et Xj sont non corrélés alors elles sont indépendantes ( dans le cas gaussien) Xi,Xj indépendantes 2 à 2 => indépendance globale des X1,,Xn Types de convergence : Convergence en moyenne d ordre α : suite de v.a converge en moyenne d ordre α vers la v.a X si :

15 Loi faible des grands nombres : suite de v.a i.i.d de variance finie alors E[ ] Convergence en probabilité : converge en probabilité vers la v.a X si 0 : Loi faible des grands nombres : suite de v.a i.i.d de variance finie alors E[ ] p Convergence presque sure : converge presque surement vers la v.a X si : (C est une convergence simple!) Loi forte des grands nombres : p.s suite de v.a i.i.d de variance finie alors E[ ]

16 Théorème central limite : suite de v.a i.i.d de variance σ² finie Soit = et On a : Théorème central limite : Sans faire aucune hypothèse sur la loi des Xi!!!!!!!!!!!!!!!!!! Résumé des convergences :

17 Tableau récapitulatif des lois discrètes classiques : Cas continu : Dénomination Loi Espérance Variance Exponentielle De paramètre λ ² Normale μ

1 Sujets donnés en option scientifique

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

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

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

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

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

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

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

Plus en détail

3. Caractéristiques et fonctions d une v.a.

3. Caractéristiques et fonctions d une v.a. 3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions

Plus en détail

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

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

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

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

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Espérance, variance, quantiles

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

Plus en détail

Cours de probabilités, ECS deuxième année. Alain TROESCH

Cours de probabilités, ECS deuxième année. Alain TROESCH Cours de probabilités, ECS deuxième année Alain TROESCH 10 janvier 2012 Table des matières 1 Rappels de probabilités générales et discrètes 5 1.1 Principes généraux du calcul des probabilités.....................

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Analyse de données et méthodes numériques

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

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

Cours de probabilités Terminale S. Paul Milan

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

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Examen d accès - 28 Septembre 2012

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

Plus en détail

Cours de Probabilités : Modèles et Applications.

Cours de Probabilités : Modèles et Applications. Cours de Probabilités : Modèles et Applications. Anne Philippe & Marie-Claude Viano 2 Niveau Master Université de Nantes Année 2009-200. Anne.Philippe@univ-nantes.fr 2. Marie-Claude.Viano@univ-lille.fr

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

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

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Séminaire de Statistique

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

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : économique et commerciale Option : Scientifique (ECS) Discipline : Mathématiques- Informatique Seconde année Ministère de l enseignement

Plus en détail

Formulaire de Probabilités et Statistiques

Formulaire de Probabilités et Statistiques 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

Plus en détail

Lois normales, cours, terminale S

Lois normales, cours, terminale S Lois normales, cours, terminale S F.Gaudon 6 mai 2014 Table des matières 1 Variables centrées et réduites 2 2 Loi normale centrée et réduite 2 3 Loi normale N (µ, σ 2 ) 4 1 1 Variables centrées et réduites

Plus en détail

Loi binomiale Lois normales

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

Plus en détail

Couple de variables aléatoires - Notion d indépendance.

Couple de variables aléatoires - Notion d indépendance. Couple de variables aléatoires - Notion d indépendance. Préparation au Capes - Université Rennes 1 On considère deux variables aléatoires X et Y. On aimerait connaitre s il y a influence entre ces deux

Plus en détail

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

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

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Cahier de textes Page 1 sur 9. Cahier de textes

Cahier de textes Page 1 sur 9. Cahier de textes Cahier de textes Page 1 sur 9 Cahier de textes Jeudi 04/09/2014 9h-12h et 13h30-16h30 : Cours sur la logique : - Conjonction, disjonction, implication, équivalence - Quelques formules. - Quantificateurs

Plus en détail

Simulation de variables aléatoires

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

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Simulation de variables aléatoires

Simulation 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 détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat 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 détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

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

Plus en détail

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

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

Cours 1: lois discrétes classiques en probabilités

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

Plus en détail

TD 4 : HEC 2001 épreuve II

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

Plus en détail

I. Polynômes de Tchebychev

I. 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 détail

Outils statistiques. Notes de cours.

Outils statistiques. Notes de cours. 1 Outils statistiques Notes de cours. Clotilde Fermanian Françoise Lucas Année 2010 2011 L2-L3 Université Paris 12 Val de Marne. 2 Avertissement : Ce texte constitue des notes qui couvrent ce qui a été

Plus en détail

Lois de probabilité à densité Loi normale

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

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Seconde Partie. Cours de Mathématiques. Semestre

Seconde Partie. Cours de Mathématiques. Semestre Année 2009-2010 ntégration et Probabilités Seconde Partie Cours de Mathématiques Takéo Takahashi Première Année FICM Semestre Table des matières 5 Indépendance et Convolution 3 5.1 Indépendance..............................................

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Exercices corrigés, tome 04 : les énoncés

Exercices corrigés, tome 04 : les énoncés Exercices corrigés, tome 4 : les énoncés Table des matières : 1. Applications linéaires, p.2. 2. Variables aléatoires, p.6. 3. Intégrales, p.12. 4. Polynômes, p.16. 1 1 Applications linéaires Exercice

Plus en détail

Cours IFT6266: Algorithmes d apprentissage. Yoshua Bengio. Concepts mathématiques préliminaires

Cours IFT6266: Algorithmes d apprentissage. Yoshua Bengio. Concepts mathématiques préliminaires Cours IFT6266: Algorithmes d apprentissage Yoshua Bengio Concepts mathématiques préliminaires La plupart de ces concepts sont vus dans d autres cours et forment une bonne base pour la matière étudiée dans

Plus en détail

Cours de mathématiques pour la Terminale S

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

Plus en détail

Préparation au CAPES de Mathématiques

Préparation au CAPES de Mathématiques Université Claude Bernard Lyon 1 Année universitaire 2007-2008 Préparation au CAPES de Mathématiques Probabilités F. Bienvenüe-Duheille Chapitre 1 Probabilités 1 Mesure 1.1 Définitions On se place sur

Plus en détail

VA CONTINUES - Sujets de concours

VA CONTINUES - Sujets de concours Lycée Dominique Villars ECE Exercices VA CONTINUES - Sujets de concours Exercice - Problème EDHEC On considère deux variables aléatoires X et Y, définies sur un espace probabilisé (Ω,A,P), et indépendantes.

Plus en détail

Cours de Probabilités. Jean-Yves DAUXOIS

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

Plus en détail

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

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

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

1 Variables aléatoires continues.

1 Variables aléatoires continues. 1 Variables aléatoires continues. 1.1 Densité et fonction de répartition. Dénition 1.1. On dit que X est une v.a. continue s'il existe une fonction f 0 tel que pour tout ensemble B R P (X B) = f(x)dx (1)

Plus en détail

Mathématiques appliquées à la finance J. Printems Année 2008 09

Mathématiques appliquées à la finance J. Printems Année 2008 09 IAE Gustave Eiffel Master 2 Gestion de Portefeuille Université Paris xii Val de Marne Mathématiques appliquées à la finance J. Printems Année 2008 09 Épreuve du 15 juillet 2009 Durée : 1 heure 30 Calculatrices

Plus en détail

Formulaire de Mathématique

Formulaire de Mathématique COLLECTION LES LEXIQUES DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Formulaire de Mathématique par Xavier Chauvet LEXIQUE N 17 COLLECTION DIRIGÉE PAR

Plus en détail

Définitions Covariance Corrélation Meilleur prédicteur linéaire. Chapitre 5 Couple de variables aléatoires

Définitions Covariance Corrélation Meilleur prédicteur linéaire. Chapitre 5 Couple de variables aléatoires Chapitre 5 Couple de variables aléatoires Définitions 1 On appelle couple de variables aléatoires (discrètes) l application: Ω R ω (X (ω), Y (ω)) 2 La distribution d un couple de v.a. est définie par les

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles Variables aléatoires réelles Table des matières 1 Généralités sur les variables aléatoires réelles. 3 1.1 Rappels sur les σ-algèbres ou tribus d événements................................. 3 1.2 σ-algèbre

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Statistique appliquée

Statistique appliquée Statistique appliquée Université Pierre et Marie Curie Maîtrise de Mathématiques Année 2006/2007 A. Tsybakov Préambule Ce polycopié s adresse au étudiants ayant suivi un cours d intégration et un premier

Plus en détail

MA6.06 : Mesure et Probabilités

MA6.06 : 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 détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

PROBABILITE SUR UN ENSEMBLE FINI

PROBABILITE SUR UN ENSEMBLE FINI PROBABILITE SUR UN ENSEMBLE FINI Ω est un ensemble fini non vide. On note P(Ω) l ensemble des parties de Ω. Vocabulaire 1. Ω est l univers ou univers des possibles. 2. Toute partie A de Ω est appelée événement.

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

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

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique

Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique Master de Mathématiques Mathématiques de la modélisation et de la décision Simulation Stochastique 2 2 i Introduction Ce cours présente des méthodes numériques qui utilisent des nombres aléatoires pour

Plus en détail

Cours de Mathématiques E.S.P.C.I Deuxième année. Elie Raphaël Polycopié des élèves rédigé à partir du cours

Cours de Mathématiques E.S.P.C.I Deuxième année. Elie Raphaël Polycopié des élèves rédigé à partir du cours Cours de Mathématiques E.S.P.C.I Deuxième année Elie Raphaël Polycopié des élèves rédigé à partir du cours 2 Ce polycopié a été rédigé sous L A TEX2e par Julien Berthaud, Cyrille Boullier, Régis Schach

Plus en détail

Cours de Probabilités

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

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

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

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

Plus en détail

MATHEMATIQUES Option Economique

MATHEMATIQUES Option Economique Concours EDHEC 9 Classes Préparatoires MATHEMATIQUES Option Economique La présentation, la lisibilité, l'orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront pour

Plus en détail

Couples de variables aléatoires réelles à densité

Couples de variables aléatoires réelles à densité Université de Picardie Jules Verne 20-202 UFR des Sciences - Généralités Licence mention Mathématiques - Semestre 4 Probabilités Couples de variables aléatoires réelles à densité Soient,A,P un espace probabilisé

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Lois de probabilité 3/3. Anita Burgun

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

Plus en détail

Probabilités et Statistique. Benjamin JOURDAIN

Probabilités et Statistique. Benjamin JOURDAIN Probabilités et Statistique Benjamin JOURDAIN 18 septembre 2006 2 i Remerciements Je tiens à remercier les membres de l équipe enseignante du cours de probabilités de première année, Aurélien Alfonsi,

Plus en détail

Révisions Maths Terminale S - Cours

Révisions Maths Terminale S - Cours Révisions Maths Terminale S - Cours M. CHATEAU David 24/09/2009 Résumé Les résultats demandés ici sont à connaître parfaitement. Le nombre de réponses attendues est parfois indiqué entre parenthèses. Les

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

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

Plus en détail

Examen de rattrapage

Examen de rattrapage Université Denis Diderot Paris 7 7 juin 4 Probabilités et Simulations UPS36 Examen de rattrapage durée : 3 heures Les documents et calculatrices ne sont pas autorisés. On prendra soin de bien justifier

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 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 détail

Annexe 1 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 1 Programmes des classes préparatoires aux Grandes Ecoles Annexe 1 Programmes des classes préparatoires aux Grandes Ecoles Filière : économique et commerciale Option : Economique (ECE) Discipline : Mathématiques- Informatique Première année Ministère de l enseignement

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de Terminale ES 2 Table des matières 1 Équations de droites. Second degré 7 1.1 Équation de droite.................................. 7 1.2 Polynôme du second degré..............................

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

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

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

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Commun à tous les candidats

Commun 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

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

MAP 311 - Aléatoire - PC 1. Probabilités

MAP 311 - Aléatoire - PC 1. Probabilités MAP 311 - Aléatoire - PC 1 Emmanuel Gobet Feuille de PC disponible en avance sur le site http://www.cmap.polytechnique.fr/~gobet/. Les exercices marqués ( ) sont corrigés dans le livre Aléatoire de S.

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Variables aléatoires 2

Variables aléatoires 2 78 Variables aléatoires Variables aléatoires (résumé) 79 La somme et le produit de variables aléatoires 80 Formules concernant l espérance mathématique 8 E(X+Y) = E(X) + E(Y) (vérification pour un cas

Plus en détail

Exercices corrigés de SQ20

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

Plus en détail

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

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

Plus en détail

Initiation à la Statistique IS-Math314

Initiation à la Statistique IS-Math314 Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Initiation à la Statistique IS-Math314 Chapitres 1 4 Charles SUQUET

Plus en détail

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

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

Plus en détail

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31 1/31 Mémoire de n d'étude: Etudes statistiques Nicolas Sutton-Charani Université Montpellier 1 Plan Rappels de cours La base La Statistique Types des variables Outils mathématiques Statistiques descriptives

Plus en détail