20/12/2013. Prof. Mohamed El Merouani
|
|
- Mathilde Chartier
- il y a 6 ans
- Total affichages :
Transcription
1 0//03 Lois de probabilités usuelles discrètes et continues Loisde probabilités discrètessuite
2 0//03 On a vu: Loi de Dirac Loide Bernoulli Loi Binômiale Loi multinomiale 3 Loi hypergéométrique: On considère une urne contenant Nboules dont asont blanches et bn asont rouges. On tire de cette urne nboules. On peut tirer les nboules en même temps ou l une après l autre sans remise. Soit Xla v.a. égale au nombre de boules blanches tirées parmi les nboules. Cette v.a. suit une loi dite hypergéométrique et est notée Hn,a,b. 4
3 0//03 Loi hypergéométrique: Comme 0 X aet 0 n X b, on a: max{0,n b} X min{a,n} Soit un nombre entier k tel que: max{0,n b} k min{a,n} On cherche PXk. L ensemble fondamental Ωest constitué de tous les sous-ensembles de nboules que l on peut tirer de l urne ΩP n E. C est l ensemble de parties à néléments de n l ensemble Edes boules. On a Card Ω C a + b 5 Loi hypergéométrique: Le nombre de façons de tirer kboules parmi k les ablanches est C a et pour chacune de ces n k façons il y a C b manières de tirer n kboules parmi les boules rouges. Donc: P nbre de cas favorables nbre de cas possibles k C C C a X k n n k b a+ b k n k n Comme C ac b Ca+ bon a bien P X k k k 6 3
4 0//03 Loi hypergéométrique: Espérance mathématique de X ~ Hn,a,b an E X a + b Sa variance est: nab a + b n Var X a + b a + b 7 Loide Poisson: On dit qu une v. a. obéit à une loi de Poisson, si elle est susceptible de prendre toutes les valeurs entières 0,,,,k,,n, les probabilités associées étant p 0,p,p,,p k,,p n, avec λ k e. λ pk P X k k! λétant un paramètre positif, et e la base des logarithmes népériens. La constante λ s appelle le paramètre de la loi. La loi de Poisson est notée P λ. 8 4
5 0//03 Loide Poisson: Espérance mathématique: EXλ Variance mathématique: VarXλ Ecart-type: σx λ La loi de Poisson est appelée loi des petites probabilités. On l utilise pour représenter des phénomènes rares, tels que: nombre d accidents, nombre de pannes, nombre de déchets dans une fabrication 9 Loi géométrique: On considère une expérience à deux issues possibles réalisation de l événement Aou de l événement Ā. On répète indéfiniment cette expérience jusqu à ce que Ase réalise. Soit X la v.a. égale au nombre de répétitions nécessaires pour la réalisation de A. On a: XΩ{,,,n, } et PXkp-p k- où pest la probabilité de réalisation de l événement A. 0 5
6 0//03 k Loi géométrique: On vérifie que c est bien une loi de probabilité. En effet, k i P X k p p p p p k i 0 Son espérance mathématique est: E X Sa variance est: p p Var X p p Loi binomiale négative: Une proportion pd éléments d une population possède un certain caractère A. On veut obtenir néléments de ce type en procédant à une suite de tirage indépendants. Ces tirages s effectuent avec remise. On désigne par Yle nombre de tirages nécessaires pour obtenir ces néléments possédant le caractère A. La v.a. XY n est appelée binomiale négative. 6
7 0//03 Loi binomiale négative: On a XΩIN. On cherche PXi. Comme n tirages dont le dernier ont donné un élément possédant le caractère Aet i tirages ont donné un élément ne possédant pas le caractère A, la probabilité d un tel événement est p n p i. Le nombre de ces événements est n. On en déduit: i X C n + i n n Ω, P X i C p p i n+ i 3 Loi binomiale négative: On peut vérifier que: i 0 n n i i n i P X i C p p C p p i 0 n+ i n+ i i 0 Son espérance mathématique est: p E X n p n Sa variance est: Var X p p 4 7
8 0//03 Loisde probabilités continues 5 Loi uniforme: Une v.a. continue Xsuit une loi uniforme si sa densité de probabilité est donnée par:, f x b a 0, si a x b sinon La fonction de répartition Fx de Xest: 0, x a F x, b a, si si x < a si a x b x > b 6 8
9 0//03 Loi uniforme: 7 Loi uniforme: L espérance d une v.a. continue X Ua,b est: ~ a + b E X Sa variance est: Var X a b 8 9
10 0//03 Loi de probabilité exponentielle: Une v.a. Xcontinue suit la loi exponentielle, de paramètre λ>0, notée X εxpλ,si sa densité de probabilité est: ~ λ e f x 0 λx x 0 x < 0 Alors son espérance mathématique est: EX/λ. Sa variance sera: VarX/λ. Son écart-type est alors: σx/λ si si 9 Loi exponentielle: La fonction de répartition Fx d une v.a. X qui suit une loi exponentielle de paramètre λ est: F x e 0 λ x si x 0 si x < 0 0 0
11 0//03 Représentation graphique de fx: 3 fx 0 x Pour λ3 Représentation graphique de Fx: Fx 0 x Pour λ3
12 0//03 Champs d application: D abord, on l applique pour modéliser la demande, en gestion de stock, lorsque la symétrie n est pas vérifiée et lorsqu on remarque que son écart-type est égal à son espérance sa moyenne. Mais en général, la loi exponentielle négative s applique pour modéliser les phénomènes de désintégration. La v.a. Xest alors la durée de vie du phénomène. 3 Loi Gamma: Une v.a. Xsuit une loi gamma de paramètres >0 et >0 si sa densité de probabilité est définie par: x e x, si x 0 f x Γ 0, si x < 0 où Γest la fonction gamma d Euler: e t t Γ dt 0 4
13 0//03 Loi Gamma: L espérance mathématique d une v.a. Xqui suit une loi gamma de paramètres >0 et >0 est: E X En effet, en posant xt, on a: x Γ + E X Γ e x dx Γ 0 Sa variance est: Var X 5 Loi de Weibull: Une v.a. X suit une loi de Weibullde paramètres >0 et >0 si sa densité est définie par: x x e, si x 0 f x 0, si x < 0 La fonction de répartition Fx de Xest: e F x 0, x, si x 0 si x < 0 6 3
14 0//03 Loi de Weibull: L espérance mathématique d une v.a. Xqui suit une loi de Weibullde paramètres >0 et >0 est: Γ + E X En effet, en posant xt, on démontre, comme on a vu pour la loi gamma, le résultat. Sa variance est: Var X Γ + Γ + 7 Loi de Pareto: Une v.a. Xsuit une loi de Pareto de paramètre si sa densité de probabilité est définie par: + c0 ; si c 0 x f x c0 x 0; sinon Son espérance mathématique pour >: E Sa variance existe pour >: c Var X c 8 X 0 0 4
15 0//03 5 Loi Bêta: Loi Bêta: Une v.a. Xsuit une loi bêta de paramètre et si sa densité de probabilité est définie par: où et sont des constantes positives et B, est la fonction bêta d Euler: 9 sinon ; 0 0 si ;, x x x B x f ;, 0 dt t t B, + Γ Γ Γ B Loi Bêta: Loi Bêta: L espérance d une v.a. Xsuit une loi bêta de paramètre et est: En effet, Sa variance est: + X E,, Γ Γ + Γ + + Γ Γ + Γ + B B X E + Γ + Γ + + Γ Γ X Var 30
16 0//03 Loi de Cauchy: Une v.a. Xsuit une loi de Cauchy de paramètres et λ>0 si sa densité de probabilité est définie par: λ f x, x ], + [ π + x λ La fonction de répartition Fx de Xest: F x + Arctg π x λ 3 LoiNormale: Une v.a. continue Xsuit une loi normale de paramètres μet σ>0 si sa densité de probabilité est: f x e σ π x µ σ ; x ], + [ On note X~Nµ,σ. La loi normale est encore connue sous le nom de loi de Gauss ou de Laplace-Gauss. 3 6
17 0//03 Représentation graphique de Nμ,σ: fx σ π e σ π 0 µ σ µ µ + σ x 33 LoiNormale: La fonction de répartition de Xest définie par: On peut montrer que: EXµ et VarXσ t µ σ F x P X x e σ π x dt 34 7
18 0//03 LoiNormalecentrée, réduite : Si Xsuit une loi normale Nµ,σ, alors la v.a. µ Z X σ centrée réduite associée à X, suit une loi normale N0,, dite loi normale centrée, réduite. 35 Loi Normale centrée réduite: En effet, Soit µ Z X et z Є IR. On a: σ X µ P Z z P z P X zσ + µ σ σ z+ µ x µ σ σ π e dx En posant x µ t, on obtient σ P Z z π e dt z t 36 8
19 0//03 Loi Normale centrée réduite: Zest donc une v.a. continue dont la densité de probabilité est définie par: t f t e, t IR π C est-à-dire Z~N0,. 37 Allure et propriété de la loi normale réduite: ft -x x t C est une fonction symétrique par rapport à l axe des ordonnées car elle est paire f -xf x Ainsi les tables de la loi normale centrée réduite, donnent les valeurs de la fonction f tuniquement pour des valeurs positives de la variable t. 38 9
20 0//03 La probabilité pour que T N0, prenne ~ une valeur de l intervalle t,t S écrit alors: P t < T < t π t t e t dt 39 On démontre que: Propriétés: + f t dt L aire comprise entre la courbe N0, et l axe des t est égale à l unité. 40 0
21 0//03 Fonction de répartition de la loi normale centrée réduite: On définit la fonction de répartition Φt de la loi normale centrée réduite, comme: a Φ a f t dt f t a e π t dt - a t 4 Loi Normale centrée réduite: On peut ramener tout calcul sur la fonction de répartition d une v.a. normale Nµ,σà un calcul sur la fonction de répartition, notée Φx, d une v.a. normale N0,. En effet, si X~Nµ,σ, P X µ a µ a µ σ σ σ X a P Φ 4
22 0//03 Loi Normale centrée réduite: Soit Φla fonction de répartition de X~N0,. On a: Φa Φ a. En effet, comme a t Φ a e dt e dt e dt π π π a et a t t t Φ a + Φ a + e dt e dt e π π π a a t t dt 43 Exemple: La taille d un groupe de 000 personnes obéit à une loi normale N70 cm, 5 cm. On demande de déterminer:. Le nombre de personnes dont la taille est comprise entre 68cm et 75cm.. La probabilité pour qu une personne ait une taille supérieure à 80cm. 44
23 0//03 Solution:. Définissons la variable centrée réduite Tà partir de la variable aléatoire X: 70 T X 5 Alors P68<X<75P-0,4 t + Φ-Φ-0,4 Φ--Φ0,4 Φ+ Φ0,4- Soit, en cherchant les valeurs de Φ et de Φ0,4 dans la table de la fonction intégrale de la loi normale centrée réduite: croisement de la ligne,0 et de la colonne 0,00; croisement de la ligne 0,4 et de la colonne 0, D où P68 X 750,843+0,6554-0,4967 Il y a donc: 000x0, personnes dont la taille est comprise entre 68cm et 75cm.. La probabilité pour qu une personne ait une taille supérieure à 80cm est: PX>80PT>-Φ-0,9770,08 soit une probabilité de,3%. Il y a alors vraisemblablement 000x0,08 45personnes dont la taille dépasse 80cm. 46 3
24 0//03 Loi Log-normale bi-paramètrique paramètrique: Une variable aléatoire Xest dite suivant une loi de probabilité Log-normale de paramètres µ et σ si la v. a. YLog Xsuit la loi normale d espérance µ et d écart-type σ. On note X~ Λ µ,σ Alors, la densité de probabilité de Y est: f y e πσ et celle de Xsera: f x e πσx y µ σ Log x µ σ ; x > 0 47 Espérance et variance: Soit X~Λµ, σ, son espérance est: E Et sa variance est: Var X exp µ + σ X exp µ + σ { exp σ } 48 4
25 0//03 Loi Log-normale tri-paramètrique paramètrique: Une variable aléatoire Xqui peut prendre une valeur qui dépasse une valeur fixée τest dite suivant une loi log-normale de trois paramètres τ, µet σsi YLogX-τ suit une loi normale de paramètres µet σ. On note X~ Λτ,µ,σ Le troisième paramètre τ s appelle le seuil. Ainsi, la log-normale de paramètres est un cas particulier de celle de 3 paramètres avec τ0. 49 Fonction de densité de probabilité: Soit X~Λτ, µ, σ, alors sa fonction de densité de probabilité est: g x πσ x τ 0 exp σ { Log x τ µ } si si τ < x < x τ 50 5
26 0//03 Espérance et variance: Soit X~Λτ, µ, σ, alors, Son espérance est: E X τ + exp µ + σ Sa variance est: Var X e µ [ ] σ σ e e 5 Loi du Khi-deux: Une v.a. Xsuit une loi du khi-deux à ndegrés de liberté ddlen abrégé si sa densité de probabilité est définie par: x n e x ; si x > 0 n f x n Γ 0; si x 0 On note X~ χ n n Si et, on retrouve la loi Gamma. 5 6
27 0//03 On peut montrer que: Loi du Khi-deux: Si X, X,, X n sont nv.a. indépendantes qui suivent respectivement des lois normales Nµ,σ, Nµ,σ,, Nµ n,σ n, alors la v.a. Z n i X i µ i σ i suit une loi de χ n khi-deux à n degrés de liberté 53 C est-à-dire: Loi du Khi-deux: Si Z, Z,, Z n sont nv.a. indépendantes qui suivent respectivement des lois normales centrées réduites N0, alors la v.a. Z n i Z i suit une loi de χ n khi-deux à ndegrés de liberté 54 7
28 0//03 Loi du Khi-deux: L espérance mathématique d une v.a. Xqui suit une loi du khi-deux à ndegrés de liberté est: EXn Sa variance est: VarXn 55 Loi de Student: Une v.a. Xsuit une loi de Studentà ndegrés de liberté si sa densité de probabilités est définie par: f x x IR n n ; + nb, + x On note X~ Tn Pour n, on retrouve la loi de Cauchy et on a: Γ π et f x ; x IR π + x 56 8
29 0//03 On peut montrer que: Loi de Student: Si Xest une v.a. normale centrée réduite N0,, si Y est une v.a. de χ n khi-deux à ndegrés de liberté, et si Xet Ysont indépendantes, alors la v.a. Z X Y n suit une loi Tn de Studentà n degrés de liberté 57 Loi de Student: L espérance mathématique d une v.a. Xqui suit une loi de Studentà ndegrés de liberté est: EX0 Sa variance est: Var X n n 58 9
30 0//03 Loi de Fisher-Snédecor: Une v.a. Xsuit une loi de Fisher-Snédecorà p et qdegrés de liberté si sa densité de probabilité est définie par: p x q f x p q B, p + x q On note X~ Fp,q p p + q p ; x 0 59 Loi de Fisher-Snédecor: On peut montrer que: Si X et X sont deux v.a. indépendantes distribuées respectivement suivant une loi de Khi-deux χ à n et n degrèsde liberté, alors la v.a. X n F suit une loi de Fisher- X Snédecor Fn n, n à n et n degrès de liberté 60 30
31 0//03 Loi de Fisher-Snédecor: L espérance mathématique d une v.a. Xqui suit une loi de Fisher-Snédecor Fp,q à pet q degrés de liberté est: Sa variance est: Var E q q X, q > X q p + q q q 4, q > 4 p 6 3
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 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 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 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 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 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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détail3. 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 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 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 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 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 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 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en 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 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 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 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 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 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 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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en 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 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 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 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 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
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 détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en 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 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 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 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 détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en 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 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 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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en 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 détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
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 détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
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 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 détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 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 - 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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en 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 détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
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 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
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 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 méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailCALCUL DES PROBABILITES
CALCUL DES PROBABILITES Exemple On lance une pièce de monnaie une fois. Ensemble des événements élémentaires: E = pile, face. La chance pour obtenir pile vaut 50 %, pour obtenir face vaut aussi 50 %. Les
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 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 détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailDENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES
BTS GPN ERE ANNEE-MATHEMATIQUES-DENOMBREMENT-COMBINATOIRE-EXERCICE DE SYNTHESE EXERCICE RECAPITULATIF (DE SYNTHESE) CORRIGE Le jeu au poker fermé DENOMBREMENT-COMBINATOIRE-PROBABILITES GENERALES On joue
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
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 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 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 détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en 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 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 détail