2 Variables aléatoires. PAES Faculté de Médecine P. et M. Curie V. Morice
|
|
- Léonard Pépin
- il y a 7 ans
- Total affichages :
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
3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailEquations cartésiennes d une droite
Equations cartésiennes d une droite I) Vecteur directeur d une droite : 1) Définition Soit (d) une droite du plan. Un vecteur directeur d une droite (d) est un vecteur non nul la même direction que la
Plus en détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailNOTES DE COURS STT1700. Introduction à la statistique. David Haziza
NOTES DE COURS STT1700 Introduction à la statistique David Haziza Automne 008 Qu est ce que la statistique? La statistique est la science dont le but est de donner un sens aux données. L étude statistique
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailMathématiques I Section Architecture, EPFL
Examen, semestre d hiver 2011 2012 Mathématiques I Section Architecture, EPFL Chargé de cours: Gavin Seal Instructions: Mettez votre nom et votre numéro Sciper sur chaque page de l examen. Faites de même
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailPremiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détail