Statistique 1 L2S
|
|
- Marie-Ange Duquette
- il y a 7 ans
- Total affichages :
Transcription
1 Statistique 1 L2S
2 Chapitre I Rappel du calcul des probabilités I- Défiitio d ue probabilité Ω est u esemble d élémets ou d évéemet appelé uivers (ou référetiel). A est u sous esemble de Ω, il est iclut das Ω soit A Ϲ Ω e est u eviroemet de l esemble Ω doc du sous esemble A : e ϵ A Ve est la représetatio sythétique Ω e A La probabilité : ue probabilité est ue foctio d esemble otée soit P soit Prob qui a u sous esemble A de Ω faisat correspodre u réel positif compris etre 0 et 1 : A P P (A) ϵ [0,1] Trois propriétés à cette applicatio : - P (A) 0 - P (Ω) = 1 (axiome de ormalisatio) - Axiome de simple additivité Si A et B sot deux sous-esemble disjoits de Ω alors la P de l uio est égale à la somme des probabilité : P (A U B) = P (A) + P (B) II- Algèbre de Boole 1- Défiitio Soit Ω (l uivers). O cosidère ue famille de partie de Ω otée Ƒ. O dit que Ω est mui d ue algèbre d évéemet ; Propriétés : - O cosidère A Ϲ Ω, A ϵ Ƒ Prop 1 A ϵ Ƒ O dit que la famille Ƒ est fermée par groupes complémetaires où Ƒ est fermée par u rapport à la complémetatio relativemet à Ω - (A 1, A 2,, A i,, A ) Ϲ Ω A i ϵ Ƒ Prop 2 U A i ϵ Ƒ i=1 Si Ƒ possède les propriété 1 et 2, o dit que Ƒ est ue algèbre de boule (défiitio est toujours doé lors d u exercice) - La famille Ƒ possède les propriétés 1 et 2, o dit que Ƒ est fermée par rapport à l uio fiie déombrable. 2
3 - Nous avos A 1, A 2,, A i,, ϵ Ƒ Prop 3 U Ai ϵ Ƒ i=1 Si Ƒ possède les propriété 1 et 3, o dira que Ƒ possède la structure d u corps de Boel (G algèbre ou tribu) 2- Coséqueces - Ω ϵ Ƒ : A Ϲ Ω, A ϵ Ƒ P1 A ϵ Ƒ A ϵ Ƒ Prop2 A U A ϵ Ƒ doc Ω ϵ Ƒ - Ø ϵ Ƒ Ω ϵ Ƒ Prop1 Ω ϵ Ƒ ou Ø ϵ Ƒ - Ƒ est fermé par rapport à l itersectio : A 1, A 2,, A i,, A Ϲ Ω ; V i A i ϵ Ƒ Par la propriété 2 : A 1 U A 2 U A i U A ϵ Ƒ U A i ϵ Ƒ Idetité de Morga : A 1 U A 2 U A = A 1 A i A U A i ϵ Ƒ A 1 A 2 A 1 ϵ Ƒ i=1 P1 A 1 A i A ϵ Ƒ III- Probabilité sur ue algèbre d évéemet doc sur ue algèbre de boole 1- Défiitio L algèbre de Boule sera dite probabilisée si pour tout sous esembles A (A Ϲ Ω, A ϵ Ƒ) ous pouvos défiir ue applicatio otée P ou Prob. Nous avos u espace probabilisé (Ω, Ƒ, P) 2- Propriétés : P1 : P (A) 0 ; P (Ω) = 1 est u axiome de positivité : toute probabilité de réaliser u évéemet est toujours positifs Soit A 1, A 2,, A des sous esembles disjoits : A 1, A 2,, A Ϲ Ω, Si V i A i ϵ Ƒ Si V i j A i A j = Ø Axiome d additivité restreite : P ( U A i ) = ƩP A i ) i=1 Axiome d additivité totale : P ( U A i ) = Ʃ P( A i ) toujours si sous esemble disjoit i=1 i=1 + + i=1 i=1 + P2 : P est ue foctio croissate Cosidéros A et B : A Ϲ B avec A, B Ϲ Ω et A, B Ϲ Ƒ P (A) et P (B) existet O cherche à démotrer que A Ϲ B ; P (A) P (B) 3
4 A B Ω B = A U (B A) P (B) = P (A U (B A )) A (B A) = Ø Axiome additivité restreite : (P C B) = P (A U (B A) ) = P (A) + P (B A) A C B P (A) P (B) et P est croissat P (Ø) = 0 ; Ω ϵ Ƒ Ø ϵ Ƒ P (Ω) =1 Ω = Ω U Ø Ω Ø = Ø Axiome d additivité restreite : P (Ω) = P (Ω U Ø) = P (Ω) + P (Ø) P ( A) = 1- P (A) A Ϲ Ω A Ϲ Ω (Ω, Ƒ, P) Doc A ϵ Ƒ A ϵ Ƒ Alors A A = Ø Axiome d additivité restreite : P (A U A) = P (A) + P( A) P (A U A) = P (Ω) = 1 P (A) + P ( A) = 1 P ( A) = 1 P (A) P3 : P (Ø) = 0 soit u évèemet quelcoque A. O sait que A Ø = Ø et A Ø U A (tout évèemet est icompatible avec l'évèemet impossible). A partir de l'axiome d'additivité P (A U Ø) = P (A) + P (Ø) = P (A) Si B C A, alors P (B) P (A) III- Théorème de probabilités composées 1- Les probabilités coditioelles ou liées Soiet 2 évèemets A et B tels que A B Ø. La probabilité de réalisatio de l'évèemet B lorsque l'évèemet A est réalisé s'appelle "probabilité coditioelle de B par rapport à A", que l'o ote P (B / A). O dit égalemet "probabilité de B si A" ou ecore "probabilité de B sachat A". O calcule cette probabilité de la maière suivate : P (B / A) = P (B A) P (A) Exemple : Soit u jeu de 52 cartes. Les cartes ot été regroupées selo leur couleur. Quelle est la probabilité d'extraire la hauteur "roi" sachat que l'o a puisé das le paquet des "coeur"? P (cœur) = 13 et P (roi cœur) = 1 o calcul alors P (roi / cœur) = 1 / 52 = / Les probabilités composées A partir du résultat précédet, ous pouvos écrire : P (A B) = P (B / B). P (A) = P (A / b). P (B) 4
5 Chapitre II Elémet de bases des Variables Aléatoires I- Défiitios 1- Variables aléatoires Soit u uivers Ω muie de la structure aléatoire de boule probabilité : (Ω, Ƒ, P) A Ϲ Ω A ϵ Ƒ A P (A) ϵ [0 ; 1] Maiteat o va défiir ue applicatio X image Ve : X : e ϵ Ω X (e) ϵ R Soit A x la partie de Ω image iverse de l itervalle] - ; x [ P (A x ) [----] 0 1 Ω X X - 1 R Ici : - e ϵ A x X (e) ϵ ] - ; x [ - e ϵ A x X (e) < x O dit que l applicatio X est ue variable aléatoire quelque soit A, A x ϵ Ƒ. Ce qui veut dire que la variable aléatoire X est ue applicatio c'est-à-dire ue trasformatio qui à u évéemet fait correspodre u réel. 2- Processus aléatoire (ou stochastique) U processus aléatoire est ue famille de variable aléatoire idicé par le temps 3-Loi de probabilité O appel loi de probabilité la loi qui à chacue des valeurs possibles de la variables aléatoire X o associe la probabilité de l évéemet correspodat. Notatio : X = VA (variable aléatoire) x = image de la VA Ӿ = esemble des x de i = 1 à oté { x i } i = 1 Loi de probabilité : {x, P x } Ex : O lace successivemet deux fois ue pièce de moaie. O défiie la VA X par le ombre de face obteu lors de ces deux lacée. Défiir la loi de probabilité X : «ombre de face obteues lors des deux lacés» 5
6 Loi de probabilité {x, P x } Elémet X i P i P 1, P 2 0 ¼ P 1, F 2 1 ¼ + ¼ = ½ F 1, P 2 F 1, F 2 2 1/4 Ʃ P i = 1 Ӿ = {0, 1, 2} 4- La foctio de répartitio (cumulative) Défiitio : Soit ue VA x et X (e) = x O appel doc foctio de répartitio la probabilité d avoir les images de X à iférieur à X soit : F (x) = Prob [X (e) x] = Prob [X x] Propriété (ou coditio d existece) : P 1 : 0 < F (x) 1 valable pour tout x P 2 : F (x) 1 pour x tedat e + P 3 : F (x) 0 pour tout x tedat e - P 4 : Soit x 1 x 2 o a par défiitio : F (x 1 ) = Prob [X x 1 ] = Prob [X ϵ ]- ; x 1 ]] F (x 2 ) = Prob [X x 2 ] = Prob [X ϵ ]- ; x 2 ]] x 1 ] - ; x 1 ] Ϲ ]- ; x 2 ] Prob[ ] - ; x 1 ] ] Prob [ ]- ;x 2 ]] F(x 1 ) F (x 2 ) avec x 1 x 2 La foctio de répartitio est doc croissate P 5 : La foctio de répartitio caractérise la VA, o a motrée que l étude d ue VA X peut s effectuer soit de l algèbre de boole {Ω, Ƒ, P} soit à partir de la foctio de réactio F(x). Utilisatio de F(x) das le calcul d ue probabilité d itervalle O cosidère deux foctios : F (a) = Prob [X a] = Prob [X (e) ϵ ] - ; a] F (b) = Prob [X b] = Prob [X (e) ϵ ] - ; b] O se place das a < b doc : ] - ; b] = ]- ;a] U ]a, b[ a b R x 2 R ]- ; a] ]a, b[ = Ø Prob[ ]- ; b] ] = Prob[ ]- ; a]] + Prob[ ]a, b[ ] F (b) = F (a) + Prob [ ]a, b] ] Prob [ ] a, b ] ] = F (a) F (b) Prob [ a < X b] = F (b) F (a) Typologie des variatios aléatoires Selo la ature de F(x) et de l esemble de défiitio Ӿ o a des atures différetes de VA : 6
7 - Si Card Ӿ est fii ou ifii déombrable la VA sera dite discrète - Si Card Ӿ est ifii, la Va sera dite cotiu - Si Ӿ est égale à la réuio d u esemble à cardial fii ou déombrable et d u esemble à Cardial ifii, la VA sera dite mixte. II- Variable aléatoires discrète 1- Défiitio Ue VA est dite discrète si ces différetes valeurs possibles sot : - e ombre fii : X = {x 1, x 2,, x } avec x 1 < x 2 < < x i < <x -ou e ifiité déombrable : X{x 1, x 2,,x i,,x, } avec x 1 < x 2 < < x i < < x < 2- Loi de probabilité Elle associe à chacue des valeurs possibles de la VA discrète X la probabilité idividuelle de l évéemet correspodat. Les probabilités correspodates à des poits, e dehors de ces poits la probabilité est ulle. La représetatio graphique est doc le diagramme e bâto. Loi de probabilité : {x, p x } [x i, Prob [X = x] x P x ou Prob[X = x] x 1 P 1 P x x 2 P 2 x P ƩP x = 1 0 x 1 x 2 x 3 x i 3- Foctio de Répartitio Par défiitio la foctio de réactio c est la probabilité d avoir X x F (x) = Prob [X x] x 1 < x 2 < < x i <.< x x x 1 F(x) = 0 x 1 x x 2 F(x) = Prob [ X = x 1 ] = P 1 x 2 x x 3 F(x) = Prob [ X = x 1 ] + Prob [ X = x 2 ]= P 1 + P 2 x i x x i+1 F(x) = Prob [ X = x 1 ] + Prob [ X = x 2 ] Prob[ X = x 2 ] = P 1 + P 2 + +P = 1 La représetatio de la foctio de répartitio s appelle la courbe cumulative. La courbe cumulative est ue foctio e escalier qui présete des sauts pour les valeurs de l esemble de défiitio. x 7
8 E x 1 saut P i = Prob [X = x i ] F(x) x 1 x 2 x 3 0 x 4 x i x x 4- Exemples Ex 1 : Exemple précédat vue au I-3 X = «ombre de face obteu lors des 2 lacés» Ӿ = {0, 1, 2} Loi de probabilité : {x i, P i } ou {x i, Prob [X = x i ]} x i P i 0 ¼ 1 ½ 2 ¼ Foctio de répartitio : F (x) = Prob [x x] Si x < 0 F(x) = 0 0 x 1 F(x) = Prob [X = 0] = 1 1 x 1 F(x) = Prob [X = 0] + Prob [X = 1]= ¼ + ½ = ¾ x 2 F(x) = ¾ + ¼ = 1 ½ ¼ ¾ ½ ¼ x i 1 2 Ex 2 : La variable idicatrice de l évéemet A est ue variable aléatoire qui pred la valeur 1 si A se produit et 0, et 0 si A e se produit pas. X = {0, 1} Prob [X = 0] = q p + q = 1 ½ Prob [X = 1] = p q = 1 p x P i ¼ 0 1-p x i 1 P 1 Ʃ P i = 1 1 x i F(x) = Prob [X x] x < 0 F(x) = 0 0 x < 1 F(x) = Prob [X = 0] = 1 - p x 1 F(x) = Prob [X = 0] + Prob [X = 1] = 1 p + p = 1 ½ 1 x i 8
9 Ex 3 : La variabale certaie Soit X la VA qui associe à tout élémet e de Ω le ombre a et X est appelé VA certaie. X(e) = a : Prob[X(e) = a] = 1 X(e) a : Prob[X(e) a] = 0 III- VA aléatoire absolumet cotiue 1- Défiitio - La VA X est dite absolumet cotiue si so esemble de défiitio est à cardial ifiie et si sa foctio de répartitio (F(X) est cotiue à droite et à gauche doc X sera pourvu d ue dérivé premières à droite et à gauche et gééralemet ces dérivées premières sot égales pour tout x ϵ Ӿ. L esemble de défiitio Ӿ est u itervalle où ue réuio d itervalle avec Ӿ ϵ R - La probabilité attachée à u poit est ulle lorsque la VA X est cotiue e raiso de la cotiuité de la foctio de répartitio : X est cotiu ; Ӿ Ϲ R ; x ϵ Ӿ (a, b) > 0 R x - a x x + b x a Ϲ Ӿ x b Ϲ Ӿ Prob (X (e) ) 0 x ϵ ]x - a, x - b[ Prob [X (e) = x] Prob [X (e) ϵ ]x - a, x - b[ ] = F (x + b) F(x - a) Si a ted vers 0 F(x - a) F(x) cotiue à gauche Si b ted vers 0 F(x + b) F(x) cotiue à droite 0 Prob [X(e) = x] F(x) F(x) = 0 Prob [X(e) = x] = 0 - Probabilité attaché à u itervalle, desité liéaire moyee de probabilité : la probabilité attaché à u itervalle (idifféremmet fermé, ouvert ou semi-ouvert) est égale à la différece des valeurs prises par la foctio de répartitio aux extrémité de l itervalle. Prob [a X b] = F(b) F(a) Prob [a < X < b] = Prob [a X b] = Prob[a < X b] O appel desité liéaire moyee de probabilité sur l itervalle a, b ; la variatio de a, b (Δ a,b ) est le rapport de la probabilité attaché à l itervalle à la logueur de l itervalle F(b) F(a) Δ b-a = b - a - Desité de probabilité e u poit : O appel desité de probabilité ou desité liéaire de probabilité au poit d abscisse X la limite de la desité de probabilité sur l itervalle (X ; X + h) lorsque la logueur h ted vers 0. F(x + h) F(x) F(x) F(x - h) Δ x, x+h = Δ x-h, x = h h Lim Δ x, x+h = f (x + 0) droite à droite h 0 Lim Δ x-h, x = f (x - 0) droite à gauche h 0 9
10 Si f(x + 0) = f (x 0) foctio dérivable au poit x et F (x) = f(x) - Probabilité élémetaire : La probabilité attachée à u itervalle ifiitésimal de logueur dx etourat x appelé probabilité élémetaire est égale au poit de la desité de la probabilité au poit x par la logueur de l itervalle f(x) dx 2- Les propriétés - La desité de probabilité f(x) est à valeur o égative sur l esemble Ӿ sur la variable X : f(x) 0 si x ϵ Ӿ - La desité de probabilité de probabilité est à valeur ul e dehors de l esemble de défiitio : f(x) = 0 si x ϵ Ӿ - So itégrale de probabilité sur l esemble de défiitio X de la VA est égale à 1 : ʃ x f(x)dx = 1 - F(x) = f(x) doc F(x) = ʃ x - f(x) dx Prob [a < X b] = F (b) F(a) = ʃ b - f(x) dx - ʃ a - f(x) dx Prob [a < X b] = ʃ b a f(x) dx 3- Histogramme : courbe cumulative O appel histogramme de la VA X la courbe représetative de sa desité de probabilité f, l aire situé sous l histogramme état égale à 1. La probabilité attachée à l itervalle AB est égale à l aire comprise sous l histogramme etre le segmet [AB] et les deux droites X = a et X = b : Prob [a < X < b] = ʃ b a f(x) dx = ʃ f(x) dx = 1 F(x o ) ʃ xo - f(x)dx Aire = 1 F(x) x a b Courbe cumulative x F(a) F(b) F(x 0 ) x 0 a b x Loi de probabilité d ue VA : {x, f(x)} S écrit : X f(x) = x ϵ Ӿ Ϲ R f(x) = 0 si x ϵ Ӿ 10
11 Chapitre III : Caractéristiques des variables aléatoires à ue dimesio I- Les caractéristiques de tedace cetrale 1- L espérace mathématique a- Défiitio L espérace mathématique de X que l o ote E[X], est la moyee arithmétique des valeurs possible podérée par les probabilités correspodates. Cas des variables aléatoires discrètes : X est ue VA {x, P x } ou {x i, P i } E[X] = Ʃ x. P x = Ʃ x i P i x ϵ Ӿ i = 1 Cas d ue variables aléatoires cotiue : {Ӿ, f(x)} et {Ӿ, F(x)} E[X] = x.f(x) dx Ӿ b- Propriété de l espérace mathématique Elles sot vraies aussi bie das le cas cotiu que das le cas discret. P1 : L espérace d ue variable certaie ou d ue costate est égale à cette costate : E[a] = a avec a costate X = a E[X] = Ʃ x i.p i = a.1 = a E[a] = a P2 : L espérace mathématique est u opérateur liéaire défiie à partir de la somme et d u produit par u scalaire. Rappel : foctio liéaire f (x + y) = f (x) + f (y) f (a.x) = a.f (x) Soiet deux variables aléatoire discrètes X et Y Pour X x i x 1 x P i P 1 P Pour Y Y i Y 1 Y p i P 1 p Alors X+Y X i + y i X 1 +Y 1 X +Y p i P 1 p O veut : E[X + Y] = Ʃ (x i + y i ) P i = Ʃ (x i.p i + y i.p i ) = Ʃ x i.p i + Ʃ y i.p i E [X + Y] = E [X] + E[Y] O peut doc e coclure que : E [X - Y] = E [X] - E[Y] Soit deux variables aléatoires discrètes et a costate avec Y = a. X 11
12 Pour X x i x 1 x P i P 1 P Pour Y= a.x a.x i a.x 1 a.x P i P 1 P E [Y] = E [a.x] = Ʃ y i.p i = Ʃ (a.x i ).P i = a.ʃ x i.p i E [ax] = a.e [X] P3 : La variable cetrée X : VA ; pour cette VA o coaît so espérace E[X] La variable cetrée est la différece etre la VA et l espérace : X E[X] E [X - E[X] ] = E [X]- E [E [X] ] E [X] E [X] = 0 P4 : L espérace d u produit de variable aléatoire est égale aux produits des espéraces si ces deux VA sot idépedates : E [X.Y] = E [X].E [Y] avec X, Y idépedate X, Y sot des VA discrète : E [X.Y] = Ʃ Ʃ x i.y j.p ij i j X et Y sot idépedates : P ij = P i..p.j E [X.Y] = ƩƩ i j P.i P j. x i x j = Ʃ x i P i. Ʃ P.j E [ X.Y] id i j = E [X]. E[Y] P5 : L espérace mathématique d ue moyee de variables aléatoires Soit {X 1, X 2,,X,} des VA suivat ue loi de probabilité (quelcoque) qui aurot la même Espérace mathématique E [X 1 ] = E [X 2 ] = = E [X ] = m O cherche E [ X ] X = X 1 + X X X est ue VA E [ X] = E [ X 1 + X X ] = 1 E [x1 + x 2 + +x ] = 1 [ E [X 1 ] + E [X 2 ] + + E [X ] ] = x m E [ X] = m L espérace de la moyee d ue suite de VA est égale à la moyee de la variable aléatoire X c- Exemples Ex 1 : Variable idicatrice E [X] = Ʃ xp x = 1p + 0 q = p x ϵ Ӿ 12
13 Ex 2 : X «ombres de face» E [X] = Ʃ xp x = 0. ¼ + 1.½ +2.¼ =1 x ϵ Ӿ Ex 3 : Variables aléatoire cotiue f(x) = x pour x ϵ [0, 1] f(x) = 2 x pour tout x ϵ [1, 2] f(x) = 0 pour tout x ϵ [0, 2] E [X] = Ӿ x.f(x) dx = 1 0 x.f(x) dx x.f(x) dx = 1 0 x² dx + 2 1(2 - x) x dx = [ x 3 / 3] [x² - (x 3 ) /3]² 1 = 1 2- Les quatiles O appel quatile d ordre b ou fractile d ue variable aléatoire X dot la foctio cumulative est F, la solutio x p de l équatio F(x.p) = p avec 0 < p < 1 C est doc : Prob [X x.p] = p - La médiae : la médiae d ue variable aléatoire est le quatile d ordre 1/2, o la ote x Mé. Le x Mé est la valeur qui partage la masse de la distributio e deux masses égales, c est-à-dire que la foctio de répartitio de la médiae est égale à ½ Prob [x x Mé ] = ½ t F (x Mé = ½) VA discrète : F(x) x Mé ϵ Ӿ x x i x i + 1 x VA Cotiue : 1 F(x) Itervalle média 0.5 x x Mé ϵ Ӿ - Les quartiles : Les quartiles partage la distributio e quatre masse égales. Q 1 = x ¼ F(x ¼ ) Q 2 = x Mé = 3/4 F(x Mé ) Q 3 = x¾ = ¾ F(x ¾ ) = ¼ x ¼ / Prob [X x ¼] = 1/4 13
14 [Q 1, Q 3 ] est l itervalle iterquartile il reseige sur la répartitio de la distributio. [Q 1, Q 3 ] : Prob [ Q 1 < X Q 3 ] = Les déciles : partaget la distributio e 10 masses égales à 1/10 d i : F(d i ) = 1 10 d 5 : F(d 5 ) = 5 = d 5 = x Mé 3- Le mode Le mode d ue variable aléatoire est la valeur otée x Mo pour laquelle le diagramme e bâto (ou histogramme) présete so maximum. Va discrète : Das le cas discret le mode est u poit de l esemble de défiitio tel que la probabilité attachée à ce poit soit supérieure au deux probabilités adjacetes. x Mo = x k : P k > P k+1 et P k > P k-1 P k P k-1 P k+1 VA cotiue : Lorsque la desité f est ue foctio cotiue est pourvu des dérivés premières et secodes, le mode otée x Mo doe : f (x Mo ) = 0 et f (x Mo ) <0 Le mode sur ue variable cotiue correspod à u poit d iflexio de la courbe cumulative. Ue variable aléatoire est dite uimodale si elle possède u mode uique, c'est-à-dire si elle a pas de mode relatif. O appel mode relatif ue image x Mo pour laquelle le diagramme e bâto ou l histogramme présete u maximum local : x Mo Max globale d ue uimodale Max globale x Mo x x Mo x Mo Max absolu Max local Max globale (Mode relatif) Mode relatifs Cas particulier : x m = x Mo 14
15 II- Caractéristique de dispersio 1- Les momets a- Les momets o cetrés Soit X ue variable aléatoire et k u etier positif, o appel momet o cetré d ordre k de X. k = 0 E [X ] = 1 = m o k = 1 E [X 1 ] = E [X] = m 1 k = 2 E [X 2 ] = m 2 M k [X] = m k = E [X k ] X : VA discrète, {x, p x } {x i, p x } m k = E [X k ] = Ʃ x i k.p i = Ʃp x.x k avec x ϵ Ӿ X : VA cotiue {Ӿ, f(x)} m k = E [X k ] = ʃ i x x k.f(x)dx X k : VA b- Les momets cetrés X est ue variable aléatoire pour laquelle o coaît so espérace X O appel momet cetré d ordre k (avec k positif) l espérace mathématique de [X E [X] ] k X : VA avec E[X] = m μ k [X] = μ k = E[X E[X]] k X : VA discrète μ k = Ʃ (x i E[X] ) k. p i X : VA cotiue μ k = ʃ (x - m) k.f(x)dx avec m = E(x) k = 0 μ 0 = E[X E[X] ] = 0 k = 1 μ 1 = E[X E[X] 1 = 0 k =2 μ 2 = E[X E[X]² ] = V [X] Variable cetrée Relatio etre momets cetrés et momets o cetrés : μ 2 = E[X E[X]² ] = E [ [X²] - 2.E[X] + E[X]² ] = E [X²] - 2.E[X].E[X] + E[X]² = m 2 2m 1 ² + m 1 ² μ 2 = V[X] = m 2 m 1 ² μ 3 = m 3 3m 1 m 2 +2m 1 3 V[X] = E[X²] (E[X] )² E[X²] = m² = ʃ Ӿ x² f(x)dx = ʃ 1 0 x 3 dx + ʃ 2 1 (2 x) x² dx = [ x 4 / 4] [ (2x 3 / 3) (x 4 / 4)] 2 1 = 7/6 V[X] = (7 / 6) 1² = 1/6 c- Momet factoriel Soit X ue VA et k u etier positif, o appel momet factoriel d ordre k : μ [k] [X] = μ [k] = E[X (X -1) (X k +1)] jusqu à k facteurs Les momets factoriels sot surtout utilisés das le cas de VA discrète dot les valeurs possible sot les etiers o égatif {0,1 } 15
16 μ [k] = Ʃ x i (x i - 1) (x i k + 1).p i i = 1 Relatio etre les momets factoriels et les momets o cetrés : μ [1] = E[X] = m μ [2] = E[ X(X 1)] = E[ X² - X] = E[X²] - E[X] = m 2 m 1 μ [3] = E[ X(X 1)(X - 2)] = E[ X(X² - 3X + 2)] = E[ X 3-3X² + 2X)] = m 3 3m 2 + 2m 1 2- La variace Défiitio : m 1 = μ [1] m 2 = μ [2] m 1 = μ [2] + μ [1] m 3 = μ [3] 3μ [2] + μ [1] μ [2] = V[X] = E[X E[X] ]² = m 2 m 1 ² V[X] = σ² [X] La variace mesure la dispersio de la distributio autour de la moyee. Propriété : P1 : X est ue VA avec E [a. X + b] = a. E[X] + b Y = a. X + b V[Y] = E [Y E[Y] ]² = E [(a.x + b) (a. E [X] + b] = E [a.x E [X]]² = E [a.(x E [X] ]² = E [a² (X² - E [X] )² = a² E [X E [X] ]² V[a. X + b] = a² V[X] P2 : Calcul de la variace de la variable cetrée réduite X est ue VA pour laquelle o coaît so espérace E[X] = m et sa variace V[X] = σ² [X] E[X - E[X]] = 0 Y = X E [X] E[Y] = 0 σ [X] V[Y] = V [Y E[Y] ]² = E [X - E[X] 0] σ[x] = 1 V[X E [X] ]² σ = V [X] = 1 V [X] Quad o s itéresse à la variable aléatoire cetrée, so espérace est ulle et sa variace est égale à u Y = X E[X] E[Y] = 0 Σ V[Y] = 1 P3 : Variace d ue somme de VA X, Y : VA ; o coaît E[X], E[Y] et V [X], V[Y] o chercher V [X + Y] O appel Z = X + Y, o coaît E[Z] = E[X] + E[Y] V[Z] = V[X + Y] = E [ (X + Y) - E[X + Y] ]² 16
17 = E[X + Y - E[X] E[Y] ]² = E[ (X - E[X]) + (Y E[Y])]² = E[ (X - E[ X])² + (Y - E[ Y])² + 2(X - E[ X])² (Y - E[ Y])² = E[X - E[ X])² + E[Y - E[Y])²+ 2(X - E[ X]) (Y - E[ Y]) V[X + Y] = V[X] V(Y) + 2 Cov (X,Y) avec Cov (X,Y) = E[(X - E[ X]) (Y - E[Y]² Propriété de la Covariace P1 : Cov (ax, by) = ab Cov (X,Y) P2 : Si X et Y idépedat : Cov(X,Y) = E[(X - E[X]) (Y - E[Y])] = E[XY - E[X] - E[Y] + E[X]E[Y]] = E[XY] - E[X]E[Y] E[Y]E[X] + E[X]E[Y] Cov (X, Y) = E[XY] E[X]E[Y] E[X, Y] id = E[X]. E[Y] Cov (Y + Y) = E[X]. E[Y] E[X]. E[Y] = 0 Cov (X, Y) id = 0 P3 : Cov (Y, X 1 ) avec Y = X 1 + X 2 doc o calcul : Cov(X 1 + X 2, X 1 ) Cov(X 1 +X 2, X 1 ) = Cov(X 1, X 1 ) + Cov(X 2, X 1 ) P4 : La variace réalise le miimum des expressios du type E [X - c]² où c est ue costate. E[X - c]² est ue mesure de dispersio de la distributio autour d u pôle c. E[X - c]² = E[(X - m] + (m - c)]² = E[(X - m)² + (m - X)² + 2(X - m) (m - c)] = E[x - m]² + E[m- X]² + 2 E[(X - m) (m - c)] = V[X] + (m - c)² + 2(m - c) E[X - m] ] = E[X - c]² = V[X] + (m - c)² V c E[X - c]² V[X] E[X - c]² = V[X] m - c = 0 doc c = m P5 : Variace d ue moyee de variable aléatoire idépedate. O a ue suite de variable de X 1, X 2,,X ; elles sot idépedate, elles ot ue loi de probabilité quelcoque par cotre leurs espéraces est la même E[X i ] = m ; V[X i ] = σ ² V [ X] = V [X 1 + X X ] = 1 V [X 1 +X 2 +.+X ] ² = 1 [V(X 1 ) + V(X 2 ) +.+ V(X )] = 1 (σ² + σ² +.+ σ²) = σ² = σ² ² ² ² V [ X] = σ² σ² = V[X] E [ X] = m 2- Ecart absolu moye O appel écart absolu moye d ue VA X par rapport à l espérace mathématique des valeurs absolu des écart X - a. ea[x] = E[ X - a ] ou a = m(oyee) ea[x] = E[ X-m ] ou o a = x mé alors ea[x] = E[ X-x Mé ] 17
18 L écart absolue moye par rapport à la médiae réalise le miimum des caractéristique de dispersio du type E[ X - a ] mi E[ X - a ] E[ X - x Mé ] III- Iégalité de Markov X est ue Va uiquemet à image positive. Prob[X t] E[ X ] avec t > 0 t IV- iégalité de Bieaymé et Tchebicheff O part d ue iégalité de Markov, o cosidère ue VA X avec E[X] = m et o VA Y avec T = (X - m)² = (X - E[X])² 0 Prob [Y t] E[Y] avec t = ε² t Prob[(X - E[X])² ε² E[X - E[X]]² ε² Prob[ X - E[X] ε ] V[X] ε² Prob[ X - E[X] ε ] V[X] ε² V- Foctio géératrice des momets 1- Défiitio Soit X ue VA discrète à valeur possible etière et o égative, o appel foctio géératrice de X otée g x [U] = E[U X ] où u 0. {x, px} g x [U] = Ʃ ux.px 2- Propriété O se place das le cas où 0 u 1 ; das ce cas cette foctio o décroissate de u est cotiue. La série qui la défiie est absolumet et uiformémet covergete e U. 0 u 1 u 1 ux 1x = 1 g x [U] = Ʃ ux.p x Ʃ p x = 1 g x [0] = 0 ; g x [1] = 1 ;. Cette somme est borée doc o peut dériver sous le sige σ : g x [U] = Ʃ px. ux -1 x Ʃ p x.x = E [X] g x [U] = Ʃ (x - 1). x u x-2 p x Ʃ p x. x - 1 = V[2] g (k) x[u] = Ʃ p x. x (x - 1)(x - 2) (x k + 1)u x-k De là o déduit que la foctio géératrice des momets fourie les momets factorielles par ses dérivés e u = 1 g x [1] = E[1] = μ[1] ; g x [2] = E[2] = μ[2] Si o pose u = 1 + v ; v voisi de 1et v voisi de 0 Doc o peu effectuer u développemet au voisiage de 0. 18
19 g x [U] = g x [1 + v] = g x [1] + (v / 1!) g x [1] + (v² / 2!) +. + (v k / k!) gk x [k] g x [U] = g x [1 + v] = 1 + (v / 1!) / μ [1] + (v² / 2!)/ μ[2] + + (v k / k!) / μ [k]+ Le développemet e série de la foctio g x (1 + v) doe comme coefficiet de vk / k! Le momet factoriel d ordre k au voisiage de v = 0. Cette propriété de la foctio géératrice est utilisée pour le calcul des momets factoriels qui à leurs tours permettet de calculer les momets o cetrés puis cetrés. O s e sert aussi pour trouver la loi de probabilité d ue VA coaissat ces momets factorielle. Ex : X {0, 1,2 i } μ[k] = m k avec m costat Détermier la probabilité e X g x [U] = E[U x ] g x [1 + v] =1 + (v / 1!) + (v² / 2!) + + (v k / k!) + μ[1] μ[2] μ[k] = 1 + m (v / 1!) + m² (v² / 2!) + + m k (v k / k!)+ = Ʃ (m.v) k / k! k = 0 Rappel e x = 1 + x + x² x k +. = Ʃ x k 2! k! k=0 1 g x [1 + v] = e mv u = 1 + v doc v = u - 1 g x [1 + v] = g x [U] = e m(u-1) g x [U]= E [U x ] = Ʃ u x P x Ʃu x P x = e m(u-1) g x [U] = e -m. e mu = e - m + (mu / 1!) + ((mu)² / 2!) ((mu) k / k!) = Ʃ m x. (u x / x!) + = Ʃ (e - m m x / x!) u x x = 0 g x [U] = Ʃ ( (e - m.m x ) / x!) u x g x [U] = Ʃ p x ux Px = e -m.m x /x! VI- Les foctios caractéristiques 1- Défiitios Soit X ue VA quelcoque, o appel foctio caractéristique de cette VA, o la ote ph x [t]= E [e itx ] Avec i² = -1 e itx = cos tx + i si tx e itx = 1 La foctio caractéristique est ue foctio de variables complexe. 2- Propriétés P1 : La foctio caractéristique est ue gééralisatio de la foctio géératrice φx[t] = E [e itx ] = Ʃ e itx px discret ʃ e itx f(x) d x φ x [t] = E [(e it ) X ] G x [u] = E [U X ] + VA cotiue P2 : La foctio caractéristique d ue somme de VA aléatoire idépedate X : VA φ x [t] = E[e itx ]] Y : VA φ y [t] = E[e ity ] 19
20 φ x+y [t] = E [e it(x+y) ] = E [e ity + itx ] = E [e itx + e ity ] id = E [e itx ] E [ e ity ] φ X+Y [t] id = φ x [t] φ Y [t] P3 : Foctio caractéristiques d ue forme liéaire de la VA X X : VA et Y = ax+b doc Y : VA φ y [t] = φ ax+b [t] = E[e ity ] = E[e it(ax+b) ] = E[e itax + itb ] =E[e itax. e itb ] = e itb E[e itax ] φ ax+b [t] = e itb φ ax [t] = e itb φ x [at] P4 : Le développemet de la foctio caractéristique selo les puissaces croissate de it doe les momets o cetrées φ [t] = E [e itx ] x : Variable réelle ex = a + (x / 1!) + (x² / 2!) +.+ (x k / k!) +. W variables complexe : ew = a + (w / 1!) + (w² / 2!) +.+ (w k / k!) +. e itx = 1 + (itx / 1!) + ((itx)²/2!) +. + ((itx) k / k!) E[e itx ] = E [ 1 + (it / 1!)x + ( (it)² / 2!)x² +... ( (it) k / k!)x k +... =1 + (it / i) E [X] + ( (it)² / i) E [X²] +...( (it) k / i) E [X k ] φx[t] = 1 +m 1 (it / 1!) + m 2 (it² / 2!) m k (it k / k!) Aisi doc de faço aalogue à foctio géératrice qui fourie par ses dérivés successives e u =1 les momets factorielles la foctio caractéristique fourit les momets o cetrés P5 : La foctio caractéristiques idetifie la VA it X : VA avec {Ω, F,P} Ӿ, F(x) (Px pour X VA discrète et f(x) pour X VA cotiue) X, φx[t] Ex : Référece à l exercice V paragraphe 2 P[X = x] = e -m. (m x / x!) {0 ;1 ;2 ;. ;.} φ x [t] = E[e itx ] = Ʃ e itx p x = Ʃ e itx e -m (m x / x!) = e m [Ʃ ((me it ) x / x!)] Développemet limité e meit φ x [t] = e -m e meit = e m (e it - 1) 3-2 e foctio caractéristique Soit ue VA X ayat ue première foctio caractéristique φx[t] = E[e itx ], o appelle 2 e foctio caractéristique oté ψ x [t] = l(φ x [t]) O l utilise lorsque la foctio caractéristique 1 er se présete sous forme d u produit ou d ue puissace 20
21 VII- Les itégrales eulériees 1- Itégrale eulériee de 2 e espace Itégrale eulériee de deuxième espèce ou foctio gamma Г(a) = ʃ+ 0 e -x x a-1 dx a > 0 Г(a) = ʃ + 0 e -x x a-1 dx a > 0 = (a - 1) Г(a - 1) Les particularités - si : a = Г() = ( - 1) Г( - 1) = ( - 1)( - 2)( - 3). 1 Г(1) Г(1) = ʃ + 0 e -x x 0 dx = ʃ + 0 e -x dx = [-e-x] + 0 = 1 Г() = (-1)! - si - a =.δ Г(.δ) = ( 1 + δ) Г( 1 + δ) = ( 1 + δ) ( 2 + δ) δ Г (δ) Autres formes: Г(a) = ʃ + 0 e -x x a-1 dx a > 0 X = t² dx = 2 t dx Г(a) = ʃ + 0 e -t² t²( a-1 ) 2t dt Г(a) = 2 ʃ + 0 e -t2 2 2a-1 dt Г(7) = ʃ + 0 e -x x 6 dx = 6! Itégrale eulériee de deuxième espèce β : La foctio eulériee de deuxième espèce o la ote β(p,q) = ʃ 1 0 t p-1 (1-t) q-1 dt p,q > 0 Cette relatio etre β(p,q) et Г(a) β(p,q) = Г(p).Г(q) Г(p+q) 21
22 Chapitre IV : Les lois loi de distributio statistiques : Les modèles discrets à ue dimesio I- La loi discrète uiforme 1- Défiitio O appel loi discrète uiforme la loi suivi par la variable aléatoire discrète X dot les valeur possible sot les etiers auquel sot attaché des probabilités égales. Ӿ {1,2,,3,} ; Prob {X = 2 }= 1/ = Px Px Fx 1 y x 1 x 2- Caractéristiques - La foctio géératrice g x [U] = E[U x ] = Ʃ u x p x = u u -1 u-1 μ [k] = (+1)(-1)! (k+1)(-k)! α.k μ [1] = (+1)(-1)! = +1 = E[X] 2(-k)! 2 μ [2] = ²+1 3 μ [k] = (²+1)(-2) 4 maque 3 caractéristiques - Foctio caractéristique φ x [t] = E [eitx] = Ʃ e itx px = Ʃ e itx C x p x q x dx = Ʃ C x (e it p) x q - x dx = (e it p + q) = φ x [t] φ x [t] = (pe it + q) x berouilli φ x [t] = φ B(m,p) (t) = [φ B(1,p) (t)] - Calcul des momets o cetrées d ordres 1 et 3 et de la variace à partir de la foctio caractéristique 22
23 φ x [t] = 1 + m 1 (it) + m 2 (it) ² +. + m k (it) k 1 2 k = (p e it + q) m p e it + q = q + p (1 + it + (it)² (it) k ) 1! 2! k! (p e it + q) = (q + p + it p+ (it)² p (it) k p) 1! 2! k! = (1 + X) Rappel : (1 + X) = 1 + X + ( 1) X² + 2 (a + pe it ) = 1 + ( pit + p (it)² + ) + ( - 1) (pit + p (it)² + )² + 1! 2! 2 1! 2! = 1 + p it + (p + ( - 1) - p²) (it)² + 1! 2! m1 = mp = E [X] m2 = mp + ( 1) p² = p + 1 p 2 + p² V [X] = m 2 m 1 2 = p + 2 p 2 p 2 2 p 2 - Somme de ces deux variables aléatoires X 1 = B ( 1 p 1 ) X 1 + X 2 avec X 1 et X 2 idépedat X 2 = B( 2 p 2 ) P 1 =P 2 = P φ x1 (t) = (pe it +q) 1 φ x2 (t) = (pe it +q) 2 φ x1+ x2 (t)i d = φ x1 (t) φ x2 (t) = (pe it +q) 1 (pe it +q) 2 = (pe it q) = (pe it +q) N N = N caractéristique d ue loi biomiale X 1 + X 2 B ( 1 + 2, p) Ʃ Xi = Ʃ B id (,p) B (Ʃ,p) i = 1 i = 1 x Mo : - Calcul du mode p q < x Mo <p + p Px Mo -1 < Px Mo et Px Mo >Px Mo -1 P x > 1 et P x+1 < 1 P x-1 P x P x+1 = C x+ p x+1 q -x-1 =! = x!( - x)! p = x p C x p x q -x (x + 1)!( x +1)!! q x + 1 q P x+1 = ( x) p < 1 P x x + 1 q P x = ( x+1) p > 1 P x-1 x q ( - k)p < q(x + 1) et ( x + 1)p > xq p xp < qx + q et p xp + p > xq 23
24 p q < qx + px et p + p > xq + xp p+ q < x(p + q) p + p > x(p + q) p q < x et p + p > x p q > x Mo < p + q Si p q = i p q = p q + p q = p + p + = p +p = p q = Loi de probabilité et caractéristique d ue fréquece biomiale Soit X = B (, p) ; E [X] =. p et V [X] =. p. q Jusqu à préset o s est itéressé au ombre X de boule blache prélevé au cours de épreuve idépedate, maiteat o s itéresse à la fréquece relative de cet évéemet. Cette variable représete la proportio des épreuves où l évéemet «obtetio d ue boule blache» s est réalisé, otée : F = X / F obéit à ue loi biomiale d où le om de fréquece biomiale. E[F] = E[X / ] = (1/) E[X] = p / = p V[F] = V[X/] = (1/²)V[X] = (pq)/² = (pq)/ - théorème de berouilli Prob [X - m] ε]σ²/ε² avec m = E[X] X F = X / Prob [ F E [F] ε ] V [F] ε² Prob [ (X / ) - P ε ] (pq / ) ε² pq ε² pq Si ted vers plus l ifiie, la probabilité pour que la fréquece relative d u évéemet s écarte e valeur absolu de p (prob de l évéemet) d ue quatité εalors cette probabilité ted vers 0 ce qui veux dire que la fréquece biomiale ted vers p quad ted vers plus l ifiie IV- Loi de poisso La loi de poisso coviet à la descriptio des évéemets dot les chaces de réalisatio sot faibles. O l appel la loi des faibles probabilité. 1- défiitio O appel variable de poisso de paramètre λ (λ > 0), la VA discrète défiit sur l esemble X etiers des etiers o égatifs par la probabilités suivates : X = P(λ) P[X = x] = e -λ λ x / x! λ>0 χ = {0, 1,., } ƩPx = Ʃ e -λ λ x = e -λ Ʃ λ x = e -λ e λ = 1 x! x! La distributio de poisso est dite symétrique avec étalemet sur la droite, elle ted à deveir symétrique quad λ augmete das ce cas elle se rapproche de ce qu o appel la loi ormale 24
25 2- Caractéristiques a- L espérace E[X] = Ʃx px =Ʃ x e -λ λ x x! =e -λ Ʃ + x=1 λ x = e -λ Ʃ x=1 λ x-1 (x-1)! (x-1)! = λe -λ Ʃ + x=1 λ x-1 = e -λ λ e λ (x-1)! E[x] = λ b- La variace V[X] = E[X²] E[X]² = m 2 - m 1 ² m 2 : E[X²] = Ʃx² px = Ʃx².e -λ λx x! m 1 = e -λ [Ʃ + x=0 x(x-1)λ x + Ʃ + x=0 xλ x ] x! x! = e -λ [Ʃ x=2 λ x + λ Ʃ x=1 λ x ] (x-2) (x-1)! m 2 = e -λ [ Ʃ x=2 ( λ x-2 )λ² + Ʃ x=1 (λ x-1 )λ] (x-2)! (x-1)! = e -λ [λ² Ʃ x=2 ( λ x-2 ) + λ Ʃ x=1 (λ x-1 ) ] (x-2)! (x-1)! m 2 = e -λ [λ²e λ + λe λ ] = λ² + λ V [X] = m 2 - m 1 ² = λ² + λ - λ² = λ V[X] = λ = E[X] c- Le mode Le mode est la valeur de la variable aléatoire pour laquelle la probabilité est assez élevé : Px mo 1 < 1 et (Px Mo + 1 / < 1 Px Mo Px Mo Px Mo 1 = e -λ λ x-1 = x! = x Px Mo (x - 1)! e -λ λ x λ Px Mo +1 = e -λ λ x+1 = x! = λ Px Mo (x+1)! e -λ λ x x+1 x Mo < 1 et λ + 1 < 1 x Mo x Mo < 1 et λ < x Mo +1 x Mo < λ et λ - 1< x Mo λ -1< x Mo < λ Si λ est u etier, il exister 2 valeur modal, λ+1 et λ-1 sio il existe qu ue valeur modal d- La foctio géératrice g x [U] = E[U x ] = Ʃu x px =Ʃ x=0 u x e -λ λ x = e -λ Ʃ (λu) x x! x! g x [U]= e -λ e λx =.. 25
26 Utilisatio de la foctio géératrice pour trouver les momets factorielles - u = 1 + v g x [U] = g x [1 + v] = 1 + μ [1] v / (1!) + +μ [k] v k / k! - u = 1 + v v = u - 1 g x [1 + v] = g x [U] = e λ(u-1) = e λv = 1+ (λv)1! +.+ (λv) k / k! = e λv = 1 + λv1! +. + (λ k v k) / k! Par idetificatio : μ [1] = λ μ [2] =λ² μ [k] =λ k e- La foctio caractéristique φ x [t] = E [e itx ] = Ʃ e itx px = Ʃ e itx e -λ λ x / x! = e -λ Ʃ (e it λ) x / x! = e - λ e λeit φ x [t] = e λ (e it-1 ) Utilisatio de la foctio caractéristique pour prouver les momets o cetrée φ x [t] = 1+ m 1 (it /1!) + m 2 (it)² / 2! + + m k (it) k / k!+... φ x [t] = e λ (eit-1) e it = 1+ it + (it)² + + (it) k ! 2! k! λ(e it - 1) = λ( it + (it)² (it) k +...) 1! 2! k! φ x [t] = e λ(eit-1)d = e y y = λ (e it - 1) φ x [t] = 1 + y + y² + + y k +. 1! 2! k! = 1 + λ (it/ 1! + (it)² +.) + λ² (it + (it)² + )²+. 2! 2! 1! 2! φ x [t] = 1+ λ it + (λ + λ²) (it)² + (λ + λ² 3! + λ 3 ) 1! 2! 2! m 1 = λ m 2 = λ² + λ m 3 = λ + 3λ² + λ 3 V[X] = λ h- Somme de variable de poisso idépedate La somme de 2 VA de poisso idépedate de paramètre respectif λ 1 et λ 2 est ellemême ue variable de poisso de paramètre λ 1 + λ 2 φ x1 [t] = e λ1 (e it - 1) φ x1+ x2 [t] Id = φ x1 [t]. φ x2 [t] = e λ1 (e it - 1). e λ2 (e it - 1) φ x2 [t] = e λ2 (e it - 1) = e (λ1+λ2) (e it - 1) = e λ (e it - 1) 3- Les coditios d applicatios La loi de poisso peut être itroduite comme u cas particulier de la loi biomiale ou o peut la cosidérer comme la résultate d u processus d u résultat particulier, le processus de poisso 26
27 a- approximatio de la loi biomiale par la loi de poisso B (,p) La Loi de poisso est la loi limite de la loi biomiale lorsque das la variable biomiale de paramètre (, ) o a p qui ted vers 0 et qui ted vers + l ifiie, alors (,p) tedra vers λ B(,p) P(λ = p) Démostratio X B (,p) Px = C X p x q -x p + q = 1 p x =! / (x!( - x)!. p x (1 - p) -1 O remplace p h / p x =! / (x /( - x)!. (λ / ) x (1 - (λ / )) -1 p x =λ x / x!. [ ( - 1) ( x + 1)]/ x. (1- λ / ) -x p x =λ x / x!. (1- λ /). /. ( - 1) / ( - 1) ( x + 1) / ( x + 1). 1/ (1 λ /) x p x = λ x / x! (1 - λ / ) p x = λ x /x!. e -λ P(λ) λ = p B(,p) p (λ = p) >50 p<10% b- Le processus de poisso U processus ce rapporte à la d évéemet aléatoire das le temps (ex : pae de machie, les arrivés de bateau das u port, arrivée téléphoique ), ils obéisset à u processus de poisso. O dira qu ue suite idéfiie d évéemet A1, A2. Se réalisat aux date T1,T2. Est u processus de poisso SI les Trois hypothèses suivates se réalises : - le ombre d évéemet qui apparaît etre les dates T et T+h est idépedat du ombre d évéemet qui est apparu etre les dates 0 et T - la probabilité qu u évéemet A qu apparaisset au cours d ue petite période de temps d t est proportioel à la durée de cette période - la probabilité de 2 apparitios successives de cet évéemet sur u même petit itervalle de temps d t est égligeable Das u exercice comme pour les lois précédetes, o doit justifier les hypothèses par rapport à l éocer Ex : arrivée d ue voiture e u poit doé sur ue route L hypothèse 1 est satisfaite si les arrivé de voiture sot idépedate : il y a pas de feu de circulatio das le voisiage et arrivé de voiture loi d ue agglomératio L hypothèse 2 est satisfaite si au cours de la période d observatio le rythme d arrivé des véhicule est costat, la période d observatio est homogèe (mati ou après-midi) L hypothèse 3 exprime qu au cours d u itervalle de temps ifiitésimal la probabilité de plous de 2 véhicules est très petite par rapport à la probabilité d ue seule voiture qui est ellemême petite 27
28 28
Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
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 détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
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 détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
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 détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailII - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1
II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d
Plus en détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
Plus en détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en 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 détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailLE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE
LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
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 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 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 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 détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
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 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 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 détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détail