Révision MAT1978. P (X = 0) = 1 p = q P (X = 1) = p, E(X) = p V ar(x) = p(1 p). ϕ(t) = q + pe t.
|
|
- Jean-Claude Thibault Pothier
- il y a 6 ans
- Total affichages :
Transcription
1 Révision MAT978 Chapitre 5. lois Bernoulli et binomiale Une épreuve de Bernoulli(p consiste à observer un succès ou un échec selon les probabilités où 0 p. La moyenne et la variance sont P (X = 0 = p = q P (X = = p, E(X = p V ar(x = p( p. La fonction génératrice des moments (fgm est ϕ(t = q + pe t. On obtient une variable binomiale(n, p lorsqu on observe le nombre de succès dans une suite de n épreuves de Bernoulli indépendantes. La fonction de masse est ( n P (X = i = p i ( p n i, i = 0,,..., n. i Une variable binomiale s écrit comme X = X i, i= où les variables X i sont iid de loi Bernoulli(p. Ceci donne la moyenne et la variance E(X = np V ar(x = np( p de même que la fgm ϕ(t = (q + pe t n. La formule récursive est aussi utile P (X = k + = p n k P (X = k. p k +
2 .2 loi de Poisson Une variable X suit la loi de Poisson(λ, λ > 0, si X a pour fonction de masse La fgm de cette loi est P (X = i = e ce qui procure la moyenne et la variance λ λi, i = 0,,... i! ϕ(t = exp[λ(e t ] E(X = λ V ar(x = λ. La loi binomiale(n, p, où n est grand et p est petit peut être approchée par une loi de Poisson(λ, où λ = np. Si X de loi Poisson(λ est indépendante de X 2 de loi Poisson(λ 2 alors, X + X 2 est de loi Poisson(λ +λ 2. C est cette propriété qu on invoque pour dire que si le nombre de particules alpha émises dans un intervalle d une seconde suit une loi de Poisson(3, 2 alors, le nombre de particules alpha émises dans un intervalle de 2 secondes suit une loi de Poisson(6, 4. Si X de loi Poisson(λ est indépendante de X 2 de loi Poisson(λ 2 alors, la loi conditionnelle de X, étant donnée que X + X 2 = n, est la loi binomiale(n, λ /(λ + λ 2. On a aussi la formule récursive.3 loi hypergéométrique P (X = i + = λ P (X = i. i + Une urne contient N boules rouges et M boules noires. On choisit au hasard (sans remise n boules de l urne. La fonction de masse de X, le nombre de boules rouges sélectionnées, est celle de la loi hypergéométrique(n, M, n ( N ( M i P (X = i = n i ( N+M n, max(0, n M i min(n, n. La moyenne de X est E(X = nn (N + M. Si la sélection était faite avec remise, la loi de X serait binomiale(n, N/(N + M. Si X de loi binomiale(n, p est indépendante de Y de loi binomiale(m, p alors, la loi conditionnelle de X, étant donnée que X + Y = k, est la loi hypergéométrique(n, m, k. 2
3 .4 loi uniforme La variable X de loi uniforme(α, β a pour densité f(x = β α, α < x < β. Si U est de loi uniforme(0, alors, X = α + (β αu est de loi uniforme(α, β. La moyenne et la variance sont.5 loi normale La variable X de loi N(µ, σ 2 a pour densité E(X = α + β 2 (β α2 V ar(x =. 2 f(x = 2π σ e (x µ2 /2σ 2. Si Z est de loi N(0, alors, X = µ + σz est de loi N(µ, σ 2. Réciproquement, si X est de loi N(µ, σ 2 alors, Z = (X µ/σ est de loi N(0,. Les tables de la loi N(0, donne la fonction de répartition Par symmétrie, Φ( z = Φ(z. Φ(z = z 2π e x2 /2 dx. Si X est de loi N(µ, σ 2 alors, ( ( b µ a µ P (a < X < b = Φ Φ. σ σ La fgm de la loi N(µ, σ 2 est ϕ(t = e tµ+σ2 t 2 /2. Si X i, i =,..., n, sont indépendantes de loi N(µ i, σ 2 i alors Σ n i=x i est de loi N(µ, σ 2 où µ = Σ n i=µ i et σ 2 = Σ n i=σ 2 i. Le quantile α de la loi N(0, est noté z α et satisfait P (Z > z α = Φ(z α = α. 3
4 .6 loi exponentielle La variable X de loi exponentielle(λ, λ > 0, a pour densité f(x = λe λx, x > 0. La fonction de répartition de X est F (x = e λx, x > 0. Si U est de loi exponentielle( alors, X = U/λ est de loi exponentielle(λ. La fgm de X est ϕ(t = λ/(λ t, t < λ. La moyenne et la variance de X sont E(X = /λ V ar(x = /λ 2. La variable X est dite sans mémoire puisque P (X > s + t X > t = P (X > s, s, t > 0. Si X i, i =,..., n, sont indépendantes de loi exponentielle(λ i alors, min(x,..., X n est de loi exponentielle(λ, où λ = Σ n i=λ i. Cette propriété permet de modéliser la durée de vie d un système de composantes indépendantes installées en série..7 loi du khi-deux Si Z,..., Z n sont iid N(0, alors, par définition, la loi de X = Z Zn 2 est la loi du χ 2 n. Le quantile α de la loi du χ 2 n est noté χ 2 α,n et satisfait P (X > χ 2 α,n = α. la fgm de X est ϕ(t = ( 2t n/2, t < /2. Si X de loi χ 2 n est indépendante de Y de loi χ 2 m alors, X + Y est de loi χ 2 n+m. La moyenne et la variance de la loi du χ 2 n sont E(X = n V ar(x = 2n. 4
5 .8 la loi de Student Si Z de loi N(0, est indépendante de X n de loi χ 2 n alors, par définition, la loi de T n = Z Xn /n est la loi t n de Student à n degrés de liberté. La loi de T n est symétrique par rapport à 0. Lorsque n, la loi t n converge vers la loi N(0,. La moyenne et la variance sont E(T n = 0 V ar(t n = n/(n 2, n > 2. Le quantile α de la loi t n est noté t α,n et satisfait Par symétrie, t α,n = t α,n. P (T n > t α,n = α..9 la loi F Si X n de loi χ 2 n est indépendante de X m de loi χ 2 m alors, par définition, la loi de est la loi F avec n et m degrés de liberté. F n,m = X n/n X m /m Le quantile α de la loi F n,m est noté F α,n,m et satisfait P (F n,m > F α,n,m = α. Si F n,m est de loi F à n et m degrés de liberté alors, /F n,m est de loi F à m et n degrés de liberté. Cette propriété se traduit en terme des quantiles par 2 Chapitre 6 F α,n,m = F α,m,n. Un échantillon (aléatoire de taille n est représenté par des variables aléatoires X,..., X n iid d une certaine distribution de probabilité. 5
6 2. la moyenne Pour un échantillon de taille n d une distribution quelconque de moyenne µ et de variance σ 2, la moyenne échantillonale X a comme moyenne et variance 2.2 le TLC E( X = µ V ar( X = σ 2 /n. Pour un échantillon de taille n d une distribution quelconque de moyenne µ et de variance σ 2, ( X + + X n nµ P σ x Φ(x, n n ( X µ P σ/ n x Φ(x, n. Si X est de loi binomiale(n, p alors ( X np P x Φ(x, n. np( p 2.3 la variance La variance échantillonale est définie par S 2 = n i= (X i X 2 n et S = S 2 est l écart type. Pour un échantillon de taille n d une distribution quelconque de moyenne µ et de variance σ 2, E(S 2 = σ échantillon d une distribution normale Pour un échantillon de taille n d une distribution N(µ, σ 2, X est de loi N(µ, σ 2 /n, (n S 2 /σ 2 est de loi χ 2 n, X et S 2 sont des variables indépendantes, n( X µ/s est de loi t n. 6
7 3 Chapitre 7 3. estimateur de vraisemblance maximale On dispose d un échantillon de taille n d une distribution dont la densité (ou la fonction de masse est f(x θ. L EVM est obtenu en optimisant la vraisemblance ou parfois la log-vraisemblance L(θ = f(x θ... f(x n θ l(θ = log L(θ = log f(x i θ. i= 3.2 intervalle de confiance sur la moyenne X,..., X n iid N(µ, σ 2 0, variance connue. X,..., X n iid N(µ, σ 2, variance inconnue. IC(µ : X ± zα/2 σ 0 / n IC(µ : (, X + z α σ 0 / n IC(µ : ( X zα σ 0 / n, + IC(µ : X ± tα/2,n S/ n IC(µ : (, X + t α,n S/ n IC(µ : ( X tα,n S/ n, + X,..., X n (n grand iid d une distribution de moyenne µ et de variance σ 2 inconnue. IC(µ : X ± zα/2 S/ n IC(µ : (, X + z α S/ n IC(µ : ( X zα S/ n, intervalle de confiance sur la variance X,..., X n iid N(µ, σ 2. ( IC(σ 2 (n S 2 (n S2 :, χ 2 α/2,n χ 2 α/2,n ( (n S IC(σ 2 2 :, + IC(σ 2 : (0, χ 2 α,n (n S2 χ 2 α,n 7
8 3.4 Comparaison de deux moyennes, échantillons indépendants X,..., X n iid N(µ, σ 2 indépendant de Y,..., Y m iid N(µ 2, σ2, 2 les variances σ 2 et σ2 2 connues. σ IC(µ µ 2 : X 2 Ȳ ± z α/2 + σ2 2 n IC(µ µ 2 :, X Ȳ + z α σ 2 n 2 + σ2 2 n IC(µ µ 2 : σ X 2 Ȳ z α + σ2 2, + n n 2 X,..., X n iid N(µ, σ 2 indépendant de Y,..., Y m iid N(µ 2, σ 2, la variance σ 2 inconnue. On estime la variance commune avec Sp 2 = (n S2 + (m S2 2. n + m 2 n 2 IC(µ µ 2 : X Ȳ ± t α/2,n+m 2 S p + n n 2 IC(µ µ 2 : (, X Ȳ + t α,n+m 2 S p + n n2 ( IC(µ µ 2 : X Ȳ t α,n+m 2 S p +, + n n Comparaison de deux moyennes, mesures répétées (X, Y,..., (X n, Y n iid d une distribution bivariée telle que les différences D i = X i Y i suivent la loi N(µ, σ 2. On calcule S 2 d = n i= (D i D 2. n IC(µ : D ± t α/2,n S d / n IC(µ : (, D + t α,n S d / n IC(µ : ( D tα,n S d / n, Intervalle de confiance pour une proportion X,..., X n (n grand iid Bernoulli(p. L estimateur de p est ˆp = X et n i= X i est de loi binomiale(n, p. En utilisant le TLC pour la binomiale, ˆp p N(0,. ˆp( ˆp n 8
9 IC(p : ˆp ± z α/2 ˆp( ˆp n On peut déterminer la taille n de sorte que la longueur de l intervalle est b pour un niveau donné α comme suit: n = (2z α/2 2 b 2 p( p ou n (z α/2 2 b 2, selon que l on dispose ou non d un estimé préliminaire de p. 3.7 Intervalle de confiance pour la moyenne d une distribution exponentielle X,..., X n iid exponentielle(/θ, de moyenne θ. Dans ce cas on utilise la distribution 4 Chapitre 9 IC(θ : 4. régression linéaire simple Le modèle de régression linéaire simple est 2 θ X i χ 2 2n. i= ( 2 n où les termes d erreur e,..., e n sont iid N(0,. i= X i χ 2 α/2,2n, 2 n i= X i χ 2 α/2,2n y i = α + βx i + e i, i =,..., n, 4.2 estimation de α et β par les moindres carrés La méthode des moindres consiste à estimer α, l ordonnée à l origine, et β, la pente, au moyen du critère (y i A Bx i 2. La solution de ce problème est min A,B i= B = S xy /S xx A = ȳ B x, 9
10 où S xx = S xy = x 2 i n x 2 i= x i y i n xȳ. i= 4.3 estimation de la variance σ 2 On aura besoin de S yy = yi 2 nȳ 2. On estime ensuite la variance σ 2 au moyen des résidus ê i = y i A Bx i, i= ˆσ 2 = SS R n 2, où SS R = n i= ê2 i est la somme de carrés résiduelle. On évalue SS R par la formule sans avoir à calculer tous les résidus. SS R = S yy B 2 S xx 4.4 estimation par maximum de vraisemblance Les estimateurs de α et β sont les mêmes que ceux des moindres carrés, à savoir A et B. L estimateur de σ 2 diffère un peu σ 2 = SS R n. En pratique, on utilise plutôt l estimateur sans biais ˆσ distributions d échantillonage B N (B, σ2 S xx A N (A, σ2 n i= x2 i ns xx (n 2ˆσ 2 /σ 2 χ 2 n 2 Le vecteur aléatoire (A, B est indépendant de ˆσ 2. Cependant, A et B ne sont généralement pas des variables indépendantes, sauf dans le cas où x = 0. 0
11 4.6 intervalles de confiance IC(α : A ± t α/2,n 2 ˆσ IC(β : B ± t α/2,n 2 ˆσ ( IC(σ 2 : n Sxx i= x2 i ns xx (n 2ˆσ 2 (n 2ˆσ2, χ 2 α/2,n 2 χ 2 α/2,n intervalle de confiance sur la moyenne E(y x 0 = α + βx 0 Pour estimer la moyenne de la réponse y à une valeur donnée x = x 0 de la variable explicative on utilise la valeur sur la droite ajustée, à savoir A + Bx 0 dont la distribution est [ n A + Bx 0 N (α + βx 0, σ 2 + (x ] 0 x 2 S xx ce qui donne également l intervalle de confiance IC(α + βx 0 : A + Bx 0 ± t α/2,n 2 ˆσ [ n + (x ] 0 x 2 /2. S xx 4.8 intervalle de prévision d une observation future y 0 = α + βx 0 + e 0 à x = x 0 IP (y 0 : A + Bx 0 ± t α/2,n 2 ˆσ [ + n + (x ] 0 x 2 /2. S xx 4.9 Le coefficient de détermination R 2 Le coefficient de détermination R 2 est un indice de la qualité de l ajustement donné par R 2 = SS R S yy satisfaisant 0 R 2. L ajustement est d autant meilleur que la somme de carrés résiduelles SS R est petite. Un bon ajustement correspond donc à des valeurs de R 2 proches de. On peut aussi montrer qu en fait R 2 est le carré du coefficient de corrélation entre les x i et les y i. C est aussi le carré du coefficient de corrélation entre les y i et les valeurs prévues par le modèle, c est-à-dire ŷ i = A + Bx i.
4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en 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 détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en 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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en 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 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en 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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCours de probabilité et statistique
Cours de probabilité et statistique 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0-4 -3-2 -1 0 1 2 3 4 Denis Bichsel 1 1 Probabilité et statistique 1.1 Introduction Le calcul des probabilité semble avoir son origine
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailIntroduction à R. Florence Yerly. Dept. de mathématiques, Université de Fribourg (CH) SP 2011
Dept. de mathématiques, Université de Fribourg (CH) SP 2011 Qu est ce que R? Un logiciel de statistiques libre et gratuit ; Un logiciel multi-plateforme (UNIX, Windows MacOS X) R permet de faire des calculs
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détail1 TD n 1:dénombrement
MA3 Exercices corrigés TD n :dénombrement Exercice On considère un groupe de n personnes. Quelle est la probabilité que deux d entre elles aient le même jour d anniversaire? (On suppose qu il n y a pas
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détail