VARIABLES ALEATOIRES
|
|
- Élodie Déry
- il y a 7 ans
- Total affichages :
Transcription
1 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 est celui du jet d'un dé. Les éventualités sont les valeurs {1, 2, 3, 4, 5, 6}. Si on adopte le modèle du dé "parfait", les probabilités de chacune de ces valeurs sont 1 6 ; un modèle plus général est d'attribuer à ces valeurs des probabilités {p 1,..., p 6 } dont la somme est égale à 1. On a ainsi défini une variable aléatoire X dont la distribution (ou la loi) est caractérisée par l'ensemble des valeurs qu'elle peut prendre {x 1, x 2,...} et les probabilités correspondantes {p 1, p 2,...}. Les p i sont nécessairement positifs ou nuls et leur somme est égale à 1 puisque les événements x i sont incompatibles. Il existe deux types de variables aléatoires que nous allons maintenant préciser. Variables aléatoires discrètes Les plus simples des variables aléatoires sont celles qui ne peuvent prendre qu'un nombre n fini de valeurs, comme dans l'exemple précédent du dé. Les valeurs x i que peut prendre X sont en n nombre fini et pi = 1. i=1 Une variable aléatoire très simple de ce type est la variable de Bernoulli de paramètre p ; c'est une variable que ne peut prendre que 2 valeurs possibles {1 et 0} avec les probabilités p et q = 1 - p. Cette variable intervient chaque fois que l'on étudie un caractère qui ne peut prendre que 2 modalités auxquelles on attribue les valeurs numériques 0 et 1. Un cas un peu plus général est celui où l'ensemble des valeurs possibles que peut prendre X est infini, tout en restant dénombrable. Un exemple très important est celui de la loi de Poisson, étudiée plus loin. Alors, les valeurs possibles sont {x 1, x 2,...} avec les probabilités {p 1, p 2,...}. La somme (infinie) des p i doit être égale à 1. Considérons l'exemple suivant : on joue une série de parties de pile ou face, la probabilité de gagner une partie étant p. Le jeu s'arrête dès qu'on a gagné ; on s'intéresse au nombre N de parties jouées avant que le jeu ne cesse. N est évidemment une variable aléatoire qui peut prendre les valeurs 1 (on gagne à la première partie), 2 (on perd à la première mais on gagne à la deuxième), 3, etc... N peut donc prendre toutes les valeurs entières à partir de 1 ; l'ensemble des valeurs possibles est bien infini. Cherchons les probabilités correspondantes : Variables aléatoires 8
2 p 1 =Pr{N=1}=Pr{Gain au premier jeu}=p ; p 2 = Pr(N = 2) = Pr{Perte puis gain} = qp ; p i = Pr{N = i} = {(i - 1) Pertes puis gain} = q i-1 p. pi = p q i-1 = p(1 + q + q ) = i=1 1 p 1 - q = 1 On a bien défini une variable aléatoire qui peut prendre une infinité discrète de valeurs. Variables aléatoires continues Ce cas est un peu plus délicat que le précédent et nous le présenterons sous une forme intuitive et assez peu rigoureuse. X peut maintenant prendre toutes les valeurs possibles d'un (ou plusieurs) intervalle, par exemple toutes les valeurs comprises entre les 2 nombres 0 ou 1, ou même dans le cas plus général, toutes les valeurs de l'ensemble R des réels, de - à +. La loi ou la distribution de la variable aléatoire X est alors donnée par sa densité de probabilité f(x) en chaque point x, dont la définition (peu rigoureuse, mais concrète) est la suivante : soit un petit intervalle (x, x + dx) ; f(x) est la quantité telle que Pr[x < X < x + dx] = f(x) dx Par exemple, si f(7) = 3.1, Pr[7 < X < 7 + dx] = 3.1 dx (dx petit). La figure 1 représente une densité de probabilité f(x). f(x) dx étant une probabilité, la f(x) densité f(x) est nécessairement positive (ou nulle). f(x) dx est l'aire d'un petit rectangle de base dx et de hauteur f(x). Cherchons la probabilité que X soit comprise entre 2 nombres a et b donnés. On voit sur la figure que cette probabilité est la surface sous la courbe x x + dx a b x f(x), comprise entre les abscisses a et b, ou de b façon plus formelle Pr[a < X < b] = f(x) dx. Puisque X est nécessairement compris entre a + - et +, f(x) dx = 1 ; la surface sous la courbe est égale à 1. C'est la deuxième condition à - laquelle doit satisfaire f(x) pour être une densité de probabilité. Cherchons maintenant ce que vaut Pr[X x] en fonction de x. Cette fonction F(x) est la fonction de répartition de X. Variables aléatoires 9
3 x C'est la surface sous la courbe, à gauche de x. F(x) = f(u) du. F(- )= 0 puisque X est - nécessairement plus grand que - ; de la même façon, F(+ ) = 1 puisque X est nécessairement plus petit que +. Enfin, F(x) comme fonction de x est croissante (ou du moins non décroissante) puisque si a < b, la surface à gauche de a ne peut être plus grande que celle à gauche de b. En résumé une fonction de répartition F(x) est nécessairement croissante (ou du moins non décroissante) de la valeur 0 à la valeur 1. b Revenant à Pr[a < X b] = f(x) dx, c'est aussi Pr[X b] - Pr[X a] = F(b) - F(a). On a voit alors que F(x) est la primitive de f(x) et qu'inversement f(x) est la dérivée de F(x). Un exemple : La distribution uniforme X est une variable aléatoire qui peut prendre n'importe quelle valeur de l'intervalle [0, 1]. Sa densité est constante sur cet intervalle, et nulle en dehors (puisque X ne peut prendre que des valeurs sur [0, 1]). f(x) a donc l'allure suivante ; puisque la surface sous f(x) doit être égale à 1, f(x) vaut 1 sur l'intervalle [0, 1] et 0 ailleurs. f(x) 1 0 x 1 Cherchons F(x) en fonction de x, nous souvenant que F(x) = Pr[X x] = aire sous f(x) à gauche de x. Pour x 0, F(x) = 0 ; Pour x 1 F(x) = 1 ; Pour 0 x 1, la surface à gauche de x est x. On remarque que F(x) = x est bien la primitive de f(x) = 1. F(x) a donc l'allure suivante : nulle de - à 0, égale à x de 0 à 1, et de valeur 1 de 1 à +. F(X) 0 1 x Variables aléatoires 10
4 Un autre exemple : La distribution exponentielle X est une variable aléatoire qui peut prendre n'importe quelle valeur de [0, + ]. Sa fonction de répartition F(x) = 1 - e -λx ; quelle est sa densité? On doit d'abord vérifier que F(x) est une fonction de répartition : elle vaut 0 pour x = 0, 1 d F(x) pour x = + et elle est croissante de 0 à +. f(x) = dt = λe -λx. Une remarque : La fonction de répartition F(x) = Pr [X x] peut également être définie pour des variables discrètes mais elle est surtout utilisée pour les variables continues, à cause de la relation simple que la lie à la densité de probabilité. Caractéristiques d'une variable aléatoire X Nous en définissons 2 qui sont les plus utiles, mais il y en a évidemment beaucoup d'autres. Moyenne ou espérance mathématique E(X) Par définition, c'est E(X) = p i x i = µ pour les variables discrètes i et E(X) = x f(x) dx = µ pour les variables continues. Variance σ 2 C'est par définition E{(X - µ) 2 } ; Il faut bien comprendre ce que signifie cette expression en apparence compliquée : X étant une variable aléatoire, X - µ en est une autre et également (X - µ) 2. La variance de X est l'espérance mathématique de cette dernière variable aléatoire. Supposons X discret de distribution x1 p 1 x2 p 2 x 3L p 3L Les valeurs possibles de X - µ sont x 1 - µ, x 2 - µ, x 3 - µ, avec les mêmes probabilités p 1, p 2... et celles de (X - µ) 2 sont (x 1 - µ) 2, (x 2 - µ) 2, (x 3 - µ) 2, avec les mêmes probabilités p 1, p 2... Donc σ 2 = E (X - µ) 2 = p i (x i - µ) 2 (cas discret) (x - µ) 2 f(x) dx (cas continu) Pour le calcul de σ 2, on utilise souvent la formule σ 2 = E(X 2 ) - µ 2. En effet p i (x i - µ) 2 = p i (x 2 i - 2x i µ + µ 2 ) = p i x 2 i - 2µ p i x i + µ 2 p i = p i x 2 i - 2µ 2 + µ 2 (on se rappelle que p i = 1). Comme p i x 2 i = E(X 2 ), on a bien la formule annoncée. Variables aléatoires 11
5 On appelle écart-type σ la racine carrée (positive) de la variance. Alors que l espérance mathématique est un paramètre de position, la variance est un paramètre de dispersion. Moins les valeurs possibles de X sont dispersées (moins X est variable), plus faible est σ 2. En effet, si les x i sont concentrés, ils sont près de la moyenne µ et les valeurs de (x i - µ) 2 sont petites, entraînant un σ 2 petit. A l extrême, si X n est pas aléatoire (prend toujours la même valeur) la variance est nulle. Moyenne et variance de la variable de Bernoulli de paramètre p E(X) = p x 1 + q x 0 = p σ 2 = E(X 2 ) - [E(X)] 2 = p x 1 + q.0 - p 2 = pq La variance est nulle si p ou q sont nuls ou égaux à 1 : en effet, dans ces deux cas, le résultat est certain (toujours 1 ou toujours 0). Notions sur les distributions bivariées Nous n'avons jusqu'ici considéré qu'une seule variable aléatoire X. Mais de nombreux problèmes, en particulier celui de la mesure de la dépendance entre 2 variables, nous conduisent à étudier la distribution conjointe de 2 variables aléatoires, disons X et Y. Nous considérons le cas le plus simple, X et Y sont deux variables discrètes, pouvant prendre un nombre fini de valeurs possibles x 1, x 2,... x k avec les probabilité p 1, p 2,... p k pour X et y 1, y 2,... y l avec les probabilités q 1, q 2,... q l pour Y (attention, ici les q ne sont pas les compléments à 1 des p). Par définition, la distribution conjointe de X et Y est l'ensemble des valeurs π ij telles que π ij = Pr[X = x i et Y = y j ] Ces valeurs sont indiquées dans le tableau ci-dessous X Y y1 y 2... y j y l X 1 X 2. x i.. π ij. x k Soit la somme des probabilités qui figurent dans la première ligne du tableau : c'est Pr[X = x 1 et Y = y 1 ] Pr[X = x 1 et Y = y l ] = Pr[X = x 1 et {Y = y 1 ou Y = y 2 ou... Y = y l }] puisque les évènements entre crochets sont incompatibles. Mais l'événement {Y = y 1 ou Y = y 2... ou Y = y l } est réalisé, puisque Y prend nécessairement une de ces valeurs. Variables aléatoires 12
6 Finalement la somme de la ligne est Pr[X = x 1 ] = p 1 ce qui était à peu près évident a priori. Les p i et q j définissent les distributions marginales de X et Y. X et Y sont indépendants si Pr[X = x i et Y = y j ] = Pr[X = x i ] x Pr[Y = y j ], quels que soient x i et y j (définition de l'indépendance de 2 évènements), donc si π ij = p i q j. Si tel n'est pas le cas, X et Y sont 2 variables aléatoires dépendantes. Covariance de 2 variables aléatoires µ x et µ y étant les espérances mathématiques de X et Y, µ x = p i x i et µ y = q j y j, la covariance des 2 variables est par définition E ((X µ x )(Y µ y )) Là encore, il faut bien comprendre la signification de cette expression. Le produit des 2 variables aléatoires X - µ x et Y - µ y est une variable aléatoire Z, dont l'espérance mathématique est la covariance de X et Y. Les valeurs possibles du produit (X - µ x ) (Y - µ y ) sont toutes les valeurs (x i - µ x ) (y j - µ y ) avec les probabilités π ij, donc Covariance (X, Y) = π ij (x i - µ x ) (y j - µ y ) Il n'est pas difficile de montrer que le deuxième membre vaut π ij x i y j - µ x µ y, donc Covariance (X, Y) = E(XY) - µ x µ y. Un résultat très important est que si deux variables aléatoires X et Y sont indépendantes, alors leur covariance est nulle ; en effet, si X et Y sont indépendants π ij = p i q j et dans ce cas π ij x i y j = ij p i q j x i y j = ij pi xi x i p j y j j = µ x µ y. La réciproque n'est pas vraie : la covariance de X et Y peut être nulle sans que X et Y soient indépendantes ; cependant dans un cas très important, qui sera détaillé à la fin du cours, celui où le couple (XY) est binormal, la nullité de la covariance entraîne l'indépendance des 2 variables aléatoires. Un exemple : Soit la distribution bivariée ci-dessous : X Y /4 0 1/ /4 1/4 1 1/4 1/4 1/2 1/2 1/2 µ x = - µ Y = = = 0 Variables aléatoires 13
7 Le tableau ci-dessous donne les valeurs du produit XY X Y π ij x i y j = 1/4 (1) + 1/4 (- 1) + 1/4 (1) = 1/ Cov (XY) = 1/4 Elle n'est pas nulle, ce qui prouve que X et Y ne sont pas indépendantes, ce que l'on savait déjà puisque π ij p i q j B- OPERATIONS SUR LES VARIABLES ALEATOIRES Transformation linéaire d une variable aléatoire Soit X une variable aléatoire. A partir de X, fabriquons une nouvelle variable aléatoire Y, définie par Y=aX+b où a et b sont deux nombres donnés. On cherche la moyenne et la variance de Y en fonction de la moyenne µ X de X et de sa variance σ 2 X. Supposons X discrète, c est-à-dire que X peut prendre les valeurs x 1, x 2,..., avec les probabilités p 1, p 2,..., les p i vérifiant Σp i =1. Les valeurs que peut prendre Y sont ax 1 +b, ax 2 +b,... avec les mêmes probabilités. On en déduit : µ Y =E(Y)=Σp i (ax i +b)= aσp i x i +bσpi= aµ X +b. Ce résultat était quasi-évident. En ce qui concerne la variance de Y, σ 2 Y =Σp i (ax i +b-aµ X -b) 2 = Σp i a 2 (x i -µ x ) 2 =a 2 Σp i (x i -µ x ) 2 =a 2 2 σ X et pour les écarts-types σ Y = a σ X (attention à prendre la valeur absolue de a, un écart-type étant nécessairement positif). On notera que b n intervient pas dans le calcul de la variance de Y : en effet, il correspond à un simple changement d origine. Les calculs sont identiques si la variable X est continue. Addition de variables aléatoires Soit X et Y deux variables aléatoires. X peut prendre les valeurs x 1, x 2,... avec les probabilités p 1, p 2, Y peut prendre les valeurs y 1, y 2,.. avec les probabilités q 1, q 2... La loi du couple est définie par π ij =Pr{X=x i et Y=y j ). Définissons la variable aléatoire Z=X+Y. Elle peut prendre les valeurs x i +y j. avec les probabilités π ij. Donc E(Z)= π ij (x i + y j ) = x i π ij + y j π ij. Mais π ij n est autre que p i et i π ij i, j i j j n est autre que q j. Le premier terme est donc E(X) et le second E(Y) ; finalement, E(X+Y)=E(X)+E(Y). L espérance de la somme est la somme des espérances. i j Variables aléatoires 14
8 pas. Remarquons que ce résultat est valable que les variables aléatoires soient indépendantes ou Comme conséquence, soit des variables aléatoires X 1, X 2,..,X n de même moyenne µ. La variable aléatoire «moyenne», Y = X X 1 n a pour espérance E(Y)= nµ n n = µ. L espérance de la moyenne de n variables d espérance µ est µ. Venons en maintenant à la variance de la somme Z de X et Y. Par définition, var(x+y)=e{(x+y) 2 }-{E(X+Y)} 2. E{(X+Y) 2 }=E(X 2 +Y 2 +2XY)=E(X 2 )+E(Y 2 )+2E(XY), puisque l espérance de la somme est la somme des espérances. {E(X+Y)} 2 ={E(X)+E(Y)} 2 ={E(X)} 2 +{E(Y)} 2 +2E(X)E(Y). On voit donc que var(x+y)=var(x)+var(y)+ 2{(E(XY)-E(X)E(Y)}. Le dernier terme a été nommé plus haut covariance de X et Y. Le résultat final est donc var(x+y)=var(x)+var(y)+2cov(x,y). On a dit que si X et Y sont indépendantes, leur covariance est nulle : donc, la variance de la somme de deux variables indépendantes est la somme des variances. Utilisons ce résultat pour calculer la variance de Y, moyenne de n X i ; si les X i sont indépendantes de moyenne µ et de variance σ 2, var(y)= nσ 2 = σ 2 n 2 n. Si n est grand, la variance de Y est petite ; Y n est «presque plus» aléatoire. Concrètement, ceci signifie que Y est très peu variable autour de sa moyenne µ. On vérifiera que le résultat var(x+y)=var(x)+var(y)+2cov(x,y) peut se généraliser de la façon suivante : var(ax+by)=a 2 var(x)+b 2 var(y)+2ab cov(x,y). A SAVOIR x 1, x 2,... Distributions de probabilités : Variable discrète p 1, p 2,... Variable continue : Pr{x<X<x+dx}=f(x)dx (f(x) est la densité). Espérance mathématique E(X)=µ= p i x i ou xf (x)dx Variance de X : σ 2 = E(X µ) 2 = E( X 2 ) {E(X)} 2 = Cov(X,Y)=E(XY)-E(X)E(Y) E(aX+b)=aE(X)+b ; var(ax+b)=a 2 var(x) E(X+Y)=E(X)+E(Y) ; var(x+y)=var(x)+var(y)+2cov(x,y) p i x2 µ ( ou x f ( x) dx µ ) Variables aléatoires 15
Moments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en 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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
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 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 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 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 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 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 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 détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 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 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
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 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 détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
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 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 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 détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en 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 détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
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 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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 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 détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 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 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 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 détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailCours de probabilité et statistique
Cours de probabilité et statistique 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0-4 -3-2 -1 0 1 2 3 4 Denis Bichsel 1 1 Probabilité et statistique 1.1 Introduction Le calcul des probabilité semble avoir son origine
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailFONCTIONS À CROISSANCE RÉGULIÈRE
P. LEVY (Paris - Francia) FONCTIONS À CROISSANCE RÉGULIÈRE ET ITÉRATION D'ORDRE FRACTIONNAIRE 1. - Une fonction teue que ^c+e~ x sin log x, malgré la lenteur et la petitesse de ses osciuations, nous apparaît
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 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détail