2 Variables aléatoires. PAES Faculté de Médecine P. et M. Curie V. Morice

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "2 Variables aléatoires. PAES Faculté de Médecine P. et M. Curie V. Morice"

Transcription

1 Probabilités et Biostatistique 2 Variables aléatoires Principales lois de probabilité PAES Faculté de Médecine P. et M. Curie V. Morice

2 Variable aléatoire Une variable aléatoire désigne la grandeur mesurée lors d'une expérience aléatoire Exemples : âge, couleur des yeux Résultats possibles de l'expérience valeurs possibles de la variable aléatoire Types de variables aléatoires Si résultats numériques (variable quantitative) V.a. continue : les valeurs couvrent ou un intervalle V.a. discrète : les valeurs sont discontinues ( ) Sinon (variable qualitative) V.a. ordinale : les valeurs sont ordonnées V.a. nominale ou catégorielle : valeurs sans ordre V. Morice - Biostatistique PAES 2

3 Fonction de répartition Soit X une v.a. quantitative On cherche une fonction définissant la probabilité de tout intervalle [a ; b] Soit l événement [X x] où x est un nombre Pr ([X x]) dépend de la valeur x F X (x) = F(x) = Pr ([X x]) = fonction de répartition de X V. Morice - Biostatistique PAES 3

4 Fonction de répartition : premières propriétés F X (- ) = 0 F X (+ ) = 1 a < b Pr ([X b]) = Pr ([X a]) + Pr ([a < X b]) car [X a] et [a < X b] = événements exclusifs F X (b) = F X (a) + Pr ([a < X b]) F X est monotone croissante On trace la courbe en cumulant les probabilités rencontrées lorsque x augmente Pr ([a < X b]) = F X (b) - F X (a) V. Morice - Biostatistique PAES 4

5 Fonction de répartition : exemple d une v.a. discrète Jet d une pièce : E = {p, f} ; Pr (p) = Pr (f) = ½ V.a. X : X(f) = 0 ; X(p) = 1 Fonction de répartition V. Morice - Biostatistique PAES 5

6 Fonction de répartition : exemple d une v.a. continue Appel téléphonique dans l intervalle [0,T] t=instantd appel appel : Pr (t1 t t2)=(t2-t1)/t t1)/t (t1 et t2 [0,T]) Fonction de répartition Si x<0, l appel n a pas eu lieu avant x : F(x) = 0 Si x >T, l appel a eu lieu avant x : F(x) = 1 Sinon F(x)=Pr (0 t x)= x/t V. Morice - Biostatistique PAES 6

7 Fonction de répartition : autres propriétés On sait Pr ([x - < X x]) = F X (x) - F X (x - ) Si x - x, Pr ([x - < X x]) Pr ([X = x]) Si X est une v.a. continue F X est continue (si x - x, F X (x - ) F X (x)) Pour tout x, Pr ([X = x]) = 0 Pr ([a X b]) = Pr ([a < X < b]) Si X est une v.a. discrète F X est discontinue X En chaque point x de discontinuité, la hauteur du saut (F X (x) - F X (x - ) lorsque x - x) est la probabilité de x V. Morice - Biostatistique PAES 7

8 v.a. discrète : distribution des probabilités V. Morice - Biostatistique PAES 8

9 v.a. continue : densité de probabilité Densité de probabilité f X( x) = f( x) = dfx( x) dx Fonction de répartition FX ( x ) = x fx( t)dt Pr ([a X b]) = F X (b) F X (a) = b a f ( x)dx X f(x) 0 (F croissante) f(x)dx=pr ([x X x+dx]) f(x)dx Pr ([X=x]) - f( x)dx = 1 V. Morice - Biostatistique PAES 9

10 Pour définir une v.a. Définition de la Tableau des loi de proba p i =Pr (X=x i ) v.a. discrète v.a. continue ou qualitative Propriétés p i 0 f(x) 0 n p = = 1 i 1 x)dx 1 i Uniquement si quantitative : F(x) = p xi x i Densité de proba f(x) b Pr([a X b]) = f( x)dx= f( = x a F( x ) = x f(t)dt t t F(b)-F(a) f(x)dx =Pr (x X x+dx) f(x)dx Pr (X=x) V. Morice - Biostatistique PAES 10

11 Espérance mathématique [variable quantitative] Moyenne au niveau de la population Notation E(X) = μ X = μ Calcul : somme de toutes les valeurs pondérées par leur probabilité V.a. discrète : E( X) = i n 1xip i V.a. continue : = E( X ) )d = x f( x x V. Morice - Biostatistique PAES 11

12 Espérance mathématique : propriétés Soient des v.a. X et Y et des constantes a, b, c E(c) = c E(X+c) = E(X)+c Démonstration du cas discret : Y=X+cY X a pour valeurs y i =xx i +c E(X+c) = E(Y) = y i Pr (Y=y i ) = (x i +c)pr (Y=y i ) Or Pr (Y=y i ) = Pr (X+c=x i +c) = Pr (X = x i ) = p i Donc E(X+c) = (x( i +c)p i = x i p i + c pp i = E(X)+c Plus généralement si Y=g(X), on a y i Pr (Y=y i ) = g(x i )p i Si c = -E(X) E(X -E(X)) = E(X) - E(X) = 0 Une v.a. despérance d espérance nulle est dite centrée E(aX) = ae(x) E(X +Y) =E(X) +E(Y) V. Morice - Biostatistique PAES 12

13 Variance (et écart-type) [variable quantitative] Variance = mesure de la variabilité autour de l espérance Notation var(x) =σσ 2 2 X = σ Définition var(x) = E[(X -E(X)) 2 ] On ne peut utiliser E[X -E(X)] qui est nul Calcul X = i n = 1 V.a. discrète var( ) ( xi-e( X)) 2 p V.a. continue var( X ) - ( x-e( X)) f( x)dx = 2 Autre définition iti var(x) = E(X 2 ) -E(X) 2 Car E[(X -E(X)) 2 ] = E[X 2-2X E(X)+E(X) 2 ] = E(X 2 )-2E(X)E(X)+E(X) 2 = E(X 2 ) -E(X) 2 Calcul n V.a. discrète var( X) x p-e( X) 2 i i i n ( = =1 V.a. continue var( X) = x f( x)dx-e( X ) Ecart-type type = σ X = σ = var(x ) i V. Morice - Biostatistique PAES 13

14 Variance : propriétés Var(X) 0 (somme de carrés) Variance nulle pour une constante. Variance faible pour une variable peu dispersée Si X possède une unité E(X) et σ ont tla même unité Var(X) a cette unité au carré Si c est une constante Var(c) = 0 Var(X +c) = var(x) Var(c X) = c 2 var(x) Var(X +Y) =? V. Morice - Biostatistique PAES 14

15 Loi de 2 variables discrètes ou qualitatives X et Y, deux v.a. discrètes ou qualitatives mesurables sur les mêmes individus E X = {x 1, x 2,, x n } ; E y = {y 1, y 2,, y m } Exemple : X =sexe (x 1 =H ; x 2 =F) Y =CSP (y 1 =agriculteur ; y 2 =ouvrier ; ; y m =retraité) Pour parler simultanément de X et Y, Y il faut considérer l espace produit : E X E y = {(x 1,y 1 ), (x 1,y 2 ),, (x 1,y m ),, (x n,y m )} On doit se donner les probabilités de chaque couple : Pr ([X = x i ] [Y = y j ]) = p xi,yj V. Morice - Biostatistique PAES 15

16 Loi de 2 variables discrètes : tableau des probabilités X \ Y y 1 y 2 y m y x 1 p x1,y11 1 p x1,y2 1 2 p x1,ym1 p x11 x 2 p x2,y1 p x2,y2 p x2,ym p x2 x n p xn,y1 p xn,y2 p xn,ym p xn x p y1 p y2 p ym 1 p xi,yj = Pr ([X = x i ] [Y = y j ]) p xi = p xi,yj ; p yj = p xi,yj p x et p y sont souvent appelées lois marginales Ce sont les lois des variables X et Y indépendamment l une de l autre V. Morice - Biostatistique PAES 16

17 Covariance et corrélation [variables quantitatives] Var(X+Y) = E[((X+Y)-(μ X +μ Y )) 2 ] = E[((X -μ X )+(Y -μ Y )) 2 ] = E[(X -μ X ) 2 +(Y -μ Y ) 2 +2(X -μ X )(Y -μ Y )] = σ X2 + σ Y2 +2cov(X,Y) Première définition : cov(x,y) = E[(X -μ X )(Y -μ Y )] Seconde définition : cov(x,y) = E(XY)-μ X μ Y = E(XY)-E(X)E(Y) car E[(X -μ )(Y -μ )] = E(XY-μ Y-Xμ +μ μ )=E(XY)-μ μ -μ μ +μ μ car E[(X -μ X )(Y -μ Y )] = E(XY-μ X Y-Xμ Y +μ X μ Y ) = E(XY)-μ X μ Y -μ X μ Y +μ X μ Y Calculs pour deux variables discrètes : cov(x,y) = i,j (x i -μ X )(y j -μ Y ) p xi,yj cov(x,y) = i,j x i y j p xi,yj - μ X μ Y La covariance est une mesure de l intensité de la liaison linéaire entre deux variables cov( X, Y) Corrélation ρ XY = σ Xσ Y La corrélation est toujours entre -11 et 1 V. Morice - Biostatistique PAES 17

18 Indépendance de deux variables aléatoires X et Y quantitatives sont indépendantes si et seulement si les événements [X x] et[y y] sont indépendants pour tout x et tout y Pr ([X x] [Y ] [ y]) = Pr ([X x])pr ([Y y]) F XY (x,y) = F X (x)f Y (y) où F X et F Y sont les fonctions de répartition de X et de Y, et F XY est la fonction de répartition du couple X, Y (définition) Si X et Y sont des v.a. discrètes ou qualitatives, l indépendance peut s écrire (pour tout x i et tout y j ) Pr ([X = x i ] [Y = y j ]) = Pr ([X = x i ])Pr ([Y = y j ]) p xi,yj = p xi p yj V. Morice - Biostatistique PAES 18

19 Conséquences de l indépendance de 2 variables quantitatives Si X et Y sont indépendantes, alors : cov(x, Y) =0etρ ρ XY =0 var(x + Y) = var(x ) + var(y) E(XY) = E(X)E(Y) car cov(x, Y) = E(XY) - E(X)E(Y) La réciproque est fausse V. Morice - Biostatistique PAES 19

20 Loi normale N(μ ; σ 2 ) Loi continue la plus importante 1 1 ( x μ ) 2 Densité : f( x) = e 2 σ2 E(X) = μ σ 2π var(x) = σ 2 (donc σ > 0) Si X et Y sont N et indépendantes, alors ax+by est N Cas particulier N(0 ; 1) Loi centrée (μ = 0) et réduite (σ = 1) 2 1 x f( x) = e 2 2π V. Morice - Biostatistique PAES 20

21 Allure de la loi N(0 ; 1) Courbe de la densité Surface sous la courbe = 1 Loi symétrique Axedesymétrie=espérance espérance Maximum sur l axe de symétrie Ecart-type = distance entre axe de symétrie et point d inflexion dinflexion V. Morice - Biostatistique PAES 21

22 Loi N(0 ; 1) et probabilités Probabilité d un intervalle = surface sous la courbe Pr (0,5 X 2) = 0,312 = surface grisée Calcul = intégration de f(x)??? Des tables numériques donnent les résultats Pr (-2 X 2) 0,95 V. Morice - Biostatistique PAES 22

23 Loi N(μ ; σ 2 ) : influence de μ σ = 1 pour les 3 courbes L allure de la courbe se conserve si on change de moyenne Il s agit d un simple décalage V. Morice - Biostatistique PAES 23

24 Loi N(μ ; σ 2 ) : influence de σ μ = 0 pour les 3 courbes La courbe s aplatit si σ Elle se resserre si σ Le maximum sajuste s ajuste pour que la surface = 1 Le maximum peut dépasser 1 V. Morice - Biostatistique PAES 24

25 Loi N(μ ; σ 2 ) et probabilités Soit X N(μ ; σ 2 ). On cherche Pr (a X b) Seule N(0 ; 1) est tabulée X μ Mais Y = N( 0;1) σ On va centrer et réduire pour obtenir la probabilité bilité a -μ X -μ b -μ Pr( a X b) = Pr( ) σ σ σ Posons c = a - μ et σ d = b - μ σ Alors Pr (a X b) = Pr (c Y d) La probabilité sur Y se lit dans la table de la loi normale centrée réduite V. Morice - Biostatistique PAES 25

26 Loi du «chi-deux» χ 2 (n) Famille de lois dérivées de N(0 ; 1) Si X 1 N(0 ; 1), alors X = X 12 χ 2 (1) Si X 1, X 2,,X X n N(0 ; 1) et sont indépendantes, alors X = X 12 + X X n2 χ 2 (n) n est le nombre de degrés de liberté (ddl) X 0 E(X) = n, var(x) = 2n La probabilité d un intervalle est donnée par une table (qui dépend du ddl) V. Morice - Biostatistique PAES 26

27 Allure de la loi du χ 2 Exemples avec un ddl n = 1, 2, et 8 Courbes = densités de probabilité Si n > 2, la courbe présente un maximum en n 2 Si n augmente, la courbe se rapproche d une loi normale V. Morice - Biostatistique PAES 27

28 Loi de Bernoulli Base des lois discrètes ou qualitatives Expérience à deux résultats possibles succès et échec Variable de Bernoulli : X(échec) = 0, X(succès) = 1 Pr (succès) = Pr ([X = 1]) = Π Pr (échec) = Pr ([X = 0]) = 1 Π E(X) = Π 1 + (1 - Π) 0 = Π var(x) = E(X 2 ) E(X) 2 E(X 2 ) = Π (1 - Π) 0 2 = Π var(x) = Π - Π 2 = Π(1 - Π) V. Morice - Biostatistique PAES 28

29 Loi binomiale B(n, Π) Construite sur n expériences de Bernoulli indépendantes (Π ne change pas entre les épreuves) La variable X est le nombre de succès parmi les n expériences (valeur entre 0 et n) La probabilité d avoir exactement k succès est ( ) Πk( Π) n k = n! Πk( Π) Pr( X = k) = 1 1 n k k n k!( n k)! ( ) k n est le nombre de manières d obtenir k succès parmi n Π k (1-Π) n-k est la probabilité d en obtenir une E(X) = nπ ; var(x) = nπ(1-( Π) ) V. Morice - Biostatistique PAES 29

30 Loi de Poisson Loi concernant la réalisation d événements Faiblement probables (loi des événements rares) Indépendants Exemples : accidents, files d attente, ruptures de stock La variable X est le nombre de réalisations de l événement La loi dépend d un paramètre λ (λ > 0) La probabilité davoir d avoir k réalisations de l événement rare est k Pr( X= k) = e -λλ k! Le nombre k de réalisations varie entre 0 et ( loi binomiale) i λ E(X) = λ ; var(x) = λ ; Pr(X=0) = e Si X 1 Poisson(λ 1 ), X 2 Poisson(λ 2 ), X 1 et X 2 indépendantes, alors X=X 1 +X 2 Poisson(λ 1 +λ 2 ) V. Morice - Biostatistique PAES 30

31 Approximations d une loi binomiale B(n, Π) X B(n, Π) Approximation par une loi normale Conditions : nπ 5 et n(1-π) 5 Variable pour l approximation Y N(nΠ ; nπ(1- Π)) On a Pr ([X=k]) Pr ([k - 0,5 Y k + 0,5]) Les probabilités Pr([Y <0]) et Pr ([Y > n]) sont faibles, mais non nulles Approximation par une loi de Poisson Conditions : Π < 0,1 et n 50 Variable pour l approximation Y Poisson(λ = nπ) On a Pr ([X=k]) Pr ([Y=k]) La probabilité bilité Pr ([Y > n]) est faible, mais non nulle V. Morice - Biostatistique PAES 31

32 Approximation d une loi de poisson par une loi normale X Poisson(λ) Conditions : λ > 25 Variable pour l approximation Y N(λ ; λ) On a Pr ([X=k]) Pr ([k -0,5 Y k + 0,5]) V. Morice - Biostatistique PAES 32

33 Loi de Poisson et risque sanitaire pas encore observé Après prescriptions d'un nouveau médicament, pas d'effet indésirable Que se passera-t-il après prescriptions? Π = risque individuel d'effet indésirable, inconnu mais faible Sur n individus, si X est le nombre d'effets indésirables observés, X B(n, Π) Π faible, n grand : X Poisson(λ = nπ) Pr(X=0) = e -λ = e -nπ ( ) V. Morice - Biostatistique PAES 33

34 Loi de Poisson et risque sanitaire pas encore observé (2) Que peut-on dire de Π qui soit compatible avec la non observation d'effet indésirable sur n individus? Règle : il n'est pas raisonnable d'imaginer ne pas observer d'effet indésirable si la probabilité de cette non observation est inférieure à 5% Si X=0 sur n individus, id Pr(X=0)= e -nπ 0, nπ 3 Π 3/n La non observation d'effet indésirable sur n individus est compatible avec un risque individuel Π 3/n Si n=10000 prescriptions sans effet indésirable, et Π=3/n= Avec de prescriptions on s'attend à 300 effets indésirables Ce qui est énorme V. Morice - Biostatistique PAES 34

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES Chapitre 3 VARIABLES ALEATOIRES A DEFINITION ET CARACTERISTIQUES DES VARIABLES ALEATOIRES Première approche Soit une épreuve dont les résultats possibles sont des valeurs numériques ; un exemple immédiat

Plus en détail

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω.

Variables aléatoires discrètes. Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. Variables aléatoires discrètes I. Définitions 1. Définition d une variable aléatoire : Soit une expérience aléatoire à laquelle est associé l ensemble des issues Ω. On appelle variable aléatoire et on

Plus en détail

Variables Aléatoires Continues

Variables Aléatoires Continues Novembre 2010 Plan du Chapitre 1. Généralités 2. Variables Continues Usuelles 3. Espérance et Variance 4. Couple de Variables Aléatoires 5. Covariance et Corrélation 6. Autres Variables Continues Usuelles

Plus en détail

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins

Lois usuelles. Michaël Genin. Université de Lille 2. EA Santé Publique : Epidémiologie et Qualité des soins Lois usuelles Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Exemple introductif Michaël Genin (Université de Lille

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

STATISTIQUE. I) Rappels. A/ Définitions

STATISTIQUE. I) Rappels. A/ Définitions UE11 BIOMEDECINE QUANTITATIVE STATISTIQUE FICHE 1 MODELISATION I) Rappels A/ Définitions Une variable aléatoire est un phénomène aléatoire X auquel on s intéresse dans une population. On ne peut pas le

Plus en détail

Chapitre 6 Couples et suites de variables aléatoires discrètes

Chapitre 6 Couples et suites de variables aléatoires discrètes Mr Dunstetter - ENC-Bessières 204\205 Chapitre Couples et suites de variables aléatoires discrètes I Couples de variables aléatoires discrètes : dénitions Dans toute cette partie, on considère X et Y deux

Plus en détail

Variables aléatoires continues et loi normale

Variables aléatoires continues et loi normale Variables aléatoires continues et loi normale H. Hocquard HSE 2016-2017 Hervé Hocquard Variables aléatoires continues et loi normale 1/35 Variable alétoire continue Définition Une variable aléatoire est

Plus en détail

Statistique décisionnelle

Statistique décisionnelle Statistique décisionnelle Eugen Ursu Université Bordeaux IV E.Ursu (Université Bordeaux IV) L2S3 3 octobre 2012 1 / 36 Chapitre 2 : Variables aléatoires réelles 1 Introduction 2 Loi d une variable aléatoire

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

Couples de variables aléatoires réelles

Couples de variables aléatoires réelles Couples de variables aléatoires réelles Table des matières 1 Définition d un couple de variables aléatoires. 2 2 Loi d un couple de variables aléatoires réelles. 2 3 Indépendance de deux variables aléatoires.

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

Chapitre 6 Couples et suites de variables aléatoires discrètes

Chapitre 6 Couples et suites de variables aléatoires discrètes Chapitre 6 Couples et suites de variables aléatoires discrètes I Couples de variables aléatoires réelles discrètes Dans toute cette partie, on considère X et Y deux variables aléatoires réelles discrètes

Plus en détail

Corrélation - Régression

Corrélation - Régression Corrélation - Régression Biostatistiques Erik A. Sauleau - Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg 23 Mars 2011 Plan 1 Introduction 2 Le coefficient

Plus en détail

Révision MAT1978. P (X = 0) = 1 p = q P (X = 1) = p, E(X) = p V ar(x) = p(1 p). ϕ(t) = q + pe t.

Révision MAT1978. P (X = 0) = 1 p = q P (X = 1) = p, E(X) = p V ar(x) = p(1 p). ϕ(t) = q + pe t. Révision MAT978 Chapitre 5. lois Bernoulli et binomiale Une épreuve de Bernoulli(p consiste à observer un succès ou un échec selon les probabilités où 0 p. La moyenne et la variance sont P (X = 0 = p =

Plus en détail

COURS DE STATISTIQUE DEFINITIONS ET PROPRIETES DES PRINCIPALES LOIS UNIDIMENSIONNELLES

COURS DE STATISTIQUE DEFINITIONS ET PROPRIETES DES PRINCIPALES LOIS UNIDIMENSIONNELLES Université Paris Magistère d Economie - ère année COURS DE STATISTIQUE DEFINITIONS ET PROPRIETES DES PRINCIPALES LOIS UNIDIMENSIONNELLES Convention : Si la variable aléatoire (v.a.) X suit la loi L, on

Plus en détail

UV Statistique pour l'ingénieur. Cours n 1. Introduction. Rappels de probabilités. Variables aléatoires

UV Statistique pour l'ingénieur. Cours n 1. Introduction. Rappels de probabilités. Variables aléatoires UV Statistique pour l'ingénieur Cours n 1 Introduction Rappels de probabilités Variables aléatoires Principales lois discrètes et distributions continues 1 Objectif : Statistique pour l'ingénieur Prise

Plus en détail

Mathématiques Statistiques

Mathématiques Statistiques IUT de Mesures Physiques de Caen DUT ème année Mathématiques Statistiques Corrigé Travaux Dirigés Feuille 4 Sujet : Loi du χ, estimation de la variance d une population. Exercice 1 : Rappel de cours sur

Plus en détail

Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation

Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation Julien JACQUES Université Lumière Lyon 2 1 / 64 Plan Notions de probabilités Statistiques descriptives Estimation

Plus en détail

Cours de Biostatistique

Cours de Biostatistique Cours de Biostatistique Benjamin BIRENE Responsable Matière Biostatistique Association du Tutorat de PSA Samedi 5 Mars 2011 Qu est-ce qu on va faire pendant tout ce temps?! Vous donner quelques trucs Revenir

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

CHAPITRE 3 : LES VARIABLES ALÉATOIRES

CHAPITRE 3 : LES VARIABLES ALÉATOIRES CHAPITRE 3 : LES VARIABLES ALÉATOIRES Introduction Variable aléatoire X est une application permettant d associer un nombre réel à toute éventualité. On note X(Ω) l ensemble de toutes les valeurs que peut

Plus en détail

Variables aléatoires continues

Variables aléatoires continues BTS DOMOTIQUE Variables aléatoires continues 8 Variables aléatoires continues Table des matières I Variable aléatoire continue I. Notion de variable aléatoire continue................................ I.

Plus en détail

Cours N 4 : La loi Normale

Cours N 4 : La loi Normale I. Définition Cours N 4 : La loi Normale La loi normale, ou loi de Laplace-Gauss, ou loi de Gauss, de paramètre σ et µ,est définie sur R par la densité de probabilité suivante : Avec : f x = 1 σ 2π exp[

Plus en détail

Résumé du cours de probabilité Deuxième partie

Résumé du cours de probabilité Deuxième partie Université de Paris X Nanterre U.F.R. Segmi Année 25-26 Licence Economie-Gestion deuxième année Résumé du cours de probabilité Deuxième partie 6 Lois à densité Définition 1. Soit f : R R + une application

Plus en détail

Variables aléatoires réelles

Variables aléatoires réelles 23 Variables aléatoires réelles Pour ce paragraphe, (Ω, B, P est un espace probabilisé. 23.1 Définition et propriétés des variables aléatoires réelles Définition 23.1 On dit qu une application X : Ω R

Plus en détail

1. Introduction. 1.1 Objectifs. 2 caractères. Pour chaque individu : 120 un couple (x, y) de valeurs 100. Série de données : 80

1. Introduction. 1.1 Objectifs. 2 caractères. Pour chaque individu : 120 un couple (x, y) de valeurs 100. Série de données : 80 1.1 Objectifs 1. Introduction Y: recette (k ) Etude 150? 2 caractères Pour chaque individu : 120 un couple (x, y) de valeurs 100 Série de données : 80 2 variables 3 5 10 12 X: dépense (k ) Xet Ysont-elles

Plus en détail

Probabilités et Statistiques 2

Probabilités et Statistiques 2 Probabilités et Statistiques 2 M. BOUTAHAR 1.Loi de probabilité discrète 1. Variables aléatoires Définitions Soit Ω un espace (ou ensemble), soit F une famille de sous-ensembles de Ω. Definition On dit

Plus en détail

Espérance, variance ; loi faible des grands nombres

Espérance, variance ; loi faible des grands nombres 49 Espérance, variance ; loi faible des grands nombres Pour ce chapitre, (Ω, B, P) est un espace probabilisé et X une variable aléatoire à valeurs réelles positives (i. e. une application de Ω dans R +

Plus en détail

Statistique. Suivez le Guide. Brice Franke. Département de Mathématique Université de Bretagne Occidentale Brest

Statistique. Suivez le Guide. Brice Franke. Département de Mathématique Université de Bretagne Occidentale Brest Suivez le Guide Département de Mathématique Université de Bretagne Occidentale 29200 Brest 1. Introduction au language probabilitste tout résultat scientifique doit être reproductible ceci nécessite l

Plus en détail

Loi normale. I) Loi Normale N(0 ; 1) 1) Définition. 2) Théorème 1

Loi normale. I) Loi Normale N(0 ; 1) 1) Définition. 2) Théorème 1 Loi normale I) Loi Normale N(0 ; 1) 1) Définition Soit X une variable aléatoire à valeurs réelles. On dit qu elle suit la loi normale centrée réduite N(0 ; 1) si elle admet pour densité la fonction ϕ définie

Plus en détail

MAPSI cours 1 : Rappels de probabilités et statistiques

MAPSI cours 1 : Rappels de probabilités et statistiques MAPSI cours 1 : Rappels de probabilités et statistiques Vincent Guigue LIP6 Université Paris 6, France Buts de l UE MAPSI cours 1 : Rappels de probabilités et statistiques 2/39 Fonctionnement de l UE Rappels

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

Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation

Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation Statistique élémentaire avec R Partie 1 : Probabilités, Statistiques Descriptives, Estimation Julien JACQUES Université Lumière Lyon 2 1/64 Plan Notions de probabilités Statistiques descriptives Estimation

Plus en détail

I. Variable aléatoire discrète

I. Variable aléatoire discrète I. Variable aléatoire discrète a. Epreuve de Bernoulli Définition : Une épreuve de Bernoulli est une expérience aléatoire à deux issues : pile ou face, oui ou non, gagner ou perdre, etc. On notera S le

Plus en détail

LE RESUME de «probabilités et statistiques» Rédigé par : Kevin BARZA. 1 ere CE Semestre MES i Kevin BARZA

LE RESUME de «probabilités et statistiques» Rédigé par : Kevin BARZA. 1 ere CE Semestre MES i Kevin BARZA LE RESUME de «probabilités et statistiques» Rédigé par : Kevin BARZA 1 ere CE Semestre 015-016 MES i Kevin BARZA MES i Kevin BARZA Sommaire Sommaire réduit Chapitre 1 : Dénombrement..1 Chapitre : Calculs

Plus en détail

Eléments de Statistique Chapitre 5 : Tests statistiques élémentaires

Eléments de Statistique Chapitre 5 : Tests statistiques élémentaires Eléments de Statistique Chapitre 5 : statistiques élémentaires INSA de Toulouse - 3ICBE Statistique problématique et exemple Généralités sur les tests Décision Objectif Question : Des différences entre

Plus en détail

Paul Lescot 26 Mars 2009

Paul Lescot 26 Mars 2009 RÉSUMÉ DES FORMULES RELATIVES AUX LOIS DE PROBABILITÉ USUELLES Paul Lescot 6 Mars 009 1.Préliminaires Lorsque la variable aléatoire X suit une loi discrète, les valeurs possibles de X étant a 1,...a k,...

Plus en détail

De la loi binomiale à la loi normale

De la loi binomiale à la loi normale ) De B (n, p) à N (m, v) De la loi binomiale à la loi normale.a] Premier exemple : de B (6 ; ) à N (8 ; 4) Soit Y suivant la loi binomiale B(6 ; ) de paramètres n = 6 et p =. Espérance m = n p = 8, variance

Plus en détail

PROBABILITES LOIS DES PROBABILITÉS. Benchikh Tawfik. 26 Octobre Faculté de Médecine, UDL, SBA 1 ère année CD BENCHIKH TAWFIK BIOSTATISTIQUE

PROBABILITES LOIS DES PROBABILITÉS. Benchikh Tawfik. 26 Octobre Faculté de Médecine, UDL, SBA 1 ère année CD BENCHIKH TAWFIK BIOSTATISTIQUE PROBABILITES LOIS DES PROBABILITÉS Benchikh Tawfik Faculté de Médecine, UDL, SBA 1 ère année CD 26 Octobre 2016 BENCHIKH TAWFIK BIOSTATISTIQUE PLAN DE COURS 1 LOIS DE PROBABILITÉ CONTINUES: LOI NORMALE

Plus en détail

Probabilités et Statistiques - M115

Probabilités et Statistiques - M115 Probabilités et Statistiques - fournie@mip.ups-tlse.fr 1/60 Définitions ("intuitives") Représentation Caractéristiques de position Population ensemble de référence (unités observées) Echantillon sous ensemble

Plus en détail

3 Variables aléatoires et distributions des probabilités

3 Variables aléatoires et distributions des probabilités 3 Variables aléatoires et distributions des probabilités 3.1 Variables aléatoires Après avoir réalisé une expérience, il arrive bien souvent qu on s intéresse plus à une fonction de résultat qu au résultat

Plus en détail

Lois de probabilités continues

Lois de probabilités continues Lois de probabilités continues Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg décembre 2010 Plan 1 Introduction 2 Loi de Gauss 3 Loi de Student

Plus en détail

Plan du cours. Séries bivariées

Plan du cours. Séries bivariées Plan du cours 1. Introduction 2. Statistique descriptive séries univariées 3. Calcul des probabilités 4. Variables aléatoires et lois de probabilité 5. Arbres de décision 6. Statistique descriptive séries

Plus en détail

Variables aléatoires Lois de probabilités discrètes et continues

Variables aléatoires Lois de probabilités discrètes et continues Variables aléatoires Lois de probabilités discrètes et continues On distingue 2 types de variables aléatoires : Les variables aléatoires discrètes Elles suivent des lois de probabilité DISCRETES : - Loi

Plus en détail

Corrigé des exercices de la feuille n o 5. 0 = Cov(2X + Y, X 3Y ) = 2Var(X) 3Var(Y ) 5Cov(X, Y ),

Corrigé des exercices de la feuille n o 5. 0 = Cov(2X + Y, X 3Y ) = 2Var(X) 3Var(Y ) 5Cov(X, Y ), Université Pierre et Marie Curie L3 - Mathématiques Année 3-4 Probabilités - LM39 Corrigé des exercices de la feuille n o 5 Exercice Puisque X et Y sont centrés, les données de l énoncé entraînent que

Plus en détail

Estimation et Intervalle de Confiance

Estimation et Intervalle de Confiance Estimation et Intervalle de Confiance Jean-Jacques Daudin AgroParisTech October 26, 2011 Document disponible sur http://www.agroparistech.fr/mmip/tice/mathematiques/ J.J. Daudin () Estimation et Intervalle

Plus en détail

Estimation et intervalle de confiance

Estimation et intervalle de confiance Estimation et intervalle de confiance S. Robin robin@agroparistech.fr AgroParisTech, dépt. MMIP 8 octobre 2007 A lire : Chapitre 3 Estimation de paramètre du livre Statistique Inférentielle, Daudin, R.,

Plus en détail

Variables aléatoires discrètes

Variables aléatoires discrètes Université de Reims Champagne Ardenne UFR Sciences Exactes et Naturelles Année universitaire 013-014 MA 0804 - Master 1 CM Variables aléatoires discrètes 1 Dénition Soit Ω un univers et S une tribu sur

Plus en détail

Probabilités. Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n.

Probabilités. Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n. Probabilités Pour une expérience aléatoire, la probabilité p de l événement A se défini comme f a p(a) = lim n n. Le nombre de permutations de n éléments distincts est p e = n! = n 1 i=0 (n i) = n (n 1)

Plus en détail

Tome 2 Les probabilités continues

Tome 2 Les probabilités continues Tome 2 Les probabilités continues Chapitre 10 Introduction aux probabilités continues Rappel Définition Une variable aléatoire est une fonction d un espace de probabilité Ω vers R, X : Ω R Si X peut prendre

Plus en détail

Chapitre 9. Analyse de la variance

Chapitre 9. Analyse de la variance 1 Chapitre 9. Analyse de la variance Dans ce chapitre nous étudions comment l analyse de la variance de Y permet de tester l égalité des moyennes conditionnelles de cette variable numérique dans les sous-populations

Plus en détail

Notions de base de probabilité

Notions de base de probabilité Probabilités pour tous prépa agreg Orsay Notions de base de probabilité La première partie de ce poly explique brièvement pourquoi on modélise les probabilités de cette façon. La deuxième partie rappelle

Plus en détail

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ Chapitre 8 : COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ ECS2 Lycée La Bruyère, Versailles Année 2015/2016 1 Généralités sur les variables aléatoires réelles 2 1.1 Généralités.............................................

Plus en détail

Lecture des différentes tables statistiques du PACES

Lecture des différentes tables statistiques du PACES Lecture des différentes tables statistiques du PACES Table de la loi normale centrée réduite Il s agit d une tabulation de la fonction de répartition de la LNCR (0,1). Elle fait correspondre à une valeur

Plus en détail

Statistiques - Ajustement de courbes

Statistiques - Ajustement de courbes Statistiques - Ajustement de courbes 1 Rappels de Statistiques 1.1 Moyenne, variance, écart-type Soit une série statistique : x 1, x 2, x n (n valeurs) Moyenne x = 1 n x i n i=1 Somme des carrés des écarts

Plus en détail

Chapitre 14 Vecteurs gaussiens

Chapitre 14 Vecteurs gaussiens Chapitre 14 Vecteurs gaussiens Rappels Un vecteur aléatoire est une application de Ω dans R n : X : Ω R n ω X 1 ω,, X n ω où chaque composante est une variable aléatoire sur Ω On a alors F X x 1,, x n

Plus en détail

Tests non-paramétriques

Tests non-paramétriques Tests non-paramétriques Michaël Genin Université de Lille EA 694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lillefr Plan 1 Introduction Comparaison de K = échantillons indépendants

Plus en détail

Sommes de variables aléatoires indépendantes.

Sommes de variables aléatoires indépendantes. Université Pierre et Marie Curie 03-04 Probabilités et statistiques - LM345 Feuille 7 (semaine du 8 au 3 octobre Sommes de variables aléatoires indépendantes.. Indépendance d événements et de variables

Plus en détail

Chapitre 13 Loi des Grands Nombres et Théorème Central Limite

Chapitre 13 Loi des Grands Nombres et Théorème Central Limite Chapitre 13 Loi des Grands Nombres et Théorème Central Limite La Loi des Grands Nombres Abordons maintenant le premier théorème fondamental des probabilités. On a vu précédemment que la proba d un certain

Plus en détail

SY01 - Éléments de probabilités

SY01 - Éléments de probabilités SY01 - Éléments de probabilités Chapitre 4 - Variables aléatoires vectorielles Équipe de mathématiques appliquées UTC Automne 2010 suivant Chapitre V Variables aléatoires vectorielles V.1 Couple de variables

Plus en détail

Statistique et Informatique (LI323) Cours 4

Statistique et Informatique (LI323) Cours 4 Statistique et Informatique (LI323) Cours 4 Nicolas Baskiotis nicolas.baskiotis@lip6.fr Université Pierre et Marie Curie (UPMC) Laboratoire d Informatique de Paris 6 (LIP6) auteurs: N. Baskiotis, M.R.

Plus en détail

Reconnaissance de forme: Rappels de probabilités et de statistiques

Reconnaissance de forme: Rappels de probabilités et de statistiques Reconnaissance de forme: Rappels de probabilités et de statistiques 1 er février 2010 Plan 1 Introduction : pourquoi des probabilités? 2 Notions de probabilités 3 Statistiques et estimation Introduction

Plus en détail

Lois et distributions de probabilité

Lois et distributions de probabilité Lois et distributions de probabilité F-Z Meski 1 Objectifs Comprendre le concept des probabilités; Calculer la probabilité d un événement; Identifier les principales lois de probabilités; Calculer la probabilité

Plus en détail

EPREUVE DE MATHEMATIQUES GROUPEMENT B

EPREUVE DE MATHEMATIQUES GROUPEMENT B BTS SESSION 20 EPREUVE DE MATHEMATIQUES GROUPEMENT B EPREUVE DE MATHEMATIQUES GROUPEMENT B Exercice : 2 points Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution

Plus en détail

Statistique pour ingénieur

Statistique pour ingénieur Tables statistiques Statistique pour ingénieur Statistique pour ingénieur Tables statistiques F. Delacroix & M. Lecomte, 23 février 2016 Introduction Dans les pages qui suivent nous proposons quelques

Plus en détail

Rappel sur les concepts de base de statistiques et statistiques descriptives

Rappel sur les concepts de base de statistiques et statistiques descriptives Rappel sur les concepts de base de statistiques et statistiques descriptives Atelier de formation à l'analyse des données pour l'estimation des stocks de carbone forestier, 30 juin4 juillet 2014, Yaoundé

Plus en détail

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ

COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ Chapitre 8 : COMPLÉMENTS SUR LES VARIABLES ALÉATOIRES RÉELLES, VARIABLES À DENSITÉ ECS2 Lycée La Bruyère, Versailles Année 2013/2014 1 Généralités sur les variables aléatoires réelles 2 1.1 Généralités.............................................

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

Mini-Glossaire de Statistique Descriptive - Jean VAILLANT

Mini-Glossaire de Statistique Descriptive - Jean VAILLANT Mini-Glossaire de Statistique Descriptive - Jean VAILLANT Amplitude d une classe (ou d un intervalle) : C est la longueur de l intervalle. L amplitude de la classe ]a i 1 ; a i ] est a i a i 1. Exemple

Plus en détail

Leçons d analyse et probabilités

Leçons d analyse et probabilités Leçons d analyse et probabilités 201 : Étude de suites numériques définies par différents types de récurrence. Applications. 202 : Séries à termes réels positifs. Applications. 203 : Séries à termes réels

Plus en détail

:"moins de 7" ; E 2. :"de 7 à 10" ; E 3 E 3

:moins de 7 ; E 2. :de 7 à 10 ; E 3 E 3 1.1 Rappels événements : gain X( ) : objets : expérience : 1. Lois discrètes deux dés les lancer, puis noter le total univers : Ω= {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} partition de Ω: E 1 :"moins de 7"

Plus en détail

7. Loi normale et théorème central limite

7. Loi normale et théorème central limite 7. Loi normale et théorème central limite MTH2302D S. Le Digabel, École Polytechnique de Montréal A2016 (v1) MTH2302D: loi normale 1/35 Plan 1. Loi normale 2. Loi normale centrée réduite 3. Approximation

Plus en détail

Tests statistiques. Définitions et principes généraux des tests statistiques

Tests statistiques. Définitions et principes généraux des tests statistiques Tests statistiques Définitions et principes généraux des tests statistiques Présentation générale Un test d hypothèse est une règle de décision. La décision est un pari et comporte toujours des risques

Plus en détail

Chapitre 3. Séries statistiques bivariées.

Chapitre 3. Séries statistiques bivariées. Chapitre 3. Séries statistiques bivariées nicolas.chenavier@lmpa.univ-littoral.fr Exemple introductif 1 On considère un nombre n d individus (en pratique, n est grand) faisant intervenir exactement deux

Plus en détail

UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé

UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé UE 4 : Évaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé BIOMATHÉMATIQUES I. Les unités de bases du SI (système international) II. Les 5 M III. Étude d une fonction IV.

Plus en détail

Couples et vecteurs de variables aléatoires Préparation à l agrégation interne

Couples et vecteurs de variables aléatoires Préparation à l agrégation interne Couples et vecteurs de variables aléatoires Préparation à l agrégation interne 1 Couples et vecteurs aléatoires discrets 1.1 Loi conjointe On se donne X et Y deux variables aléatoires discrètes avec X(Ω)

Plus en détail

1 Couple de variables aléatoires discrètes

1 Couple de variables aléatoires discrètes Université de Reims Champagne Ardenne UFR Sciences Exactes et Naturelles Année universitaire 3-4 MA 84 - Master CM4 Couple de variables aléatoires, indépendance Couple de variables aléatoires discrètes.

Plus en détail

C- Liaison entre deux variables statistiques

C- Liaison entre deux variables statistiques C- Liaison entre deux variables statistiques 1- liaison entre 2 variables quantitatives 2- liaison entre 1 variable quantitative et 1 variables qualitative 3- liaison entre 2 variables qualitatives 4-

Plus en détail

TD n 6 : Probabilités discrètes

TD n 6 : Probabilités discrètes TD n 6 : Probabilités discrètes Exercice 1 On désigne par un entier naturel non nul. On lance fois une pièce de monnaie donnant "pile" avec la probabilité (avec 0 1 et "face" avec la probabilité 1. On

Plus en détail

STATISTIQUES NON-PARAMETRIQUES

STATISTIQUES NON-PARAMETRIQUES STATISTIQUES NON-PARAMETRIQUES Définition l'hétérogénéité des variances ou la non normalité de la distribution de la variable (analyse de la variance) :! transformation de variable : c'est-à-dire changer

Plus en détail

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE TABLE DES MATIÈRES Introduction... 21 CHAPITRE I STATISTIQUE DESCRIPTIVE I L observation statistique...2 I.1 Concepts de base... 2 I.2 L élaboration de tableaux statistiques... 29 I.21 Étude d un seul

Plus en détail

Espérance d une variable aléatoire

Espérance d une variable aléatoire Licence Math et MASS, MATH504 : probabilités et statistiques Espérance d une variable aléatoire L objectif de ce paragraphe est de définir ce qu est la valeur moyenne d une variable aléatoire. Par exemple,

Plus en détail

Statistique Univariée. Marie Beurton-Aimar

Statistique Univariée. Marie Beurton-Aimar Statistique Univariée Marie Beurton-Aimar Plan 1 Objectifs 2 Le langage en statistique 3 Les tableaux 4 Représentations Graphiques 5 Paramètres de distribution 6 Prise en main de R 7 Distribution de probabilités

Plus en détail

Statistique (MATH-F-315, Cours #5)

Statistique (MATH-F-315, Cours #5) Statistique MATH-F-315, Cours #5) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1 Introduction 2 Théorie de l estimation 3 Tests d hypothèses et intervalles

Plus en détail

Variables aléatoires et distributions de probabilité (1 ière partie) & Variables aléatoires, lois et simulations en R (2 ième partie)

Variables aléatoires et distributions de probabilité (1 ière partie) & Variables aléatoires, lois et simulations en R (2 ième partie) 1 Variables aléatoires et distributions de probabilité (1 ière partie) & Variables aléatoires, lois et simulations en R (2 ième partie) 2 Variable aléatoire, c est quoi? Variable aléatoire: est un nombre

Plus en détail

Réseaux de neurones : rappels de probabilités et statistiques

Réseaux de neurones : rappels de probabilités et statistiques Réseaux de neurones : rappels de probabilités et statistiques Fabrice Rossi http://apiacoa.org/contact.html. Université Paris-IX Dauphine Réseaux de neurones Rappels de probabilités et statistiques p.1/49

Plus en détail

MTH 2301 Méthodes statistiques en ingénierie. Chapitre 6 - Distributions échantillonnales et estimation

MTH 2301 Méthodes statistiques en ingénierie. Chapitre 6 - Distributions échantillonnales et estimation Chapitre 6 - Distributions échantillonnales et estimation Lexique anglais - français Constats et terminologie statistique Distribution de la moyenne théorème central- limite Estimation : Intervalle de

Plus en détail

Vecteurs aléatoires. I) Vecteurs aléatoires

Vecteurs aléatoires. I) Vecteurs aléatoires Vecteurs aléatoires I) Vecteurs aléatoires 1.1) Définition On considère un espace probabilisé,, et variables aléatoires,, définies sur Ω à valeurs dans R. On considère l'application de Ω dans Rⁿ définie

Plus en détail

Rappels. Chapitre Espace de probabilité

Rappels. Chapitre Espace de probabilité Chapitre Rappels L objectif de ce chapitre est de rappeler les principales définitions et notations du calcul des probabilités. Les propriétés essentielles seront citées mais les preuves seront omises.

Plus en détail

Probabilités et Statistiques: Quelques petits rappels

Probabilités et Statistiques: Quelques petits rappels Probabilités et Statistiques: Quelques petits rappels Christine Decaestecker & Marco Saerens ULB & UCL Probabilités et Statistiques: Introduction Démarche statistique: Etude d un ensemble d objets (cas,

Plus en détail

Elemstat /7/3 14 :36 page IX #3 TABLE DES MATIÈRES. Partie I HISTOIRE ET DÉMARCHE... 1

Elemstat /7/3 14 :36 page IX #3 TABLE DES MATIÈRES. Partie I HISTOIRE ET DÉMARCHE... 1 Elemstat-2015 2015/7/3 14 :36 page IX #3 Partie I HISTOIRE ET DÉMARCHE................................................. 1 Chapitre 1 LA STATISTIQUE...........................................................

Plus en détail

Feuille d exercices de probabilités. si x > 0 si x 0.

Feuille d exercices de probabilités. si x > 0 si x 0. variables aléatoires à densité Feuille d exercices de probabilités Exercice 1 Soit X une variable aléatoire réelle dont la fonction de répartition F X est définie sur R par: F X (x = { 1 5 x 5 x si x >

Plus en détail

Master 1 de Santé Publique. UE de biostatistique : cours 8. Régression linéaire

Master 1 de Santé Publique. UE de biostatistique : cours 8. Régression linéaire Master 1 de Santé Publique UE de biostatistique : cours 8 Régression linéaire 1. Définition, estimation et test M1 de Santé Publique Biostatistique - Cours 8 - Régression linéaire 1 1 Liaison entre variables

Plus en détail

Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce. 11 juin 2013

Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce. 11 juin 2013 Incertitudes des statistiques du lycée au GUM ou que vient f... ici ce a 3? 11 juin 2013 2/31 Incertitudes des statistiques du lycée au GUM ou que vien Intention Éclairer la notion d incertitude au programme

Plus en détail

Méthodes d'intégrations Approches déterministes Quadratures

Méthodes d'intégrations Approches déterministes Quadratures Méthodes d'intégrations Approches déterministes Quadratures Approches déterministes Quadratures Qu'est ce qu'intégrer Intégration Mesurer l'aire sous une courbe. y b a f ( x)d x f(x) b I = a f ( x)d x

Plus en détail

Rappels: variables aléatoires discrètes

Rappels: variables aléatoires discrètes Rappels: variables aléatoires discrètes Samy Tindel Université de Lorraine L2 SVE - CMI Samy T. (IECL) V.a discrètes L2 SVE - CMI 1 / 39 Plan 1 Définitions 2 Variables aléatoires discrètes usuelles 3 Moments

Plus en détail

1. Espaces probabilisés dénombrables

1. Espaces probabilisés dénombrables Probabilités sur un univers dénombrable 12-1 Sommaire 1. Espaces probabilisés dénombrables 1 1.1. Ensemble dénombrables......... 1 1.2. Suite infinie d événements........ 1 1.3. Probabilité sur un univers

Plus en détail

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14 Statistique inférentielle Objectif du cours C e cours comprend l essentiel des notions de statistique mathématique, principalement paramétrique, avec une introduction au cas non-paramétrique. Les notions

Plus en détail

Chapitre 3. Séries statistiques bivariées.

Chapitre 3. Séries statistiques bivariées. Chapitre 3. Séries statistiques bivariées nicolas.chenavier@lmpa.univ-littoral.fr Exemple introductif 1 On considère un nombre n d individus (en pratique, n est grand) faisant intervenir exactement deux

Plus en détail