PROBABILITÉS - VARIABLES ALÉATOIRES

Dimension: px
Commencer à balayer dès la page:

Download "PROBABILITÉS - VARIABLES ALÉATOIRES"

Transcription

1 PROBABILITÉS - VARIABLES ALÉATOIRES Itroducto Das le cours sur les probabltés ous avos trodut la oto d uvers U et lu avos attacé ue focto probablté P. Das beaucoup d applcatos pratques la oto d uvers, pour des rasos de commodté, cède sa place à celle de varable aléatore. La focto probablté attacée à la varable aléatore est alors ue applcato des partes de r das [,] (plutôt que des partes de U das [,]). Cette maère de fare courate elève re à l mportace de la oto d uvers qu reste malgré tout, mplctemet, à la base du calcul des probabltés. Cosdéros u uvers des possbles U correspodat à ue certae expérece aléatore. Les élémets de U (appelés ssues : résultats possbles de l expérece) e sot gééralemet pas des ombres. Il est cepedat utle de fare correspodre u ombre à caque élémet de U, e vue de fare esute des calculs. Pour u jet de dé, l semble aturel de fare correspodre à la face obteue par le jet, le ombre de pots qu elle porte, mas ce est pas ue oblgato. S o jette dés, o s téressera par exemple à la somme des pots obteus. Das les stuatos de jeux ou de pars, comme das la ve réelle, les évetualtés se voet affecter d u ombre : aux dverses cartes que l o peut trer d u jeu be battu, o assoce leur valeur coveue : pour ue carte de à, u pot pour u valet, deux pour ue dame, tros pour u ro et quatre pour u as. O déft as ue focto X. Cette focto X permet à so tour de défr des évéemets : as pour le trage d ue carte : X = représete le trage d u valet, X représete le trage de toute carte autre qu u as, X = représete le trage d ue carte de à. Il est très mportat de be predre coscece du ses de ces otatos, relatvemet abtuelles : l est pas fréquet qu o écrve le sge " = " etre ue focto et u ombre! Et pour acever de ous désoreter, l usage est de doer à ue telle focto le om de varable aléatore : quelques auteurs ot be teté de réagr, e utlsat le om d aléa umérque, tellemet ls souffraet de vor ue focto baptsée varable! Mas l usage est le plus fort. Ue varable aléatore X, sur u uvers des possbles U, est ue applcato de U das r : à tout résultat possble de l expérece (à tout élémet de U), la varable aléatore X fat correspodre u ombre. Lorsque U est f (Card U = et * ) ou f déombrable ( Card U = ℵ ), toute applcato de U das r est ue varable aléatore. Lorsque U est o déombrable ( Card U = ℵ ), l exste certaes applcatos de U das r qu e sot pas des varables aléatores. E effet, la défto rgoureuse d ue varable aléatore X mpose que tout tervalle de r sot l mage d u évéemet A de U (A U ou A P(U)) par l applcato X. Cette codto est vérfée pour toute applcato X s U est f ou déombrable, pusque toute parte de U est u évéemet. Ce est plus vra s U est o déombrable. Les applcatos coses ultéreuremet serot des varables aléatores. Perre Fracebourg Probabltés Varables aléatores

2 O parle de varable aléatore dscrète lorsque la varable est ue applcato de U das u sous-esemble X(U) dscret de r, le plus souvet ou ue parte de. O parle so de varable aléatore cotue. Pour u ombre réel a doé, l évéemet costtué de toutes les ssues ( U ) de l expérece telles que X() = a est oté [X() = a], ou, e abrégé, X = a. Pour deux ombres réels a et b (a b), l évéemet costtué de toutes les ssues de l expérece telles que a < X() b est oté [a < X() b] ou, e abrégé, a < X b. Cosdéros mateat le cas le plus smple d ue varable aléatore fe, que ous gééralseros das u secod temps à ue varable aléatore fe déombrable, pus cotue. Sot X ue varable aléatore sur u uvers des possbles U à valeurs fes : X(U) = {x, x,..., x }. X(U) devet u esemble probablsé s l o déft la probablté P(X = x ) pour caque x, que l o ote f(x ). Cette focto f, défe par f(x ) = P(X = x ) est appelée dstrbuto (ou lo) de probablté de X. Pusque les f (x) sot des probabltés sur les évéemets {X=x, X=x,..., X=x }, o a par coséquet : ), f( x ) ) f(x = ) ) P( a < X b ) = f(x ), la somme s étedat à tous les dces tels que a < x b. Défto - Exemples. Défto Sot U l uvers assocé à ue expérece aléatore et P(U) l esemble des évéemets. O appelle varable aléatore toute applcato X de U das r telle que X - (I) P(U), pour tout tervalle I de r. X(U) est alors l mage de U. O a X - (I) = { U x I tel que X() = x} U.. Exemples : a) O jette u dé cubque et o s téresse au jeu suvat : s o obtet u uméro 4 o perd F, so o gage F. L applcato X qu à tout trage assoce le ga obteu (ue perte est u ga égatf) est ue varable aléatore (dscrète preat u ombre f de valeurs). O a U = {,,,4,5,}, ( U) = {, } X et s U, o pose s 4 X ( ) =. so b) O jette ue pèce de moae jusqu'à ce que le côté face apparasse et o s téresse au jeu suvat : s o obtet face au ème lacer a gage F. L applcato X qu à tout trage assoce le ga obteu est ue varable aléatore (dscrète preat u ombre f déombrable de valeurs). O a U = *, ( U) = {,4,8,,... } X et X() = =. Perre Fracebourg Probabltés Varables aléatores

3 c) O s téresse à la durée de bo foctoemet d u équpemet partculer fabrqué e grade sére das l tervalle [,[. L applcato X qu à u apparel assoce sa durée de bo foctoemet est ue varable aléatore (cotue, par opposto à dscrète, preat u ombre f o déombrable de valeurs). X (U) =, et X ( ) = t où t est le temps de bo foctoemet de U. O a U = *, [ [. Déftos S X est ue varable aléatore défe sur u uvers des possbles U et u réel, o déft les varables aléatores X+, X as : - U, (X+)()=X() +, (X)() = X() - s X(U)={x,x,,x }, alors (X+)(U)={x +, x +,,x +} et (X)(U)={x,,x } - P( X+ = x + ) = P( X=x ) et P( X = x ) = P( X=x ) Lo de probablté. Défto : La lo (ou dstrbuto) de probablté f de la varable aléatore X est la focto f : X( U) [, ] f ( ) = P( X = ) Précédemmet ous travallos das u espace probablsé ( U, P(U), P ), où U est l uvers des possbles, P(U) est l esemble des évéemets et P ue probablté sur P(U). Sot X - ({}) = { U X() = } U ; o ote cet évéemet X - ({}) : X = Mateat ous allos travaller das u autre espace probablsé ( X(U), T, f ) où X(U) est l esemble des ssues possbles (l esemble des ombres attrbués à toutes les ssues possbles de U), T P(r) l esemble des évéemets (oté X =, X ou a X b ), et f ue lo de probablté (desté de probablté das le cas d ue varable aléatore cotue) vérfat les tros proprétés suvates : ), f( x ) (correspodat à P(A), A U) ) = f(x (correspodat à P(U) = ) ) ) P( a < X b ) = f(x ), la somme s étedat à tous les dces tels que a < x b. (correspodat à P(A B) = P(A) + P(B) A B = ) Perre Fracebourg Probabltés Varables aléatores

4 . Exemples : ( repreos les exemples du pot. ) a) Le tableau suvat ous doe la lo de probablté f de X : exemple de calcul : f() = P ( X = ) = P(5) + P() = + = =. b) Ic, = ) = =, où. P( X = Remarque : o peut auss représeter f par u dagramme e bâtos : f()= P ( X = ) c) Lorsque la varable X est cotue, o lu assoce ue desté de probablté f ; das cet exemple f est défe par : t) = f ( t) =,e P( X =, t s t < s t. Focto de répartto Défto : La focto F défe par F(x) = P( X x ) de r das [,] est appelée focto de répartto de la varable aléatore X. Exemples : ( cf. les exemples du pot.. ) a) Ic, s x < F ( x) = s x <. s x Perre Fracebourg Probabltés Varables aléatores 4

5 b) Ic, F( x) = s x < où est la parte etère de y s x = y. s x O a e effet, F (x) = F( ) = P( X ) = P( x = ) = = = (somme des premers termes de la sute géométrque de premer terme = = et de raso ). c) Ic, o a la desté de probablté de X, défe par la focto f : s t < f ( t) =., t,e s t x x,t,t x,x F dt = [- e ] = - e avec ( x) = P( X x) = f ( t) dt =, e s x < O a alors F( x) =, x e s x Das tous les cas, F est ue focto mootoe crossate ( a b F(a) F(b) ) et de plus lm F(x) = et lm F(x) = x x Perre Fracebourg Probabltés Varables aléatores 5

6 Plus gééralemet o a b P( a < X b ) = F ( b) F( a) = f ( t) dt. a Preuve : S a < b, o a : les deux évéemets (X a) et (a < X b) o e dédut : Sot Doc (X b) = (X a) (a < X b) état compatbles P(X b) = P(X a) + P(a < X b) F(b) = F(a) + P(a < X b) P(a < X b) = F(b) F(a) P( a < X b).4 Espérace matématque d ue lo fe Le terme d espérace matématque a été trodut par Pascal à propos des jeux de asard. L espérace matématque peut s terpréter comme le ga moye du joueur ou comme le motat de la mse à egager à caque parte s le jeu est sas fras. C est pourquo o dt qu u jeu est équtable quad E(X) =, où X désge le ga algébrque du joueur (ga perte) L espérace matématque cerce à tradure la tedace cetrale de la lo. Ce om ple de poése est celu sous lequel o désge la moyee podérée des valeurs d ue lo de probablté, les coeffcets de podérato état les probabltés correspodates. Cette moyee où cacue des valeurs x tervet d autat plus que sa probablté est mportate s apparete à u barycetre ou u cetre de gravté e pysque. O peut dre auss que E(X) est l abscsse du cetre de gravté des pots d abscsses x, x,..., x affectés des masses f(x ), f(x ),, f(x )..4. Défto L espérace matématque d ue lo fe f d ue varable aléatore X est le réel E (X ) déft par : µ X = E(X) = x f x ) = x f (x ) + x f (x ) + x f (x ) +... x f (x ) das le cas où X est dscrète ( + et pred u ombre f de valeurs x,( ) avec f(x ) = P( X = x ). remarque : µ X est otée µ s l y a pas de cofuso. Perre Fracebourg Probabltés Varables aléatores

7 .4. Iterprétato géométrque E(x) est égale à l are algébrque comprse etre le grapque de la focto de répartto F assocée à X et l axe des ordoées. E effet, pour caque valeur x prse par X, le grapque de F présete u saut de logueur f(x ). Et o peut dre que x f(x ) est l are du rectagle de base [,x ] et de auteur f(x ) lorsque x est postf, et l opposé de cette are lorsque x est égatf. O peut vérfer que l o a : car : [ x - E(X) ] f ( x ) = f(x ) [ x - E(X) ] = f(x ) x - E(X) f(x ) = E(X)- E(X) = Cette relato se tradut géométrquemet par le fat que la drote vertcale x = E(X), les drotes orzotales y = et y =, et la courbe de F défsset deux surfaces d ares A et A égales..4. Remarque L espérace matématque est pas seulemet le résultat d u calcul fat sur ue lo de probablté ; elle a ue sgfcato cocrète, qu a été storquemet comprse avat même que la oto clare de probablté at été formulée avec précso. Ce cocept d espérace matématque se rattace de faço extrêmemet étrote au problème de la décso. Il est aturel de peser que, e face de deux pars dot l ejeu est égal, u sujet ormal cosra le par pour lequel la probablté de ga est la plus grade. Par exemple : s l o m offre de gager Fr., sot e ameat face au jeu de ple ou face, sot e ameat u par le jet d u dé, l est clar que je cosra la pèce. D u autre pot de vue, etre deux pars pour lesquels le asard est égal, je cosra aturellemet celu dot l ejeu est le plus grad : etre deux partes de ple ou face, l ue m offrat Fr. et l autre Fr. e cas de succès, je préférera la premère. La stuato est légèremet plus complexe lorsqu o qutte le domae de ces évéemets extrêmemet smples, pour comparer etre eux deux pars dot, les probabltés de ga, les ejeux e sot égaux. Perre Fracebourg Probabltés Varables aléatores 7

8 .4.4 Le par de Pascal Ue dée aturelle cosste à dre qu u par est d autat plus avatageux que, d ue part, sa probablté de ga est plus grade et que, d autre part, l ejeu est plus grad, e sorte qu u moye matématque très smple de représeter l avatage d u par est d e multpler la probablté par l ejeu. L avatage d u par à ple ou face pouvat me rapporter Fr. sera doc doé par le ombre : = 5 Fr. L avatage d u par d ameer le pot au dé pour gager Fr. est de = Fr.. Pascal a très claremet résumé cette oto d avatage das so fameux par : " Pusqu l y a parel asard de ga et de perte, écrt-l, s vous avez qu à gager deux ves pour ue, vous pourrez ecore gager ; mas s l y e avat tros à gager, l faudrat jouer et vous serez mprudet, lorsque vous êtes forcé à jouer, de e pas asarder votre ve pour e gager tros à u jeu où l y a parel asard de perte et de ga." Cette premère parte du rasoemet de Pascal est doc coforme à la premère ypotèse que ous avos magée. Etre deux pars etre lesquels les probabltés sot égales, l est avatageux de cosr celu qu accorde l ejeu le plus élevé. " Mas l y a ue éterté de ve et de boeur. E cela état, quad l y aurat ue fté de asards dot u seul serat pour vous, vous aurez ecore raso de gager u pour avor, et vous agrez de mauvas ses, e état oblgé à jouer, de refuser de jouer ue ve cotre tros à u jeu où d ue fté de asards l y e a pour vous, s l y avat ue fté de ves fmet eureuses à gager." Et sas employer le lagage matématque, Pascal déft avec ue grade clarté l espérace matématque comme le produt que ous avos étudé e écrvat : " Mas l certtude de gager est proportoée à la certtude de ce qu o asarde selo la proporto des asards de ga et de perte. Et de là vet que, s l y a autat de asard d u côté que de l autre, la parte est à jouer égal cotre égal ; et alors la certtude de ce qu o expose est égale à l certtude du ga." Le problème se complque quelque peu s le par a plus ue seule ssue possble mas pluseurs, dot les rapports sot égaux, vore dot ue ssue est u rapport et l autre ue perte. Il vaut meux parer u bœuf qu u œuf! Il est alors préférable de rever à l dée pascalee de l avatage d u par, produt du ga espéré par la probablté de ga, et de gééralser cette oto e magat que le même par pusse provoquer de faço dépedate u certa ombre de gas dstcts : par exemple, ous pouvos cercer la valeur qu l y a leu d attacer au drot de jouer deux partes de dés, la premère pouvat rapporter Fr. avec la probablté, la secode pouvat rapporter Fr. avec la probablté précède,. La valeur attacée à la premère parte est, d après ce qu = Fr. ; la valeur attacée à la secode parte est de = Fr., et l est aturel de cosdérer comme valeur attacée au drot de jouer les deux partes la somme des valeurs partelles, c'est-à-dre : + =. As de proce e proce, parvet-o à dégager la oto d espérace matématque : s u évéemet peut rapporter des ejeux x, x, x,, x, avec des probabltés respectves f(x ), f(x ), f(x ),, f(x ), alors l espérace matématque est : x f(x ) + x f(x )+ x f(x ) + + x f(x ). Nous volà très proce de la défto rgoureuse doée plus aut. Perre Fracebourg Probabltés Varables aléatores 8

9 .4.5 Exemples ) Imagos ue lotere pour laquelle ' bllets sot ms e vete. Les lots proms sot : gros lot de ' Fr. lots de Fr. 5 lots de Fr. Be que ce e sot pas dspesable au rasoemet, ous supposeros autorsé le cumul des lots, ce qu faclte le calcul des probabltés, car les dvers trages sot alors dépedats. La probablté p de gager le gros lot est de ' la probablté p de gager u lot de ' Fr. est de La probablté p de gager u lot de Fr. est de ; ' 5 ' Par sute, l espérace matématque attacée à u bllet est : ' p + ' p + p =,5 Fr. Quat au juste prx du bllet, c est le prx auquel l orgasateur de la lotere devrat le vedre pour e fare bééfce, défct, sas ter compte des fras d explotato. Or, quel que sot le résultat des dvers trages, l orgasateur est certa d avor à payer : gros lot de ' Fr. : ' Fr. lots de Fr. : ' Fr. 5 lots de Fr. : 5' Fr. sot 5' Fr.. Comme l ved ' bllets, le juste prx de cacu d eux est précsémet,5 Fr.. ) Das l exemple a) du dé cubque o a c, µ X = E ( X ) = ( ) + =. ) O cosdère l expérece qu cosste à jeter deux dés parfatemet équlbrés. L uvers des possbles U est alors U = {(,),(,),(,),,(5,),(,)} avec Card U =. Les évéemets élémetares sot équprobables. Sot la varable aléatore X défe comme sut : sot = (a,b) ue ssue quelcoque de U, o pose X() = X(a,b) = max (a,b) ; o a alors X(U) = {,,,4,5,}. Sot la lo de probablté f assocée à X, o a f() = P(X=) = P({(,)}) = Sot :. ; ; f() = P(X=) = P({(,),(,),(,)}) = etc Perre Fracebourg Probabltés Varables aléatores 9

10 .4. Téorème Sot X ue varable aléatore et ue costate réelle. O a : a) E(X) = E(X) b) E(X+) = E(X) + preuve : x f(x ) = E(X) + ) f(x ) = {[ x f(x )] + [ f(x ) ] = x f(x ) + f(x ) a) E(X) = ( x ) f(x ) = [ x f(x )] = b) E(X+) = ( x } = E(X) + = E(X) +.5 Espérace matématque d ue lo fe.5. Varables aléatores fes déombrables Tout ce qu a été vu précédemmet das le cas où U est f se gééralse au cas où U est f déombrable ; o aura par exemple : µ X = E(X) = x f ( x ) = x f (x) + x f (x ) + x f (x ) La somme coverge à l f vers E(X), toutes les autres proprétés sot coservées, les sommes deveat des séres. Exemple : Das l exemple b) plus aut du jet d ue pèce de moae o a, E (X ) exste pas car p x = = = et doc lm p x =. Perre Fracebourg Probabltés Varables aléatores

11 .5. Varables aléatores cotues Défto La gééralsato au cotu est délcate et même dffcle s o e dspose pas d outls matématques adéquats. Les téorèmes du cours du calcul tégral ous sot c écessares. Nous ous coteteros de décrre la costructo par aaloge avec le cas dscret. Sot u uvers U f o déombrable (Card U = ℵ ), dot certaes partes seulemet sot des évéemets et peuvet doc se vor affecter ue probablté. Ue varable aléatore X dot l esemble mage X(U) est u tervalle réel est ue varable aléatore cotue (par opposto à dscrète) s l mage récproque par X de tout tervalle réel I est u évéemet A de U ( A U). L évéemet a X b de U possède alors ue probablté be défe. O déft la lo de probablté de X à l ade d ue focto f, appelée alors desté de probablté de X, telle que P(a X b) = b a Remarques : f ( x) dx. ) S f est doée, la probablté P(a X b) est l are de la surface délmtée par la courbe Γ f, l axe (OI) et les vertcales x=a et x=b : ) Le passage du dscret au cotu trasforme les sommes Σ e tégrales et f(x ) e f(x)dx. As, sot X ue varable aléatore dscrète et f sa dstrbuto : La formule P(x X x ) = f ( x ) est aalogue à P(a X b) = b a f ( x) dx. E utlsat cette aaloge, o admettra les proprétés suvates pour ue varable aléatore X, cotue, de dstrbuto f : ) f(x) (aalogue à f(x ) ) ) f ( x) dx = (aalogue à f ( ) = ) x ) P(a X b) = b f ( x) dx = F(b) F(a). a Perre Fracebourg Probabltés Varables aléatores

12 x 4) F(x) = P(X x) = f ( t) dt (aalogue à f ( x ) ) x x 5) µ X = E(X) = x f (x) dx (aalogue à x f ( x ) ) (l espérace d ue varable aléatore cotue doe l abscsse du cetre de gravté de la surface comprse etre le grapque Γ f de la desté f et l axe des abscsses (OI) : cf. das les tables umérques à la page 9 x A = exemple : A x f(x)dxavec, c, A = f ( x) dx = ) Das l exemple c) plus aut sur la durée de bo foctoemet d u équpemet partculer fabrqué e grade sére, o a µ X = E(X) = ( ) =,x x f x dx xf( x) dx + xf( x) dx = x dx + x,e dx =,xe (à l ade d ue tégrato par parte).,x dx = 5 La lo de Caucy La lo de Caucy est défe par la focto f : y = f(x) = π ( + x ) ; o a be f(x), x r, π π et f ( x) dx = dx = [ arcta(x) ]- = -( ) = π + x π -π mas cette lo a pas d espérace matématque : x E(x) = x f ( x) dx = dx = l( ) + x π + x π qu est ue tégrale dvergete. - Cette lo e sert à re, sauf de cotre-exemple das les cours de probabltés. Perre Fracebourg Probabltés Varables aléatores

13 Varace - Ecart type. Déftos Après avor tradut la tedace cetrale par l espérace, l est écessare de tradure la dsperso autour de l espérace par les valeurs de la varace et de l écart type. La varace de X, otée var(x) ou X ou V(X), est le réel V(X) = E[(X - µ X ) ] où µ X = E(X). L'écart type de X, oté (X) ou X ou S(X), est le réel S ( X ) = V ( X). La varace et l'écart type sot des dcateurs de dsperso. L'écart type dque commet e moyee les valeurs de la varable sot groupées autour de la moyee (espérace matématque). U fable écart type sgfe que les valeurs sot peu dspersées autour de la moyee. Statstquemet, o observe que 75 % au mmum des observatos sot comprses etre E(X) S(X) et E(X) + S(X). La varace tradut la dsperso de la dstrbuto de la varable aléatore autour de sa valeur moyee. Etat u carré, la dmeso de la varace 'est pas celle de la moyee. C'est pourquo o utlse plus souvet l'écart type qu est la race de la varace. O dt auss que la varace tradut la oto d'certtude. Plus la varace est fable, mos le résultat de l'expérece aléatore est certa. A la lmte, ue varable aléatore de varace ulle codut à des expéreces strctemet detques (.e. le péomèe est complètemet détermste, l 'y a doc plus aucue raso de garder la oto de varable aléatore).. Proprétés ) V(X) = E[(X - µ X ) ] = E(X ) - µ X (téorème de Koeg) preuve : V(X) = E[(X - µ X ) ] = = ( x - µ ) f ( x ) = ( x - µ x + µ x f ( x) -µ X x f ( x ) + µ X f ( x ) = E(X ) - µ X + X (car f ( ) = ) x X X ) f ( x ) µ X = E(X ) - µ X. ) V(X) = E[(X - µ X ) ], par défto ; ) S est ue costate, o motre que V(X+) = V(X) et S(X+) = S(X) preuve : V(X+)= [ x + - E( x + ) ] [ x + - E( x) ] f ( x f ( x ) = [ x - E( x) ] f ( x ) = V(X) ) = et V(X) = V(X) et S(X) = S(X) preuve : V(X) = [ x - E( x) ] [ x - E( x) ] f ( x f ( x [ x - E( x) ] f ( x [ x - E( x) ] f ( x ) = ) = ) = ) = V(X) Perre Fracebourg Probabltés Varables aléatores

14 4) Varable aléatore cetrée et rédute Sot X ue varable aléatore d espérace µ et d écart-type. S l o déft la varable aléatore Y = X - µ, appelée varable cetrée, alors E(Y ) = preuve : E(Y)= µ Y = E ( - µ ) X = E(X) - µ = (cf. tms.4.-) ; S l o déft la varable aléatore Y = X, appelée varable rédute, alors S(Y ) =, preuve : X V(Y ) = V( ) = V(X)= = ; et doc l écart-type =, X µ S l o déft la varable aléatore Y =, appelée varable cetrée-rédute, alors µ Y = E(Y) = E ( - µ ) et doc Y =. X µ X = et V(Y) = V( )= V( X µ ) = V(X) = = Cette varable Y, otée parfos Y = X*, s appelle la varable cetrée-rédute assocée à X. O a as "ormalsé" la varable X par u cagemet d orge et d écelle de maère à obter ue varable d espérace et d écart-type.. Exemples Repreos les exemples du. a) O avat µ X =, d où V(X) = E(X )- = ( ) + () b) Pusque E ( X ) 'exste pas, V(X) et S(X) o plus. = et S ( X ) =. c) O avat µ X = E(X) = 5, d où V ( X ) = E(X )- µ X = t f ( t) dt 5 (à l'ade d'ue tégrato par partes) = 5' et S ( X ) = 5. Calculos la probablté pour que la durée de bo foctoemet d u équpemet partculer fabrqué e grade sére sot comprse etre E(X) S(X) et E(X) + S(X) : P( X ) = F() = f ( t) dt =, e,t dt =,t - [- e ] = - e +,85 Perre Fracebourg Probabltés Varables aléatores 4

15 d) O jette ue pèce de moae ue seule fos. Sot X la varable aléatore dquat le ombre de faces qu se présetet. O a : x f(x ) x f(x ) [ x - E ( X ) ] [ x - E ( X ) ] f(x )( x - E ( X ) ) total : E ( X ) = V ( X ) = 4 D où E ( X ) =, V ( X ) = et S ( X ) =. 4 e) O jette u dé. Sot X la varable aléatore dquat le ombre de pots sorts lors du jet. O a : x f(x ) x f(x ) (x ) (x ) f(x ) 4 5 total : 4 5 E ( X ) = 7 = =, E ( X ) = D où E ( X ) = =,5, V X ( ) = ( X ) -[ E( X )] = - =, E et S ( X ) =,7. 5 Calculos la probablté que le ombre de pots sot comprs etre E(X) S(X) et E(X) + S(X) : 4 c'est-à-dre P(,79 X 5,) = P({,,4,5}) =,7. Perre Fracebourg Probabltés Varables aléatores 5

16 f) U arrêt de tramway est desserv toutes les mutes. Sot X la varable aléatore dquat le temps d attete (e mutes) jusqu au passage du proca covo lorsqu o se red à cet arrêt sas ter compte de l orare. Il est rasoable d admette que X admet pour desté de probablté la focto f suvate : f ( x) = s x < ou s x > s x x 4 O a par exemple : P( x ) = dx = = =,4 Calculos l espérace : E(X) = x f(x) dx = x f(x) dx + x f(x) dx + x f(x) dx = + x x dx + = = = 5 l attete dure e moyee 5 mutes (logque c). x x Calculos la varace V(X) = x f(x) dx 5 = dx = - 5 = - 5 8,. D où l écart-type = S ( X ) = V( X ) 8,,887. Calculos le probablté que l attete dure etre E(X) S(X) et E(X) + S(X), x c'est-à-dre etre, et 7,887 : P(, x 7,887 ) = dx =,577.,, g) U exemple smple : magos ue fcelle, dot ue logueur est délmtée etre deux mâcores, qu o écarte avec ue force crossate, jusqu à ce qu elle casse. L ypotèse est fate que la fcelle est suffsammet omogèe pour qu l exste aucu pot e lequel la rupture sot plus probable qu e u autre. La dstace X du pot de rupture à la mâcore de gauce fgure ue varable aléatore cotue, qu peut predre toutes les valeurs etre et. Mas quelle valeur attrbuer à la probablté de rupture e l u de ces pots, par exemple le mleu? Aucue o valeur ulle e covet : e effet, pusqu l y a ue fté de pots de rupture possbles, la somme des probabltés as attacées serat fe, et o égale à. O résout cette dffculté e parlat d ue desté de probablté f, la probablté de vor la rupture se produre sur u pett segmet de logueur s état alors égale au produt de s par cette desté. Il e s agt pas là d ue abstracto révolutoare : o aurat eu exactemet la même dffculté s o avat prétedu détermer la masse d u pot de la fcelle ; aucue valeur autre que aurat pu cover, alors qu o admettra voloters que la masse d u fragmet de fcelle est proportoelle à sa logueur, et plus précsémet, égale au produt de sa logueur par sa desté. La desté de probablté est d alleurs facle à calculer : la rupture état certae, la probablté attacée à la logueur, qu est égale au produt f de la logueur par la desté f, est égale à La desté f est doc égale à l verse de la logueur : f =. O peut d alleurs auss d téresser à la probablté de vor la rupture se produt à ue dstace de la mâcore gauce féreure à ue logueur doée x. Cet évéemet est justemet symbolsé par l écrture X < x, et sa probablté est f x. La focto F telle que F(x) = P( X < x ) s appelle focto de répartto de la varable X ; das otre exemple, c est ue focto très smple, la focto léare défe sur l tervalle [,] par : F(x) = f x. O peut remarquer que f est la dérvée de F ou, ce qu est peut-être plus facle à terpréter, que F(x) peut s écrre : F (x) = x 7,887 f(t) dt. La lo de probablté d ue varable aléatore cotue est doc doée sot par sa desté, sot par sa focto de répartto. Perre Fracebourg Probabltés Varables aléatores

17 La lo de probablté présetée das cet exemple est appelée lo uforme sur l tervalle [,]. La desté est doc ulle e deors de l tervalle [,], égale à f sur [,] ; quat à la focto de répartto, elle est ulle sur ]-,], égale à f x de ],], et égale à sur ],[. O aura l espérace matématque : µ X = E(X) = x f ( x) dx = et la varace et l écart-type : x f dx = f x = f = (car f =) E(X ) = x f dx = f x = f = d où V(X) = E(X ) [E(X)] = - 4 = et S(X) = V ( X ) = = = =,9 de plus P(E(X) S(X) X E(X) + S(X) ) = P( X + ) + = P( X ) = P(, X,789 ),789,789 + = dx [ ] - f = f x = f = f =,58( car f = ),, Les exemples qu précèdet motret que pour de ombreuses varables aléatores la probablté que la varable s écarte de sa moyee d au plus u écart-type est à peu près égale à,7. Perre Fracebourg Probabltés Varables aléatores 7

18 .4 Iégalté de Beaymé-Tcébycev La sgfcato cocrète de l écart-type (ou de la varace) e termes de probabltés est be magée par l égalté de Beaymé-Tcébycev. Sot u ombre réel postf o ul, o peut démotrer que la probablté de l esemble des valeurs de la varable aléatore qu sot à l extéreur de l tervalle [ E(X) -, E(X) + ] est féreure à : P( X E(X) ) ou ce qu est équvalet : P( E(X) - X E(X) + ) = P( X E(X) ) -. Démostrato : (das le cas dscret) Sot X ue varable aléatore dscrète à valeurs postves : f(x ),. O a E(X) = x f x ) = x f (x ) + x f (x ) + x f (x ) +... x f (x ). ( + Sot a u ombre postf tel que < x - < a x. O a les égaltés : E(X) x f (x ) x f (x ) a [ f (x ) f (x ) ]. Or la somme [ f (x ) f (x ) ] est égale à la probablté de l évéemet ( X a ). E ( X ) O e dédut que : P( X a ) ( appelée égalté de Marov ) ; a elle est ecore vrae s x < a, car alors P( X a ) = et E(X) >. Posos a = ( > ) et remplaços X par le carré de la varable cetrée [X E(X)] : [ X E( X )] l égalté de Marov devet : P( [X E(X)] ) E ), pusque l espérace de la varable [X E(X)] est la varace de X, cette égalté est équvalete à celle-c : P( X E(X) ) Autre formulato équvalete de l égalté de Beaymé-Tcébycev : (e posat = t) Sot X ue varable aléatore d espérace µ et d écart-type, Pour tout ombre postf t, o a: P( X µ t ) t As, la probablté de l évéemet (E(X) - X E(X) + ) (t=) sera supéreure à,75. Il faut be vor qu l s agt d u résultat gééral, valable pour mporte quelle varable aléatore. Mas das la pratque, o costate très souvet qu ue be plus grade probablté est attacée à u tel évéemet. Perre Fracebourg Probabltés Varables aléatores 8

19 Exemples : ) Repreos l exemple c) de. : O avat µ = E(X) = 5 et = S(X) = 5 ; d où P(E(X) - X E(X) + ) = P( X 5 ) = F(5) = 5 5,t 5 - [- e ] = -e +,95,t f ( t) dt =, e dt = ( ). ) Das l exemple f) précédet : o avat µ = E(X) = 5 et = S(X) =,887 ; d où P(E(X) - X E(X) + ) = P( X,774) = ( ). ) Das l exemple précédet de la fcelle o a : P(E(X) S(X) X E(X) + S(X) ) = P( = P( + X 4 Exemples de dstrbutos X + ) ) = P(-,8 X,8 ) = P( X ) =. 4. Los dscrètes 4.. Lo de Beroull Défto O cosdère ue expérece ayat que deux résultats possbles, par exemple succès et écec (ou présece et absece d ue certae caractérstque). O trodut la varable aléatore X qu assoce la valeur à l écec (ou à l absece de la caractérstque) et la valeur au succès (ou à la présece de la caractérstque). Cette varable aléatore est appelée varable de Beroull. Dstrbuto de X Appelos p la probablté de l évéemet succès : P({succès})= P(X=) = p P({écec})= P(X=) = p = q f()= P ( X = ) p q Espérace de X µ X = E(X) = x P(X = x ) = P(X=)+ P(X=)= p + q = p Varace de X X = V(X)= E[(X - µ X ) ] = E(X ) - µ X = [ P(X=) + P(X=)] p = p - p = p(-p)= pq. Perre Fracebourg Probabltés Varables aléatores 9

20 4.. Lo bomale B(, p ) Défto Soet les épreuves fos répétées et dépedates d ue même expérece de Beroull. Caque expérece a que deux résultats possbles : succès ou écec. Comme précédemmet, appelos p la probablté de l évéemet élémetare succès et q= p celle de l évéemet écec. A cette expérece multple o assoce ue varable aléatore X qu mesure le ombre de succès obteus. Dstrbuto de X Remarques a) La probablté de avor aucu succès au cours de épreuves successves (=)est q ; la probablté d avor au mos u succès est doc - q ( u succès ou plus ). b) Les C,otés auss, s appellet coeffcets du bôme, car ls terveet das Espérace de X S X sut la lo bomale B(,p) alors E( X ) = p, V ( X ) = pq et S ( X ) = pq. O ote P(X=) = b( ;,p) = p. = Preuve : La varable X d ue lo bômale B(,p) est la somme de varables X de Beroull ; par u téorème o préseté, l espérace de la somme est égale à la somme des espéraces : d où E(X) = E( X ) = p. Autre démostrato : E(X) = P X = ) = C p ( p) = ( - ; = La probablté d avor succès lors de épreuves successves est - - P(X= pour essas)= C p (- p) = C p q le développemet du bôme de Newto : ( a + b) = a b -. = c) E applquat la formule du bôme, o motre que la somme des probabltés pour toutes - les valeurs de X est égale à : p q = [ p + q] = [ p + (- p) ] = [ ] =.!! ( = C )! or C = = =, ;!( - )! ( -)!( - )! ( - )!( - )! - = = - - d où E(X)= C p ( p) = p C p ( p) p p = [ C p ( p) + C p ( p) C p ( p) ] - [ p + ( p) ] = p = p ( formule du bome = ) Perre Fracebourg Probabltés Varables aléatores

21 de plus, comme les varables de Beroull sot dépedates, la varace de la lo B(,p) est égale à la somme des varaces de Beroull (téorème o préseté): V(X) = V ( X ) = pq. Autre démostrato : Par le téorème de Koeg o a : V(X) = E(X ) E(X) = ( ) = p E(X) ; - calculos le ombre A = ( ) p = ( ) C p q (*) : = =, ( ) C = ( -)!!(- = )!! ( - )!( - )! (- )! = ( -) ( = (- ) C - )!( - )! O obtet e reportat das (*) A = ( ) C p q = ( ) C p q = ( ) p C p q = = = [ C p q + C p q C p q ] = ( ) p [ p + q] = ( ) [ ] - ( ) p - p doc A = (-) p (**); de plus : = A = = ( ) p = ( ) p car les termes correspodat à = et = sot uls ; = A= ( ) p = ( p p ) = p - p = p E(X) = p p = = = = = = ; d où = ( ) p = A + p = ( -)p + p ; et as : V(X) = E(X ) E(X) = ( ) = p E(X) = (-)p + p (p) = p -p +p- p =p - p = p(-p)=pq. O obtet be e déftve : V(X) = pq Perre Fracebourg Probabltés Varables aléatores

22 Exemples ) E 975, l est é e Susse 75'57 efats dot 8'9 garços. La probablté de assace d u garço est as,557. O prélève au asard efats parm ceux-c. Combe de garços peuto s attedre à trouver das cet écatllo (o admettra comme très mprobable u écart supéreur à écart-types par rapport à l espérace)? O a c = et p =,557 et q =,4847 ; d où E(X) = 55,7 et S ( X ) = pq 5,8. Le ombre de garços de l écatllo sera comprs fort probablemet etre 47 et 5. ) O jette fos ue pèce be équlbrée ; o suppose que face est u succès. O a doc p = q =. O a ue lo bomale B(, et et ). Sot : b(,, )= - C (- ) = C = =,55 = b(,, b(,, )= C = =,975 = b(5,, b(,, )= C = 5 =,475 = b(4 ;, et b(,, )= C = =,5 L espérace est E(X) = p = = et l écart-type est S ( X ) = pq = =,5 ) ) ) Dstrbuto B(, ) Focto de répartto de B(, ) Perre Fracebourg Probabltés Varables aléatores

23 4.. Lo de Posso Le calcul de P(X=) = b( ;,p) est log et fastdeux et les tables umérques abtuelles e doet que quelques valeurs partculères pour des valeurs de pettes. Il est doc souatable de dsposer d approxmatos plus maables, la lo de Posso est l ue de ces approxmatos. Elle repose sur u résultat matématque que ous admettros sas démostrato : Cec suggère de défr ue varable aléatore qu predrat pour valeurs tous les ombres eters (pusque augmete défmet, aucue lmtato tervet désormas sur les valeurs de ), λ λ la probablté de la valeur état : P(X=)= e.! Ue telle varable est appelée varable de Posso, λ est le paramètre. Ue lo de Posso comportat u seul paramètre, l est plus facle et mos ecombrat d e préseter ue table umérque. Ue telle lo tervet das des expéreces aléatores dot les résultats futurs sot dépedats des résultats passés. De par la faço dot ous l avos trodute, la lo de Posso apparaît comme ue approxmato de la lo bomale pour des grades valeurs de et des pettes valeurs de p : c est pourquo elle est parfos appelée lo des pettes probabltés. Voc quelques exemples : Probablté, das ue page d u lvre, de trouver coqulles ; probablté, das ue pette uté de temps, de vor se préseter à u gucet clets ; probablté pour u bloc d mmeubles d ue vlle bombardée de recevor obus au cours d u rad. Pour ous fare ue dée de la qualté de l approxmato d u varable aléatore bomale par ue varable de Posso, ous allos mager qu o jette au asard et dépedammet 4 gras de blés sur u écquer (qu comporte 4 cases), et ous examos la varable aléatore qu exprme le ombre de gras tombat sur ue case détermée. Le succès, pour u gra détermé, est de tomber sur la case cose,et l a ue probablté p= 4. Il s agt d ue varable bomale avec =4. Avec la lo bomale : P(X=) = C 4 p Lorsque augmete défmet et que, smultaémet, p ted vers e sorte que le produt p at ue lmte fe λ, -! - λ λ alors P(X=) = b( ;,p) = C p (- p) = p q a pour lmte e.!( - )!! (- p) 4- = 4!! (4 - )! 4 4 e avec la lo de Posso (λ = p =) : P(X=) =.! Le calcul umérque est plus qu ue affare de mace ; e voc le résultat. Le tableau est lmté à =, car, pour toute valeur supéreure, la probablté calculée par l ue ou l autre formule est féreure à, 4, s be que l approxmato doée, avec tros cffres sgfcatfs après la vrgule, est ulle. Valeur de bomale Posso,5,8,7.8,85,84,, 4,5,5 5,,,, 4- Perre Fracebourg Probabltés Varables aléatores

24 Espérace et varace de la lo de Posso λ λ Nous avos vu précédemmet que λ λ λ λ λ+ λ = e ; doc e = e = e = e = ; =! =! =! ce qu est évdet pusque cette somme est la somme de toutes les probabltés des dverses valeurs possbles d ue varable aléatore. Cela permet u calcul très smple de l espérace matématque : E(X) = = e λ λ = λ! = e λ λ = λ = λ ( )! As l espérace d ue lo de Posso de paramètre λ est égale à λ. Ce résultat est surpreat pusque os los bomales avaet toutes pour espéraces p, et que la lmte de p lorsque ted vers l f est égale à λ. Quat à la varace, elle se calcule par u procédé detque, qu la trouve sas surprse égale à la lmte de pq, c'est-à-dre ecore au paramètre λ. Exemple U certa vacc provoque cez u dvdu sur 8 ue réacto dagereuse. Quelle probablté y a-t-l, e vaccat persoes qu l y at a) tros réactos dagereuses? b) plus de deux réactos dagereuses? Sot Z la varable aléatore dquat le ombre total de réactos dagereuses. O a ue dstrbuto bomale avec p = 8, = et λ = p =,75 ; a) -! 799,75 e P(Z=) = C p (- p) =! 997! 8 8!,7 (valeur exacte doée par la lo bomale est : P(Z=) =,78) O vot que le calcul est grademet faclté par le recours à la lo de Posso. b) P(Z>) = P(Z ) = P(Z=) P(Z=) P(Z=),79 (valeur exacte doée par la lo bomale est : P(Z>) =,7 ). 4. Los cotues 4.. Lo expoetelle Cette lo s trodut très aturellemet das u certa ombre de problèmes d attete. Imagos u évéemet assez rare pour que la lo de Posso lu sot applcable : l exemple classque est celu des arrvées des clets à u gucet pedat de brefs tervalles de temps successfs, par exemple les traces de secodes. Notos µ le ombre moye d arrvées par uté de temps, e sorte que µt sot le ombre moye d arrvées das u tervalle de temps de durée t. La probablté pour que le ombre de clets arrvés x λ -λ das cet tervalle sot x est : P(x) = e où le paramètre λ est précsémet µt. x! Cette formule doe e partculer la probablté pour qu aucu clet e se présete das cet tervalle -λ -µt de temps : l sufft d y fare x = : P() = e = e. Mas cette probablté est doc celle pour que le temps d attete du guceter dépasse t. S τ est ce -µt -µt temps d attete : P (τ > t) = e et doc pour l évéemet cotrare : P (τ t) = - e. As ous avos obteu la focto de répartto du temps d attete : cette lo de probablté est coue sous le om de lo expoetelle. Lorsque les arrvées d u péomèe dscotu sot possoees (c'est-à-dre qu elles suvet la lo de Posso), la durée d attete etre deux arrvées successves sut ue lo expoetelle. Le ombre µ est le paramètre : 997,75 Perre Fracebourg Probabltés Varables aléatores 4

25 desté focto de répartto O vot l térêt d u tel résultat : l permet, par exemple, de régler le ombre de gucets e sorte que la probablté pour que la durée d attete dépasse ue valeur cose sot suffsammet fable. Le calcul de l espérace matématque et de la varace d ue lo expoetelle est u pett exercce de calcul tégral : (e posat x = µ t ) (par partes) - t -x x x E(X) = µ e dt = x e dx = [ xe - e ] µ t µ E(X -µ t -x x x x ) = µ t e dt = = [ - ] x e dx x e xe e = µ ( e posat x = µ t ) (par partes deux fos) V(X) = E(X )-E(X) = - =. µ µ µ 4.. Lo ormale de Laplace-Gauss µ µ = µ µ Défto D autres foctos ot été costrutes pour des approxmatos de la lo bomale pour des grades valeurs de. Cette recerce est facltée s l o travalle pour caque valeur de sur la lo bomale cetrée rédute : - cetrée (c'est-à-dre, rappelos-le, que l o a retracé à toutes les valeurs de la sére leur espérace matématque). Sur le grapque, cela évte que, au fur et à mesure que devet plus grad, les dagrammes e s éloget vers la drote, pusque l espérace matématque d ue lo bomale est égale à p ; - rédute (c'est-à-dre que l o a dvsé toutes les valeurs de la varable aléatore par leur écart-type). Sur le grapque, cela évte que, au fur et à mesure que devet plus grad, les dagrammes e s écraset sur l axe (OI), pusque la varace d ue lo bomale est égale à p(-p). Perre Fracebourg Probabltés Varables aléatores 5

26 Exemple Voc les dagrammes de la varable bomale dscrète Z = B(, z -z z - z de lo P(Z=z) = B(z ;, ) =! Cz = = B(z) z! ( - z)! 5 5 d espérace µ = E(Z) = p = et d écart-type = S(Z) = p ( p) = =, Z µ et de la varable cetrée et rédute X = Z* = défe par la lo f (x) = B(z ;, ) avec z = x+µ. Alors que la varable Z peut predre les valeurs z = ( =,,,,) avec les probabltés B(z ;, 5 5 ) 5 Z µ ), la varable (cetrée et rédute) X = z correspodate predra les valeurs x = avec les probabltés respectves f (x ).,55 Z µ Voc le tableau des valeurs des deux los de dstrbutos des varables Z et X = : z B(z),,,,4,,,5,5,,4, x -,87 -, -,58 -,9 -,9 -,45,45,9,9,58 f (x),,,,,7,,89,,87,,9 Sur les dagrammes c-dessous, o dstgue la dstrbuto e cloce des B(z ;, ) avec ue espérace de et u écart-type de,55 et celle des f (x) qu est "ormalsée" avec ue espérace de et u écart-type de : 5 B(z ;, ) 5 f (x) Perre Fracebourg Probabltés Varables aléatores

27 Exemple Voc les dagrammes de la varable bomale dscrète Z = B(, de lo P(Z=z) = B(z ;, ) = B(z) 5 d espérace µ = E(Z) = p = et d écart-type = S(Z) = p ( p),9 Z et de la varable cetrée et rédute X = Z* = défe par,9 la lo f (x) =,9 B(z ;, ) avec z =,9 x+ et x = z 5, 9 z B(z),,,,,,,5,5,5,7,7 x -5,479-5, -4,5-4, -,5 -,9 -,74 -,8 -,8 -,7 -,9 f (x),,,,,,,,,78,55,5 z B(z),,8,,4,75,5,,,, x -,457,457,9,7,8,8,74,9,5 f (x),5,94,,7,,77,7,,, ) 5 B(z ;, ) 5 f (x) E comparat les grapques de B(z ;, ) et de B(z ;, ), o costate u étalemet de la cloce 5 5 (e largeur, plus grad) et u déplacemet vers la drote du sommet (µ plus grad) mas auss ue dmuto des ordoées (probabltés plus pettes car plus ombreuses). Pour la varable X = Z * de los f (x) et f (x), o costate par cotre que la cloce a sesblemet les mêmes formes et dsposto. Seuls les bâtoets sot plus ombreux (plus serrés). O presset doc que la dstrbuto X ted vers ue lmte lorsque ted vers l f, c'est-à-dre qu l exste ue focto g cotue et dérvable qu est e quelque sorte l eveloppe des bâtoets lorsque ted vers l f. Perre Fracebourg Probabltés Varables aléatores 7

28 C est Laplace qu, le premer, a cercé à ajuster ue courbe à ces dagrammes as réduts ; l a d abord pesé à utlser ue focto de type expoetel d équato y = a -x, qu, pour les valeurs postves de x, présete u aspect comparable à os dagrammes de los bomales : a -x Pour obter ue lo symétrque, l faut assocer la même valeur de y à deux valeurs opposées de x, autremet dt, utlser ue valeur absolue. La focto d équato y = a - x das laquelle l e reste plus qu à détermer y, par exemple e calculat l écart-type, a été appelée "premère focto de Laplace" : a - x -x Laplace lu-même l a rapdemet abadoée pour ue focto de la forme y = ba qu fourt ue approxmato be melleure. Le téorème de Laplace-De Movre démotre d alleurs par le calcul que cette formule fourt la melleure approxmato possble de la lo bomale cetrée rédute, et l o sat calculer les valeurs a et b. Eocé du téorème de Laplace-De Movre : Sot F la focto de répartto d ue v.a bomale X cetrée rédute, de paramètres et p. Pour tout ombre x, la sute des ombres F (x) ted vers g(x) = e π x lorsque ted vers l f ; plus précsémet, s a et b sot deux eters, alors la probablté P( a X b ) = B ( z;, p) est égale approxmatvemet à π b-µ a-µ e x b- µ a - µ dx = Φ - Φ b z= a x La formule obteue : y = g(x) = e doe la desté g de la lo lmte ; celle-c est d u usage s π fréquet qu o l appelle lo ormale, otée N(,), car d espérace et d écart-type. O utlse auss le terme " lo gaussee" ou lo de Laplace-Gauss. La formule c-dessus est raremet utlsée e tat que telle ; elle est e effet smple d apparece, mas les calculs umérques restet malasés (l est mpossble de calculer ue prmtve de cette focto). Il exste des tables umérques doat des valeurs approcées de y. Par u cagemet d orge et d écelle, o éted cette présetato au cas gééral, obteat pour focto de desté, otée N(µ,). Le paramètre µ peut être quelcoque mas est postf. Perre Fracebourg Probabltés Varables aléatores 8

29 O obtet ue lo de Laplace-Gauss N(µ,) d espérace µ et d écart-type e fasat subr au grapque de la lo ormale N(,) les trasformatos successves suvates : ) o multple les abscsses par (affté) : o remplace x par t ; ) o ajoute µ aux abscsses (traslato) : o remplace t par z - µ ; ) o multple les ordoées par (affté) : la focto g est multplée par. La desté de probablté f(z) de cette lo N(µ,) est as doée par f(z) = g(x) où x = t = o obtet : f(z) = ( z µ ) - π e z µ, S l o remplace z par x, cela doe : f (µ,) (x) = ( x µ ) - π e O remarquera que par les trasformatos précédetes l are totale sous le grapque a pas varé. Les trasformatos précédetes, effectuées e ses verse, permettet de passer d ue varable aléatore Z suvat la lo ormale N(µ,) à la varable X = Z * Z µ = qu sut la lo ormale N(,) : z µ P(Z z ) = P( X+µ z ) = P( X ). µ E posat z = z *, o peut écrre P(Z z ) = P( Z * * z ) = Φ( z * ) où Φ est la focto de * z Φ * * répartto de la lo g : P ( X z ) = g( x) dx = (z ). Exemple : Calculos P(Z ) pour ue varable aléatore Z suvat ue lo N(,) : * O a = Z * Z et s Z = alors Z = =,5 d où P(Z ) = P(Z *,5 ) = Φ(,5) =,9. C est l ue des los les plus mportates. Ue telle lo tervet das des expéreces aléatores possédat de ombreuses causes dépedates dot les effets s ajoutet, sas que l u d eux sot domat. Perre Fracebourg Probabltés Varables aléatores 9

30 Remarques a) La desté est maxmale au pot x = µ. Abusvemet, o a eve de dre que la valeur la plus probable d ue varable aléatore ormale N(µ,) est égale à l espérace matématque ; c est be sûr u abus, pusque la probablté d ue valeur détermée est ulle. Ce qu o peut dre, c est que de tous les petts tervalles de même logueur, c est celu qu est cetré sur l espérace matématque qu a la plus grade probablté. b) La courbe est symétrque par rapport à la drote vertcale x = µ (x = pour la lo ormale cetrée rédute N(,). Cela a ue coséquece mportate pour ue table de valeurs umérques de la desté : l sufft de doer ue table pour les valeurs postves de x. c) Dès que l o s éloge de, les valeurs de la desté deveet très pettes. Le tableau c-après doe quelques valeurs : x 4 desté f(x),899,4,54,44, Ue représetato grapque courate aura doc ue graduato e abscsses qu e va guère audelà de l tervalle [-,]. Proprétés S X sut la lo ormale N(µ,) alors E (X ) = µ, V( X) =, S (X ) = et µ la varable aléatore X = X * sut la lo ormale cetrée rédute N(,). O peut doc rameer l étude de mporte quelle lo ormale à celle-c : x f (,) (x) = e π u O a alors P( X u) = f ( x) dx = Φ( u) avec f ( x) = x e π qu correspod à l are suvate : Les valeurs usuelles de Φ(u) (pour u ) sot doées das la table du formulare (page 9) et o a P( X u) = Φ( u) = Φ( u), P( u < X u) = Φ( u) Φ( u) et P ( u < X u) = Φ( u). Φ(u) Perre Fracebourg Probabltés Varables aléatores

31 Quelques exemples de valeurs pour la lo N(,) : P( X < ) =,87 P( X < ) =,9545 P( X < ) =,997 Ou, e reveat au cas gééral de la lo N(µ,) : P( X -µ < ) =,87 P( X -µ < ) =,9545 P( X -µ < ) =,997 Exemple Ue etreprse de trasport a u parc de 5 camos. O désge par X la varable aléatore qu à caque camo assoce la dstace qu l a parcourue das la jourée (e m). X sut la lo ormale N(,4). * O cosdère alors la varable X = X qu sut la lo ormale N(,). 4 S o veut la probablté qu u camo cos au asard parcoure das la jourée etre et m o procède de la maère suvate : X 5 5 X X Y. Or, 5, * 5 5 Doc P( X ) = P X = Φ Φ(,7) Les deux premers cffres (,7) ous doe la lge de la table alors que le trosème () ous dque la coloe. O obtet doc P ( X ),7 =, 5. Espérace et varace x x L espérace est be doée par E(X) = x e dx = e = ; π π x ( par partes) x x La varace sera : x e dx = x e + e dx = + =, π π π - d où l écart-type est be S(X) =. - Perre Fracebourg Probabltés Varables aléatores

32 Approxmato de la dstrbuto bomale par la lo ormale N(,) et par la lo de Posso Das la pratque, o approce la lo bomale sot par la lo ormal N(,), sot par la lo de Posso. Voc à ttre de comparaso les probabltés foures par les los bomale (exacte), de Posso (approcée) et ormale (approcée) das le cas d u évéemet de probablté p =, répété = fos. O a E(X) = p = et S(X) = = p ( p),48. z Bomale Posso Normale,5,54,49,77,77,75,794,77,555,8,845,477 5,,9,48 8,85,8,94 O vot que la cocordace etre les los bomale et de Posso est excellete alors que la lo ormale doe c de mauvases approxmatos du fat que p est féreur à 5. L approxmato d ue lo bomale par la lo ormale est correcte au cetème près dès que p et (-p) dépasse 5. E résumé : La règle d approxmato pour détermer ue probablté das le cas d ue lo bomale par la lo ormale cetrée rédute (cf. tables page 9) est la suvate : Doées : - ue lo bomale de paramètres et p ; - ue valeur x dot o recerce la probablté. Calculs : - espérace matématque E(X) = p ; - écart-type S(X) = = p( p) ; - écart rédut z correspodat à la valeur de x étudée : dfférece x p écart x p écart rédut z = x p - cosultato de la table pour ue approxmato de π e - dvso par de l approxmato obteue. -z Perre Fracebourg Probabltés Varables aléatores

33 Applcatos umérques : Cercos ue approxmato de la probablté B(x ;,p) de la valeur x=84 das u lo bomale B(,p) de paramètres = 4 et p =, : - espérace matématque : E(X) = p = 4, = 8 - écart-type = p( p) = écart rédut correspodat à la valeur de x observée : =,5 8 - lecture de la table :,5 Nous adoptos doc pour valeur approcée de la probablté B(x ;,p) le ombre 8,5,4. O peut comparer cette approxmato avec la valeur " exacte " de ! 84 B(84 ;4 ;,) = C 84 (,) (,8) = (,) (,8),4. 84! ()! Mas, s agssat de grades valeurs de, o s téresse souvet, o à la probablté d ue valeur x détermée, mas à la somme des probabltés correspodat aux valeurs de x comprses etre tel et tel ombre. Das l exemple précédet, o pourrat s terroger sur la probablté des valeurs comprses etre 78 et 9. Be sûr, o pourrat toujours calculer, avec les formules d approxmato c-dessus, les valeurs approcées correspodat à 78, 79, 8,,9. Le calcul serat be trop log, sas parler de l covéet qu l y a à ajouter etre elles tat de valeurs approcées : quelle précso obtet-o as pour la somme? Das la pratque, o dspose d ue formule ecore plus facle à utlser ; ous avos vu que la somme des probabltés correspodat aux valeurs de l écart rédut z comprs etre deux ombres a et b peut être approcée par l are lmtée par la courbe e cloce et l axe des abscsses (OI) etre les pots d abscsses a et b : Exemple : Doées : - ue lo bomale de paramètre et p ; - deux ombres a et b ; o recerce la somme des probabltés des valeurs comprses etre a et b. Calculs : - espérace matématque de la lo : µ = p ; - écart-type = p( p) ; - valeurs cetrées rédutes correspodat à cacu des ombres a et b : a - µ b - µ + z a = et zb = - cosultato de la table : s z est postf, lecture drecte Φ(z) s z est égatf, Φ(z) = - Φ(-z). Exemple : O suppose que la durée de ve des ampoules de projecteurs fabrquées par ue mace automatque est ue varable aléatore bomale X d espérace matématque 5 eures, et d écart-type eures ; quelle est la probablté qu ue ampoule at ue durée de ve qu dépasse 54 eures? Quelle est la probablté qu ue ampoule at ue durée de ve féreure à 47 eures? Calculos les durées cetrées rédutes : z 54 = = et z47 = = -,5 ; o lt das la table Φ() =,977 et doc la probablté recercée est P(X > 54) = - Φ() =,8 et de même Φ(-,5) = - Φ(,5) = -,9 =,8 = P(X < 47). Perre Fracebourg Probabltés Varables aléatores

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe

Plus en détail

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1 II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

SYSTEME FERME EN REACTION CHIMIQUE SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur

Plus en détail

Coefficient de partage

Coefficient de partage Coeffcet de partage E chme aque, la sythèse d'u composé se fat e pluseurs étapes : la réacto propremet dte (utlsat par exemple u motage à reflux quad la réacto dot être actvée thermquemet), les extractos

Plus en détail

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure.

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure. TABLE DES MATIERES Durée...2 Objectf spécfque...2 Résumé...2 I. L agrégato des préféreces...2 I. Le système de vote à la majorté...2 I.2 Vote par classemet...3 I.3 Codtos de décso socale et théorème d

Plus en détail

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat P R O F E S REPUBLIQUE DEMOCRATIQUE DU CONGO ENSEIGNEMENT SUPEREIEUR ET UNIVERSITAIRE INSTITUT SUPERIEUR DE GESTION INFORMATIQUE DE GOMA /I.S.I.G-GOMA DEVELOPPEMENT ISIG M A T I O N COURS DE MATHEMATIQUE

Plus en détail

Incertitudes expérimentales

Incertitudes expérimentales U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 995 Icerttudes érmetales par Fraços-Xaver BALLY Lcée Le Corbuser - 93300 Aubervllers et Jea-Marc BERROIR École ormale supéreure

Plus en détail

Application de la théorie des valeurs extrêmes en assurance automobile

Application de la théorie des valeurs extrêmes en assurance automobile Applcato de la théore des valeurs extrêmes e assurace automoble Nouredde Belagha & Mchel Gru-Réhomme Uversté Pars 2, ERMES-UMR78-CNRS, 92 rue d Assas, 75006 Pars, Frace E-Mal: blour2002@yahoo.fr E-Mal:

Plus en détail

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période)

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période) A-PDF OFFICE TO PDF DEMO: Purchase from www.a-pdf.com to remove the watermark Mathématques Facères : l essetel Les formules cotourables (F de érode) htt://www.ecogesam.ac-a-marselle.fr/esed/gesto/mathf/mathf.html#e5aels

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

" BIOSTATISTIQUE - 1 "

 BIOSTATISTIQUE - 1 ISTITUT SUPERIEUR DE L EDUCATIO ET DE LA FORMATIO COTIUE Départemet Bologe Géologe S0/ " BIOSTATISTIQUE - " Cours & Actvtés : Modher Abrougu Aée Uverstare - 008 Modher Abrougu Bostatstque «I» ISEFC - 008

Plus en détail

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET Jea-Claude AUGROS Professeur à l Uversté Claude Berard LYON I et à l Isttut de Scece Facère et d Assuraces ISFA Mchel QUERUEL Docteur e Gesto Igéeur de Marché Socété de Bourse AUREL Résumé : Cet artcle

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes Les sstres graves e assurace automoble : Ue ouvelle approche par la théore des valeurs extrêmes Nouredde Belagha (*, Mchel Gru-Réhomme (*, Olga Vasecho (** (* Uversté Pars 2, ERMES-UMR78-CNRS, 2 place

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Ressources pour le lycée gééral et techologque Ressources pour le cycle termal gééral et techologque Mesure et certtudes Ces documets peuvet être utlsés et modés lbremet das le cadre des actvtés

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4 UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»

Plus en détail

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce SETIT 2005 3 RD INTERNATIONAL CONFERENCE: SCIENCES OF ELECTRONIC, TECHNOLOGIES OF INFORMATION AND TELECOMMUNICATIONS MARCH 27-3, 2005 TUNISIA Cocepto d u outl décsoel pour la gesto de la relato clet das

Plus en détail

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés Ue méthode alteratve de provsoemet stochastque e Assurace No Ve : Les Modèles Addtfs Gééralsés Lheureux Else B&W Delotte 85, av. Charles de Gaulle 954 Neully-sur-See cedex Frace Drect: 33(0).55.6.65.3

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

Calculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria.

Calculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria. 1 CAS nédt d applcaton sur les normes IAS/IFRS Coût amort sur oblgatons à taux varable ou révsable La socété Plumera présente ses comptes annuels dans le référentel IFRS. Elle détent dans son portefeulle

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce Cocepto d u outl décsoel pour la gesto de la relato clet das u ste de e-commerce Nazh SELMOUNE *, Sada BOUKHEDOUMA * ad Zaa ALIMAZIGHI * * Laboratore des Systèmes Iformatques(LSI )- USTHB - ALGER selmoue@wssal.dz

Plus en détail

Généralités sur les fonctions 1ES

Généralités 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 détail

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe 1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Module 3 : Inversion de matrices

Module 3 : Inversion de matrices Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que

Plus en détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3... Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

GIN FA 4 02 01 INSTRUMENTATION P Breuil GIN FA 4 0 0 INSTRUMENTATION P Breul OBJECTIFS : coatre les bases des statstques de la mesure af de pouvor d ue part compredre les spécfcatos d u composat et d autre part évaluer avec rgueur les performaces

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2 Exo7 Nombres complexes Vdéo parte. Les nombres complexes, défntons et opératons Vdéo parte. Racnes carrées, équaton du second degré Vdéo parte 3. Argument et trgonométre Vdéo parte 4. Nombres complexes

Plus en détail

L Analyse Factorielle des Correspondances

L Analyse Factorielle des Correspondances Aalyse de doées Modle 5 : L AFC M5 L Aalyse Factorelle des Corresodaces L aalyse factorelle des corresodaces, otée AFC, est e aalyse destée a tratemet des tableax de doées où les valers sot ostves et homogèes

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 ième partie : MATHÉMATIQUES FINANCIÈRES 2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau GEA I Mathématques nancères Poly de révson Lonel Darondeau Intérêts smples et composés Voc la lste des exercces à révser, corrgés en cours : Exercce 2 Exercce 3 Exercce 5 Exercce 6 Exercce 7 Exercce 8

Plus en détail

Estimation des incertitudes sur les erreurs de mesure.

Estimation des incertitudes sur les erreurs de mesure. Estmto des certtdes sr les errers de mesre. I. Itrodcto : E sceces epérmetles, l este ps de mesres ectes. Celle-c e pevet être q etchées d errers pls o mos mporttes selo le protocole chos, l qlté des strmets

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation 1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

Baccalauréat S Asie 19 juin 2014 Corrigé Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

stages 2015 paris saint-germain ACADEMY Dossier d inscription

stages 2015 paris saint-germain ACADEMY Dossier d inscription stages 2015 pars sat-germa ACADEMY Dosser d scrpto STAGE de football STAGES 2015 Fche d scrpto à retourer à l adresse suvate Pars Sat-Germa Academy - Frace 159, rue de la Républque - 92 800 Puteaux Tél

Plus en détail

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats

Plus en détail

STATISTIQUE AVEC EXCEL

STATISTIQUE AVEC EXCEL STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments

Plus en détail

Montage émetteur commun

Montage émetteur commun tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude

Plus en détail

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation) GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

ILT. Interfacultair Instituut voor Levende Talen. T@@lvaardig. Actes de communication. Serge Verlinde Evelyn Goris. Katholieke Universiteit Leuven

ILT. Interfacultair Instituut voor Levende Talen. T@@lvaardig. Actes de communication. Serge Verlinde Evelyn Goris. Katholieke Universiteit Leuven IL If I L S V Ey G Khk U L 13/02/02 pé? xp qé xp pz à pz p héhq pé p à q z p à p héhq fé à p à q pz xp q 'p (è) f, '-à- p. x. ' é ff. N xp à py qq' q z b ( f) P xp pô pp L p - pé pz ': z qq', q -? Bj,

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Mes Objectifs. De, par, avec Sandrine le Métayer Lumières de Philippe Férat. spectacle produit par la Cie DORE

Mes Objectifs. De, par, avec Sandrine le Métayer Lumières de Philippe Férat. spectacle produit par la Cie DORE Me Objectf De, par, avec Sandrne le Métayer Lumère de Phlppe Férat pectacle produt par la Ce DORE t j Me objectf numéro prx du Jury aux Gradn du rque (Le Hvernale/ Avgnon) p l e t t a r d, p Sandrne le

Plus en détail

MUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB

MUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB MUTUELLE D&O MUTUELLE D&O Copilote de votre saté AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyace CRC CRIS CRPB-AFB DOMISSIMO-Assuraces DOMISSIMO-Services FONGECFA-Trasport IPRIAC MUTUELLE D&O OREPA-Prévoyace

Plus en détail

Quand BÉBÉ VOYAGE. Guide pratique sur les précautions à prendre

Quand BÉBÉ VOYAGE. Guide pratique sur les précautions à prendre Quad BÉBÉ VOYAGE Guide pratique sur les précautios à predre Vous partez bietôt pour u log voyage avec votre jeue efat. Quelques précautios sot à predre avat, pedat le déplacemet et durat votre séjour.

Plus en détail

Terminale S. Terminale S 1 F. Laroche

Terminale S. Terminale S 1 F. Laroche Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM

Plus en détail

Le marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.

Le marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble. II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café

Plus en détail

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan

Plus en détail

LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE

LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE Qu est-ce que l Écoomie sociale et solidaire? Coopératives Etreprises sociales Scop Fiaceurs sociaux Scic CAE Mutuelles Coopératives d etreprises

Plus en détail

Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University

Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University Économétre 5 e édton Annexes : exercces et corrgés Wllam Greene New York Unversty Édton françase drgée par Dder Schlacther, IEP Pars, unversté Pars II Traducton : Stéphane Monjon, unversté Pars I Panthéon-Sorbonne

Plus en détail

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2 - robabltés - haptre : Introducton à la théore des probabltés.0 robablté vs statstque.... Expérence aléatore et espace échantllonnal.... Événement.... xomes défnton de probablté..... Quelques théorèmes

Plus en détail

Sommaire Chapitre 1 - L interface de Windows 7 9

Sommaire Chapitre 1 - L interface de Windows 7 9 Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18

Plus en détail

RECHERCHE DE CLIENTS simplifiée

RECHERCHE DE CLIENTS simplifiée RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées

Plus en détail

One Office Voice Pack Vos appels fixes et mobiles en un seul pack

One Office Voice Pack Vos appels fixes et mobiles en un seul pack Uique! Exteded Fleet Appels illimités vers les uméros Mobistar et les liges fixes! Oe Office Voice Pack Vos appels fixes et mobiles e u seul pack Commuiquez et travaillez e toute liberté Mobistar offre

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF 1 LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régme») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF AVIS AUX RETRAITÉS ET AUX PARTICIPANTS AVEC DROITS ACQUIS DIFFÉRÉS Expédteurs

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail