VARIABLES ALEATOIRES

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "VARIABLES ALEATOIRES"

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

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

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

2 Variables aléatoires. PAES Faculté de Médecine P. et M. Curie V. Morice Probabilités et Biostatistique 2 Variables aléatoires Principales lois de probabilité PAES Faculté de Médecine P. et M. Curie V. Morice Variable aléatoire Une variable aléatoire désigne la grandeur mesurée

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Variables aléatoires réelles

Variables aléatoires réelles Variables aléatoires réelles Les variables aléatoires discrètes prennent leurs valeurs dans un ensemble (espace) fini ou dénombrable, souvent (assimilable à) un ensemble de nombres entiers. Les variables

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

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

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

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

Cours de terminale S Probabilités : lois à densité

Cours de terminale S Probabilités : lois à densité Cours de terminale S Probabilités : lois à densité V. B. et S. B. Lycée des EK Considérons une variable aléatoire susceptible de prendre n importe quelle valeur réelle appartenant à un intervalle donné.

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

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

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

démonstrations exigibles au baccalauréat

démonstrations exigibles au baccalauréat démonstrations exigibles au baccalauréat fonction exponentielle (1/2) propriété : Il existe une unique fonction dérivable sur telle que ' = et (0) = 1 1 L'existence de la fonction est admise conformément

Plus en détail

Couples aléatoires. 1. Loi d un couple aléatoire Un exemple. Licence MATH et MASS 3 e année. MATH504 : Probabilités et Statistiques

Couples aléatoires. 1. Loi d un couple aléatoire Un exemple. Licence MATH et MASS 3 e année. MATH504 : Probabilités et Statistiques Licence MATH et MASS 3 e année MATH54 : Probabilités et Statistiques Couples aléatoires Au chapitre précédent, nous avons étudié les variables aléatoires réelles c est à dire les variables aléatoires prenant

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

Loi d une variable aléatoire réelle

Loi d une variable aléatoire réelle Licence Math et MASS, MATH504 : probabilités et statistiques Loi d une variable aléatoire réelle On introduit la notion de variable aléatoire dans le cas réel ainsi que la notion fondamentale de loi d

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

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

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

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 4 : Variables Aléatoires Discrètes

Chapitre 4 : Variables Aléatoires Discrètes Chapitre 4 : Variables Aléatoires Discrètes L2 Eco-Gestion, option AEM (L2 Eco-Gestion, option AEM) Chapitre 4 : Variables Aléatoires Discrètes 1 / 20 Plan 1 Notion de variable aléatoire Exemples 2 Loi

Plus en détail

Dans toute la suite, on considère une expérience aléatoire et Ω l'univers associé (non nécessairement fini), muni d'une probabilité.

Dans toute la suite, on considère une expérience aléatoire et Ω l'univers associé (non nécessairement fini), muni d'une probabilité. T ES LOIS DE PROBABILITES I. Variables aléatoires continues. Jusqu ici on a étudié des variables aléatoires qui prenaient un nombre fini de valeurs dans l univers Ω. (Par exemple: gain d argent, taille

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

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

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

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

cours 19, le jeudi 1er avril 2010

cours 19, le jeudi 1er avril 2010 cours 19, le jeudi 1er avril 21 Exemple : calcul de l espérance d une variable aléatoire T de loi exponentielle de paramètre λ >. La loi P T de T est donnée par dp T (x) 1 x λ e λx dx ; d après la formule

Plus en détail

Terminale ES Chapitre VIII Lois de probabilités à densités

Terminale ES Chapitre VIII Lois de probabilités à densités Terminale ES Chapitre VIII Lois de probabilités à densités I- Loi à densité sur un intervalle. Contrairement à une variable aléatoire discrète qui ne peut prendre qu'un nombre fini de valeurs, une variable

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

Variables continues usuelles

Variables continues usuelles Variables continues usuelles I) Variables uniformes 1.1 Densités Nous avons déjà rencontré ce type de variables. Définition 1 On dit que la variable suit une loi uniforme continue sur 0,1 si sa fonction

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

Probabilités : Méthodes ECE 1

Probabilités : Méthodes ECE 1 Probabilités : Méthodes ECE 1 I. Calcul de probabilités : écriture d'évènements. 1) Intersection. Il faut connaître les points suivants : a) A B, intersection des évènements A et B, est vrai si et seulement

Plus en détail

MAP X2009. Fonction caractéristique, Vecteur gaussien, Convergence en loi, Théorème de la limite centrale 1. 1 MAP 311, Chapitre 6

MAP X2009. Fonction caractéristique, Vecteur gaussien, Convergence en loi, Théorème de la limite centrale 1. 1 MAP 311, Chapitre 6 MAP 311 - X2009 Leçon 6 Fonction caractéristique, Vecteur gaussien, Convergence en loi, Théorème de la limite centrale 1 1 MAP 311, Chapitre 6 ATTENTION! COURS 7: reporté au lundi 28 juin de 8h30 à 10h,

Plus en détail

Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes.

Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes. Cours N 2 : Probabilités conditionnelles, indépendances, somme et expérience de variables aléatoires discrètes. I. Probabilités conditionnelles A. Définition On appelle probabilité conditionnelle de A

Plus en détail

I Exercices I I I I I I I I I I-7

I Exercices I I I I I I I I I I-7 Chapitre 8 Lois à densité TABLE DES MATIÈRES page -1 Chapitre 8 Lois à densité Table des matières I Exercices I-1 1................................................ I-1 2................................................

Plus en détail

DS 9 Correction EXERCICE Etude d'une fonction auxiliaire.

DS 9 Correction EXERCICE Etude d'une fonction auxiliaire. DS 9 Correction EXERCICE On considère la fonction déterminée sur 0, par : ln On se propose dans cet exercice d'étudier la fonction et de la représenter relativement à un repère orthonormal,,, l'unité choisie

Plus en détail

Fonction caractéristique des lois usuelles Résultats importants. Probabilités. Fonctions caractéristiques. Julian Tugaut

Fonction caractéristique des lois usuelles Résultats importants. Probabilités. Fonctions caractéristiques. Julian Tugaut Fonctions caractéristiques Télécom Saint-Étienne 2014 Sommaire 1 Définition et premières propriétés 2 Loi de Bernoulli Loi binomiale Loi de Poisson Loi uniforme Loi exponentielle Loi normale 3 Plan 1 Définition

Plus en détail

Type bac janvier Corrigé

Type bac janvier Corrigé Exercice (Métropole 24) Commun à tous les élèves Type bac janvier 27 - Corrigé Partie A ) L image de par la fonction f est : f () +e. Le point d abscisse sur la courbe C, représentative de la fonction

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

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

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

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

Correction Ecricome 2007 Voie technologique

Correction Ecricome 2007 Voie technologique ECRICOME 27 Voie Technologique Correction Page Correction Ecricome 27 Voie technologique La correction comporte pages. Exercice. Etude d une fonction g auxiliaire. _ (a) Soit P la fonction polynomiale

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

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

Plan du cours de probabilités

Plan du cours de probabilités Plan du cours de probabilités Fondamentaux pour le Big Data c Télécom ParisTech 1/11 Semaine 3 discrètes Variables et vecteurs aléatoires discrets, espérance conditionnelle Semaine 4 Indépendance, variance,

Plus en détail

Initiation aux processus : Chaînes de Markov (solutions)

Initiation aux processus : Chaînes de Markov (solutions) Initiation aux processus : Chaînes de Markov (solutions) Fabrice Rossi 8 février Espace d état fini. Exercice.. Question Pour représenter la chaîne, on choisit de numéroter les états de à, dans l ordre

Plus en détail

Synthèse de cours PanaMaths Variables aléatoires réelles à densité

Synthèse de cours PanaMaths Variables aléatoires réelles à densité Synthèse de cours PanaMaths Variables aléatoires réelles à densité Dans tout ce document, les variables aléatoires considérées sont des variables aléatoires réelles (V.A.R.). Variable aléatoire réelle

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

Master MASS 1 Calcul Stochastique et Finance Feuille de T.D. n o 4

Master MASS 1 Calcul Stochastique et Finance Feuille de T.D. n o 4 Master MASS Calcul Stochastique et Finance Feuille de T.D. n o 4 Corrigé Dans ces exercices, W désignera toujours un processus de Wiener brownien standard. Soient s et t deux réels positifs. Montrer que

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

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

n-uplets de variables aléatoires réelles

n-uplets de variables aléatoires réelles n-uplets de variables aléatoires réelles Table des matières 1 Définition d un n-uplet de variables aléatoires réelles. 2 2 Loi d un vecteur aléatoire à valeurs dans n. 2 3 Loi marginale. 2 4 Caractérisation

Plus en détail

Probabilité variables aléatoires

Probabilité variables aléatoires Probabilité variables aléatoires Variable aléatoire et loi de probabilté Definiton Lorsqu'a chaque événement élémentaire d'une expérience aléatoire on associe un nombre réel, on dit que l on définit une

Plus en détail

T le ES. Mathématiques. Pascal CHAUVIN. 8 janvier 2017

T le ES. Mathématiques. Pascal CHAUVIN. 8 janvier 2017 Mathématiques Pascal CHAUVIN T le ES 8 janvier 2017 cbed Paternité Pas d utilisation commerciale Partage des conditions initiales à l identique Licence Creative Commons 2.0 France 2 Table des matières

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

LOIS DE PROBABILITÉ NOTES DE COURS

LOIS DE PROBABILITÉ NOTES DE COURS LOIS DE PROBABILITÉ NOTES DE COURS 1. Introduction En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d un phénomène dépendant du hasard. L étude des

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

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

Processus de Poisson sur la droite

Processus de Poisson sur la droite Processus de Poisson sur la droite février 2011 - v0 non débuguée, février 2017 - v0.9 non relue sérieusement 1 Espace d état 1.1 Description informelle On cherche à modéliser un ensemble d instants aléatoires

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 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

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

Polycopie en Mathématique

Polycopie en Mathématique République Algérienne Démocratique et Populaire Ministère de l Enseignement Supérieur et de la Recherche Scientifique UNIVERSITÉ MOHAMED KHIDER, BISKRA FACULTÉ des SCIENCES EXACTES et des SCIENCES de la

Plus en détail

Rappels de théorie des probabilités

Rappels de théorie des probabilités Rappels de théorie des probabilités 1. modèle probabiliste. 1.1. Univers, événements. Soit un ensemble non vide. Cet ensemble sera appelé l univers des possibles ou l ensemble des états du monde. Dans

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

1. Donner la loi, l espérance et la variance de X 1.

1. Donner la loi, l espérance et la variance de X 1. Exercice 1 On considère une urne contenant n boules numérotées portant des numéros deux à deux distincts. Un premier joueur effectue dans l urne des tirages sans remise jusqu à ce qu il obtienne la boule

Plus en détail

Corrigé : EDHEC Option économique Exercice 1:

Corrigé : EDHEC Option économique Exercice 1: Corrigé : EDHEC Option économique Exercice :. a) Comme X prend ses valeurs dans R + on a Y(Ω) N. b) Notons F la fonction de répartition de X. On a pour tout x, F(x) e λx Soit k N on a P (Y k ) P(k X k)

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

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

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL)

STATISTIQUE ET PROBABILITÉS AU LYCÉE. (séries ES, S, STI2D, STL) STATISTIQUE ET PROBABILITÉS AU LYCÉE (séries ES, S, STI2D, STL) Contexte de travail Des notions de statistique inférentielle introduites pour la première fois dans les programmes du secondaire. Ces notions

Plus en détail

Corrigé du baccalauréat ES La Réunion 23 juin 2010

Corrigé du baccalauréat ES La Réunion 23 juin 2010 Corrigé du baccalauréat E La Réunion 23 juin 2010 EXERCICE 1 Commun à tous les candidats 4 points 1. lim f (x)= x 1 2. y = 2 au voisinage de plus l infini. 3. f (x)= 2x+ 1 x+ 1 4. Tableau n o 2.. On a

Plus en détail

ECRICOME VOIE E 204 ANNALES DE MATHEMATIQUES 204 ECRICOME 204 VOIE E CORRIGE Le langage Pascal n étant plus au programme, nous n avons pas traité les questions d informatique. EXERCICE I ) PARTIE I : réduction

Plus en détail

Généralités sur les suites : Ce module revient sur le programme de première : les différents types de suites,

Généralités sur les suites : Ce module revient sur le programme de première : les différents types de suites, Généralités sur les suites Cours maths Terminale S Généralités sur les suites : Ce module revient sur le programme de première : les différents types de suites, la monotonie, la convergence des suites,

Plus en détail

Règles de décisions stochastiques : le modèle de Luce

Règles de décisions stochastiques : le modèle de Luce En psychologie, on s intéresse à la façon dont un individu est amené à sélectionner une action quand un choix se présente entre différentes actions possibles. Ce choix peut être influencé par un grand

Plus en détail

J.F.C. p. 1. Ceci est un premier jet et a besoin encore de relectures pour bien tenir la route. EDHEC 2014 EXERCICE 1. Φ ( x) + Φ ( x) ).

J.F.C. p. 1. Ceci est un premier jet et a besoin encore de relectures pour bien tenir la route. EDHEC 2014 EXERCICE 1. Φ ( x) + Φ ( x) ). 3-- 4 JFC p JF COSSUTTA jean-francoiscossutta@wanadoofr Ceci est un premier jet et a besoin encore de relectures pour bien tenir la route EDHEC 4 EXERCICE a U est une variable aléatoire réelle sur Ω, A,

Plus en détail

TRAVAIL DE MATHEMATIQUES ECE 2. Faire pour le jour de la rentrée sur copie les exercices donnés en annexe

TRAVAIL DE MATHEMATIQUES ECE 2. Faire pour le jour de la rentrée sur copie les exercices donnés en annexe TRAVAIL DE MATHEMATIQUES ECE 2 Revoir les définitions, propriétés, théorèmes. de cours Retravailler les DS, TD, fiche d exercices à l aide des corrigés Faire pour le jour de la rentrée sur copie les exercices

Plus en détail

Ecricome 2008 Correction

Ecricome 2008 Correction Ecricome 2008 Correction Exercice 1 + 2 2, = 2 4 + 3 =,, réels} 1. 0,0 =, donc. Soit,. On peut écrire 1 0 0 2 1 2, = 0 1 0 + 2 1 4 0 0 1 1 1 3 1 0 0 L ensemble apparaît comme l ensemble des combinaisons

Plus en détail

Fiche 10 : Probabilités

Fiche 10 : Probabilités Nº : 3 MTHEMTIQUES Fiche : Probabilités Calculer une probabilité simple Exercice 5 Le nombre de cas possibles est le nombre de façons de choisir deux objets parmi 5, c est-à-dire 75. Le nombre de cas favorables

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

Chapitre 6 Les probabilités

Chapitre 6 Les probabilités Chapitre 6 Les probabilités A) Rappels de première 1) Vocabulaire a) Expérience aléatoire : C'est une expérience dont le résultat (alea = dé en latin) dépend du hasard. b) Univers : C'est l'ensemble des

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

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

Corrigé Séance 1 : Statistique descriptive

Corrigé Séance 1 : Statistique descriptive Math-F-5 Séance & Exercice. Corrigé Séance : Statistique descriptive L ensemble A possède la moyenne la plus grande, D et E ont la médiane la plus grande, C possède le plus grand mode et B a l écart-type

Plus en détail

Chapitre 19 : Variables aléatoires

Chapitre 19 : Variables aléatoires Chapitre 9 : Variables aléatoires PTSI B Lycée Eiffel 9 mai 0 Un mèdecin annonce à un de ses patients : «J ai une bonne et une mauvaise nouvelle, je commence par la mauvaise. Vous avez une maladie grave

Plus en détail