Rappels de Statistique
|
|
- Corinne Lapierre
- il y a 6 ans
- Total affichages :
Transcription
1 L2 S2 Eco-Gestion Université de Bordeaux Rappels de Statistique Cette fiche rappelle et commente les résultats essentiels du cours de statistique de L2 S2. Chaque rappel est suivi d une courte application destinée à mettre en évidence l aspect pratique des résultats énoncés. Propriétés de la loi normale R1 la loi normale est stable par transformation affine X N (µ,σ 2 ) et α, β R ; alors αx +β N (αµ+β,α 2 σ 2 ). Justification. Egon and Porée (2004), p.146. Exemple. Si X N (4,3) alors 2X +1 N (2 4+1 = 9,2 2 3 = 12). Application. Les salaires belges (en ke) sont distribués selon une loi normale de moyenne 4 et de variance 3 ; si on augmente les salaires de 1000 euros après les avoir doublés, ils restent distribués selon une loi normale mais de moyenne est 9 et de variance 12. R2 la loi normale est stable par centrage et réduction X N (µ,σ 2 ) ; alors (X µ)/σ N (0,1). Justification. Appliquer R1 avec : α = 1/σ et β = µ/σ. Exemple. Si X N (5,9) alors (X 5)/3 N (0,1). Application. La taille (en mm) d une coccinelle est distribuée selon une loi normale de moyenne 5 et de variance 9 ; la proportion de coccinelles mesurant au plus 8 mm est égale à la probabilité pour une variable normale centrée réduite d être inférieure à 1. R3 la combinaison linéaire de variables gaussiennes indépendantes est une variable gaussienne a X 1 N (µ 1,σ1 2), X 2 N (µ 2,σ2 2) sont indépendantes et α 1, α 2 R ; alors α 1 X 1 +α 2 X 2 est distribuée selon la loi normale de moyenne α 1 µ 1 +α 2 µ 2 et de variance α 2 1 σ2 1 +α2 2 σ2 2. Justification. Voir Apple (2013) p.266 pour le cas : α 1 = α 2 = 1. De R1 on tire α i X i N (α i µ i,α 2 i σ2 i ) (i = 1,2), puis le résultat annoncé par somme des variables gaussiennes indépendantes α 1 X 1 et α 2 X 2. Exemple. Si X 1 N (7,9) et X 2 N (5,4) sont indépendantes alors 2X 1 + 3X 2 est distribuée selon la loi normale de moyenne : = 29 et de variance : = 72. Application. On confectionne des filets contenant deux pommes et trois poires. La masse (en g) des pommes est distribuée selon N (7,9) et celle des poires selon N (5,4). La masse des filets est alors distribuée selon N (29,72) en admettant que les masses d une pomme et d une poire choisies au hasard sont indépendantes. Attention. Si X 1 N (7,9) et X 2 N (5,4) sont indépendantes alors 2X 1 3X 2 est distribuée selon la loi normale de moyenne : = 1 et de variance : ( 3) 2 4 = 72. R4 la somme de variables gaussiennes indépendantes et identiquement distribuées (iid) est gaussienne X 1,...,X n N (µ,σ 2 ) ; alors n i=1 X i N (nµ,nσ 2 ). iid Justification. Appliquer successivement R3 à X 1 + +X k et X k+1 pour k allant de 1 à n 1 en prenant 1 comme coefficients de la combinaison linéaire. Exemple. Si X 1,...,X 9 iid N (5,4) alors 9 i=1 X i N (9 5 = 45,9 4 = 36). Application. On confectionne des barquettes contenant neuf abricots. Or la masse (en g) d un abricot est distribuée selon N (5, 4). La masse d une barquette est alors distribuée selon N (45, 36) en supposant indépendantes les masses de neuf abricots choisis au hasard. R5 symétrie de la fonction de répartition de N (0,1). φ désigne la fonction de répartition de la loi N (0,1) : α R,φ(α) = P(N (0,1) α). Alors pour tout α : A. Lourme, Faculté d économie, gestion & AES, Université de Bordeaux a on dit qu une variable est gaussienne lorsqu elle est distribuée selon une loi normale 1
2 i. φ( α) = 1 φ(α), ii. φ(α) φ( α) = 2φ(α) 1. Justification. i. se déduit de la parité de la densité de N (0,1) et ii. découle de i. Exemple. i. φ( 0,8) = 1 φ(0,8) 0,21 ii. φ(0.8) φ( 0.8) = 2φ(0.8) 1 0,58 : Une variable normale centrée réduite est inférieure à 0,8 dans 21% des cas d après i (on dit aussi que 0,8 est le quantile d ordre 0,21 de la loi N (0,1)) ; elle est comprise entre 0,8 et 0,8 dans 58% cas d après ii. R6 a < b sont deux réels et X N (µ,σ 2 ) ; alors : i. P(X b) = P(X < b) = φ((b µ)/σ) ii. P(a X b) = P(a < X b) = P(a X < b) = P(a < X < b) = φ((b µ)/σ) φ((a µ)/σ) Justification. Puisque X est absolûment continue les inégalités strictes peuvent être transformées en inégalités larges (et réciproquement) sans que cela change le calcul des probabilités. Par ailleurs : i. P(X b) = P((X µ)/σ (b µ)/σ) = R2 φ((b µ)/σ). ii. P(a < X b) = P(X b) P(X a) = R6 i. φ((b µ)/σ) φ((a µ)/σ). Exemple. Si X N (5,4) alors P(4 X 7) = φ((7 5)/2) φ((4 5)/2) = φ(1) φ( 1/2) = φ(1) 1+ φ(1/2) 0,84 1+0,69 = 0,53. Application. Mon coucou annonce l heure du thé à cinq heure en moyenne, avec une variance de 4 h 2 ; si son déclenchement suit une loi normale, j ai 53% de chances de boire le thé entre 4 h et 7 h. Inégalités R7 inégalité de Bienaymé-Tchebychev X est une variable aléatoire réelle de moyenne µ et de variance finie σ 2 ; alors pour tout ǫ > 0 : P( X µ ǫ) σ 2 /ǫ 2. Justification. Apple (2013) p.157. Exemple. Une variable aléatoire X de variance 100 s écarte de sa moyenne 180 de 20 unités au moins, une fois sur quatre au plus en moyenne : P( X ) 100/20 2 = 1/4. Application. Les italiens mesurent 180 cm en moyenne et la variance de leurs tailles est 100 cm 2 ; il y a donc au plus une chance sur quatre pour qu un italien choisi au hasard mesure plus de 200 cm ou moins de 160 cm. Remarque. L inégalité de Bienaymé-Tchebychev ne fait aucune hypothèse paramétrique sur la loi de X. Approximations R8 approximation d une loi binômiale par une loi normale La loi binomiale B(n,p) peut être approchée par la loi normale N (np,np(1 p)) lorsque np 15 et n(1 p) 15. a et b étant deux entiers, P(a B(n,p) b) P(a 1/2 N (np,np(1 p)) b+1/2) si on applique une correction de continuité b et P(a B(n,p) b) P(a N (np,np(1 p)) b) sinon. Justification. Apple (2013) pp Exemple. La loi binomiale B(50;0,4) peut être approchée par la loi normale N (50 0,4 = 20,50 0,4 (1 0,4) = 12. Ainsi, X B(50;0,4) est comprise entre 10 et 24 avec (presque) la même probabilité que Y N (20;12) est comprise entre 9,5 et 24,5 : P(10 X 24) P(9,5 Y 24,5) = φ((24,5 20)/ 12) φ((9,5 20)/ 12) 0,9. b on appliquera la correction de continuité lorsque a et b sont proches l un de l autre et petits devant n 2
3 Application. Si 40% des français ont la grippe, il y a neuf chances sur dix qu un groupe de cinquante étudiants comporte entre dix et vingt-quatre malades. R9 approximation d une loi binomiale par une loi de Poisson La loi binomiale B(n, p) peut être approchée par la loi de Poisson P(np) lorsque p 0, 1 et n 30. Pour un entier a quelconque, P(B(n,p) = a) P(P(np) = a) Justification. Apple (2013), p.448. Exemple. La loi binomiale B(40; 0, 1) peut être approchée par la loi de Poisson P(4). Ainsi, X B(40; 0, 1) vaut au plus deux 5 avec (presque) la même probabilité que Y P(4) : P(X 5) P(Y 5) = 5 k=0 e 4 4 k /k! 0,79. Application. 10% des trèfles de mon jardin ont quatre feuilles ; si je cueille quarante trèfles, il y 79% de chances que j obtienne au plus cinq porte-bonheur. R10 approximation de la loi de Poisson par une loi de Normale La loi de Poisson P(λ) peut être approchée par la loi normale N (λ,λ) lorsque λ 15. a et b étant deux entiers, P(a P(λ) b) P(a 1/2 N (λ,λ) b + 1/2) si on applique une correction de continuité et P(a P(λ) b) P(a N (λ,λ) b) sinon. Justification. Apple (2013) pp Exemple. La loi de Poisson P(16) peut être approchée par la loi normale N (16,16). Ainsi, X P(16) est comprise entre 10 et 20 avec (presque) la même probabilité que Y N (16,16) est comprise entre 9,5 et 20,5 : P(10 X 20) P(9,5 Y 20,5) = φ((20,5 16)/ 16) φ((9,5 16)/ 16) 0,82. Application. En admettant que le nombre d appels reçu par un standard en une heure est distribué selon une loi de Poisson de moyenne 16 (λ = 16), il y a 82% de chances que l on recoive d ici une heure entre dix et vingt appels. Echantillonnage R11 distribution d échantillonnage d une moyenne empirique X 1,...,X n est un échantillon aléatoire d une loi de probabilité appelée la loi mère, de moyenne µ et de variance finie σ 2 ; alors la moyenne d échantillon X = ( n i=1 X i)/n est approximativement b distribuée selon une loi normale de moyenne µ et de variance σ 2 /n. Justification. R11 est une conséquence du théorème central limit (TCL) démontré dans Apple (2013), p.439 selon lequel ( X µ)/(σ/ n) converge en loi vers N (0,1). Remarque 1. Aucune hypothèse n est faite quant à la nature de la loi mère, c est à dire la loi dont est issu l échantillon. Ainsi, R11 est valable que l échantillon soit issu de n importe quelle loi discrète ou continue. Remarque 2. Si la loi mère est N (µ,σ 2 ) alors N (µ,σ 2 /n) est la loi exacte (et pas seulement une loi approchée) de X ; ce résultat peut être démontré en combinant R1 et R4. Exemple. Si X 1,...,X 36 est un échantillon aléatoire ( d une loi de Poisson de paramètre 12, chaque variable X i 36 ) a pour moyenne µ = 12, pour variance σ 2 = 12 et i=1 X i /36 N (12,12/ 36 = 2). approx Application. Le nombre d appels reçus en une heure sur n importe lequel des trente-six téléphones d un centre de renseignements suit une loi de Poisson de paramètre 12. Ainsi, le nombre moyen d appels reçus par le centre en une heure est approximativement distribué selon N (12,2) R12 distribution d échantillonnage d une fréquence empirique p est la proportion d individus pourvus d une qualité dans une population ; alors la proportion F de sujets ayant de cette qualité dans un échantillon aléatoire de taille n est approximativement b distribuée selon une loi normale de moyenne p et de variance p(1 p)/n. Justification. X i = 1 si l individu i de l échantillon possède la qualité étudiée et X i = 0 sinon. R12 s obtient en appliquant R11 à X 1,...,X n qui est un échantillon aléatoire de la loi de bernoulli B(1,p) d espérance : p et de variance : p(1 p). Remarque. R12 est un cas particulier de R11 avec une loi de Bernoulli pour loi mère. b on considère généralement l approximation comme acceptable lorsque n 30 3
4 Exemple. Si 40% des individus d une population possèdent une qualité, la proportion F de sujets pourvus de cette qualité dans un échantillon de taille 50 est supérieure à 0,5 avec propbabilité : P(F > 0,5) = 1 P(F 0,5) = 1 P(N (0,4;0,4 0,6/50 = 0,0048) 0,5) = 1 φ ( (0,5 0,4)/ 0,0048 ) 0,07. Application. Si 40% de la population est favorable à M. Li, un institut de sondage a 7% de chances de donner M. Li gagnant sur la base de cinquante sondés. R13 moyenne & variance d une moyenne empirique (population de taille finie) X 1,...,X n est un échantillon tiré d une population de taille N de moyenne µ et de variance σ 2. Table 1 donne l espérance et la variance de la moyenne empirique X = ( n i=1 )/n selon le type d échantillon : exhaustif/non exhaustif. échantillon E( X) V( X) non exhaustif µ σ 2 /n exhaustif µ σ 2 /n (N n)/(n 1) Table 1: espérance et variance d une moyenne empirique calculée sur un échantillon exhaustif/non exhaustif tiré d une population finie Justification. Daudin et al. (1999), p.13. Application. Un porte-monnaie contient cinq pièces dont la valeur moyenne est 1, 6 e et la variance des valeurs 0,24e 2. La valeur moyenne de deux pièces tirées au hasard est une variable aléatoire (i) de moyenne 1,6 et de variance 0,24/2 = 0,12 si les pièces sont tirées successivement avec remise (ii) de moyenne 1,6 et de variance 0, 24/2 (5 2)/(5 1) = 0, 09 si les pièces sont tirées simultanément. R14 moyenne & variance d une fréquence empirique (population de taille finie) p est la proportion d individus pourvus d une qualité dans une population de taille N et F la proportion de sujets ayant de cette qualité dans un échantillon de taille n. Table 2 donne l espérance et la variance de F selon le type d échantillon : exhaustif/non exhaustif. échantillon E(F) V(F) non exhaustif p p(1 p)/n exhaustif p p(1 p)/n (N n)/(n 1) Table 2: espérance et variance d une fréquence empirique calculée sur un échantillon exhaustif/non exhaustif tiré d une population finie Justification. Daudin et al. (1999), p.16. Application. La classe M. Jørgen compte trente étudiants dont 40% de filles. Au début de chaque cours M. Jørgen interroge trois étudiants. La proportion de filles parmi les étudiants interrogés est une variable aléatoire (i) de moyenne 0,4 et de variance 0,4 0,6/3 = 0,08 si les étudiants sont interrogés successivement c (ii) de moyenne 0,4 et de variance 0,4 0,6/3 (30 3)/(30 1) 0,07 si les étudiants sont interrogés simultanément. Intervalles de confiance R15 intervalle de confiance d une moyenne (variance connue) Un intervalle de confiance au niveau 1 α (0 < α < 1) de la moyenne µ d une population de variance σ 2 est : IC 1 α (µ) = X ±z 1 α/2 σ/ n (1) où z 1 α/2 est le quantile d ordre 1 α/2 de la loi N (0,1) et X = ( n i=1 X i)/n la moyenne d un échantillon aléatoire X 1,...,X n de taille n. Justification. R15 découle de R11 ; si vous peinez à le montrer, reportez-vous à Daudin et al. (1999), p.50. Interprétation. L intervalle (1) dont les bornes sont aléatoires puisqu elles dépendent de l échantillon tiré contient la moyenne µ avec probabilité 1 α. c le même étudiant pouvant être interrogé deux ou trois fois 4
5 Exemple. Au niveau 0,95 (α = 0,05) l intervalle de confiance de la moyenne µ d une population de variance 100 est, pour un échantillon de taille n = 36 : IC 0,95 (µ) = X ±z 0,975 10/ 36 = X ±1,96 10/6 X ±3,3 (2) Ainsi, l intervalle aléatoire (2) contient la moyenne inconnue µ dans 95% des cas. Application. La variance des tailles des habitants du Laos vaut 100 cm 2. Si la taille moyenne de trente-six laotiens choisis au hasard est 170 cm, la réalisation de (2) est : [170 3,3;170+3,3] = [166,7;173,3]. On ne peut pas en déduire our autant que la taille moyenne µ des laotiens a 95% de chances d être comprise entre 166,7 cm et 173,3 cm. En effet, on ne peut pas savoir si l intervalle [166,7;173,3] fait partie des 95% de réalisations de (2) contenant µ ou des 5% de réalisations de (2) ne contenant pas µ. R16 intervalle de confiance d une proportion p est la proportion d individus pourvus d une qualité dans une population. Un intervalle de confiance au niveau 1 α (0 < α < 1) de la proportion p est : IC 1 α (p) = F ±z 1 α/2 F(1 F)/n (3) où z 1 α/2 est le quantile d ordre 1 α/2 de la loi N (0,1) et F la proportion de sujets ayant la qualité étudiée dans un échantillon aléatoire de taille n. Justification. X i = 1 si l individu i de l échantillon possède la qualité étudiée et X i = 0 sinon. En appliquant R15 à X 1,...,X n qui est un échantillon aléatoire de la loi de bernoulli B(1,p) d espérance p et de variance p(1 p), on obtient pour intervalle de confiance de p : IC 1 α (p) = F ±z 1 α/2 p(1 p)/n. Mais comme p est inconnu, p(1 p) est estimé par F(1 F). Interprétation. L intervalle (3) dont les bornes sont aléatoires puisqu elles dépendent de l échantillon tiré contient la moyenne p avec probabilité 1 α. Exemple. Au niveau 0,95 (α = 0,05) l intervalle de confiance d une proportion p est, pour un échantillon de taille n = 36 : IC 0,95 (p) = F ±z 0,975 F(1 F)/36 = F ±1,96 F(1 F)/6 = F ±0,33 F(1 F) (4) Ainsi, l intervalle aléatoire (4) contient la proportion inconnue p dans 95% des cas. Application. La proportion p d électeurs qui voteront pour M. Xiao aux prochaines élections est inconnue. Mais si F désigne la proportion de partisans de M. Xiao dans un échantillon aléatoire de 36 personnes, il y a 95% de chances que l intervalle F ±0,33 F(1 F) contienne p. En pratique, si on compte 20 partisans de M. Xiao parmi 36 sondés, alors F = 20/36 et la réalisation de (4) est : 20/36±0,33 20/36(1 20/36) [0,39;0,72]. On ne peut pas en déduire pour autant que le score de M. Xiao a 95% de chances d être compris entre 39% et 72%. En effet, on ignore si l intervalle [0, 39; 0, 72] fait partie des 95% de réalisations de (4) contenant p ou des 5% de réalisations de (4) ne contenant pas p. Fonctions génératrices R17 fonction génératrice des probabilités Pour une variable aléatoire X à valeurs dans N, la fonction génératrice des probabilités est : G X (t) = E(t X ) = + k=0 P(X = k) tk. On en tire l espérance de X selon : E(X) = G X (1) et sa variance selon : V(X) = G X (1)+G X (1) [G X (1)]2. Exemple. Pour une variable X distribuée selon une loi binômiale B(n, p), la fonction génératrice des probabilités est : G X (t) = E(t X ) = + k=0 P(X = k) tk = n n ) k=0( k p k (1 p) n k t k = n n k=0( k) (pt) k (1 p) n k = (1 p+pt) n. Application. L espérance de X B(5;0,2) est 1 et sa variance 0,8. En effet : G X (t) = (0,8 + 0,2t) 5, G X (t) = 5 0,2 (0,8+0,2t)4 et G X (t) = 5 4 0,22 (0,8+0,2t) 3 ; on en déduit : E(X) = G X (1) = 1 et V(X) = G X (1)+G X (1) [G X (1)]2 = 0, = 0,8. R18 fonction génératrice des moments La fonction génératrice des moments d une variable aléatoire à valeurs dans R est : M X (t) = E(e tx ). Si X est discrète à valeurs dans N alors : M X (t) = + k=0 P(X = k) etk. 5
6 Si X est absolûment continue de fonction de densité f(x) alors : M X (t) = + etx f(x)dx. On en tire l espérance de X selon : E(X) = M X (0) et sa variance selon : V(X) = M X (0) [M X (0)]2. Exemple. Pour une variable X distribuée selon une loi exponentielle E(λ) la fonction génératrice des moments est définie pour t < λ par : M X (t) = + etx λe λx 1 {x 0} dx = + 0 λe (t λ)x M dx = lim M + 0 λe (t λ)x dx = lim M + [λe(t λ)x /(t λ)] M 0 = lim M + λ{e(t λ)m 1}/(t λ) = λ/(λ t) = 1/(1 t/λ). Application. L espérance de X E(0,5) est 2 et sa variance 4. En effet : M X (t) = 1/(1 2t), M X (t) = 2/(1 2t) 2 et M X (t) = 8/(1 2t)3 ; on en déduit : E(X) = M X (0) = 2 et V(X) = M X (0) [M X (0)]2 = = 4. References Apple, W. (2013). Probabilité pour les non-probabilistes. H&K Éditions. Daudin, J.-J., Robin, S., and Vuillet, C. (1999). Statistique inférentielle: idées, démarches, exemples. Société française de statistique. Egon, H. and Porée, P. (2004). Statistique et probabilités en production industrielle, volume 1. Hermann. 6
Moments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 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 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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en 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 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 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 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 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 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 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 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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en 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 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 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 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 détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en 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 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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en 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 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 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 détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
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 détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
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 détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 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 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 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 détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
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 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 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 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 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 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 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 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 détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 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 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 détailProblèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6 ARTHUR CHARPENTIER 1 Supposons que le nombre X de coups de téléphone durant une heure suive une loi de Poisson avec moyenne λ. Sachant que P (X = 1 X 1) = 0.8, trouver
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
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 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 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 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 détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailmathématiques mathématiques mathématiques mathématiques
mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques mathématiques
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 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 détail